Nicht zerstörende Prüfung

Nicht zerstörende Lebenszyklusprüfung mit NDE 4.0

Laut Nick Flaherty vereint NDE 4.0 nicht zerstörende Prüfverfahren mit Sensoren, KI und digitalen Zwillingen, um eine vollständige Lebenszyklusanalyse zu ermöglichen.

Die nicht zerstörende Prüfung (NDT) durchläuft derzeit eine grundlegende Veränderung. Die Kombination von NDT-Methoden mit KI, digitalen Zwillingen und Sensortechnologien schafft die Möglichkeit zur Schleifenanalyse von Defekten und ermöglicht so eine kontinuierliche Verbesserung der Qualität des Produktionsprozesses.

Dieser Prozess der nicht zerstörenden Bewertung (NDE) ist ein entscheidender Faktor zur Verbesserung der Sicherheit, des Ertrags und der Skalierbarkeit bei der Herstellung von Elektrofahrzeugen, insbesondere bei Batteriepacks und Motoren.

Dies stellt einen grundlegenden Wandel in der Anwendung von NDE innerhalb moderner Fertigungssysteme dar, insbesondere bei der Herstellung von Lithium-Ionen-Akku-Modulen. Im Gegensatz zu herkömmlichen NDE-Methoden, die in der Regel als isolierte, offline durchgeführte Inspektionsschritte angewandt werden, zeichnet sich NDE 4.0 durch die Integration von Bewertungstechnologien in digitale Fertigungsinfrastrukturen, Automatisierung sowie datenbasierte Analyse aus. Dies steht in engem Einklang mit den Prinzipien der Industrie 4.0, die Vernetzung, Echtzeit-Datenbeschaffung und intelligente Entscheidungsfindung betonen.

Die Digitalisierung ist ein zentrales Element des NDE 4.0-Frameworks. Fortgeschrittene Röntgen- und Ultraschallsensoren erzeugen große Mengen an hochdimensionalen digitalen Daten, die mithilfe von Maschinellem Lernen und KI-Algorithmen verarbeitet werden. Diese Werkzeuge ermöglichen die automatische Klassifizierung von Defekten, die Erkennung von Anomalien sowie die Bestimmung des Zusammenhangs zwischen NDE-Signalen und Indikatoren für die Batterieleistung wie SoC, SoH und verbleibende Nutzungsdauer.

Ein weiterer wichtiger Aspekt von NDE 4.0 ist die multimodale Datenvergleichung. Anstatt sich auf eine einzige Bewertungsmethode zu verlassen, integriert NDE 4.0 Informationen aus mehreren Sensormethoden, darunter ultraschallbasierte Bewertung, Infrarotthermografie, elektrochemische Impedanzspektroskopie (EIS) sowie bildbasierte Verfahren. Diese Kombination ergänzender Daten verbessert die Empfindlichkeit gegenüber Defekten und verringert die Unsicherheit, insbesondere bei komplexen, mehrskaligen Versagensmechanismen in Lithium-Ionen-Batterien.

NDE 4.0 betont außerdem die integrierte Schleifensteuerung mit Fertigungs- und Überwachungssystemen. Die Bewertungsergebnisse werden direkt mit Prozesssteuerungsplattformen, digitalen Zwillingen sowie Batteriemanagementsystemen verknüpft, wodurch anpassbare Fertigungsstrategien sowie eine verbesserte Überwachung während des Betriebs ermöglicht werden. Diese Schleifenfähigkeit verwandelt NDE von einem passiven Qualitätskontrollinstrument in ein aktives Element der Prozessoptimierung und Lebenszyklusverwaltung.

Arten der NDT

NDT-Technologien sind entscheidend, um die strukturelle Integrität, Effizienz und Sicherheit von EV-Komponenten zu gewährleisten, ohne während der Inspektion Schäden zu verursachen.

Die Ultraschallprüfung (UT) nutzt Schallwellen, um Batteriezellen zu kartieren und interne Mängel wie Hohlräume, Delaminierungen sowie Dendriten auf mikro- und nanoskopischer Ebene zu erkennen. Variantenmethoden wie die phasengesteuerte Ultraschallprüfung, die geführte Wellen-Prüfung sowie die luftgekoppelte Ultraschallprüfung werden eingesetzt, um Verbundgehäuse, Hochgeschwindigkeitsmotorenräder sowie Klebeverbindungen in mehrmaterialigen Baugruppen zu überprüfen.

Zu den gängigsten Ultraschallkonfigurationen gehören die Puls-Echo-Methode, die Durchstrahlungsmethode sowie die Wellenleitungsverfahren. Bei der Puls-Echo-Methode wird ein einziger Transducer verwendet, wobei reflektierte Signale zur Erkennung innerer Diskontinuitäten interpretiert werden. Die Durchstrahlungsmethode hingegen setzt getrennte Sender- und Empfängertransducer ein, um die Dämpfung sowie die Wellenverzögerung über die Dicke der Schicht zu quantifizieren, was die Empfindlichkeit gegenüber subtilen inneren Veränderungen erhöht. Bei den Wellenleitungsverfahren, einschließlich Lamb-Wellen, wird der Ultraschallpuls entlang der Schichtoberfläche geleitet; sie weisen eine hohe Empfindlichkeit gegenüber Delaminierungen und Defekten zwischen Schichten auf, da ihre Energie stark von den Randbedingungen in schichtartigen Strukturen beeinflusst wird.

