Anomalieerkennung bei der Li-Ionen-Zellkontaktierung

Motivation

Im Kontext der globalen Aktivitäten für die Transformation zu einer nachhaltigen und umweltfreundlichen Zukunft spielen elektrische Energiespeicher wie Lithium-Ionen-Batterien (LIB) eine zentrale Rolle [1]. Als dominante Technologie im Kontext der Elektromobilität unterstützen sie maßgeblich den Übergang zu einer klimafreundlichen Mobilität [2]. Angesichts der steigenden Nachfrage nach elektrischen Energiespeichern ist die durch die Produktionsprozesse bedingte Produktqualität von besonderer Bedeutung, um die Sicherheit und die Performance von Batteriezellen zukünftig weiter zu optimieren [3].

Einer der kritischen Prozessschritte in der Produktion von LIB ist die zellinterne Kontaktierung, bei der die Stromsammlertabs der Elektrodeneinzelblätter durch Ableiterbleche elektrisch verbunden werden. Die derzeitigen Ultraschallschweißverfahren, die in der Industrie als Standard gelten, weisen eine Reihe von Nachteilen auf [4]. Beispielsweise sind hier mechanische Beschädigungen, Rissbildung, ein erhöhter Werkzeugverschleiß sowie eine benötigte beidseitige Zugänglichkeit zu nennen [5, 6]. Diese Probleme verdeutlichen den Bedarf und die Relevanz alternativer Produktionstechnologien. In diesem Kontext bietet das Laserschweißen eine vielversprechende Alternative, welche neben der hohen Präzision insbesondere durch den kontaktlosen Fügeprozess, der Kontaminationen vermeidet, sowie der Geometrieflexibilität, ein großes Potenzial bietet [7].

Um den Laserschweißprozess weiter zu optimieren bedarf es sorgfältiger Prozessüberwachungen. Durch die Prozessüberwachung in Echtzeit sowie den Einsatz von Methoden des maschinellen Lernens können im Rahmen der Qualitätssicherung die dabei anfallenden Messdaten zielgerichtet verarbeitet und ausgewertet werden. [8]

Im Fokus der vorliegenden Arbeit liegt die Vorstellung einer Datenverarbeitungspipeline für die Analyse der beim Laserschweißen durch einen Laser Welding Monitor aufgezeichneten Strahlungsemissionen. Das dadurch verfolgte Ziel ist die Erkennung von zwei gezielt eingebrachten Fehlertypen. Dies trägt dazu bei, dass Fertigungsprozesse zukünftig effizienter, prozesssicherer und kosteneffektiver gestaltet werden können.

Stand der Forschung

Im Bereich der Qualitätssicherung von Laserschweißverbindungen wurde der Einsatz von maschinellem Lernen sowie Sensortechnologien zur Fehlererkennung und -vorhersage in verschiedenen Studien untersucht. Der Ansatz von Zhang et al. (2019) [9] nutzt dazu einen auf einem konvolutionalen neuronalem Netz (CNN) basierenden Deep-Learning-Algorithmus. Dieser verwendet Daten eines Multi-Sensor-Systems, darunter ein Hilfsbeleuchtungs-Bildsensor-System, UVV-Band-Bildsensoren, Fotodioden sowie ein Spektrometer. Das Modell zeigt eine höhere Genauigkeit im Vergleich zu herkömmlichen Methoden des neuronalen Netzwerks mit Rückpropagation, insbesondere bei der Fehlererkennung während des Schweißens mit Hochleistungsscheibenlasern. Knaak et al. [10] verwendet Methoden des maschinellen Lernens zur Analyse von Bilddaten aus zwei verschiedenen Sensortypen. Durch die Transformation der Bilddaten mittels Hauptkomponentenanalyse und anschließender Extraktion der geometrischen Merkmale konnten Schweißfehler mit einer Genauigkeit von 99,9 Prozent identifiziert werden. Weiterhin evaluiert die Studie von Will et al. [11] den tsfresh-Algorithmus zur Detektion von Schweißspritzern. Die gezielte Anpassung von Prozessparametern in Kombination mit optischer Kohärenztomographie ermöglicht eine präzise Annotation von Schweißergebnissen, die zur effektiven Klassifizierung durch den tsfresh-Algorithmus eingesetzt werden kann.

