Früherkennung macht Batterien sicherer

TU Darmstadt und MIT entwickeln Methoden zur Überwachung mit Maschinellem Lernen

05.11.2024

Symbolbild

Computer-generated image

Die sichere Nutzung von Lithium-Ionen-Batterien, wie sie in Elektroautos und stationären Speichersystemen verwendet werden, hängt entscheidend von der Überwachung ihres Zustands und der frühzeitigen Fehlererkennung ab. Fehler in einzelnen Batteriezellen können zu ernsten Problemen wie Bränden führen. Um dies zu verhindern, haben Forschende der TU Darmstadt und des Massachusetts Institute of Technology (MIT) neue Methoden zur Analyse und Überwachung von Batterien mit Ansätzen des Maschinellen Lernens entwickelt.

Das Team aus Joachim Schaeffer, Eric Lenz und Professor Rolf Findeisen vom Institut für Automatisierungstechnik und Mechatronik der TU Darmstadt hat zusammen mit den Gruppen von Professor Richard Braatz und Professor Martin Bazant am MIT einen Ansatz entwickelt, der einfache physikalische Modelle und maschinelles Lernen kombiniert. Mithilfe sogenannter rekursiver Gauß-Prozesse können sie zeitliche und betriebsbedingte Veränderungen in Batteriezellen erkennen. Diese rekursiven Methoden lassen sich in Echtzeit anwenden und sind in der Lage, auch große Datenmengen effizient zu verarbeiten, was eine kontinuierliche Online-Überwachung von Batteriesystemen ermöglicht.

Für ihre Forschung konnten die Wissenschaftler auf einen einzigartigen Datensatz zurückgreifen: Ein Forschungspartner stellte anonym Daten von 28 Batteriesystemen zur Verfügung, die wegen Problemen an den Hersteller zurückgeschickt wurden. Der Datensatz umfasst über 133 Millionen Datenreihen von 224 Batteriezellen und ist einer der ersten seiner Art, der öffentlich zugänglich gemacht wurde.

Die Ergebnisse der methodischen Entwicklungen und Analysen, die soeben in der Zeitschrift „Cell Reports Physical Science“ erschienen sind, bestätigen, dass oft nur eine Zelle eines gesamten Batteriesystems auffällig wird und das System beeinträchtigt. Diese Erkenntnisse tragen dazu bei, besser zu verstehen, wie Batterien altern und unter welchen Bedingungen sie versagen. Die Methoden ermöglichen es, Batterien zukünftig kontinuierlich zu überwachen und somit die Sicherheit zu erhöhen.

Joachim Schaeffer, Doktorand am Control and Cyber Physical Systems Laboratory am Fachbereich Elektrotechnik und Informationstechnik der TU Darmstadt und am MIT, wurde für die im Rahmen des Projekts entstandenen, öffentlich zugänglichen Daten mit dem MIT Open Data Prize ausgezeichnet. Aus über 70 Einreichungen wurden zehn Preisträger ausgewählt.

---

Schon gewusst? Am 13. November findet der virtual battery day 2024 statt - das größte digitale Event rund um Batterietechnologie und elektrochemische Energiespeicherung! Jetzt mehr erfahren und kostenlos dabei sein: https://www.virtual-battery-day.com/was-sie-als-besucher-erwartet

Originalveröffentlichung

Schaeffer et al., Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data, Cell Reports Physical Science (2024)

https://www.chemie.de/news/1184813/frueherkennung-macht-batterien-sicherer.html

Originalveröffentlichung

Schaeffer et al., Gaussian process-based online health monitoring and fault analysis of lithium-ion battery systems from field data, Cell Reports Physical Science (2024)

Themen

Lithium-Ionen-Batterien Batterien Machine Learning Batterieanalytik Batteriesicherheit

Alle anzeigen

Organisationen

TU Darmstadt

MIT