Machine Learning für frühzeitige Fehlererkennung könnte Lithium-Ionen-Batterien sicherer machen

MÜNCHEN (IT BOLTWISE) – Neue maschinelle Lernmethoden zur frühzeitigen Fehlererkennung könnten Lithium-Ionen-Batterien in Zukunft sicherer machen.

Die sichere Nutzung von Lithium-Ionen-Batterien, wie sie in Elektrofahrzeugen und stationären Energiespeichersystemen zum Einsatz kommen, erfordert eine kontinuierliche Zustandsüberwachung und eine frühzeitige Fehlererkennung. Defekte in einzelnen Batteriezellen können schwerwiegende Folgen haben und sogar Brände auslösen.

Forscher der TU Darmstadt und des Massachusetts Institute of Technology (MIT) haben hierzu innovative Methoden entwickelt, die auf physikalisch gestütztem maschinellen Lernen basieren. Das Team um Joachim Schaeffer, Eric Lenz und Professor Rolf Findeisen von der TU Darmstadt sowie die Arbeitsgruppen von Professor Richard Braatz und Professor Martin Bazant am MIT entwickelten ein Verfahren, das physikalische Modelle mit maschinellem Lernen kombiniert.

Durch den Einsatz rekursiver Gaußscher Prozesse können zeit- und betriebsabhängige Veränderungen in Batteriezellen frühzeitig erkannt werden. Diese rekursiven Methoden ermöglichen eine Echtzeitanalyse und die effiziente Verarbeitung großer Datenmengen, wodurch eine kontinuierliche Online-Überwachung von Batteriesystemen in der Zukunft realisierbar wird.

Für ihre Forschung konnte das Team auf einen einzigartigen Datensatz zurückgreifen: Ein Forschungspartner stellte anonymisierte Daten von 28 Batteriesystemen zur Verfügung, die aufgrund von Problemen an den Hersteller zurückgeschickt worden waren. Der Datensatz umfasst mehr als 133 Millionen Datenzeilen von 224 Batteriezellen und ist einer der ersten seiner Art, der öffentlich zugänglich gemacht wurde.

Die in *Cell Reports Physical Science* veröffentlichten Forschungsergebnisse zeigen, dass oft nur eine einzelne Zelle in einem Batteriesystem anormal reagiert, was das gesamte System beeinträchtigen kann. Diese Erkenntnisse tragen dazu bei, das Verständnis über die Alterung und die Ausfallbedingungen von Batterien zu verbessern. Die neuen Methoden bieten die Möglichkeit, Batterien kontinuierlich zu überwachen und so die Sicherheit zu erhöhen.

Joachim Schaeffer, Doktorand am Control and Cyber-Physical Systems Laboratory, Fachbereich Elektrotechnik und Informationstechnik an der TU Darmstadt und am MIT, wurde für die im Projekt produzierten und öffentlich zugänglichen Daten mit dem MIT Open Data Prize ausgezeichnet. Aus über 70 Einsendungen wurden zehn Preisträger ausgewählt.