EP4111511A1 - Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle - Google Patents

Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle

Info

Publication number
EP4111511A1
EP4111511A1 EP21707225.5A EP21707225A EP4111511A1 EP 4111511 A1 EP4111511 A1 EP 4111511A1 EP 21707225 A EP21707225 A EP 21707225A EP 4111511 A1 EP4111511 A1 EP 4111511A1
Authority
EP
European Patent Office
Prior art keywords
suspension
prediction
prediction algorithm
training
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21707225.5A
Other languages
English (en)
French (fr)
Inventor
Mathias Kraken
Erik ROHKOHL
Malte Schönemann
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Powerco SE
Original Assignee
Volkswagen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Volkswagen AG filed Critical Volkswagen AG
Publication of EP4111511A1 publication Critical patent/EP4111511A1/de
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/04—Processes of manufacture in general
    • H01M4/043—Processes of manufacture in general involving compressing or compaction
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/04—Processes of manufacture in general
    • H01M4/0402—Methods of deposition of the material
    • H01M4/0411—Methods of deposition of the material by extrusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Definitions

  • the invention relates to a method for producing at least one electrode for a battery cell, a training method for a machine-learning prediction algorithm, a computer program for carrying out a corresponding method, and a machine-readable storage medium on which a corresponding computer program is stored.
  • the invention can be used in particular for (inline) quality prediction during the production of battery suspension for electrodes for, for example, lithium-ion batteries.
  • the quality for example describable by properties such as the viscosity and / or the particle size distribution of a battery suspension for the production of cathodes and / or anodes for lithium-ion battery cells, has a noticeable influence on the quality of the (end) product.
  • properties such as the viscosity and / or the particle size distribution of a battery suspension for the production of cathodes and / or anodes for lithium-ion battery cells
  • a method for producing at least one electrode for a battery cell and a training method for a machine-learning prediction algorithm are to be specified, which enable a machine, in-line and as reliable as possible prediction of at least one property of the suspension for generating the electrode.
  • a method for producing at least one electrode for a battery cell comprising at least the following steps: a) providing a suspension for producing the at least one electrode, wherein at least one target process parameter can be specified for the provision of the suspension; b) recording at least one actual process parameter during the provision in step a); c) performing a prediction of at least one properties of the suspension by means of a machine-learned prediction algorithm which estimates the at least one property of the suspension as a function of the at least one actual process parameter and taking into account information about previously provided suspensions; d) Presetting at least one target process parameter for the provision according to step a), depending on the prediction result from step c).
  • Steps a) to d) can, for example, be carried out at least once in the specified order to carry out the process. Furthermore, steps a) to d) can also be repeated (several times) or the method can begin repeatedly (in the manner of a loop) with step a). At least parts of steps a) to d), in particular steps a) and / or b) and / or c) can be carried out at least partially in parallel or at the same time. The method can be carried out using a prediction algorithm that has been trained with a training method also described here.
  • the method advantageously enables a machine, inline-capable (which can be used in series production and in particular in the ongoing process) and as reliable as possible to predict at least one property of the suspension for generating the electrode.
  • the machine prediction can be carried out with the least possible expenditure of time and / or inexpensively.
  • a high information content can advantageously be taken into account, which can also take into account historical information about previously provided suspensions and / or information about prediction results of the ongoing process that are upstream in time.
  • the method can contribute in a particularly advantageous manner to the inline-capable improvement of the (target) process parameters, for example through a validation with properties of the suspension measured during the ongoing process.
  • a suspension for generating the at least one electrode is provided, with at least one target process parameter being able to be specified for the preparation of the suspension. It can be provided, for example, by extruding the suspension.
  • the at least one target process parameter can be set or specified, for example, via a man-machine interface of an extrusion system or manufacturing system.
  • the at least one target process parameter can be, for example, one or more of the following parameters: metered quantity, screw speed of the extruder screw and / or temperature in the extruder
  • step b) at least one actual process parameter (and optionally at least one environmental condition) is recorded during the provision in step a).
  • the detection can take place, for example, by means of a sensory measurement.
  • the at least one actual process parameter generally describes the actually achieved value of the target process parameter.
  • the at least one ambient condition can be, for example, one or more of the following conditions: ambient temperature, ambient pressure, (air) humidity and / or time of day.
  • at least one target process parameter and / or at least one raw material property of the raw material used to provide the suspension can also be recorded in step b).
  • information about prediction results of the ongoing process that are upstream in time can also be recorded. Measured properties of the suspension can also be recorded (measured) or read in in step b) (for validation purposes).
  • a prediction of at least one properties of the suspension is carried out by means of a machine-learned prediction algorithm which, depending on the at least one actual process parameter (and possibly the at least one environmental condition) and taking into account information about previously provided suspensions, the at least one Estimate the property of the suspension.
  • the at least one property of the suspension that is estimated by means of the prediction algorithm can be, for example, one or more of the following properties: viscosity, density, shear rate and / or homogeneity.
  • the prediction algorithm (additionally) also estimates the at least one property of the suspension as a function of one or more of the following information: at least one target process parameter, at least one raw material property of the one used to provide the suspension Raw material and / or at least one piece of information about prediction results of the ongoing process that are upstream in time.
  • the information about previously provided suspensions can in particular have been learned during an (initial) training phase.
  • the information learned in particular during the (initial) training phase can be represented, for example, by appropriate configurations (or adaptations) and / or links of elements of the algorithm.
  • the elements can be, for example, model parameters of the algorithm, such as weights, functions, threshold values or the like.
  • the algorithm can be implemented by an (artificial intelligence or AI) model and / or in an (AI) model.
  • the algorithm can furthermore also comprise several parts or sub-algorithms which can interact with one another, for example, in one level next to one another and / or in several levels one above the other and / or in several magazines one behind the other.
  • the algorithm can be set up in such a way that it maps a set of input data (or input data) onto at least one output or a set of output data (or output data).
  • Input data of the algorithm are generally the at least one (time-variant or time-dependent) actual process parameter and optionally the at least one (time-variant or time-dependent) environmental condition.
  • the input data can also contain at least one (time-variant or time-dependent) target process parameter and / or at least one (possibly time-invariant or time-independent) raw material property and / or at least one item of information about previously provided suspensions and / or information about a previous time step, in particular be a previous prediction result of the algorithm and / or properties of the suspension measured for validation purposes.
  • a Machine prediction of at least one property of the (just provided) suspension and / or possibly even of the finished suspension e.g. B. as a prognosis of the final properties that arise when the current process is ended or the possibly existing container is filled to a predeterminable degree of filling and / or the suspension has cooled.
  • this can also be described in such a way that the prediction can also take place in such a way that at least one property of the finished suspension or at least one (discrete) product property can be estimated at the final point in time.
  • the prediction can (thus) take place as a function of the process time.
  • the prediction can be made for the (immediately) following journal and / or for all time steps up to the end of the process.
  • a set of output data for example different (physical) properties of the suspension, such as, for example, a viscosity and a shear rate of the suspension, can be output.
  • Sets of data can be provided, for example, in the form of vectors, such as at least one input vector and at least one output vector.
  • the prediction algorithm can be formed, for example, in the manner of a so-called machine learning model.
  • the prediction algorithm can include modeling of the production process by means of a so-called gated recurrent unit.
  • the prediction algorithm can model the process by means of a include so-called multi-layer perceptrons.
  • a feature vector or input vector can contain, for example, all time-variant (input) signals up to a certain point in time. If this point in time is reached during the process, the result of future measurements can be predicted (once).
  • step d) at least one target process parameter is specified for the provision according to step a), depending on the prediction result from step c).
  • the specification can basically be done manually, for example by a person responsible for the process.
  • the specification can advantageously take place automatically, for example by a process controller that can access and / or include the prediction algorithm.
  • at least one target process parameter can be adapted or changed if the prediction result results in a violation of tolerance limits.
  • the method for producing at least one anode or cathode for a lithium-ion cell is carried out.
  • the suspension can include, for example, one or more of the following raw materials: storage time, particle size distribution and storage conditions (e.g. temperature and humidity).
  • the suspension be provided by extruding the suspension into a container.
  • the container can, for example, have an inner shape which corresponds to the outer shape of the electrode to be manufactured.
  • the container can also only be used for transport to a downstream production step (film coating).
  • the provision can take place, for example, until a predeterminable degree of filling of the container is reached.
  • the final property of the suspension is usually established when or after the predeterminable degree of filling of the container has been reached. If the final property occurs after the predeterminable degree of filling has been reached, this applies in particular to the property after a (pre-) definable cooling process.
  • the machine-learned prediction algorithm be formed by means of an artificial neural network.
  • the network usually contains elements or model parameters by means of which the input data can be mapped onto the output data.
  • Corresponding elements or model parameters can, for example, nodes, weights, links, Include threshold values or the like.
  • a so-called recurrent neural network can be named here as an example of the artificial neural network.
  • the machine-learned prediction algorithm be formed by means of a long short-term memory network (short: LSTM network or LSTM).
  • LSTM network long short-term memory network
  • the basic structure of such a network is known from other areas of application, in particular from the area of natural language processing, so that this is not discussed in detail here either.
  • the LSTM network can in particular map an algorithm based on time series.
  • the LSTM network is preferred in particular because of the following advantages over alternative algorithms:
  • the LSTM network can advantageously model time-variant (longer) signals better than gated recurrent units or recurrent neural networks, in particular because an improvement using a gradient descent process can converge more quickly.
  • a multi-layer perceptron generally has no information about previous inputs and outputs compared to the LSTM network. Furthermore, the LSTM network enables in a particularly advantageous manner (and based on the application described) a time-variant modeling of continuous process parameters, environmental conditions and time-invariant material properties.
  • At least one property of the suspension is measured in order to validate a prediction that has been carried out. Furthermore, the measured (time-variant or time-dependent) property of the suspension can be used to further train or improve the prediction algorithm ("inline", i.e. during its regular operation or the ongoing process).
  • a training method for a machine-learning prediction algorithm comprising at least the following steps: i) Reading in training input data for the prediction algorithm, the actual process parameters and, optionally, environmental conditions of a large number of provision processes for providing a suspension each to generate an electrode for comprise a battery cell; ii) reading in training output data for the prediction algorithm, which include properties of the suspension provided by means of the respective preparation process; iii) Adapting elements, preferably weights, of the prediction algorithm in order to map the input training data that has been read in as precisely as possible on the output data of the training that has been read in.
