Hohe Steigerungsraten in der Nachfrage für alle Klassen von Elektroautomobilen (Electric Vehicle, EV) erhöhen den Druck auf Batterieproduzenten – sie müssen sozusagen gleichzeitig die Produktion für alle Batterievarianten steigern, die Kosten senken und die Qualität der Batterien stabil halten oder idealerweise noch verbessern. Diese Quadratur des Kreises funktioniert nur bedingt und findet Niederschlag in zum Teil hohen Ausschussraten in Batteriefabriken bzw. der ungeplanten Desintegration von bereits ausgelieferten Fahrzeugen. Die Ursachen von batteriebedingten Fehlern lassen sich in der Mehrzahl auf die Produktion zurückführen und mit der konsequenten Anwendung von industrieller röntgenbasierter Computertomografie (CT) minimieren.
Der Vortrag wird u.a. einen Überblick über die Fertigungsabläufe in Gigafactories geben und typische Fehlerfälle in Batteriezellen anhand von realen CT-Daten und Beispielen aufzeigen. Darüber hinaus werden neuartige Software-Tools und Anwendungen vorgestellt, die dabei helfen, diese Fehlerfälle rechtzeitig zu finden und einzugrenzen. Dazu zählen innovative Softwaremodule basierend auf Machine Learning (ML) und Automated Defect Recognition (ADR), die speziell für Batteriefehlerfälle entwickelt und angewendet werden. Außerdem werden ergänzend Prozesse der datenbasierten Analytik vorgestellt, die mithilfe der durch Massentests erzeugten Daten eine Root-Cause-Analyse ermöglichen.
Durch eine konsequente Anwendung der Verfahren werden Senkungen der Ausschussraten von mindestens 5% erwartet, die deutlich zur Wirtschaftlichkeit der Batteriefabriken und der gesamten EV-Industrie beitragen können. Eine Beispielrechnung aus der Praxis wird im Rahmen des Vortrags präsentiert.