Batteriemanagementsysteme

Das intelligente BMS ist auf dem Vormarsch

Laut Peter Donaldson durchlaufen Batteriemanagementsysteme eine bedeutende Veränderung

Jahrelang erfüllte das Batteriemanagementsystem (BMS) einen relativ einfachen Zweck: Es schützte die Batterie vor dem Betrieb außerhalb ihrer sicheren Grenzen, schätzte ihren SoC ein und sorgte dafür, dass das Fahrzeug zuverlässig starten und anhalten konnte. Diese Funktionen waren deterministisch, regelbasiert und vor allem für die Ingenieure, die sie entwickelt hatten, vollständig verständlich. Jede Entscheidung ließ sich auf eine bestimmte Eingabe, einen definierten Schwellenwert oder ein kalibriertes Modell zurückverfolgen. Heute sind die Dinge jedoch erheblich komplexer geworden.

Die Batterie hat sich von einem passiven Energiespeicherkomponenten zu einer aktiven, datenerzeugenden Ressource entwickelt. Das BMS wandelt sich von einem auf Sicherheit ausgerichteten Steuergerät zu einem intelligenten Betriebssystem, das Vorhersagen, Anpassungen sowie wirtschaftliche Optimierungen ermöglicht. Diese Veränderung wird durch drei sich ergänzende Faktoren angetrieben: die Komplexität moderner Batteriechemien, die Ausbreitung von Vernetzungstechnologien und Cloud Computing sowie das wachsende Bewusstsein dafür, dass Batterieintelligenz einen erheblichen wirtschaftlichen Wert darstellt.

Diese Entwicklung stellt jedoch erhebliche ingenieurtechnische Herausforderungen dar. Eine Branche, die auf deterministischer Sicherheit beruht, muss nun mit der probabilistischen Natur von KI umgehen. Sie steht vor der Aufgabe, die rechenintensiven Anforderungen hochpräziser Physikmodelle mit den Skalierungsanforderungen globaler Flotten in Einklang zu bringen. Zudem muss sie sicherstellen, dass eine Batterie auch dann sicher bleibt, wenn sie vom Cloud-System getrennt ist. Darüber hinaus muss sie Systeme entwickeln, die sich an Batteriechemien anpassen können, die noch nicht im Einsatz sind oder sogar noch nicht vollständig entwickelt wurden.

KI als Ergänzung, nicht als Ersatz

Der auffälligste Konsens in der Branche ist, dass KI weder die deterministischen Sicherheitsfunktionen ersetzen kann noch sollte. Jeder befragte Ingenieurleiter betonte, dass sicherheitskritische Entscheidungen weiterhin nachvollziehbar, überprüfbar und letztendlich für die dafür verantwortlichen Ingenieure verständlich sein müssen.

Diese Position setzt ein reifes Verständnis sowohl der Fähigkeiten als auch der Grenzen künstlicher Intelligenz voraus. Das maschinelle Lernen ist hervorragend darin, Muster in komplexen, hochdimensionalen Daten zu erkennen. Es kann Informationen aus Betriebsbedingungen extrahieren, die aufgrund ihrer Komplexität nur schwer anhand grundlegender Prinzipien modelliert werden können. Zudem kann es sich an neue Daten anpassen und im Laufe der Zeit verbessern. Gleichzeitig ist es jedoch oft undurchsichtig, neigt zu unerwartetem Verhalten, wenn mit Bedingungen konfrontiert wird, die außerhalb seiner Trainingsdaten liegen – also dem Datensatz historischen Batterieverhaltens in Bezug auf Spannungskurven, Temperatur Schwankungen, Stromlasten, Alterungsmuster usw., der der künstlichen Intelligenz zur Verfügung gestellt wird – und ist im Grunde genommen probabilistisch veranlagt.

Die Sicherheitskultur in der Automobilindustrie, die auf jahrzehntelanger Erfahrung mit ISO 26262 sowie strengen Überprüfungsprozessen beruht, eignet sich nicht gut dafür, Ausgaben zu akzeptieren, deren Ursachen nicht auf deterministische Faktoren zurückgeführt werden können.

Die in der Branche zunehmend verbreitete Lösung ist eine hybride Architektur. physikbasierte Modelle – die auf elektrochemischem Verständnis beruhen und durch umfangreiche Tests überprüft wurden – bilden die Grundlage für die Kernsicherheitsfunktionen. KI dient als Erweiterungsschicht, um die Vorhersagequalität bei komplexen Phänomenen wie Alterung, Degradation und Anomalieerkennung zu verbessern. Entscheidend ist dabei, dass jede KI-Ausgabe anhand physikalischer Beschränkungen und deterministischer Modelle überprüft wird, um Plausibilität zu gewährleisten.

