Die sichere Nutzung von Lithium-Ionen-Batterien, wie sie in Elektroautos und stationären Speichersystemen verwendet werden, hängt entscheidend von der Überwachung ihres Zustands und der frühzeitigen Fehlererkennung ab. Ein Team aus Joachim Schaeffer, Eric Lenz und Prof. Rolf Findeisen vom Institut für Automatisierungstechnik und Mechatronik der TU Darmstadt hat zusammen mit den Gruppen von Prof. Richard Braatz und Prof. Martin Bazant am MIT einen Ansatz entwickelt, der einfache physikalische Modelle und maschinelles Lernen kombiniert.
Mittels sogenannter rekursiver Gauß-Prozesse können sie zeitliche und betriebsbedingte Veränderungen in Batteriezellen erkennen. Diese rekursiven Methoden lassen sich in Echtzeit anwenden und sind in der Lage, auch große Datenmengen effizient zu verarbeiten. Das ermöglicht eine kontinuierliche Online-Überwachung von Batteriesystemen.
Anonyme Daten fehlerhafter Batterien
Für ihre Forschung konnten die Wissenschaftler auf einen besonderen Datensatz zurückgreifen: Ein Forschungspartner stellte anonym Daten von 28 Batteriesystemen zur Verfügung, die wegen Problemen an den Hersteller zurückgeschickt wurden. Der Datensatz umfasste über 133 Millionen Datenreihen von 224 Batteriezellen und ist einer der ersten seiner Art, der öffentlich zugänglich gemacht wurde.
Die Ergebnisse der methodischen Entwicklungen und Analysen zeigen, dass oft nur eine Zelle eines gesamten Batteriesystems auffällig wird und das System beeinträchtigt. Das hilft dabei, besser zu verstehen, wie Batterien altern und unter welchen Bedingungen sie versagen. Zukünftig lassen sich Batterien so kontinuierlich überwachen und ihre Sicherheit dadurch erhöhen.
Schaeffer, der Doktorand am Control and Cyber Physical Systems Laboratory am Fachbereich Elektrotechnik und Informationstechnik der TU Darmstadt und am MIT ist, wurde für die im Rahmen des Projekts entstandenen, öffentlich zugänglichen Daten mit dem MIT Open Data Prize ausgezeichnet. Aus über 70 Einreichungen wurden zehn Preisträger ausgewählt.
