ProLIBs

Projektbeschreibung

Die Bestimmung und Vorhersage des Gesundheitszustandes (SOH) einer Batterie ist entscheidend für die Optimierung ihrer Nutzung und die Erhöhung ihrer Lebensdauer.

Im Fraunhofer Attract Projekt "ProLIBs: A Battery Cell ID card", geht es um die Vorhersage des Alterungsverhaltens von NMC-basierten Batterien unter verschiedenen Betriebsbedingungen anhand ihrer charakteristischen Impedanz. Fortschrittliche Charakterisierungstechniken und statistische Analysemethoden werden eingesetzt, um den (SOH) und Ladezustand (SOC) einer Zelle vorherzusagen und die Alterungsprozesse zu verstehen.

NMC-Elektroden werden intern mit individuellen hergestellt und mit Graphitanoden gekoppelt, um Batterien im "Pouch"-Zellenformat zusammenzustellen, einer Geometrie, die kommerziellem Designs nahe kommt.

Es wird ein physikalisches Modell entwickelt, um die Interkalationsreaktion in der porösen Elektrode und die Auswirkungen der Grenzflächen zu beschreiben, wobei mikroskopische Durchschnittswerte verwendet werden, um die makroskopischen Eigenschaften der Elektrode darzustellen. Parallel dazu wird eine fortschrittliche experimentelle Methode verwendet, um die Impedanz der Zelle während der Ladung und Entladung zu messen. Die Impedanz, die über ein breites Frequenzband erfasst wird, enthält qualitative und quantitative Informationen über die physikalisch-chemischen Prozesse. Der Versuchsaufbau ist vollständig automatisiert, um die kontinuierliche Impedanzbestimmung zu jedem Zeitpunkt des Zyklus zu ermöglichen.

Die Kernidee des Projekts besteht darin, experimentelle Daten zu verwenden, um die Werte der physikalischen Größen im Modell durch Regression zu erhalten. Insbesondere werden die Impedanzdaten in Padé-Näherungskoeffizienten umgewandelt, wodurch die Dimensionalität der Datenmenge reduziert wird, während die gleiche Information erhalten bleibt.

Eine weitere Dimensionalitätsreduzierung wird mit Hilfe von Spline-Funktionen erreicht, wobei die minimale nicht redundante Information des Systems (d.h. die Freiheitsgrade) erhalten bleibt. Diese Daten können dann als fortgeschrittene Merkmale in Algorithmen des maschinellen Lernens zur Vorhersage des Gesundheitszustandes verwendet werden, die derzeit in der Gruppe untersucht werden.

Die experimentellen Daten können auch mit den physikalischen Modellen in physikalisch informierten neuronalen Netzen (PINNS) kombiniert werden, um den Vorhersagebereich auf nicht gemessene Bedingungen wie Temperaturen oder Lastprofile zu erweitern.

Die Allgemeingültigkeit des Ansatzes bietet den Vorteil, dass die Ergebnisse mit geringem Aufwand auf völlig neue Zelltypen (z.B. Festkörperbatterien) übertragen werden können. Durch die Implementierung in das Batteriemanagementsystem können die Daten für die Lebensdauervorhersage während des Betriebs des Systems gewonnen werden. Mit diesen Daten können optimierte Ladestrategien entwickelt werden, die die Gesamtlebensdauer des Batteriesystems erhöhen.

Diese Projekt wird von der Gruppe Modellierung und Simulation des Fraunhofer IFAM unter der Leitung von Prof. Fabio La Mantia durchgeführt.