Der Ansatz ist insbesondere wertvoll für moderne Batterietechnologien. Lithium-Eisenphosphat-Zellen beispielsweise stellen aufgrund ihrer typisch flachen Spannungskurven erhebliche Herausforderungen für die herkömmliche Schätzung des Ladezustands dar. Mit maschinellem Lernen können Informationen aus historischen Betriebsmustern extrahiert werden, die allein mit herkömmlichen Methoden nur schwer erfasst werden können. Die Ergebnisse der KI werden jedoch ständig anhand physikalischer Erkenntnisse überprüft, wodurch verhindert wird, dass das Modell unmögliche Ergebnisse erzeugt.

Das ingenieurwissenschaftliche Prinzip ist klar: Vertrauen entsteht durch Überprüfung, Nachvollziehbarkeit und die Möglichkeit, Entscheidungen zu auditen. Die erfolgreichsten Architekturen werden jene sein, in denen Datenwissenschaft und Batteriephysik sich gegenseitig ergänzen statt miteinander zu konkurrieren. Entscheidungen von kritischer Bedeutung für die Sicherheit werden weiterhin auf erklärbaren, physikalisch fundierten Modellen beruhen, während der Beitrag der KI sich auf prädiktive Diagnosen und Lernen aus Datensätzen konzentriert.

Eine Hierarchie von Modellen

Das Konzept des digitalen Zwillings ist in Diskussionen zur Batteriemanagement-Technologie allgegenwärtig geworden, wird aber oft falsch verstanden. Branchenführer machen zunehmend deutlich, dass ein digitaler Zwilling kein einzelnes Modell ist, sondern eine Hierarchie von Modellen, die auf unterschiedlichen Ebenen der Genauigkeit und Recheneffizienz arbeiten.

Auf Fahrzeugebene verwendet das BMS effiziente, onboard-Berechnungsmodelle, die für den Echtzeitbetrieb optimiert sind. Diese Modelle müssen genaue Schätzungen zum SoC, SoH, Funktionszustand sowie Energiestand liefern, wobei sie innerhalb der strengen rechnerischen Grenzen von Automobil-Mikrocontrollern arbeiten müssen.

Gleichzeitig nutzen cloudbasierte „Battery Twins“ Flottendaten, ausgefeilte elektrochemische Modelle sowie Machine-Learning-Techniken, um Degradierungstrends, Nutzungsmuster und abnormales Verhalten zu analysieren. Die Cloud-Umgebung bietet die Skalierbarkeit, die erforderlich ist, um Daten von Tausenden oder Millionen verbundener Batterien gleichzeitig zu verarbeiten.

Die entscheidende ingenieurtechnische Herausforderung besteht in der Synchronisierung zwischen diesen Schichten. In der Cloud erzeugte Erkenntnisse – verbesserte Kalibrierungsparameter, aktualisierte Alterungsmodelle, Informationen zur prädiktiven Wartung – müssen in handlungsrelevante Erkenntnisse umgewandelt werden, die wieder an das Fahrzeug übertragen werden können. Dafür ist eine sorgfältige Berücksichtigung der Datensätze, der Validierungsprozesse sowie des Zeitpunkts der Aktualisierungen erforderlich.

Ein besonders bedeutender Engpass bei der Übertragung von Modell- zu Pack-Twin-Strukturen ist die Qualität und Beobachtbarkeit der Daten. Ein zellulärer Twin kann sich auf das Verhalten einer einzelnen Zelle unter sorgfältig kontrollierten Laborbedingungen konzentrieren. Ein Pack-Twin muss hingegen Tausende miteinander interagierender Variablen unter hochdynamischen Bedingungen der realen Welt genau darstellen.

Die von führenden Ingenieurdienstleistungsunternehmen angewandte Lösung ist eine hierarchische Modellierungsstrategie. Anstatt zu versuchen, jedes physikalische Phänomen in höchster Detailstufe zu modellieren, kombinieren sie gezielt hochpräzise Modelle dort, wo es notwendig ist, mit Modellen niedrigerer Genauigkeit, wo Skalierbarkeit wichtiger ist. Die Validierung ist genauso entscheidend – ein digitales Zwilling ist nur so wertvoll wie seine Korrelation zur Realität – und erfordert erhebliche Investitionen in Charakterisierungsprüfungen, Methoden des „Cell-in-the-Loop“, Tests mit Hardware-in-the-Loop sowie Validierung von Flottendaten.

