Auf der internationalen Konferenz 20th CIRP International Conference on Intelligent Computation in Manufacturing Engineering (CIRP ICME \u201926), die in Ischia, Italien, stattfand, nahm unsere Wissenschaftlerin und Doktorandin Tesa Herceg teil und pr\u00e4sentierte ihre Forschungsergebnisse, die im Rahmen des Projekts INSIGHT (Intelligent data models for the production and recycling of battery cells) zwischen der Universit\u00e4t Zagreb, Fakult\u00e4t f\u00fcr Maschinenbau und Schiffbau, und dem BMW Group Battery Cell Competence Centre (BCCC) durchgef\u00fchrt wurden. <\/p>\n\n\n\n
Die CIRP ICME \u201926 bringt Forscher und Industrieexperten aus aller Welt zusammen, um Fortschritte in Berechnungsmethoden, maschinellem Lernen, Simulation und datengetriebenen Ans\u00e4tzen in der modernen Fertigungstechnik vorzustellen und zu diskutieren. Das technische Programm der Konferenz umfasste ein breites Themenspektrum, von intelligenter Prozesssteuerung und Qualit\u00e4tsvorhersage bis hin zu digitalen Zwillingen und nachhaltiger Fertigung. <\/p>\n\n\n\n
Tesa pr\u00e4sentierte ihren Beitrag in der Sektion zu datengetriebenen Ans\u00e4tzen in der Fertigung, insbesondere in der Battery Production-Sektion. <\/p>\n\n\n\n
Ihre Arbeit, Machine Learning-Based Prediction of Electrolyte Wetting Rate in the Lithium-ion Battery Cell Filling Process, befasst sich mit dem Elektrolyt Bef\u00fcllen- und Benetzungsschritt \u2013 einem kritischen und zeitintensiven Schritt in der Produktion von Lithium-Ionen-Batteriezellen. Eine gleichm\u00e4\u00dfige und vollst\u00e4ndige Benetzung der Elektrodenschichten durch den Elektrolyten ist entscheidend f\u00fcr eine hohe Zellqualit\u00e4t und elektrochemische Leistung, jedoch ist dieser Prozess schwer direkt zu \u00fcberwachen und zu steuern. <\/p>\n\n\n\n
Die Arbeit schl\u00e4gt 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 F\u00fcllprozessparameter, 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 R\u00b2 \u2248 0,88 erzielten. Die Merkmalswichtigkeitsanalyse identifizierte au\u00dferdem die Elektrodenl\u00e4nge, den Jellyroll-Durchmesser und den Bef\u00fclldruck als die einflussreichsten Faktoren f\u00fcr die Benetzungsrate. Diese Ergebnisse unterst\u00fctzen ein tieferes Verst\u00e4ndnis des F\u00fcllprozesses und k\u00f6nnen den Bedarf an wiederholten experimentellen Untersuchungen reduzieren. <\/p>\n\n\n\n
Diese Ergebnisse stellen einen weiteren Beitrag zum \u00fcbergeordneten Ziel des INSIGHT-Projekts dar \u2013 der Entwicklung intelligenter Datenmodelle, die jede Phase der Batteriezellproduktion und des Recyclings unterst\u00fctzen und optimieren. Neben dem wissenschaftlichen Programm bot die Konferenz zahlreiche M\u00f6glichkeiten 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. <\/p>","protected":false},"excerpt":{"rendered":"