  • Steps i) to iii) can, for example, be carried out at least once in the specified order to carry out the process. Furthermore, steps i) to iii) can also be repeated (several times) or the method can begin repeatedly (in the manner of a loop) with step i). At least parts of steps i) and ii) can be carried out at least partially in parallel or simultaneously. The method can be carried out for machine learning of a prediction algorithm also described here.
  • a gradient descent method is used or carried out to adapt elements of the prediction algorithm.
  • elements or model parameters of the algorithm can be adapted during training by means of the gradient descent method until a prediction error is minimal across all training examples.
  • a computer program for carrying out a method described here is also proposed.
  • this relates in particular to a computer program (product), comprising instructions which, when the program is executed by a computer, cause the computer to carry out a method described here.
  • a machine-readable storage medium is also proposed on which the computer program is stored.
  • the machine-readable storage medium is usually a computer-readable data carrier.
  • a production system for producing at least one electrode for a battery cell can also be specified, which is provided and set up to carry out a method described here.
  • the manufacturing plant can (for this) include, for example, a controllable extruder, a (possibly controllable) raw material feed, sensors for detecting at least part of the input data described above and / or a container into which the suspension can be extruded.
  • the production system comprises a control device on which an (electronic or digital) controller for carrying out a method described here is implemented.
  • the control device can include, for example, a computing unit (controller) that access and / or the storage medium to carry out a method described here Can execute computer program.
  • the storage medium and / or the computer program can also be part of the control device or be connected to it for signaling purposes.
  • Fig. 2 an illustration of an embodiment of the one described here
  • FIG. 1 schematically shows a flow chart to illustrate an exemplary embodiment of the method described here for producing at least one electrode for a battery cell.
  • the sequence of steps a), b), c) and d) represented by blocks 110, 120, 130 and 140 is exemplary and can thus be established, for example, in a regular course of the method.
  • a suspension is provided for generating the at least one electrode, with at least one setpoint process parameter 1 being able to be specified for the preparation of the suspension.
  • at least one actual process parameter 2 and, for example, at least one environmental condition 3 are recorded during the provision in step a).
  • a prediction of at least one property 4 of the suspension is carried out by means of a machine-learned prediction algorithm 5, which is dependent on the at least one actual process parameter 2 and, for example, the at least one environmental condition 3 and taking into account information about previously provided Suspensions that assess at least one property 4 of the suspension.
  • at least one setpoint process parameter 1 is specified for the provision according to step a), depending on the prediction result from step c).
  • the method can be carried out, for example, to produce at least one anode or cathode for a lithium-ion cell.
  • provision can also be made for the suspension to be provided by extruding the suspension into a container.
  • the extruder usually produces battery suspension continuously.
  • a machine prediction of property 4 of the suspension just introduced into the container and / or possibly even the finished suspension e.g. as a prediction of the properties that arise when the container up to a Filled predeterminable degree of filling and / or the suspension is cooled.
  • the method can even enable the most accurate possible prediction of the properties 4 that the battery suspension has or is likely to have at the end of the extrusion process (i.e.
  • FIG. 2 schematically shows an illustration of an exemplary embodiment of the prediction algorithm described here.
  • the reference symbols are used uniformly so that reference can be made to the preceding explanations.
  • the machine-learned prediction algorithm 5 can be formed, for example, by means of an artificial neural network.
  • FIG. 2 illustrates an example of a prediction algorithm that is generated by means of a long short-term memory Network (short: LSTM network) is formed.
  • the variables "x" illustrate the input data or the input vector, the variables "h” the (possibly hidden)
  • Output data or the (possibly hidden) output vector the variables “c” the cell states of the LSTM network, the subscripts “t-1”, “t”, “t + 1”, etc. various time steps, the subscripts "1 ... N” the various input data at a given point in time, the subscripts "1 ... M” the various output data at a given point in time.
  • the course of the input data “x” is mapped by time-variant signals.
  • the input data “x” include the actual process parameters 2, possibly the ambient conditions 3 and possibly also the (already specified) target process parameters 1 and / or possibly also known raw material properties 8 at the respective point in time
  • the exemplary embodiment describes a modeling using a Long Short-Term Memory (LSTM) network, the relationship between the input data mentioned and the output data “h”.
  • the output data “h” comprised the predicted properties 4 of the battery suspension at the respective point in time (depending on the process time).
  • the LSTM network is set up to approximate the properties 4 of the battery suspension, i.e. the target vector, at this point in time.
  • the quality of the suspension or the (actual) property 6 of the suspension can optionally and additionally be measured manually, for example at fixed time intervals, in particular until the container is up to the predeterminable degree of filling ( or completely) is filled.
  • These manually measured properties 6 can advantageously contribute to the validation of the predictions of the prediction algorithm 5.
  • These properties 6 are described in FIG. 2 with the variable “h‘ ”. This represents an example of the fact that and possibly how the at least one property 6 of the suspension can be measured in order to validate a prediction that has been carried out.
  • an error “L” can be determined which (inline or after the actual or initial training) can be used to further train or improve the prediction algorithm.
  • the LSTM network can be unrolled over time in this context.
  • prediction errors “L” and gradients can be calculated for each journal.
  • the gradients can be averaged over all time steps.
  • Elements 7 of algorithm 5 can then be adapted on this basis.
  • a so-called truncated backpropagation through time method TPTT for short
  • TPTT truncated backpropagation through time method
  • FIG 3 shows schematically an illustration of possible prediction results of the prediction algorithm 5.
  • the reference symbols are used uniformly so that reference can be made to the preceding explanations.
  • exemplary input data 2, 3, 8 and at the top right in FIG. 3 an exemplary illustration of output data 4 of the algorithm 5 are illustrated. It can be seen that the individual time steps are represented by successive cells of the algorithm 5.
  • the algorithm 5 can generally use the input data 2, 3, 8 for a respective journal - for example including the actual process parameters 2, ambient conditions 3 and possibly raw material properties 8 (and possibly also the target process parameters 1, see FIG. 2 ) - as well as historical data or information about previously provided suspensions.
  • the historical data or information about previously provided suspensions generally include at least such information that was learned during the training phase from the training data records, which are usually based on historical data or information about previously provided suspensions. This information learned during the (initial) training phase can be represented, for example, by appropriate configurations and / or links of the elements 7 of the algorithm 5.
  • FIG. 3 also shows that the historical data or information about previously provided suspensions can also include, for example, information from a (immediately) preceding journal of the algorithm 5 (here, for example, an upstream cell of the network).
  • a preceding journal of the algorithm 5 here, for example, an upstream cell of the network.
  • actual properties 6 of the suspension can be used as input in incorporate algorithm 5. These properties 6 can also contribute to further training and / or improving the algorithm 5 (“inline”, ie during its regular operation or the ongoing process).
  • the prediction can be made not only for a specific point in time in the future (here, for example, t_x + 0.2), but possibly also for a large number of points in time in the future, which then may be after and after can be validated by the properties 6.
  • (continuous) product properties 4 can be estimated at the respective point in time t.
  • a prediction for a final point in time here, for example, “T”
  • T can also take place (as an alternative or cumulatively to a prediction of a large number of future points in time).
  • this can also be described in such a way that the prediction can also take place in such a way that it estimates at least one property 4 of the finished suspension or at least one (discrete) product property 4 at the final point in time T.
  • This at least one property 4 of the finished suspension can also be referred to here as at least one “final” property 9 (symbol T) and can be monitored, for example, in accordance with the illustration below in FIG. 3.
  • the final property 9 of the suspension predicted at the respective points in time or time steps during the process is plotted over time. From this representation it can be determined, for example, whether the prediction of the final property 9 of the suspension remains or has remained within a tolerance band 10 during the process or for which period (s) 11 this property 9 is or was outside the tolerance band 10 .
  • FIG. 4 schematically shows a flowchart to illustrate an exemplary embodiment of the training method described here for a machine-learning prediction algorithm 5 (cf. FIGS. 2 and 3).
  • the reference symbols are used uniformly so that reference can be made to the preceding explanations.
  • the sequence of steps i), ii) and iii) represented by blocks 210, 220 and 230 is exemplary and can thus be established, for example, in a regular course of the method.
  • training input data are read in for the prediction algorithm 5, which include actual process parameters 2 and optionally environmental conditions 3 of a large number of preparation processes for preparing a suspension each for generating an electrode for a battery cell.
  • training output data for the prediction algorithm 5 are read in, which include properties 6 of the suspension provided by means of the respective provision process.
  • elements 7 of the prediction algorithm 5 are adapted in accordance with step iii) in order to map the input training data that has been read in as precisely as possible on the output training data that has been read in. For example, a gradient descent method can be used to adapt elements 7 of the prediction algorithm 5.
  • Kl artificial intelligence
  • a data set of historical (extrusion) processes and measurement (s) of the battery suspension preferably at a large number of points in time or if possible at any point in time of the (respective) process, the results predict future measurements.
  • process parameters 1, 2, environmental conditions 3 and raw material properties 8 it is particularly advantageous to record process parameters 1, 2, environmental conditions 3 and raw material properties 8 and to persist them in a traceable manner.
  • This database can serve as an exemplary training set for the (K1) algorithm 5.
  • algorithm 5 here the LSTM network as an example
  • a large number of training examples usually consisting of a feature vector and a target vector.
  • randomly initialized model parameters here exemplified by the elements 7) of the LSTM network can ensure an imprecise prediction at the beginning of the training.
  • the model parameters can be adjusted using the gradient descent method, for example, until the prediction error is minimal across all training examples.
  • the model or algorithm for predicting the quality of the battery suspension After training the model or algorithm for predicting the quality of the battery suspension, it can be used to make predictions for unknown combinations of process parameters 1, 2, possibly environmental conditions 3 and possibly material properties 8 during the (current) process.
  • the additional measurement of suspension properties 6 can help validate the predictions and / or improve the prediction accuracy at later points in time. Because of the statistical Significance of large amounts of data, the prediction of the algorithm 5 is advantageously more precise than that of experts and physical models.
  • a method for producing at least one electrode for a battery cell and a training method for a machine-learning prediction algorithm are thus specified, which at least partially solve the problems described in connection with the prior art.
  • a method for producing at least one electrode for a battery cell and a training method for a machine-learning prediction algorithm are specified, which enable a machine, inline-capable and as reliable as possible prediction of at least one property of the suspension for generating the electrode.
  • the prediction can be made with the least possible expenditure of time and / or inexpensively.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Battery Electrode And Active Subsutance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle, umfassend zumindest folgende Schritte: a) Bereitstellen einer Suspension zum Erzeugen der mindestens einen Elektrode, wobei für die Bereitstellung der Suspension mindestens ein Soll-Prozessparameter (1) vorgebbar ist; b) Erfassen mindestens eines Ist-Prozessparameters (2) während des Bereitstellens in Schritt a); c) Durchführen einer Prädiktion mindestens einer Eigenschaft (4) der Suspension mittels eines maschinell gelernten Prädiktionsalgorithmus (5), der in Abhängigkeit des mindestens einen Ist-Prozessparameters (2) sowie unter Berücksichtigung von Informationen über zuvor bereitgestellte Suspensionen die mindestens eine Eigenschaft (4) der Suspension abschätzt; d) Vorgeben zumindest eines Soll-Prozessparameters (1) für das Bereitstellen gemäß Schritt a), in Abhängigkeit des Prädiktionsergebnisses aus Schritt c).

