Kunnen voorspellende analyses Tesla helpen de kosten van accu's te verlagen naar $ 100 per kWh?

"Ja", zegt Kari Terho, directeur en hoofd van Smart Factory van Elisa Smart Factory . Hier legt hij uit hoe zijn team de opbrengst van de batterijcelproductie met 16% heeft verhoogd met Predictive Quality Analytics bij eLab, het onderzoekscentrum voor elektromobiliteit aan de Universiteit van Aken in Duitsland.

De kosten van een batterijpakket van $ 100/kWh (€ 90,8 / kWhf) zijn een primaire doelstelling voor Tesla . Om dit te bereiken, moet het bedrijf een van 's werelds meest veeleisende technologische uitdagingen oplossen - en het is hoe de volumetrische energiedichtheid van batterijcellen te vergroten en tegelijkertijd de productiekosten te verlagen.

Toen de oprichter van Tesla, Elon Musk, in het openbaar sprak over de winstoproep van het bedrijf in 2017, vroeg hij:"Kan iemand alsjeblieft met een batterijdoorbraak komen? We zouden het geweldig vinden!” Zijn gevoelens weerspiegelen de complexiteit van de uitdaging die zijn bedrijf probeert op te lossen. Om tegemoet te komen aan Musks verzoek om baanbrekende innovaties op het gebied van batterijen, hebben Elisa's datawetenschappers de opbrengst van batterijcellen op deze manier verhoogd door de productiekwaliteit te voorspellen.

Er is een kwaliteitsuitdaging bij de productie van batterijcellen

De productie van lithium-ionbatterijcellen voor elektrische auto's is in principe een eenvoudig proces.

Anode- en kathode-elektroden worden geproduceerd in verschillende subprocessen uit een mengsel van verschillende grondstoffen en vervolgens verpakt in batterijcellen, die worden gevuld met de elektrolyt, die wordt verzegeld en gefinaliseerd voordat ze naar het einde van de lijn worden gestuurd testen.

Het proces is echter veel ingewikkelder dan dat. Een primaire uitdaging bij de productie van batterijcellen is dat de uiteindelijke kwaliteit van de geproduceerde cellen alleen kan worden geverifieerd na langdurige end-of-line testen - en het voltooien van de test kan tot drie weken duren. Pas daarna kan de fabrikant bepalen of een definitief batterijcelproduct verder kan worden gebruikt voor de productie van batterijpakketten; of als het als gevaarlijk afval moet worden afgevoerd.

Afgedankte batterijcellen kunnen niet worden gerecycled, waardoor schaarse, niet-hernieuwbare en dure grondstoffen zoals lithium, kobalt, nikkelsulfaat, koper, aluminium en grafiet verloren gaan. Het wereldwijde gemiddelde first-time-yield (FTY) voor batterijcellen wordt geschat op 15%, wat de productie van batterijcellen duur en traag maakt.

Hoe kunnen we het productierendement van batterijcellen verhogen?

Bij eLab, het onderzoekscentrum voor elektromobiliteit aan de Universiteit van Aken in Duitsland, werd deze kwaliteitsuitdaging geïdentificeerd als een belangrijk probleem dat een kostenefficiënte productie verbiedt en de adoptie van milieuvriendelijke elektrische auto's vertraagt.
Op zoek naar eLab ontwikkelde een efficiënter productieproces voor batterijcellen en werkte samen met het datawetenschappersteam van Elisa Smart Factory.

Predictive Quality Analytics gebruiken voor de productie van batterijcellen

De Predictive Quality Analytics wordt gebruikt om gegevens uit een productieproces te extraheren om gegevenspatronen te bepalen, op basis waarvan kwaliteitsgerelateerde trends en resultaten kunnen worden voorspeld. Daarom is het een geschikt hulpmiddel om de kwaliteitsuitdaging van eLab op te lossen.

Elisa's datawetenschappersteam volgde het sectoroverschrijdende standaardproces voor datamining, het zesstappen CRISP-DM-proces; wat het meest gebruikte analysemodel is onder experts op het gebied van datamining. Hier is hoe het proces wordt geschetst.