Die Vision für die Zukunft sieht vor, dass digitale Zwillinge Systeme sein werden, die kontinuierlich lernen und sich während der gesamten Betriebsdauer der Batterie weiterentwickeln. Die Optimierung von Batterien wird nicht bereits zu Beginn der Produktion enden, sondern zu einem kontinuierlichen Ingenieurprozess werden, der durch ein vernetztes Ökosystem aus an Bord befindlicher Intelligenz und cloudbasiertem Lernen ermöglicht wird.

Sicherheit in einer vernetzten Welt

Die Integration cloudbasierter Intelligenz wirft eine grundlegende Frage auf: Was passiert, wenn der Cloud-Service nicht verfügbar ist? Netzwerkverzögerungen, Verbindungsabbrüche oder Cybersecurity-Vorfälle könnten Funktionen, die vom Cloud-Service abhängig sind, gefährden.

Die Reaktion der Branche ist eindeutig. Sicherheitskritische Funktionen müssen vollständig an Bord verbleiben und dürfen auf keinen Fall von externer Verbindbarkeit abhängen.

Dieses Prinzip führt zu einer klaren Trennung der Architektur. Das deterministische, eingebettete BMS ist für die Echtzeitsteuerung und die Funktionssicherheit verantwortlich – Kontaktorsteuerung, Wärmschutz, Isolationsüberwachung, Leistungsbeschränkung und Fehlerbehandlung.

Die Cloud-Intelligenz dient einem anderen Zweck. Sie verbessert die Diagnosefähigkeiten, erhöht die Genauigkeit bei der Abschätzung der Alterung, ermöglicht das Lernen aus Flottendaten und schafft Möglichkeiten zur Optimierung des Lebenszyklus. Diese Funktionen können Kommunikationsverzögerungen tolerieren, da sie eher beratender Natur sind als sicherheitskritisch.

Einige Organisationen verfeinern diesen Ansatz weiter, indem sie cloudbasierte Parameter und Updates mit angemessener Vorsicht betrachten. Updates werden nur nach Überprüfungen der Authentizität, Integrität, Version sowie Plausibilität akzeptiert. Solange diese Überprüfungen nicht bestanden sind, bleibt die validierte lokale Konfiguration in Kraft.

Anpassung an unterschiedliche Umgebungen

Die Elektrifizierung erstreckt sich zunehmend über Personenkraftwagen hinaus auf den gewerblichen Verkehr, maritime Anwendungen und die Luftfahrt. Jede dieser Umgebungen stellt einzigartige Herausforderungen dar, mit denen das BMS umgehen muss.

Die grundlegende Herausforderung besteht darin, dass sich die Physik der Batterien trotz dramatischer Veränderungen der Betriebsbedingungen unverändert bleibt. Bei Anwendungen im Automobilbereich sind vor allem Temperaturschwankungen, mechanische Belastungen, Alterung sowie Missbrauchssituationen von Bedeutung. In der Luftfahrt beeinflussen schnelle Höhenänderungen das thermische Verhalten, die Kühlleistung sowie druckbedingte Phänomene. Strahlungseffekte sind in großer Höhe ebenfalls entscheidend, wobei ein besonderes Risiko darin besteht, dass ein einzelner Ereignisvorfall die Elektronik des BMS beeinträchtigen kann. Das Verständnis der Auswirkungen von Strahlung auf Lithium-Ionen-Chemien stammt aus Raumfahranwendungen, doch es sind weitere Untersuchungen im Zusammenhang mit der Luftfahrt erforderlich. Bei Anwendungen auf See führt die Exposition gegenüber Salzwasser zu zusätzlichen Risiken im Zusammenhang mit Korrosion, Überwachung der Isolierung sowie Langzeiterträglichkeit.

Die Reaktion auf diese Vielfalt ist ein modulares Vorgehen. Die gleichen Kern-Algorithmen für Batterien können durch Kalibrierung sowie prozessspezifische Validierungsverfahren angepasst werden. Dadurch können Ingenieurdienstleister Personenkraftwagen, Nutzfahrzeuge, stationäre Speichersysteme, maritime Anwendungen sowie Luft- und Raumfahrtplattformen unterstützen, ohne dabei eine gemeinsame technologische Grundlage aufzugeben.