Description

Beschreibung
Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle
Die Erfindung betrifft ein Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle, ein Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus, ein Computerprogramm zur Durchführung eines entsprechenden Verfahrens sowie ein maschinenlesbares Speichermedium, auf dem ein entsprechendes Computerprogramm gespeichert ist. Die Erfindung kann insbesondere zur (Inline-)Qualitätsvorhersage während der Herstellung von Batteriesuspension für Elektroden für beispielsweise Lithium-Ionen-Batterien verwendet werden.
Die Qualität, beispielsweise beschreibbar durch Eigenschaften, wie etwa die Viskosität und/oder die Partikelgrößenverteilung einer Batteriesuspension zur Fertigung von Kathoden und/oder Anoden für Lithium-Ionen-Batteriezellen hat einen merklichen Einfluss auf die Güte des (End-)Produkts. Zur Vermeidung von kostenintensiven Ausschüssen und/oder zur Verbesserung des Prozessverständnisses besteht der Bedarf eine Möglichkeit zu schaffen, mit welcher bereits während des laufenden Fertigungsprozesses möglichst verlässliche Informationen über die Güte der erzeugten Suspension und/oder sogar des damit erzeugten, fertigen Produktes erhalten werden können. Insbesondere beseht das Bestreben eine inline- fähige Vorhersagemöglichkeit in einem Extrusionsprozess zu ermöglichen.
Es hat sich in diesem Zusammenhang jedoch herausgestellt, dass eine Vorhersagemöglichkeit auf Basis von physikalischen Modellen insbesondere aufgrund der hohen Komplexität des Extrusionsprozesses und/oder der Vielzahl von Prozessparametern und ggf. unbekannten Störgrößen zu ungenau ist. Die bisher am häufigsten verwendete Option war die Vorhersage durch einen Experten. Solche Vorhersagen sind jedoch durch das subjektive Empfinden eines jeden Menschen geprägt und daher ebenfalls nicht zuverlässig genug. In diesem Zusammenhang ist weiterhin nachteilig, dass ggf. ein über Jahre aufgebautes Prozessverständnis nicht mehr verfügbar sein kann, wenn der betreffende Experte das Unternehmen verlässt. Aus der US 9,806,326 B2, der US 10,181,587 B2 und der WO 2016/073438 A1 sind verschiedene Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle bekannt. Insbesondere ermöglichen die bekannten Verfahren jedoch keine Vorhersage über die Qualität der Batteriesuspension.
Hiervon ausgehend ist es eine Aufgabe der Erfindung, die im Zusammenhang mit dem Stand der Technik geschilderten Probleme zumindest teilweise zu lösen. Insbesondere sollen ein Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle sowie ein Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus angegeben werden, die eine maschinelle, inlinefähige und möglichst zuverlässige Vorhersage mindestens einer Eigenschaft der Suspension zum Erzeugen der Elektrode ermöglichen. Zudem soll die Vorhersage mit möglichst geringem Zeitaufwand und/oder kostengünstig erfolgen können.
Diese Aufgaben werden gelöst durch die Merkmale der unabhängigen Patentansprüche. Weitere vorteilhafte Ausgestaltungen der hier vorgeschlagenen Lösung sind in den abhängigen Patentansprüchen angegeben. Es ist darauf hinzuweisen, dass die in den abhängigen Patentansprüchen einzeln aufgeführten Merkmale in beliebiger, technologisch sinnvoller, Weise miteinander kombiniert werden können und weitere Ausgestaltungen der Erfindung definieren. Darüber hinaus werden die in den Patentansprüchen angegebenen Merkmale in der Beschreibung näher präzisiert und erläutert, wobei weitere bevorzugte Ausgestaltungen der Erfindung dargestellt werden.
Hierzu trägt ein Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle bei, umfassend zumindest folgende Schritte: a) Bereitstellen einer Suspension zum Erzeugen der mindestens einen Elektrode, wobei für die Bereitstellung der Suspension mindestens ein Soll-Prozessparameter vorgebbar ist; b) Erfassen mindestens eines Ist-Prozessparameters während des Bereitstellens in Schritt a); c) Durchführen einer Prädiktion mindestens einer Eigenschaften der Suspension mittels eines maschinell gelernten Prädiktionsalgorithmus, der in Abhängigkeit des mindestens einen Ist-Prozessparameters sowie unter Berücksichtigung von Informationen über zuvor bereitgestellte Suspensionen die mindestens eine Eigenschaft der Suspension abschätzt; d) Vorgeben zumindest eines Soll-Prozessparameters für das Bereitstellen gemäß Schritt a), in Abhängigkeit des Prädiktionsergebnisses aus Schritt c). Die Schritte a) bis d) können zur Durchführung des Verfahren beispielsweise zumindest einmal in der angegebenen Reihenfolge durchgeführt werden. Weiterhin können die Schritte a) bis d) auch (mehrfach) wiederholt werden bzw. das Verfahren wiederholt (in der Art einer Schleife) mit Schritt a) beginnen. Zumindest Teile der Schritte a) bis d), insbesondere der Schritte a) und/oder b) und/oder c) können zumindest teilweise parallel oder gleichzeitig durchgeführt werden. Das Verfahren kann unter Verwendung eines Prädiktionsalgorithmus durchgeführt werden, der mit einem hier auch beschriebenen Trainingsverfahren trainiert wurde.
Das Verfahren ermöglicht in vorteilhafter weise eine maschinelle, inlinefähige (in der Serienfertigung und insbesondere im laufenden Prozess einsetzbare) und möglichst zuverlässige Vorhersage mindestens einer Eigenschaft der Suspension zum Erzeugen der Elektrode. Zudem kann die maschinelle Vorhersage mit möglichst geringem Zeitaufwand und/oder kostengünstig erfolgen. Durch die Verwendung des maschinell gelernten Prädiktionsalgorithmus kann in vorteilhafter weise ein hoher Informationsgehalt berücksichtigt werden, der auch historische Informationen über zuvor bereitgestellte Suspensionen und/oder Informationen über zeitlich vorgelagerte Prädiktionsergebnisse des laufenden Prozesses berücksichtigen kann. Weiterhin kann das Verfahren in besonders vorteilhafter weise zur inlinefähigen Verbesserung der (Soll-)Prozessparameter beitragen, beispielsweise durch eine Validierung mit während des laufenden Prozesses gemessenen Eigenschaften der Suspension.
In Schritt a) erfolgt ein Bereitstellen einer Suspension zum Erzeugen der mindestens einen Elektrode, wobei für die Bereitstellung der Suspension mindestens ein Soll-Prozessparameter vorgebbar ist. Das Bereitstellen kann beispielsweise durch ein Extrudieren der Suspension erfolgen. Der mindestens eine Soll-Prozessparameter kann beispielsweise über eine Mensch- Maschine-Schnittsteile einer Extrusionsanlage bzw. Fertigungsanlage eingestellt bzw. vorgegeben werden. Bei dem mindestens einen Soll-Prozessparameter kann es sich beispielsweise um einen oder mehrere der folgenden Parameter handeln: Dosiermenge, Schneckengeschwindigkeit der Extruderschnecke und/oder Temperatur im Extruder
In Schritt b) erfolgt ein Erfassen mindestens eines Ist-Prozessparameters (und optional mindestens einer Umgebungsbedingung) während des Bereitstellens in Schritt a). Das Erfassen kann beispielsweise durch ein sensorisches Messen erfolgen. Der mindestens eine Ist- Prozessparameter beschreibt in der Regel den tatsächlich erreichten Wert des Soll- Prozessparameters. Bei der mindestens einen Umgebungsbedingungen kann es sich beispielsweise um eine oder mehrere der folgenden Bedingungen handeln: Umgebungstemperatur, Umgebungsdruck, (Luft-)Feuchte und/oder Tageszeit. Weiterhin können in Schritt b) auch mindestens ein Soll-Prozessparameter und/oder mindestens eine Rohmaterialeigenschaft des zur Bereitstellung der Suspension verwendeten Rohmaterials erfasst werden. Es können insbesondere in Schritt b) auch Informationen über zeitlich vorgelagerte Prädiktionsergebnisse des laufenden Prozesses erfasst werden. Auch können in Schritt b) (zu Validierungszwecken) gemessene Eigenschaften der Suspension erfasst (gemessen) bzw. eingelesen werden.