1. De eerste stap is het vormen van een duidelijk zakelijk begrip van de productie van batterijcellen en het stellen van de juiste doelen. De algehele situatie werd beoordeeld, de kwaliteitsfactoren in het proces werden gedefinieerd, de datapunten die de kwaliteit van de batterijcellen beïnvloeden, werden geïdentificeerd en de parameters die de kwaliteit van de batterijcellen het best beschrijven, werden bepaald.
2. De volgende stap is gegevens begrijpend, zoals in het CRIP-DM-proces. Het betrof een gap-analyse van wat voor soort gegevens beschikbaar zijn versus welke gegevens nodig zijn. In dit geval werd een datalek gedicht door een kwaliteitscamera op de productielijn te installeren.
3. In de gegevensvoorbereiding fase worden de gegevens opgeschoond en geharmoniseerd in hetzelfde formaat. Tijdstempels worden gecontroleerd om verlies van gegevensverzameling te voorkomen.
4. De modellering was de meest uitdagende fase voor de datawetenschappers. Er zijn duizenden manieren om gegevens te analyseren. De datawetenschappers moeten verschillende algoritmen uitproberen om de verschillende resultaten te zien die ze geven wanneer ze worden toegepast op de gegevens die zijn verzameld van de batterijcelproductielijn.
5. De evaluatie van de resultaten is cruciaal. Het ging om het onderzoeken of de resultaten valide zijn en of ze het mogelijk maken om de kwaliteit van de batterijcellen te voorspellen.
6. Eindelijk, bij de implementatie fase definieerde het team de optimale parameters voor het instellen van de productieapparatuur en machines voor een optimale productiekwaliteit. Dit omvatte onder andere de juiste viscositeitsparameters.

Het resultaat is een 16% iverhoging van de productieopbrengst van batterijcellen

Nadat Elisa's Predictive Quality Analytics was geïmplementeerd, daalde het uitvalpercentage bij de productielijn van eLab-batterijcellen met 16%, omdat de kwaliteit van de batterijcellen nu vroeg in het proces kon worden voorspeld. De batterijcellen die naar verwachting aan het einde van het proces van ondermaatse kwaliteit zouden zijn, worden nu eerder in het proces geïdentificeerd en van de lijn gehaald. De grondstof zou kunnen worden gerecycled voor een nieuwe productiebatch, in plaats van te worden geschrapt in niet-recyclebaar afval, na de end-of-line test drie weken later.

Tot slot

Wat zou Tesla's prijskaartje zijn voor een productieopbrengstwinst van 16%? Moeilijk te zeggen, maar stel je dit eens voor...

Als de volledige productiecapaciteit van 23 GWh in de Tesla Gigafactory 1 uitsluitend zou worden gebruikt voor de productie van de 2170 batterijcellen van de Tesla Model 3-auto, zou de jaarlijkse productie 1,3 miljard eenheden van de 2170 cellen kunnen zijn. De opbrengstwinst van 16% zou overeenkomen met meer dan 200 miljoen meer geproduceerde celeenheden - dat is genoeg voor 49.000 Tesla Model 3 langeafstandsauto's.

Stel je voor, een kostenbesparing van $ 400 miljoen (€ 363 miljoen) zou kunnen worden bereikt, als wordt uitgegaan van de productiekosten van de batterijcel van $ 111 per kWh (€ 100,8 per kWh), zoals geschat door de UBS-bank.

Ongeacht de impact op het bedrijf van een autofabrikant, moet de elektrische voertuigindustrie haar productiepraktijken en efficiëntie voortdurend verbeteren. Lithium-ionbatterijen zijn gemaakt van zeldzame aardmineralen zoals kobalt, lithium, nikkel en andere metalen, die efficiënt moeten worden gebruikt om aan de snel groeiende vraag naar elektrische auto's te voldoen.

De auteur is Kari Terho, directeur en hoofd van Smart Factory, Elisa Corporation

Over de auteur

Kari Terho is directeur en hoofd van Smart Factory bij Elisa Corporation, een ICT-dienstverlener in Finland. Voordat ze bij Elisa Smart Factory kwam, bekleedde Kari verschillende leidinggevende functies op het gebied van servicebeheer en verkoop en bedrijfsontwikkeling bij eersteklas draadloze serviceproviders en bij wereldwijde blue-chips, waaronder Hewlett-Packard. Kari heeft een MBA in Bedrijfskunde en Administratie.

Elisa Smart Factory is een leverancier van kunstmatige intelligentie en industriële IoT-software voor industriële fabrikanten. We maken verbinding met elke databron, benutten datastromen en combineren data-analyse en machine learning om resultaten te creëren zoals verhoogde uptime, productiekwaliteit en opbrengst. Als onderdeel van Elisa Corporation hebben we tientallen jaren ervaring in het beheren van uitgebreide, sterk geautomatiseerde netwerkinfrastructuren en in het voorspellen en voorkomen van storende incidenten. Ons doel is om deze expertise te gebruiken en de toonaangevende leverancier van fabrieksdigitaliseringsoplossingen in Europa en daarbuiten te worden.