Schlechte Batterien früh erkennen und ausschleusen
Bei der Produktion von Batterien für Elektroautos ist der Ausschuss noch immer ein großes Effizienzproblem. Mit vorausschauenden Qualitätsanalysen ist es der Firma Elisa Smart Factory aus Finnland nun gelungen, die Produktionsausbeute im Elektromobilitätslabor eLab der RWTH Aachen um 16 Prozent zu steigern.

Predictive Quality Analytics

Predictive Quality Analytics werden zum Extrahieren von Daten aus einem Fertigungsprozess verwendet, um Datenmuster zu bestimmen, anhand derer qualitätsbezogene Trends und Ergebnisse vorhergesagt werden können. Daher erwies sich Elisas Lösung als geeignetes Tool, um die Qualitätsherausforderung im eLab anzugehen. Die Mitarbeiter des IT-Spezialisten führten dazu den sechsstufigen CRISP-DM-Prozess durch, einen sehr beliebten branchenübergreifenden Standardprozess für Data Mining. Der Prozess lässt sich folgenermaßen skizzieren: @WK Einrückung:Der erste Schritt besteht darin, ein klares betriebswirtschaftliches Verständnis für die Batteriezellenproduktion zu entwickeln und die richtigen Ziele festzulegen. Die Gesamtsituation wurde bewertet, die Qualitätstreiber im Prozess wurden definiert, die die Batteriezellenqualität beeinflussenden Datenpunkte identifiziert und die Parameter ermittelt, die die Batteriezellenqualität am besten beschreiben. @WK Einrückung:Der nächste Schritt ist das Datenverständnis entsprechend dem CRISP-DM-Prozess. Dabei wurde analysiert, welche Daten verfügbar sind und welche Daten benötigt werden. In diesem Fall wurde eine Datenlücke geschlossen, indem eine Qualitätskamera in der Fertigungslinie installiert wurde. @WK Einrückung:In der Datenvorbereitungsphase werden die Daten bereinigt und in dasselbe Format vereinheitlicht. Zeitstempel werden überprüft, um Datenerfassungsverluste zu vermeiden. @WK Einrückung:Die Modellierung war die schwierigste Phase für die Datenwissenschaftler. Es gibt Tausende von Möglichkeiten, Daten zu analysieren. Die Datenwissenschaftler müssen verschiedene Algorithmen erproben, um die einzelnen Ergebnisse zu sehen, wenn sie auf die Fertigungslinie für Batteriezellen angewendet werden, um Daten zu erheben. @WK Einrückung:Die Auswertung der Ergebnisse ist von kritischer Bedeutung. In diesem Schritt wurde untersucht, ob die Ergebnisse gültig sind und ob sie eine Vorhersage über die Qualität der Batteriezellen ermöglichen. @WK Einrückung:Zum Schluss definierte das Team in der Bereitstellungsphase die optimalen Parameter für die Einrichtung der Produktionsanlagen und -maschinen zur Optimierung der Produktionsqualität. Dazu gehörten u.a. die richtigen Viskositätsparameter.

Produktionsertrag gestiegen

Nachdem die Maßnahmen umgesetzt wurden, sank die Ausschussrate in der Produktionslinie für eLab-Batteriezellen um 16 Prozent, da die Qualität der Zellen jetzt frühzeitig vorhergesagt werden konnte. Die Batteriezellen, deren Qualität am Ende des Prozesses als minderwertig vorausgesagt wurde, werden jetzt früher im Prozess identifiziert und herausgenommen. Die Rohstoffe könnten für eine neue Produktionscharge recycelt werden, anstatt nach erfolgtem End-of-Line-Test drei Wochen später im nicht recycelbaren Abfall zu landen.

Batterien für 49.000 Tesla

Welchen Wert eine Produktionsrendite von 16 Prozent für Tesla hätte, lässt sich schwer beziffern. Aber eine mögliche Rechnung sähe so aus: Wenn die gesamte Produktionskapazität von 23GWh in der Tesla Gigafactory 1 ausschließlich für die Produktion der 2170-Batteriezellen des Tesla-Modell-3-Autos verwendet würde, könnten dort jährlich 1,3 Milliarden 2170-Zellen produziert werden müssen. 16 Prozent höhere Ausbeute hieße mehr als 200 Millionen produzierte Zelleneinheiten – genug für 49.000 Tesla-Langstreckenautos des Modells 3.

Seiten: 1 2Auf einer Seite lesen

Das könnte Sie auch Interessieren

Bild: IFS Deutschland GmbH & Co. KGBild:©Tierney/stock.adobe.comBild: acatech - Dt. Akademie der TechnikwissenschaftenBild: IFS Deutschland GmbH & Co. KGBild: Zentrum für Europäische WirtschaftsforschungBild: ©branex/fotolia.com
Bild: IFS Deutschland GmbH & Co. KGBild:©Tierney/stock.adobe.comBild: acatech - Dt. Akademie der TechnikwissenschaftenBild: IFS Deutschland GmbH & Co. KGBild: Zentrum für Europäische WirtschaftsforschungBild: ©branex/fotolia.com
Erfolgsfaktor künstliche Intelligenz – immer mehr Maschinenbauer und Startups finden zusammen

Erfolgsfaktor künstliche Intelligenz – immer mehr Maschinenbauer und Startups finden zusammen

Bild: IFS Deutschland GmbH & Co. KGBild:©Tierney/stock.adobe.comBild: acatech - Dt. Akademie der TechnikwissenschaftenBild: IFS Deutschland GmbH & Co. KGBild: Zentrum für Europäische WirtschaftsforschungBild: ©branex/fotolia.com Aus der Analyse ergibt sich...