In Schritt c) erfolgt ein Durchführen einer Prädiktion mindestens einer Eigenschaften der Suspension mittels eines maschinell gelernten Prädiktionsalgorithmus, der in Abhängigkeit des mindestens einen Ist-Prozessparameters (und ggf. der mindestens einen Umgebungsbedingung) sowie unter Berücksichtigung von Informationen über zuvor bereitgestellte Suspensionen die mindestens eine Eigenschaft der Suspension abschätzt. Bei der mindestens einen Eigenschaft der Suspension, die mittels des Prädiktionsalgorithmus abgeschätzt wird, kann es sich beispielsweise um eine oder mehrere der folgenden Eigenschaften handeln: Viskosität, Dichte, Scherrate und/oder Homogenität.
Wenn die entsprechenden Informationen erfasst wurden, kann auch vorgesehen sein, dass der Prädiktionsalgorithmus die mindestens eine Eigenschaft der Suspension (zusätzlich) auch in Abhängigkeit einer oder mehrerer der Folgenden Informationen abschätzt: mindestens ein Soll- Prozessparameter, mindestens eine Rohmaterialeigenschaft des zur Bereitstellung der Suspension verwendeten Rohmaterials und/oder mindestens eine Information über zeitlich vorgelagerte Prädiktionsergebnisse des laufenden Prozesses.
Die Informationen über zuvor bereitgestellte Suspensionen können insbesondere während einer (initialen) Trainingsphase erlernt worden sein. Die insbesondere während der (initialen) Trainingsphase gelernten Informationen können beispielsweise durch entsprechende Ausgestaltungen (bzw. Anpassungen) und/oder Verknüpfungen von Elementen des Algorithmus repräsentiert werden. Bei den Elementen kann es sich beispielsweise um Modell- Parameter des Algorithmus, wie etwa Gewichte, Funktionen, Schwellenwerte oder dergleichen handeln. Der Algorithmus kann durch ein (Künstliche Intelligenz bzw. KI-) Modell und/oder in einem (KI-)Modell realisiert sein. Der Algorithmus kann weiterhin auch mehrere Teile bzw. Teil- Algorithmen umfassen, die beispielsweise in einer Ebene nebeneinander und/oder in mehreren Ebenen übereinander und/oder in mehreren Zeitschriften hintereinander miteinander Zusammenwirken können. Beispielsweise kann der Algorithmus derart eingerichtet sein, dass er einen Satz von Eingabedaten (bzw. Eingangsdaten) auf mindestens einer Ausgabe oder einem Satz von Ausgabedaten (bzw. Ausgangsdaten) abbildet. Eingabedaten des Algorithmus sind in der Regel der mindestens eine (zeitvariante bzw. zeitabhängige) Ist-Prozessparameter und optional die mindestens einen (zeitvariante bzw. zeitabhängige) Umgebungsbedingung. Optional können die Eingabedaten auch mindestens einen (zeitvarianten bzw. zeitabhängigen) Soll- Prozessparameter und/oder mindestens eine (ggf. zeitinvariante bzw. zeitunabhängige) Rohmaterialeigenschaft und/oder mindestens eine Information über zuvor bereitgestellt Suspensionen und/oder eine Information über einen vorangegangenen Zeitschritt, insbesondere ein zeitliche vorangegangenes Prädiktionsergebnis des Algorithmus und/oder (zu Validierungszwecken gemessene Eigenschaften der Suspension sein. Die mindestens eine Ausgabe umfasst in der Regel das Prädiktionsergebnis, d.h. die mindestens eine (prognostizierte und insbesondere zeitvariante bzw. zeitabhängige) Eigenschaft und/oder mindestens eine (prognostizierte) finale Eigenschaft der Suspension. Insbesondere kann während des laufenden Prozesses (d.h. während des Bereitstellens, z. B. der Extrusion der Suspension) in beispielsweise festen Zeitintervallen und/oder zu mindestens einem bestimmten (zukünftigen bzw. folgenden) Zeitpunkt eine maschinelle Vorhersage mindestens einer Eigenschaft der (gerade bereitgestellten) Suspension und/oder ggf. sogar der fertigen Suspension (z. B. als Prognose der finalen Eigenschaften, die sich einstellen, wenn der laufende Prozess beendet ist bzw. der ggf. vorhandene Behälter bis zu einem vorbestimmbaren Füllgrad befüllt und/oder die Suspension abgekühlt ist). Dies kann mit anderen Worten auch so beschrieben werden, dass die Prädiktion auch so erfolgen kann, dass damit mindestens eine Eigenschaft der fertigen Suspension bzw. mindestens eine (diskrete) Produkteigenschaft zum finalen Zeitpunkt abgeschätzt werden kann. Insbesondere kann die Prädiktion (somit) in Abhängigkeit der Prozesszeit erfolgen. Beispielsweise kann die Prädiktion für den (unmittelbar) folgenden Zeitschrift und/oder für alle Zeitschritte bis zum Prozessende erfolgen. Wenn ein Satz von Ausgabedaten ausgegeben wird, können beispielsweise verschiede (physikalische) Eigenschaften der Suspension, wie beispielhaft eine Viskosität und eine Scherrate der Suspension ausgegeben werden. Sätze von Daten können beispielhaft in Form von Vektoren, wie beispielsweise mindestens einem Eingabevektor und mindestens einem Ausgabevektoren bereitgestellt werden.
Der Prädiktionsalgorithmus kann beispielsweise in der Art eines sogenannten Machine Learning Modells gebildet sein. Zum Beispiel kann der Prädiktionsalgorithmus eine Modellierung des Produktionsprozesses mittels einer sogenannten Gated Recurrent Unit umfassen. Alternativ oder kumulativ kann der Prädiktionsalgorithmus eine Modellierung des Prozesses mittels eines sogenannten Multi-Layer-Perceptrons umfassen. Dabei kann ein Merkmalsvektor bzw. Eingabevektor zum Beispiel alle zeitvarianten (Eingabe-)Signale bis zu einem bestimmten Zeitpunkt enthalten. Wird während des Prozesses dieser Zeitpunkt erreicht, kann das Ergebnis zukünftiger Messungen (einmalig) vorhergesagt werden.
In Schritt d) erfolgt ein Vorgeben zumindest eines Soll-Prozessparameters für das Bereitstellen gemäß Schritt a), in Abhängigkeit des Prädiktionsergebnisses aus Schritt c). Das Vorgeben kann grundsätzlich manuell, beispielsweise durch einen Prozessverantwortlichen erfolgen. Das Vorgeben kann in vorteilhafter weise automatisch, beispielsweise durch eine Prozess- Steuerung erfolgen, die auf den Prädiktionsalgorithmus zugreifen und/oder diesen umfassen kann. Insbesondere kann eine Anpassung bzw. Änderung zumindest eines Soll- Prozessparameters erfolgen, wenn das Prädiktionsergebnis eine Verletzung von Toleranzgrenzen ergibt.
Nach einer vorteilhaften Ausgestaltung wird vorgeschlagen, dass das Verfahren zur Herstellung zumindest einer Anode oder Kathode für eine Lithium-Ionen-Zelle durchgeführt wird. In diesem Zusammenhang kann die Suspension beispielsweise eines oder mehrere der folgenden Rohmaterialien umfassen: Lagerzeit, Partikelgrößenverteilung sowie Lagerbedingungen (z.B. Temperatur und Luftfeuchte).
Nach einerweiteren vorteilhaften Ausgestaltung wird vorgeschlagen, dass das Bereitstellen der Suspension durch ein Extrudieren der Suspension in einen Behälter erfolgt. Der Behälter kann beispielsweise eine Innenform aufweisen, welche der Außenform der zu fertigenden Elektrode entspricht. Alternativ kann der Behälter auch lediglich dem Transport zu einem nachgelagerten Produktionsschritt (Folienbeschichten) dienen. Das Bereitstellen kann beispielsweise so lange erfolgen, bis ein vorbestimmbarer Füllgrad des Behälters erreicht ist. Die finale Eigenschaft der Suspension stellt sich in der Regel bei oder nach Erreichen des vorbestimmbaren Füllgrads des Behälters ein. Wenn die finale Eigenschaft sich nach Erreichen des vorbestimmbaren Füllgrads einstellt, betrifft dies insbesondere die Eigenschaft nach einem (vor-)definierbaren Abkühlvorgang.