Trotz der aufgezeigten Forschungsarbeiten im Bereich der Qualitätssicherung von Laserschweißverbindungen besteht eine Lücke im aktuellen Stand der Forschung. Die systematische Untersuchung der gezielten Einbringung von Fehlern in dieser Schweißanordnung und deren nachfolgender Detektion mithilfe von Clusteralgorithmen wurde nicht untersucht. Diese spezielle Schweißkonfiguration weist durch die vielen Kupferfolien, die aufgeschmolzen und verbunden werden müssen, eine erhöhte Fehleranfälligkeit auf, was zu einer besonderen Relevanz der Überwachung des Laserschweißverfahrens beiträgt. Die Extraktion signifikanter Merkmale im Anwendungskontext der Schweißprozessüberwachung trägt einen wesentlichen Beitrag zur Vertiefung des Verständnisses über Fehlerdynamik und -detektion bei.

Versuchsaufbau und Durchführung

Im Rahmen der experimentellen Untersuchungen wurden Schweißversuche mithilfe eines TruDisk 1020 Lasersystems der Firma TRUMPF Laser- und Systemtechnik GmbH durchgeführt. Dieses System verfügt über einen Scheibenlaser im grünen Wellenlängenbereich (515 nm). Zur Untersuchung des anodenseitigen Kontaktierungsprozesses wurde ein 300 μm dickes Ableiterblech mit einem aus 40 Kupferfolieneinzellagen (Folienstärke jeweils 10 μm) bestehenden Stapels thermisch gefügt. Wie in Grabmann et al. [6] beschrieben ist der Schweißaufbau derart gestaltet, dass die zu kontaktierenden Ableiterfolien durch eine spezielle Spannvorrichtung auf dem Ableiterblech fixiert werden. Dabei wird der Laserstrahl auf die jeweils oberste Folienebene fokussiert, um alle darunter liegenden Folien mit dem Ableiterblech durch den gezielten Aufschmelzvorgang zu verbinden.

Zur Überwachung des Schweißvorgangs wurde ein Laser Welding Monitor (LWM) der Firma Precitec GmbH & Co. KG eingesetzt, der über drei Fotodioden zur Aufzeichnung der Strahlungsemissionen verfügt. Dadurch können die Strahlungsemissionen in spezifischen Wellenlängenbereichen erfasst werden, auf Basis dessen die Analyse von Plasma, Temperatur und Rückreflexsignalen ermöglicht wird. Die erfassten Daten werden mit einer Abtastrate von 50 kHz in Form einer csv-Datei gespeichert. Im Rahmen der durchgeführten Untersuchungen wurden in Summe 36 Schweißversuche durchgeführt. Der dabei verwendete Prozessaufbau ist in Bild 1 schematisch dargestellt.

Bild 1

Schweißaufbau der Referenzschweißung mit Seitenansicht (oben) und der Draufsicht (unten)

Während die Mehrheit der Schweißungen unter standardisierten Bedingungen stattfand, wurden die Schweißungen Nr. 21 sowie 31 bis 33 unter der gezielten Einbringung von Fehlertyp 1 durchgeführt. Bei den durchgeführten Schweißversuchen Nr. 34–36 erfolgte als Fehlertyp 2 eine gezielte Einbringung von Fehlertyp 2. Die Schweißergebnisse wurden anschließend mit den drei Labels „Referenz“, „Fehlertyp 1“ und „Fehlertyp 2“ klassifiziert. Darauf aufbauend war das Ziel der vorliegenden Untersuchungen die Entwicklung einer Pipeline zur präzisen Fehlerdetektion, welche in zukünftigen Arbeiten auch auf weitere Anwendungsfälle übertragen werden kann.

Datenverarbeitungspipeline

Im Rahmen der durchgeführten Arbeiten wurde ein strukturierter Datenverarbeitungsprozess entwickelt, um die Zeitreihen der LWM-Schweißungen effektiv zu analysieren. Jede Schweißung wird in einer separaten csv-Datei dokumentiert. Der Ablauf der implementierten Auswertungspipeline ist in Bild 2 dargestellt wird nachfolgend detailliert erläutert:

Bild 2

Ablauf der entwickelten Datenverarbeitungspipeline

Ergebnisse

Basierend auf den vom LWM erfassten Plasma-, Rückreflex- und Temperatursignalen konnten im Rahmen der durchgeführten Untersuchungen 36 signifikante Merkmale identifiziert werden. Eine detaillierte Analyse dieser Merkmale hat drei Merkmale hervorgehoben, welche eine besonders effiziente Trennung der untersuchten Gruppen ermöglichen. Diese Merkmale werden nachfolgend detaillierter vorgestellt und in Bild 3 gegeneinander visualisiert.