Die Wärmeverwaltung erweist sich als besonders wichtiger Unterscheidungsfaktor. Zukünftige Batterien werden immer anspruchsvollere Wärmevorhersagemodelle benötigen, die in der Lage sind, lokale Hotspots, Risiken durch Wärmeausbreitung sowie abnormale Betriebsbedingungen bereits vor dem Auftreten von Sicherheitsproblemen zu erkennen. Dies ist insbesondere in der Luftfahrt von großer Bedeutung, wo die Kühlleistung mit der Höhe variiert und Gewichtsbeschränkungen die Möglichkeiten der Wärmeverwaltung einschränken.

Diagnosefunktionen sind genauso wichtig. Da Batteriepakete strukturell enger integriert werden und schwieriger zugänglich sind, werden frühzeitige Erkennung von Störungen sowie Fähigkeiten zur prädiktiven Wartung unverzichtbar. Das BMS muss in der Lage sein, entstehende Probleme ohne physische Inspektion zu erkennen.

Die Entwicklung hin zu vielfältigeren Anwendungen führt dazu, dass das BMS zunehmend auf modellbasierte Überwachungssysteme angewiesen ist.

Berechnungsbeschränkungen, architektonische Lösungen

Die rechenintensiven Anforderungen moderner BMS-Funktionen nehmen rasant zu. Batterieingenieure haben anspruchsvolle Erwartungen hinsichtlich Diagnosefunktionen, Zustandsabschätzung, Cybersicherheit, thermischer Vorhersage, Anomalieerkennung sowie Vernetzung von Batteriesätzen. All diese Funktionen müssen unter strengen automobilen Beschränkungen hinsichtlich Rechenleistung, Speicher, Kosten, Energieverbrauch und Sicherheit ausgeführt werden.

Die strengsten Beschränkungen bestehen in der Regel am Rand des Batteriesatzes, wo fortgeschrittene elektrochemische Modelle, Diagnoseverfahren sowie KI-Verarbeitungen in Echtzeit und innerhalb fester Budgets ablaufen müssen.

Die Lösung besteht nicht einfach darin, alles in die Cloud zu verlagern. Ingenieure müssen Funktionen sorgfältig über den gesamten Rechenbereich verteilen, indem sie Modelle mit reduzierter Ordnung verwenden, Nichtlinearitäten vereinfachen, Dimensionen verringern und Funktionen mit unterschiedlichen Geschwindigkeiten ausführen.

Kosten und Energieverbrauch bleiben die wichtigsten Einschränkungen bei der Hardwareentwicklung und beeinflussen direkt die Menge an Speicher sowie Rechenleistung, die im BMS zur Verfügung steht. Die Echtzeitausführung stellt das zweite große Engpassproblem dar. Sicherheitskritische Funktionen erfordern eine kontinuierliche, deterministische Überwachung, was das gleichzeitige Verwalten mehrerer Aufgaben und Unterbrechungen bedeutet. Die Softwarearchitektur muss die Aufgaben entsprechend der verfügbaren Rechenleistung und Prozessorkerne priorisieren.

Fortgeschrittene Algorithmen wie Zustandsschätzer oder Digitale-Zwilling-Modelle überschreiten schnell die in einem herkömmlichen BMS-Mikrocontroller typischerweise verfügbaren Rechenlimits. Dies hat zu einer zunehmenden Tendenz geführt, die Arbeitslast zu verteilen: Sicherheitskritische Funktionen bleiben im BMS, während komplexe Algorithmen auf Hochleistungs-Mikroprozessoren ausgeführt werden.

Die Cybersicherheit schafft eine weitere Anforderungsebene. Sichere Kommunikation, Verschlüsselung, Authentifizierung sowie Aktualisierungsmechanismen verbrauchen zusätzliche Ressourcen und müssen frühzeitig in die Hardwaregestaltung einbezogen werden, um eine schnelle Veraltung der Plattform zu verhindern.

Auf der Halbleiterebene konvergieren mehrere Trends, um diesen Herausforderungen zu begegnen. Die Funktionssicherheit wird durch verstärkte Nutzung von synchronisiertem Verarbeiten, Hardwarediagnosen, geschützten Speichern sowie unabhängiger Überwachung verbessert. Die Cybersicherheit wird durch Hardware-Sicherheitsmodule, sicheres Booten, geschützte Schlüsselspeicher sowie authentifizierte Softwareaktualisierungen gewährleistet. Heterogene Rechenarchitekturen kombinieren allgemeine Sicherheitskerne mit speziellen mathematischen und Vektorbeschleunigern, sodass modellbasierte Steuerung und KI lokal und deterministisch ausgeführt werden können.