Nach einerweiteren vorteilhaften Ausgestaltung wird vorgeschlagen, dass der maschinell gelernte Prädiktionsalgorithmus mittels eines künstlichen neuronalen Netzwerks gebildet ist.
Das Netzwerk enthält in der Regel Elemente bzw. Modell-Parameter, mittels welcher die Eingabedaten auf den Ausgabedaten abgebildet werden können. Entsprechende Elemente bzw. Modell-Parameter können beispielsweise Knoten, Gewichte, Verknüpfungen, Schwellenwerte oder dergleichen umfassen. Als Beispiel für das künstliche neuronale Netz kann hier ein sogenanntes Recurrent Neural Network genannt werden.
Nach einerweiteren vorteilhaften Ausgestaltung wird vorgeschlagen, dass der maschinell gelernte Prädiktionsalgorithmus mittels eines Long Short-Term Memory-Netzwerks (kurz: LSTM-Netzwerk oder LSTM) gebildet ist. Der grundsätzliche Aufbau eines solchen Netzwerks ist aus anderen Anwendungsbereichen bekannt, insbesondere aus dem Bereich der natürlichen Sprachverarbeitung, sodass auch diesen hier nicht im Detail eingegangen wird. Das LSTM- Netzwerk kann insbesondere einen auf Zeitreihen basierenden Algorithmus abbilden. Das LSTM-Netzwerk wird insbesondere aufgrund folgender Vorteilte gegenüber alternativen Algorithmen bevorzugt: Das LSTM-Netzwerke kann vorteilhaft zeitvariante (längere) Signale besser als Gated Recurrent Units oder Recurrent Neural Networks modellieren, insbesondere weil eine Verbesserung mittels eines Gradientenabstiegverfahrens hierbei schneller konvergieren kann. Ein Multi-Layer-Perceptron hat gegenüber dem LSTM-Netzwerk in der Regel keine Informationen über vorherige Eingaben und Ausgaben. Weiterhin ermöglichst das LSTM-Netzwerk in besonders vorteilhafter Weise (und bezogen auf den beschriebenen Anwendungsfall) eine zeitvariante Modellierung kontinuierlicher Prozessparameter, Umgebungsbedingungen sowie zeitinvarianter Materialeigenschaften.
Nach einerweiteren vorteilhaften Ausgestaltung wird vorgeschlagen, dass mindestens eine Eigenschaften der Suspension gemessen wird, um eine durchgeführte Prädiktion zu validieren. Weiterhin kann die gemessene (zeitvariante bzw. zeitabhängige) Eigenschaft der Suspension genutzt werden um den Prädiktionsalgorithmus („inline“, d.h. während dessen regulären Betriebs bzw. des laufenden Prozesses) weiter zu trainieren bzw. zu verbessern.
Nach einem weiteren Aspekt wird ein Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus vorgeschlagen, umfassend zumindest folgende Schritte: i) Einlesen von Trainingseingangsdaten für den Prädiktionsalgorithmus, die Ist- Prozessparameter und optional Umgebungsbedingungen einer Vielzahl von Bereitstellungsprozessen zum Bereitstellen von jeweils einer Suspension zum Erzeugen einer Elektrode für eine Batteriezelle umfassen; ii) Einlesen von Trainingsausgangdaten für den Prädiktionsalgorithmus, die Eigenschaften der mittels des jeweiligen Bereitstellungsprozesses bereitgestellten Suspension umfassen; iii) Anpassen von Elementen, vorzugsweise Gewichten des Prädiktionsalgorithmus, um die eingelesenen Trainingseingangsdaten möglichst genau auf den eingelesenen T rainingsausgangdaten abzubilden.
Die Schritte i) bis iii) können zur Durchführung des Verfahren beispielsweise zumindest einmal in der angegebenen Reihenfolge durchgeführt werden. Weiterhin können die Schritte i) bis iii) auch (mehrfach) wiederholt werden bzw. das Verfahren wiederholt (in der Art einer Schleife) mit Schritt i) beginnen. Zumindest Teile der Schritte i) und ii) können zumindest teilweise parallel oder gleichzeitig durchgeführt werden. Das Verfahren kann zum maschinellen Lernen eines hier auch beschriebenen Prädiktionsalgorithmus durchgeführt werden.
Nach einer vorteilhaften Ausgestaltung wird vorgeschlagen, dass zum Anpassen von Elementen des Prädiktionsalgorithmus ein Gradienten-Abstiegsverfahren verwendet bzw. durchgeführt wird. Beispielweise können während des Trainings mittels des Gradienten- Abstiegsverfahrens Elemente bzw. Modell-Parameter des Algorithmus solange angepasst werden, bis ein Vorhersagefehler über alle Trainingsbeispiele minimal ist.
Nach einem weiteren Aspekt wird auch ein Computerprogramm zur Durchführung eines hier beschriebenen Verfahrens vorgeschlagen. Dies betrifft mit anderen Worten insbesondere ein Computerprogramm(-produkt), umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, ein hier beschriebenes Verfahren auszuführen.
Nach einem weiteren Aspekt wird auch ein maschinenlesbares Speichermedium vorgeschlagen, auf dem das Computerprogramm gespeichert ist. Regelmäßig handelt es sich bei dem maschinenlesbaren Speichermedium um einen computerlesbaren Datenträger.
Weiterhin kann auch eine Fertigungsanlage zur Herstellung mindestens einer Elektrode für eine Batteriezelle angegeben werden, die zur Durchführung eines hier beschriebenen Verfahrens vorgesehen und eingerichtet ist. Die Fertigungsanlage kann (hierzu) beispielsweise einen steuerbaren Extruder, eine (ggf. steuerbare) Rohmaterialzufuhr, Sensoren zum Erfassen zumindest eines Teils der oben beschriebenen Eingangsdaten und/oder einen Behälter umfassen, in den die Suspension extrudiert werden kann. Insbesondere umfasst die Fertigungsanlage ein Steuergerät auf dem eine (elektronische bzw. digitale) Steuerung zur Durchführung eines hier beschriebenen Verfahrens implementiert ist. Das Steuergerät kann beispielsweise eine Recheneinheit (Controller) umfassen, die zur Durchführung eines hier beschriebenen Verfahrens auf das Speichermedium zugreifen und/oder das Computerprogramm ausführen kann. Das Speichermedium und/oder das Computerprogramm können ebenfalls Bestandteil des Steuergeräts oder mit diesem signaltechnisch verbunden sein.
Die im Zusammenhang mit dem Verfahren zur Herstellung erörterten Details, Merkmale und vorteilhaften Ausgestaltungen können entsprechend auch bei dem hier vorgestellten Trainingsverfahren, dem Computerprogramm, dem Speichermedium und/oder der Fertigungsanlage auftreten und umgekehrt. Insoweit wird auf die dortigen Ausführungen zur näheren Charakterisierung der Merkmale vollumfänglich Bezug genommen.
Die hier vorgestellte Lösung sowie deren technisches Umfeld werden nachfolgend anhand der Figuren näher erläutert. Es ist darauf hinzuweisen, dass die Erfindung durch die gezeigten Ausführungsbeispiele nicht beschränkt werden soll. Insbesondere ist es, soweit nicht explizit anders dargestellt, auch möglich, Teilaspekte der in oder in Zusammenhang mit den Figuren erläuterten Sachverhalte zu extrahieren und mit anderen Bestandteilen und/oder Erkenntnissen aus anderen Figuren und/oder der vorliegenden Beschreibung zu kombinieren. Es zeigen schematisch:
Fig. 1: ein Ablaufdiagramm zur Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen Verfahrens,
Fig. 2: eine Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen
Prädiktionsalgorithmus,
Fig. 3: eine Veranschaulichung von möglichen Prädiktionsergebnissen des
Prädiktionsalgorithmus, und
Fig. 4: ein Ablaufdiagramm zur Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen T rainingsverfahrens.
