Auf der internationalen Konferenz 20th CIRP International Conference on Intelligent Computation in Manufacturing Engineering (CIRP ICME ’26), die in Ischia, Italien, stattfand, nahm unsere Wissenschaftlerin und Doktorandin Tesa Herceg teil und präsentierte ihre Forschungsergebnisse, die im Rahmen des Projekts INSIGHT (Intelligent data models for the production and recycling of battery cells) zwischen der Universität Zagreb, Fakultät für Maschinenbau und Schiffbau, und dem BMW Group Battery Cell Competence Centre (BCCC) durchgeführt wurden.
Die CIRP ICME ’26 bringt Forscher und Industrieexperten aus aller Welt zusammen, um Fortschritte in Berechnungsmethoden, maschinellem Lernen, Simulation und datengetriebenen Ansätzen in der modernen Fertigungstechnik vorzustellen und zu diskutieren. Das technische Programm der Konferenz umfasste ein breites Themenspektrum, von intelligenter Prozesssteuerung und Qualitätsvorhersage bis hin zu digitalen Zwillingen und nachhaltiger Fertigung.
Tesa präsentierte ihren Beitrag in der Sektion zu datengetriebenen Ansätzen in der Fertigung, insbesondere in der Battery Production-Sektion.
Ihre Arbeit, Machine Learning-Based Prediction of Electrolyte Wetting Rate in the Lithium-ion Battery Cell Filling Process, befasst sich mit dem Elektrolyt Befüllen- und Benetzungsschritt – einem kritischen und zeitintensiven Schritt in der Produktion von Lithium-Ionen-Batteriezellen. Eine gleichmäßige und vollständige Benetzung der Elektrodenschichten durch den Elektrolyten ist entscheidend für eine hohe Zellqualität und elektrochemische Leistung, jedoch ist dieser Prozess schwer direkt zu überwachen und zu steuern.
Die Arbeit schlägt einen Machine-Learning-Ansatz zur Vorhersage der Elektrolyt-Benetzungsrate aus realen Produktionsdaten vor. Die Benetzungsrate wird aus Prozessmessungen mithilfe einer Washburn-basierten Gleichung abgeleitet, und die Eingangsmerkmale umfassen Elektroden- und Jellyroll-Eigenschaften aus vorgelagerten Produktionsschritten sowie Füllprozessparameter, die durch einen Versuchsplan (DoE) als einflussreichste identifiziert wurden. Mehrere maschinelle Lernmodelle wurden trainiert und verglichen, wobei Random Forest und Gradient Boosting die besten Vorhersageleistungen mit R² ≈ 0,88 erzielten. Die Merkmalswichtigkeitsanalyse identifizierte außerdem die Elektrodenlänge, den Jellyroll-Durchmesser und den Befülldruck als die einflussreichsten Faktoren für die Benetzungsrate. Diese Ergebnisse unterstützen ein tieferes Verständnis des Füllprozesses und können den Bedarf an wiederholten experimentellen Untersuchungen reduzieren.
Diese Ergebnisse stellen einen weiteren Beitrag zum übergeordneten Ziel des INSIGHT-Projekts dar – der Entwicklung intelligenter Datenmodelle, die jede Phase der Batteriezellproduktion und des Recyclings unterstützen und optimieren. Neben dem wissenschaftlichen Programm bot die Konferenz zahlreiche Möglichkeiten zur Vernetzung und zum Wissensaustausch zwischen Forschern, Professoren und Industriefachleuten und lieferte wertvolle Einblicke in die neuesten Trends und offenen Herausforderungen in der intelligenten Fertigung.
Das Projekt wurde von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung kofinanziert.
Die Erstellung der Website wurde von der Europäischen Union aus dem Europäischen Fonds für regionale Entwicklung kofinanziert.
Für den Inhalt der Website ist ausschließlich die Fakultät für Maschinenbau und Schiffbau verantwortlich.