Auch die Energieeffizienz ist von entscheidender Bedeutung. Das BMS muss während der Fahrt, des Ladevorgangs, der Speicherung sowie bei längeren Parkzeiten wachsam bleiben. Dafür ist eine sorgfältige Beobachtung des Stromverbrauchs in all diesen Phasen erforderlich.

Der architektonische Trend geht in Richtung eines koordinierten Chipsatzes und Softwareökosystems anstelle der Optimierung jeder Komponente für sich allein.

Vorbereitung auf das Unbekannte

Die Chemien von Batterien entwickeln sich rasant weiter. Lithium-Eisenphosphat-Batterien, Hochnickel-Chemien sowie zukünftige Festkörperbatterien weisen grundlegend unterschiedliches Verhalten auf. Die Branche kann es sich nicht leisten, jedes Mal ein ganz neues BMS für jede neue Batteriechemie zu entwerfen.

Die Lösung besteht in einer modularen Architektur der Batteriekernfunktionen. Ziel ist es, das Softwareframework stabil zu halten, während das Verhalten der Batterie durch Modelle, Kalibrierung und Parametrisierung angepasst wird.

Anstatt für jede Chemietechnologie separate Software zu entwickeln, nutzen führende Unternehmen eine gemeinsame Plattformarchitektur mit anpassbaren Batteriemodellen und Kalibrierungsworkflows. Dieser Ansatz ermöglicht es, derselben grundlegenden Softwarestruktur, mehrere Zelltechnologien zu unterstützen, während gleichzeitig eine hohe Genauigkeit gewährleistet wird.

Diese Trennung wird durch klare architektonische Grenzen erreicht. Plattformdienste – wie Messdatenerfassung, Diagnose, Kommunikation, Sicherheitsmechanismen, Verarbeitung nichtflüchtiger Daten sowie Scheduling – bleiben in allen Chemietechnologien gleich. modellabhängige Elemente – wie Spannungsverläufe im offenen Stromkreis, Impedanzparameter, thermisches Verhalten, Alterungsmodelle sowie Betriebsgrenzen – werden als kalibrierte Komponenten abgebildet.

Durch die Validierung und Freigabe des entsprechenden Modell- und Parametersets kann eine neue Chemie eingeführt werden, anstatt die gesamte Softwareplattform neu zu entwerfen. Auch der verfügbare Hardware-Raum ist von großer Bedeutung, da anspruchsvollere Chemieverfahren höherer Ordnung oder nichtlineare Modelle erfordern können.

Chemie-agnostisch bedeutet nicht chemieunbewusst. Jedes Parameterset, jeder Schätzer sowie jede Grenze muss weiterhin für die spezifische Zelle, das Packdesign und den Einsatzprofil validiert werden. Die Architektur ermöglicht Anpassungen, während strenge ingenieurtechnische Ansprüche die Korrektheit gewährleisten.

BMS als Wertschöpfer

Historisch gesehen wurde das BMS so konzipiert, dass Sicherheit und Lebensdauer maximiert werden. Diese Ziele bleiben weiterhin entscheidend, doch Betreiber erwarten heute, dass Batterien während ihres gesamten Lebenszyklus aktiv zur Wertschöpfung beitragen.

Der Betrieb von Fahrzeugen im Stromnetz (V2G) ist ein überzeugendes Beispiel. Ein BMS, das den Zustand der Batterie mit hoher Genauigkeit erfasst, kann Lade- und Entladeentscheidungen unter Berücksichtigung sowohl der Netzbedarfe als auch des Batteriezustands optimieren. Ziel ist es, zusätzliche Einnahmen zu erzielen, ohne die Alterung der Batterie zu beschleunigen.

Die Verwaltung des Lebenszyklus der Batterien ist ein weiterer Potenzialbereich. Eine genaue Schätzung des SoH schafft Transparenz bezüglich des verbleibenden Wertes der Batterie, was für Leasingmodelle, die Wiederverwendung nach dem ersten Lebenszyklus, die Garantieverwaltung sowie Anwendungen im Energiespeicherbereich von entscheidender Bedeutung ist.