Fig. 1 zeigt schematisch ein Ablaufdiagramm zur Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen Verfahrens zur Herstellung mindestens einer Elektrode für eine Batteriezelle. Die mit den Blöcken 110, 120, 130 und 140 dargestellte Reihenfolge der Schritte a), b), c) und d) ist beispielhaft und kann sich so zum Beispiel bei einem regulären Ablauf des Verfahrens einstellen. ln Block 110 erfolgt gemäß Schritt a) ein Bereitstellen einer Suspension zum Erzeugen der mindestens einen Elektrode, wobei für die Bereitstellung der Suspension mindestens ein Soll- Prozessparameter 1 vorgebbar ist. In Block 120 erfolgt gemäß Schritt b) ein Erfassen mindestens eines Ist-Prozessparameters 2 und beispielhaft mindestens einer Umgebungsbedingung 3 während des Bereitstellens in Schritt a). In Block 130 erfolgt gemäß Schritt c) ein Durchführen einer Prädiktion mindestens einer Eigenschaft 4 der Suspension mittels eines maschinell gelernten Prädiktionsalgorithmus 5, der in Abhängigkeit des mindestens einen Ist-Prozessparameters 2 und beispielhaft der mindestens einen Umgebungsbedingung 3 sowie unter Berücksichtigung von Informationen über zuvor bereitgestellte Suspensionen die mindestens eine Eigenschaft 4 der Suspension abschätzt. In Block 140 erfolgt gemäß Schritt d) ein Vorgeben zumindest eines Soll-Prozessparameters 1 für das Bereitstellen gemäß Schritt a), in Abhängigkeit des Prädiktionsergebnisses aus Schritt c).
Das Verfahren kann beispielsweise zur Herstellung zumindest einer Anode oder Kathode für eine Lithium-Ionen-Zelle durchgeführt wird. In diesem Zusammenhang kann weiterhin vorgesehen sein, dass das Bereitstellen der Suspension durch ein Extrudieren der Suspension in einen Behälter erfolgt. Der Extruder produziert üblicherweise kontinuierlich Batteriesuspension. Während der Extrusion kann in beispielsweise festen Zeitintervallen eine maschinelle Vorhersage von Eigenschaft 4 der gerade in den Behälter eingebrachten Suspension und/oder ggf. sogar der fertigen Suspension (z. B. als Prognose der Eigenschaften, die sich einstellen, wenn der Behälter bis zu einem vorbestimmbaren Füllgrad befüllt und/oder die Suspension abgekühlt ist). Insbesondere kann durch das Verfahren sogar eine möglichst genaue Vorhersage der Eigenschaften 4 ermöglicht werden, welche die Batteriesuspension am Ende des Extrusionsprozesses (d.h. wenn der Behälter bis zu einem vorbestimmbaren Füllgrad befüllt und/oder die Suspension abgekühlt ist) hat bzw. voraussichtlich haben wir. Dies ermöglicht in besonders vorteilhafter Weise eine (Inline-)Anpassung der Soll-Prozessparameter während des noch laufenden Extrusionsprozesses, wenn die vorhergesagten Eigenschaften 4 nicht den gewünschten bzw. vorgebbaren Sollwerten entsprechen.
Fig. 2 zeigt schematisch eine Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen Prädiktionsalgorithmus. Die Bezugszeichen werden einheitlich verwendet, sodass auf die vorhergehenden Erläuterungen Bezug genommen werden kann.
Der maschinell gelernte Prädiktionsalgorithmus 5 kann beispielsweise mittels eines künstlichen neuronalen Netzwerks gebildet sein. In diesem Zusammenhang veranschaulicht Fig. 2 beispielhaft einen Prädiktionsalgorithmus, der mittels eines Long Short-Term Memory- Netzwerks (kurz: LSTM-Netzwerks) gebildet ist. Dabei veranschaulichen die Variablen „x“ die Eingangsdaten bzw. den Eingangsvektor, die Variablen „h“ die (ggf. verdeckten)
Ausgangsdaten bzw. den (ggf. verdeckten) Ausgangsvektor, die Variablen „c“ die Zellzustände des LSTM-Netzwerks, die tiefgestellten Indizes „t-1“, „t“, „t+1“, etc. verschiedene Zeitschritte, die tiefgestellten Indizes „1 ... N“ die verschiedenen Eingangsdaten zu einem jeweiligen Zeitpunkt, die tiefgestellten Indizes „1 ... M“ die verschiedenen Ausgangsdaten zu einem jeweiligen Zeitpunkt.
Beispielhaft wird der Verlauf der Eingangsdaten „x“ durch zeitvariante Signale abgebildet. Die Eingangsdaten „x“ umfassen in diesem Zusammenhang zu dem jeweiligen Zeitpunkt die Ist- Prozessparameter 2, ggf. die Umgebungsbedingungen 3 und ggf. auch die (bereits vorgegebenen) Soll-Prozessparameter 1 und/oder ggf. auch bekannte Rohmaterialeigenschaften 8. Bei dem gezeigten Ausführungsbeispiel beschreibt eine Modellierung mittels eines Long Short-Term Memory (LSTM) Netzwerks den Zusammenhang zwischen den genannten Eingangsdaten und den Ausgangsdaten „h“. Die Ausgangsdaten „h“ umfassten in diesem Zusammenhang zu dem jeweiligen Zeitpunkt die vorhergesagten Eigenschaften 4 der Batteriesuspension (in Abhängigkeit der Prozesszeit). Dies kann mit anderen Worten auch so beschrieben werden, dass ein Merkmalsvektor „x“, der alle (Ist- ) Prozessparameter sowie ggf. Umgebungsbedingungen zu einem diskreten Zeitpunkt enthält, als Eingabevektor in das LSTM-Netzwerk gegeben wird. Das LSTM-Netzwerk ist dazu eingerichtet, die Eigenschaften 4 der Batteriesuspension, d.h. den Zielvektor, zu diesem Zeitpunkt zu approximieren.
Während der Produktion kann optional und zusätzlich in beispielsweise festen Zeitintervallen die Güte der Suspension bzw. die (tatsächliche) Eigenschaft 6 der Suspension (zum Vergleich mit der vorhergesagten Eigenschaft 4) auch manuell gemessen werden, insbesondere solange bis der Behälter bis zu dem vorbestimmbaren Füllgrad (bzw. vollständig) gefüllt ist. Diese manuell gemessenen Eigenschaften 6 können vorteilhaft zur Validierung der Prognosen des Prädiktionsalgorithmus 5 beitragen. Diese Eigenschaften 6 werden in Fig. 2 mit der Variablen „ h‘ “ beschrieben. Dies stellt ein Beispiel dafür dar, dass und ggf. wie die mindestens eine Eigenschaft 6 der Suspension gemessen werden kann, um eine durchgeführte Prädiktion zu validieren.
Wenn die gemessenen Eigenschaften 6 zusätzlich vorliegen, kann ein Fehler „L“ ermittelt werden, der (inline bzw. nach dem eigentlichen bzw. initialen Training) dazu genutzt werden kann den Prädiktionsalgorithmus weiter zu trainieren bzw. zu verbessern. Beispielsweise kann das LSTM-Netzwerk in diesem Zusammenhang über die Zeit entrollt werden. Weiterhin können Vorhersagefehler „L“ und Gradienten für jeden Zeitschrift berechnet werden. Zudem können die Gradienten über alle Zeitschritte gemittelt werden. Auf dieses Basis können dann Elemente 7 des Algorithmus 5 angepasst werden. Alternativ oder kumulativ kann zur Verbesserung des (bereits initial trainierten) Netzwerks auch eine sogenannte Truncated Backpropagation Through Time Methode (kurz: TBPTT) angewendet werden.
Fig. 3 zeigt schematisch eine Veranschaulichung von möglichen Prädiktionsergebnissen des Prädiktionsalgorithmus 5. Die Bezugszeichen werden einheitlich verwendet, sodass auf die vorhergehenden Erläuterungen Bezug genommen werden kann.
Es ist dabei insbesondere zu erkennen, dass eine zeitvariante Modellierung (kontinuierlicher) Prozessparameter 2, ggf. Umgebungsbedingungen 3 sowie ggf. zeitinvarianter (Roh- )Materialeigenschaften 8 mithilfe eines Algorithmus 5 in Form eines Long Short-Term Memory Netzwerks erfolgen kann.