Bild 3

Veranschaulichung Effekt der Merkmale

Merkmal 3: 10 %-Quantil des Temperatursignals

Dieses statistische Maß gibt den Wert an, unterhalb dessen genau 10 Prozent der Datenpunkte einer sortierten Reihe liegen. Es dient als Schwellwert zwischen den untersten 10 Prozent der Datenpunkte und den restlichen 90 Prozent.

Die Betrachtung der in Bild 3 dargestellten Visualisierungen zeigt, dass insbesondere die Merkmale 1 und 3 wesentliche Unterscheidungskriterien zwischen fehlerhaften Proben und Referenzproben bieten. Für die Unterscheidung von Proben mit Fehlertyp 2 von den restlichen Proben ist vor allem das Merkmal 2 entscheidend.

Wie Bild 4 veranschaulicht, werden unter Anwendung eines 3D-DBSCAN auf das dreidimensionale Merkmalsset die identifizierten Cluster klar voneinander getrennt und durch den Algorithmus korrekt klassifiziert. Der zugehörige ARI beträgt 1, was einer optimalen Clusterung entspricht. Dank der Flexibilität des gewählten Ansatzes ist es möglich, zusätzlich zu DBSCAN auch die Clusteralgorithmen wie beispielsweise agglomeratives hierarchisches Clustering sowie Gaussian Mixture zu evaluieren. Mit den ausgewählten Merkmalen konnten beide Algorithmen die gleichen Ergebnisse erzielen.

Bild 4

Clusteranalyse der Proben mittels 3D-DBSCAN

Die dargelegten Ergebnisse der Untersuchungen betonen die Bedeutung selektierter Merkmale im vorliegenden Kontext und belegen die Effizienz des verwendeten Clusteransatzes für die Probenklassifizierung.

Zusammenfassung und Ausblick

In dieser Arbeit wurde die zunehmende Bedeutung des Laserschweißprozesses für die zellinterne Kontaktierung von Batteriezellen dargelegt. Dieser Prozess stellt einen zentralen Schritt in der Batterieproduktion dar, weshalb die korrekte Interpretation der aus den Strahlungsemissionen erfassten Signale und die effektive Identifizierung von Fehlern von zentraler Bedeutung sind. In diesem Kontext bieten maschinelle Lernverfahren einen vielversprechenden Lösungsansatz.

Der Hauptfokus dieser Arbeit war die Entwicklung und Implementierung einer Pipeline zur Analyse von Zeitreihendaten aus den Strahlungsemissionen, erfasst durch drei Fotodioden. Diese Pipeline zielt darauf ab, beispielhaft eingebrachte Fehler zu identifizieren und diese anschließend zu differenzieren. Die Verarbeitungsschritte umfassen die Datenbereinigung, die Extraktion und Auswahl relevanter Merkmale, das Clustering mittels DBSCAN sowie eine anschließende Validierung. Experimentell konnten bei insgesamt 36 Schweißungen zwei verschiedene Fehlertypen in sieben Schweißnähte eingebracht werden. Die Auswertung zeigt, dass durch die aufgebaute Pipeline signifikante Merkmale aus den Daten erfolgreich extrahiert werden konnten. Zusätzlich zeigten die Ergebnisse eine hundertprozentige Fehlererkennungsrate mit dem DBSCAN-Algorithmus, was einem ARI von eins entspricht.

Die vorliegenden Ergebnisse vermitteln erste Erkenntnisse über das Potenzial der entwickelten Datenverarbeitungspipeline in den untersuchten Laserschweißanwendungen. Angesichts des begrenzten Umfangs der Datenbasis ist jedoch eine umfassendere Evaluation erforderlich, um die Robustheit und Generalisierbarkeit der Ergebnisse sicherzustellen. Im Rahmen zukünftiger Forschungsaktivitäten gilt es, die Pipeline durch einen ausgedehnteren experimentellen Versuchsplan zu erweitern und zu validieren. Eine Diversifizierung und Erweiterung der Fehlerklassen könnten darüber hinaus zu einer vertieften und differenzierteren Analyse beitragen. Zusätzlich wäre in zukünftigen Studien von Interesse, in welcher Form die Anwendbarkeit der vorgestellten Methode auch auf andere technologische Domänen gegeben ist.