Cloud-basierte Batterianalysen werden hier besonders wichtig. Flottendaten ermöglichen es den Betreibern, zu verstehen, wie sich Batterien veralten, Wartungsanforderungen vorherzusagen und bessere wirtschaftliche Entscheidungen zu treffen. KI erweitert diese Möglichkeiten weiter, indem sie verborgene Nutzungsmuster erkennen und sie in betriebliche Empfehlungen umsetzt.

Das zukünftige BMS wird ein intelligentes Batterienerweiterungssystem sein, das nicht nur die Batterie schützt und ihre Leistung optimiert, sondern den Kunden auch dabei hilft, den wirtschaftlichen Wert des Assets über seinen gesamten Lebenszyklus hinweg zu maximieren. In den nächsten zehn Jahren könnte die Fähigkeit, Batterieintelligenz in Einnahmen umzuwandeln, genauso wichtig werden wie traditionelle Leistungsindikatoren für Batterien.

Der Weg nach vorn

Die Umwandlung des BMS von einem Sicherheitscontroller in ein intelligentes Betriebssystem stellt eine der bedeutendsten ingenieurtechnischen Herausforderungen in der Branche der Elektromobilität dar. Dafür ist es notwendig, Disziplinen zu integrieren, die traditionell getrennt voneinander gearbeitet haben: Batterieforschung, Softwareentwicklung, Datenwissenschaft, Halbleitertechnologie sowie anwendungsbezogene Fachkenntnisse.

Mehrere Prinzipien erweisen sich als entscheidend für den Erfolg dieser Umwandlung.

Zunächst muss die Sicherheit weiterhin unverhandelbar bleiben. KI kann diagnostische und prädiktive Fähigkeiten verbessern, doch sicherheitskritische Entscheidungen müssen weiterhin deterministisch, nachvollziehbar und überprüfbar sein.

Zweitens sind digitale Zwillinge keine einzelnen Modelle, sondern Hierarchien von Modellen. Die Zukunft liegt in einem vernetzten Ökosystem aus Bordintelligenz und cloudbasiertem Lernen – nicht in einer monolithischen Simulation.

Drittens ist Architektur genauso wichtig wie Chemie. Die Fähigkeit, sich an neue Chemieverfahren, neue Anwendungen und neue Rechenparadigmen anzupassen, hängt von modularen, skalierbaren Architekturen ab, die Plattformdienste von anwendungsbezogenen Modellen trennen.

Viertens ermöglicht Hardware Software. Bessere Sensoren, höhere Rechenleistung und flexible Architekturen eröffnen neue Softwaremöglichkeiten. Die wertvollste Hardwareinnovation ist jene, die neue Funktionen ermöglicht.

Die Ingenieure, die diese Systeme entwerfen, stehen vor einem komplexen Abwägungsprozess: Sie müssen Genauigkeit gegen Interpretierbarkeit, Rechenaufwand gegen Skalierbarkeit, Innovation gegen Validierung sowie umfangreiche Funktionen gegen Kosten abwägen. Sie müssen für Chemieverfahren entwerfen, die noch nicht existieren, sowie für Anwendungen, die sich bisher niemand vorstellen konnte.

Die erfolgreichen Ingenieurdienstleister werden jene sein, die diese Komplexität annehmen und Systeme entwickeln, die gleichzeitig robust und anpassungsfähig, sicher und intelligent sowie deterministisch und datenbasiert sind. Die Zukunft der Akkumanagement-Technologie besteht nicht darin, zwischen Physik und KI oder zwischen Onboard- und Cloud-Rechnung zu wählen. Vielmehr geht es darum, sie in Architekturen zu kombinieren, die das Beste aus allen Bereichen bieten.

Danksagungen

Der Autor möchte sich bei den folgenden Personen für ihre Unterstützung bei diesem Artikel bedanken: Experten von AVL; Jaume Prat Terradas, Leiter der Ingenieurabteilung für E-Mobilität bei Ficosa; sowie Mahmoud Ismail, Leiter des Anwendungsmarketings für Automobilenergemanagement bei Infineon Technologies AG.

Klicken Sie hier, um die neueste Ausgabe von E-Mobility Engineering zu lesen.

Einige Anbieter von Akkumanagementsystemen

AVL

www.avl.com

BorgWarner

www.borgwarner.com

Bosch

www.bosch-mobility.com

CATL

www.catl.com

Eberspächer

www.eberspaecher.com

ElringKlinger

www.elringklinger.com

Ficosa

www.ficosa.com

Infineon Technologies

www.infineon.com

Leclanché

www.leclanche.com

Pulsetrain

www.pulsetrain.com

Potenza Technology