Links oben in Fig. 3 sind beispielhafte Eingangsdaten 2, 3, 8 und rechts oben in Fig. 3 eine beispielhafte Veranschaulichung von Ausgangsdaten 4 des Algorithmus 5 veranschaulicht. Es ist zu erkennen, dass die einzelnen Zeitschritte durch aufeinander folgende Zellen des Algorithmus 5 dargestellt werden. Der Algorithmus 5 kann zu einem jeweiligen Zeitschrift in der Regel die Eingangsdaten 2, 3, 8 - beispielhaft umfassend die Ist-Prozessparameter 2, Umgebungsbedingungen 3 und ggf. Rohmaterialeigenschaften 8 (und ggf. auch die Soll- Prozessparameter 1, vgl. Fig. 2) - sowie historische Daten bzw. Informationen über zuvor bereitgestellte Suspensionen einiesen. Die historischen Daten bzw. Informationen über zuvor bereitgestellte Suspensionen umfassen in der Regel zumindest solche Informationen, die während der Trainingsphase aus den Trainingsdatensätzen, die üblicherweise auf historischen Daten bzw. Informationen über zuvor bereitgestellte Suspensionen basieren, gelernt wurden. Diese während der (initialen) Trainingsphase gelernte Informationen können beispielsweise durch entsprechende Ausgestaltungen und/oder Verknüpfungen der Elemente 7 des Algorithmus 5 repräsentiert werden.
In Fig. 3 ist auch veranschaulicht, dass die historischen Daten bzw. Informationen über zuvor bereitgestellte Suspensionen weiterhin beispielsweise auch Informationen aus einem (unmittelbar) vorhergehenden Zeitschrift des Algorithmus 5 (hier beispielhaft einer vorgelagerten Zelle des Netzwerks) umfassen können. Zudem können zu insbesondere Validierungszwecken gemessene, tatsächliche Eigenschaften 6 der Suspension als Eingang in den Algorithmus 5 einfließen. Diese Eigenschaften 6 können auch dazu beitragen, den Algorithmus 5 („inline“, d.h. während dessen regulären Betriebs bzw. des laufenden Prozesses) weiter zu trainieren und/oder zu verbessern.
In Fig. 3 ist weiterhin gezeigt, dass die Prädiktion nicht nur für einen bestimmten in der Zukunft liegenden Zeitpunkt (hier beispielhaft t_x+0.2) erfolgen kann, sondern ggf. auch für eine Vielzahl von in der Zukunft liegenden Zeitpunkten, die dann ggf. nach und nach durch die Eigenschaften 6 validiert werden können. Dadurch können beispielsweise (kontinuierliche) Produkteigenschaften 4 zum jeweiligen Zeitpunkt t abgeschätzt werden. Insbesondere kann (alternativ oder kumulativ zu einer Prädiktion einer Vielzahl zukünftiger Zeitpunkte) auch eine Prädiktion für einen finalen Zeitpunkt (hier beispielhaft „T“) erfolgen. Dies kann mit anderen Worten auch so beschrieben werden, dass die Prädiktion auch so erfolgen kann, dass diese mindestens eine Eigenschaft 4 der fertigen Suspension bzw. mindestens eine (diskrete) Produkteigenschaft 4 zum finalen Zeitpunkt T abschätzt.
Diese mindestens eine Eigenschaft 4 der fertigen Suspension kann hier auch als mindestens eine „finale“ Eigenschaft 9 (Formelzeichen T) bezeichnet und beispielsweise gemäß der unteren Darstellung in Fig. 3 überwacht werden. Hier ist die zu den jeweiligen Zeitpunkten bzw. Zeitschritten während des Prozesses vorhergesagte finale Eigenschaft 9 der Suspension über der Zeit aufgetragen. Aus dieser Darstellung kann beispielsweise ermittelt werden, ob die Vorhersage der finalen Eigenschaft 9 der Suspension während des Prozesses innerhalb eines Toleranzbandes 10 bleibt bzw. geblieben ist oder für ggf. welche Zeitspanne(n) 11 diese Eigenschaft 9 außerhalb des Toleranzbandes 10 liegt bzw. lag. Beispielsweise kann vorgesehen sein, dass zum Beispiel durch einen Prozessverantwortlichen oder automatisch die Soll-Prozessparameter in Abhängigkeit der Vorhersage und/oder eines sich darauf ergebenden Fehlers angepasst werden, wenn die Vorhersage eine Verletzung von Toleranzgrenzen ergibt.
Fig. 4 zeigt schematisch ein Ablaufdiagramm zur Veranschaulichung eines Ausführungsbeispiels des hier beschriebenen Trainingsverfahrens für einen maschinell lernfähigen Prädiktionsalgorithmus 5 (vgl. Figuren 2 und 3). Die Bezugszeichen werden einheitlich verwendet, sodass auf die vorhergehenden Erläuterungen Bezug genommen werden kann. Die mit den Blöcken 210, 220 und 230 dargestellte Reihenfolge der Schritte i), ii) und iii) ist beispielhaft und kann sich so zum Beispiel bei einem regulären Ablauf des Verfahrens einstellen. ln Block 210 erfolgt gemäß Schritt i) ein Einlesen von Trainingseingangsdaten für den Prädiktionsalgorithmus 5, die Ist-Prozessparameter 2 und optional Umgebungsbedingungen 3 einer Vielzahl von Bereitstellungsprozessen zum Bereitstellen von jeweils einer Suspension zum Erzeugen einer Elektrode für eine Batteriezelle umfassen. In Block 220 erfolgt gemäß Schritt ii) ein Einlesen von Trainingsausgangdaten für den Prädiktionsalgorithmus 5, die Eigenschaften 6 der mittels des jeweiligen Bereitstellungsprozesses bereitgestellten Suspension umfassen. In Block 230 erfolgt gemäß Schritt iii) ein Anpassen von Elementen 7 des Prädiktionsalgorithmus 5, um die eingelesenen Trainingseingangsdaten möglichst genau auf den eingelesenen Trainingsausgangdaten abzubilden. Beispielsweise kann zum Anpassen von Elementen 7 des Prädiktionsalgorithmus 5 ein Gradienten-Abstiegsverfahren verwendet werden.
Mithilfe von Methoden der Künstlichen Intelligenz (Kl) ist es vorteilhaft möglich auf Basis eines Datensatzes von historischen (Extrusions-)Prozessen und Messung(en) der Batteriesuspension, zu vorzugsweise einer Vielzahl von Zeitpunkten oder möglichst jedem Zeitpunkt des (jeweiligen) Prozesses, die Ergebnisse zukünftiger Messungen vorauszusagen. In diesem Zusammenhang ist es besonders vorteilhaft Prozessparameter 1, 2, Umgebungsbedingungen 3 und Rohmaterialeigenschaften 8 aufzuzeichnen und rückverfolgbar zu persistieren. Diese Datenbasis kann als beispielhafte Trainingsmenge für den (Kl- )Algorithmus 5 dienen.
Während des Trainings wird dem Algorithmus 5 (hier beispielhaft dem LSTM-Netzwerk) eine Vielzahl von Trainingsbeispielen, in der Regel bestehend aus Merkmalsvektor und Zielvektor, präsentiert. Weiterhin können zufällig initialisierte Modell-Parameter (hier beispielhaft veranschaulicht durch die Elemente 7) des LSTM-Netzwerks für eine ungenaue Vorhersage zum Beginn des Trainings sorgen. Während des Trainings können beispielsweise mittels des Gradientenabstiegsverfahrens die Modell-Parameter solange angepasst werden, bis der Vorhersagefehler über alle Trainingsbeispiele minimal ist.
Nach dem Training des Modells bzw. Algorithmus zur Vorhersage der Qualität der Batteriesuspension kann dieses verwendet werden, um für unbekannte Kombinationen von Prozessparametern 1, 2, ggf. Umgebungsbedingungen 3 und ggf. Materialeigenschaften 8 während des (momentanen) Prozesses Vorhersagen zu treffen. Die zusätzliche Messung von Suspension-Eigenschaften 6 kann dazu beitragen die Vorhersagen zu validieren und/oder die Vorhersagegenauigkeit zu späteren Zeitpunkten zu verbessern. Aufgrund der statistischen Signifikanz großer Datenmengen ist die Vorhersage des Algorithmus 5 vorteilhaft genauer als die von Experten und physikalischen Modellen.
Somit werden ein Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle sowie ein Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus angegeben, welche die im Zusammenhang mit dem Stand der Technik geschilderten Probleme zumindest teilweise lösen. Insbesondere werden ein Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle sowie ein Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus angegeben, die eine maschinelle, inlinefähige und möglichst zuverlässige Vorhersage mindestens einer Eigenschaft der Suspension zum Erzeugen der Elektrode ermöglichen. Zudem kann die Vorhersage mit möglichst geringem Zeitaufwand und/oder kostengünstig erfolgen.
Bezugszeichenliste
Soll-Prozessparameter
Ist-Prozessparameter
Umgebungsbedingung
Eigenschaft
Prädiktionsalgorithmus
Eigenschaft
Element
Rohmaterialeigenschaften
Eigenschaft
Toleranzband
Zeitfenster

