Parametereinstellung im Produktionsanlauf der Batteriezellenproduktion durch genetische Algorithmen

Clever, Henning; Kampker, Achim; Heimes, Heiner Hans

doi:HT031043469

Parametereinstellung im Produktionsanlauf der Batteriezellenproduktion durch genetische Algorithmen = Parameter setting during production ramp-up of battery cell production using genetic algorithms

Clever, Henning^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Henning Clever

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Kampker, Achim (Thesis advisor)^RWTH* ; Heimes, Heiner Hans (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-02-25

Online
DOI: 10.18154/RWTH-2025-04226
URL: https://publications.rwth-aachen.de/record/1010622/files/1010622.pdf

Einrichtungen

Lehrstuhl für Production Engineering of E-Mobility Components (420910)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die steigende Nachfrage nach Batteriezellen infolge der Elektrifizierung der Automobilindustrie stellt die Batteriezellhersteller vor erhebliche Herausforderungen. Der Produktionsanlauf einer Batteriezellfertigung erstreckt sich über mehrere Jahre, wobei selbst etablierte Hersteller nach dieser Phase lediglich eine Gesamtanlageneffektivitiät von 65 % mit einer Ausschussrate von 10 % des Produktionsvolumens erreichen. Dies verdeutlicht die ineffiziente Vorgehens-weise bei der Parametereinstellung im Produktionsanlauf und den hohen Bedarf an Optimierung. Die aktuelle Situation in der Batteriezellproduktion ähnelt in Bezug auf Effizienz und Ressourcenverbrauch der Automobilindustrie der 1960er Jahre, da sie größtenteils auf einem Trial-and-Error-Ansatz basiert. Die Komplexität der Batteriezellproduktion und die Vielzahl von Einflussfaktoren auf die Produktqualität erschweren eine systematische Optimierung der Produktionsprozesse. Die vorliegende Arbeit untersucht daher die Parametereinstellung im Produktionsanlauf der Batteriezellproduktion und zielt darauf ab, mithilfe von künstlicher Intelligenz und unter Einbeziehung von Bestandsdaten aus der Produktion die Anlaufphase zu optimieren und zu beschleunigen. Angesichts der Herausforderungen bei der Parametereinstellung im Produktionsanlauf sowie der begrenzten Ressourcen ist ein systematischer Ansatz erforderlich, um die Produktionsprozesse zu optimieren. Dabei werden genetische Algorithmen und maschinelles Lernen als vielversprechende Ansätze eingeführt, um die Prozessparameter basierend auf Produktionsdaten zu identifizieren und als globales Optimierungsproblem zu betrachten. Die entwickelte Methodik zur Optimierung der Parametereinstellung in der Batteriezellproduktion umfasst mehrere Schritte, beginnend mit der Definition des Referenzsystems und der Identifizierung relevanter Prozesskenngrößen. Anschließend werden vorhandene Daten in Teilmodelle strukturiert und aufbereitet, bevor die eigentliche Modellierung, das Training und die Bewertung der einzelnen Modelle erfolgen. In einem weiteren Schritt werden die Teilmodelle in ein übergeordnetes Gesamtmodell integriert, um eine ganzheitliche Optimierung der Parametereinstellungen zu ermöglichen. Die Implementierung eines Software-Demonstrators umfasst eine Benutzer- und eine Systemebene, wobei das Frontend eine grafische Benutzeroberfläche zur intuitiven Nutzung des genetischen Algorithmus bietet und das Backend den genetischen Algorithmus implementiert. Die Flexibilität und Anpassbarkeit des Software-Demonstrators ermöglichen eine systemunabhängige Lösung für die Parameteroptimierung in verschiedenen Produktionsumgebungen. Die Validierung erfolgt durch die Überprüfung der Reproduzierbarkeit, Konvergenz und Parametersensitivität des Gesamtmodells. Die Ergebnisse zeigen, dass das Gesamtmodell reproduzierbare und konvergente Ergebnisse liefert und eine erfolgreiche Optimierung der Parametereinstellungen ermöglicht. Insgesamt bietet die entwickelte Methodik einen vielversprechenden Ansatz zur Optimierung der Batteriezellproduktion. Durch die Integration von Machine Learning Modellen und die Nutzung vorhandener Produktionsdaten kann die Parametereinstellung der Produktionsprozesse effizienter gestaltet und beschleunigt werden.

The increasing demand for battery cells as a result of the electrification of the automotive industry poses considerable challenges for battery cell manufacturers. The production ramp-up of battery cell manufacturing takes several years, with even established manufacturers only achieving an overall system efficiency of 65 % after this phase with an output rate of 10 % of the production volume. This illustrates the inefficient approach to parameter setting during production start-up and the high need for optimization. The current situation in battery cell production is similar to the automotive industry of the 1960s in terms of efficiency and resource consumption, as it is largely based on a trial-and-error approach. The complexity of battery cell production and the large number of factors influencing product quality make it difficult to systematically optimize production processes. This thesis therefore considers the parameter setting in the production start-up of battery cell production and aims to optimize and accelerate the ramp-up phase with the help of artificial intelligence and the integration of existing production data. In view of the challenges involved in setting parameters during production start-up and the limited resources available, a systematic approach is required to optimize production processes. Genetic algorithms and machine learning are introduced as promising approaches to identify the process parameters based on production data and consider them as a global optimization problem. The methodology developed for optimizing parameter settings in battery cell production comprises several steps, starting with the definition of the reference system and the identification of relevant process parameters. Existing data is then structured and processed into sub-models before the actual modeling, training and evaluation of the individual models takes place. In a further step, the sub-models are integrated into a superordinate overall model to enable holistic optimization of the parameter settings. The implementation of a software demonstrator comprises a user and a system level, whereby the front end provides a graphical user interface for intuitive use of the genetic algorithm and the back end implements the genetic algorithm. The flexibility and adaptability of the software demonstrator enable a system-independent solution for parameter optimization in different production environments. The validation includes the verification of the reproducibility, convergence and parameter sensitivity of the overall model. The results show that the overall model delivers reproducible and convergent results and enables successful optimization of the parameter settings. Overall, the developed methodology offers a promising approach to optimize battery cell production. By integrating machine learning models and using existing production data, the parameter setting of the production processes can be made more efficient and accelerated.

OpenAccess:
PDF
(additional files)