Prof. Wei Lu von der University of Michigan mit einer zu testenden Batterie

Mit dem Auswahlansatz der Forscher der Universität Michigan lässt sich der Zeitaufwand für die Prüfung der Langlebigkeit von E-Auto-Batterien deutlich senken. (Bild: Brenda Ahearn/University of Michigan)

Angesichts der Tatsache, dass die Hersteller von Batterien für Elektrofahrzeuge (EV) mit Reichweitenangst und Bedenken hinsichtlich der Verfügbarkeit von Ladestationen zu kämpfen haben, könnte das von Prof. Wei Lu (Professur für Maschinenbau an der University of Michigan) geleitetem Team entwickelte Optimierungssystem die Zeit für die Simulation und physische Prüfung neuer und besserer Batterien um etwa 75 Prozent verkürzen. Diese Geschwindigkeit könnte den Batterieentwicklern, die nach der richtigen Kombination von Materialien und Konfigurationen für mehr Batteriekapazität suchen, einen großen Schub geben.

„Das Ziel ist es, eine bessere Batterie zu entwickeln, und traditionell hat die Industrie versucht, dies mit Hilfe von Versuch und Irrtum zu erreichen“, sagte Wei Lu. „Das dauert eben so lange, bis die Ergebnisse vorliegen.“

Parameter für die Batterie-Entwicklung

Zu den Parametern, die bei der Entwicklung von Batterien eine Rolle spielen, gehören die verwendeten Materialien, die Dicke der Elektroden, die Größe der Partikel in der Elektrode und vieles mehr. Das Testen der einzelnen Konfigurationen bedeutet in der Regel, dass die Batterie mehrere Monate lang vollständig aufgeladen und dann vollständig entladen wird – oder dass die Batterie 1000 Mal gewechselt wird, um eine zehnjährige Nutzung zu simulieren. Es ist extrem zeitaufwändig, diesen Test bei der riesigen Anzahl möglicher Batteriekonstruktionen zu wiederholen, um ein Optimum zu finden.

Der Ansatz der Forscher verkürzt nicht nur die Testzeit, sondern generiert auch automatisch bessere Designs. Sie nutzen frühzeitige Rückmeldungen, um wenig vielversprechende Batteriekonfigurationen zu verwerfen, anstatt sie bis zum Ende zu teste. Dies ist keine einfache Aufgabe, da eine Batteriekonfiguration, die in den ersten Zyklen nur mittelmäßig funktioniert, später durchaus gut sein kann – und umgekehrt.

Einsatz von maschinellem Lernen

Die Forschenden haben den Prozess des frühen Ausstiegs systematisch formuliert und das System in die Lage versetzt, aus den gesammelten Daten zu lernen, um neue vielversprechende Konfigurationen zu finden. Um den Zeit- und Kostenaufwand zu reduzieren setzen die Ingenieure die aktuellsten Erkenntnisse des maschinellen Lernens ein, um ein System zu entwickeln, das sowohl weiß, wann es aufhören muss, als auch, wie es sich verbessern kann.

Das System unterbricht zyklische Tests, die nicht vielversprechend beginnen, um Ressourcen zu sparen, indem es die mathematischen Techniken Asynchronous Successive Halving Algorithm und Hyperband verwendet. In der Zwischenzeit werden Daten aus früheren Tests herangezogen und neue, vielversprechende Parameter vorgeschlagen, die mit Hilfe des Tree of Parzen Estimators untersucht werden.

Ein wichtiges zeitsparendes Element im System ist neben dem Abschneiden von Tests, die nicht vielversprechend sind, die Art und Weise, wie es mehrere Batteriekonfigurationen erzeugt, die gleichzeitig getestet werden sollen. Dies nennt sich asynchrone Parallelisierung. Wenn eine Konfiguration den Test abschließt oder verwirft, berechnet der Algorithmus sofort eine neue Konfiguration, die getestet wird, ohne auf die Ergebnisse anderer Tests warten zu müssen.

Das System eignet sich zum Testen aller Batterietype für den Automotive-Einsatz bis hin zu kleineren Energiespeichern für Mobilgeräte.

E-Mobility: Batterie und Sicherheit

ae_emobility_batterie_940x250.jpg
(Bild: AdobeStock_277540900)

Wie entstehen bessere E-Auto-Batterien und sind sie sicher? Bewährte und neue Batterietechnologien von Entwicklung bis Recycling, Brandschutz von Simulation über Materialien bis Batteriemanagement und Safety-Konzepten, sowie Testverfahren von EMV bis Sicherheit. Die Technologien dahinter finden Sie hier.  

Sie möchten gerne weiterlesen?