Claims

Patentansprüche
1. Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle, umfassend zumindest folgende Schritte: a) Bereitstellen einer Suspension zum Erzeugen der mindestens einen Elektrode, wobei für die Bereitstellung der Suspension mindestens ein Soll- Prozessparameter (1) vorgebbar ist; b) Erfassen mindestens eines Ist-Prozessparameters (2) während des Bereitstellens in Schritt a); c) Durchführen einer Prädiktion mindestens einer Eigenschaft (4) der Suspension mittels eines maschinell gelernten Prädiktionsalgorithmus (5), der in Abhängigkeit des mindestens einen Ist-Prozessparameters (2) sowie unter Berücksichtigung von Informationen über zuvor bereitgestellte Suspensionen die mindestens eine Eigenschaft (4) der Suspension abschätzt; d) Vorgeben zumindest eines Soll-Prozessparameters (1) für das Bereitstellen gemäß Schritt a), in Abhängigkeit des Prädiktionsergebnisses aus Schritt c).
2. Verfahren nach Anspruch 1 , wobei das Verfahren zur Herstellung zumindest einer Anode oder Kathode für eine Lithium-Ionen-Zelle durchgeführt wird.
3. Verfahren nach Anspruch 1 oder 2, wobei das Bereitstellen der Suspension durch ein Extrudieren der Suspension in einen Behälter erfolgt.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei der maschinell gelernte Prädiktionsalgorithmus mittels eines künstlichen neuronalen Netzwerks gebildet ist.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei der maschinell gelernte Prädiktionsalgorithmus mittels eines Long Short-Term Memory-Netzwerks gebildet ist.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei mindestens eine Eigenschaft (6) der Suspension gemessen wird, um eine durchgeführte Prädiktion zu validieren.
7. Trainingsverfahren für einen maschinell lernfähigen Prädiktionsalgorithmus (5), umfassend zumindest folgende Schritte: i) Einlesen von Trainingseingangsdaten für den Prädiktionsalgorithmus (5), die Ist- Prozessparameter (2) einer Vielzahl von Bereitstellungsprozessen zum Bereitstellen von jeweils einer Suspension zum Erzeugen einer Elektrode für eine Batteriezelle umfassen; ii) Einlesen von Trainingsausgangdaten für den Prädiktionsalgorithmus (5), die Eigenschaften (6) der mittels des jeweiligen Bereitstellungsprozesses bereitgestellten Suspension umfassen; iii) Anpassen von Elementen (7) des Prädiktionsalgorithmus (5), um die eingelesenen Trainingseingangsdaten möglichst genau auf den eingelesenen
T rainingsausgangdaten abzubilden.
8. Trainingsverfahren nach Anspruch 7, wobei zum Anpassen von Elementen (7) des Prädiktionsalgorithmus (5) ein Gradienten-Abstiegsverfahren verwendet wird.
9. Computerprogramm zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche.
10. Maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 9 gespeichert ist.
EP21707225.5A 2020-02-28 2021-02-19 Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle Pending EP4111511A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020105279.0A DE102020105279A1 (de) 2020-02-28 2020-02-28 Verfahren zur Herstellung mindestens einer Elektrode für eine Batteriezelle
PCT/EP2021/054142 WO2021170496A1 (de) 2020-02-28 2021-02-19 Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle

Publications (1)

Publication Number Publication Date
EP4111511A1 true EP4111511A1 (de) 2023-01-04

Family

ID=74673224

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21707225.5A Pending EP4111511A1 (de) 2020-02-28 2021-02-19 Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle

Country Status (5)

Country Link
US (1) US20230101808A1 (de)
EP (1) EP4111511A1 (de)
CN (1) CN115136342B (de)
DE (1) DE102020105279A1 (de)
WO (1) WO2021170496A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021128718A1 (de) * 2021-11-04 2023-05-04 Volkswagen Aktiengesellschaft Verfahren zur Ermittlung von Prozessparametern für einen Herstellungsprozess eines realen Produkts

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7993780B2 (en) * 2007-10-05 2011-08-09 Nanotek Instruments, Inc. Process for producing carbon anode compositions for lithium ion batteries
JP6080297B2 (ja) * 2013-02-25 2017-02-15 東レエンジニアリング株式会社 塗工乾燥シミュレーション装置および塗工乾燥装置
US9806326B2 (en) 2013-12-05 2017-10-31 GM Global Technology Operations LLC One-step method for preparing a lithiated silicon electrode
US10497935B2 (en) 2014-11-03 2019-12-03 24M Technologies, Inc. Pre-lithiation of electrode materials in a semi-solid electrode
EP4668405A3 (de) 2015-06-18 2026-03-25 24M Technologies, Inc. Einzelbeutelbatteriezellen und verfahren zur herstellung
CN117313789A (zh) * 2017-04-12 2023-12-29 渊慧科技有限公司 使用神经网络的黑盒优化
CN107958988B (zh) * 2017-10-11 2020-06-16 中国科学院自动化研究所 锂电池涂布生产的知识决策方法
DE102018210003A1 (de) * 2018-06-20 2019-12-24 Robert Bosch Gmbh Verfahren und Vorrichtung zum Anlernen eines Modells für maschinelles Lernen
CN109492287A (zh) * 2018-10-30 2019-03-19 成都云材智慧数据科技有限公司 一种基于bp神经网络的固态电解质离子电导率预测方法
DE102018220064A1 (de) 2018-11-22 2020-05-28 Volkswagen Aktiengesellschaft Ermittlung von Werten von Produktionsparametern

Also Published As

Publication number Publication date
DE102020105279A1 (de) 2021-09-02
CN115136342B (zh) 2025-08-26
US20230101808A1 (en) 2023-03-30
CN115136342A (zh) 2022-09-30
WO2021170496A1 (de) 2021-09-02

Similar Documents

Publication Publication Date Title
DE102007001025B4 (de) Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
DE4008510C2 (de) Regeleinrichtung mit Optimal-Entscheidungseinheit
EP0663632B1 (de) Verfahren und Vorrichtung zur Führung eines Prozesses
DE102022202882B4 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
DE19514535A1 (de) Verfahren zur Überwachung von Produkteigenschaften und Regelung eines Herstellungsprozesses
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
DE102018107233A1 (de) Verfahren zur automatischen Prozessüberwachung und Prozessdiagnose eines stückbasierten Prozesses (batch-Fertigung), insbesondere eines Spritzgießprozesses und eine den Prozess durchführende Maschine oder ein den Prozess durchführender Maschinenpark
WO2019091551A1 (de) Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit
DE19518804A1 (de) Verfahren zur Überwachung eines Produktionsprozesses
DE102021212689A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
DE10241746A1 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
WO2023079061A1 (de) Verfahren zur ermittlung von prozessparametern für einen herstellungsprozess eines realen produkts
DE102023200584A1 (de) Verfahren und Vorrichtung zur Prädiktion einer internen Batterietemperatur einer Gerätebatterie, insbesondere zur Prädiktion eines Alterungszustands der Gerätebatterie
WO2021170496A1 (de) Verfahren zur herstellung mindestens einer elektrode für eine batteriezelle
EP4673875A1 (de) Verfahren und vorrichtung zur erkennung einer anomalie im verhalten eines dynamischen systems
WO2019158762A1 (de) Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
EP4710403A1 (de) Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie
BE1030866B1 (de) Computerprogramm und Verfahren zur Analyse von Inhomogenitäten sowie Anomaliedetektion und -vorhersage von elektrischen Energiespeichern
DE112021008149T5 (de) Verfahren und System zum Vorhersagen der Temperatur eines thermischen Systems
EP4099036B1 (de) Simulation eines leistungsverhaltens eines energiespeichers
EP3528063B1 (de) Verfahren zur rechnergestützten erstellung eines prognosemodells zur prognose von einer oder mehreren zielgrössen
DE102021116388A1 (de) Verfahren zum Optimieren eines Reglers und Regelsystem mit einem derart optimierten Regler
EP3557048A1 (de) Verfahren und vorrichtung zum betreiben einer windenergieanlage sowie windenergieanlage
EP4611209A1 (de) Trainingsverfahren zum trainieren eines künstlichen neuronalen netzes für ein netzübergabemodul, netzübergabemodul, netzstation und ein betriebsverfahren zum betreiben einer netzstation
AT503846B1 (de) Verahren und system zur automatisierten ermittlung von optimierten prognosen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220928

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: POWERCO SE