Infrarotkameras können thermische Emissionen überwachen und Anomalien erkennen. Lock-in- sowie pulsierte Thermografie dienen dazu, unterirdische Luftlücken, Hotspots mit hohem Kontaktwiderstand in Hochspannungsleitungen oder Verstopfungen in Kühlkanälen in Leistungselektronik wie Invertern und Batteriepacks aufzudecken.

Röntgen- sowie Computertomographie-(XCT)-Scans nutzen dieselbe ionisierende Strahlung wie in Krankenhäusern, um hochauflösende 2D- und 3D-Bilder zu erzeugen. Sie werden hauptsächlich eingesetzt, um Schweißnähte zwischen Batteriezellen sowie im gesamten Pack, die Ausrichtung der inneren Elektroden, Lötverbindungen in Leistungselektronikkomponenten sowie strukturelle Gigacastings zu überprüfen.

Bei der Wirbelstromprüfung (ECT) wird elektromagnetische Induktion genutzt, um Oberflächen- und Nahoberflächenfehler in leitfähigen Komponenten zu erkennen. ECT wird häufig eingesetzt, um Haarnadelschweißnähte in Elektromotorenstatorn, Rissbildungen in Rotoren sowie Schweißnähte an Batteriekontakten zu überprüfen.

Die Bewertung durch akustische Emissionen (AE) ist eine passive NDE-Technik, die vorübergehende elastische Wellen erfasst, die durch die plötzliche Freisetzung lokalisierter Energie in einem Material entstehen. In Lithium-Ionen-Batterien werden solche Energiefreisetzungen in der Regel mit dem Entstehen von Mikrorissen, der Ausbreitung von Rissen, der Zerbruch von Partikeln, Gasentstehung oder dem Ablösen an Grenzflächen in Verbindung gebracht. AE-Sensoren, darunter piezoelektrische, fiberoptische sowie MEMS-basierte Geräte, wandeln diese elastischen Wellen in elektrische Signale um, die hinsichtlich Amplitude, Dauer, Frequenzzusammensetzung und Ereignisrate analysiert werden können.

Lasersbasierte NDE-Techniken ermöglichen präzise, kontaktlose Messungen von Batteriekomponenten und werden hauptsächlich für die dimensionale Prüfung, das Oberflächenprofilieren sowie die Fehlererkennung eingesetzt. Laser-scannende Systeme ermöglichen die Erstellung detaillierter 3D-Modelle, wodurch geometrische Abweichungen und Oberflächenunregelmäßigkeiten mit hoher Genauigkeit identifiziert werden können. Im Vergleich zur Magnetfeldbildgebung, die sich auf die Fehlererkennung an der Endstufe der Fertigung konzentriert, bieten lasersbasierte Verfahren eine breitere Anwendbarkeit in verschiedenen Fertigungsstufen.

Maschinelles Lernmodell (wie z. B. CNNs und GANs) verarbeiten Prüfscans unter Verwendung all dieser Technologien in Echtzeit, um die Fehlererkennung zu automatisieren, die Prüfzeiten zu verkürzen und falsche Positivergebnisse zu reduzieren.

Netzwerke aus Sensoren, einschließlich eingebetteter piezoelektrischer Sensoren, übertragen kontinuierlich strukturelle und betriebliche Daten an Cloud-Plattformen, wodurch eine Echtzeit-Überwachung des Strukturzustands sowie Simulationen und Überwachungen von Digital Twins möglich werden. Dies unterstützt die prädiktive Wartung, bei der Simulationsmodelle auf der Grundlage historischer Daten Fehler vorhersagen und die Wartung vor dem Ausfall eines Fahrzeugs planen.

Akkupacks

NDE 4.0 verbindet fortschrittliche Sensortechnologien mit KI, automatisierter Datenanalyse sowie kyber-physischen Systemen, um eine kontinuierliche, während des Fertigungsprozesses durchgeführte Inspektion von Batteriekomponenten und -baugruppen zu ermöglichen. Im Gegensatz zu herkömmlichen End-of-Line-Tests oder Diagnosen nach Ausfällen zielen die NDE 4.0-Strukturen darauf ab, Defekte in frühen Stadien zu erkennen, deren Entwicklung zu verfolgen und praxisnahe Rückmeldungen an die Fertigungsprozesse zu liefern. Diese Fähigkeit ist angesichts der Größe moderner Gigafabriken sowie der zunehmenden Komplexität der Batteriarchitektur besonders wertvoll. Dennoch bleibt die flächendeckende Einführung von NDE 4.0 in der großtechnischen Produktion von EV-Batterien trotz erheblicher Fortschritte begrenzt. Zu den zentralen Herausforderungen gehören die Integration in bestehende Produktionslinien, die Skalierbarkeit unter hohen Durchsatzbedingungen, die Datenfusion mit den Ausgaben des BMS sowie die langfristige Überprüfung der Zuverlässigkeit und Wirtschaftlichkeit.

Die Verwendung von NDE-Daten in Kombination mit thermischen Modellen und Schätzungen des BMS stellt eine wichtige Möglichkeit dar, Strategien zur präventiven Wartung zu verbessern, Stillstandszeiten zu verringern und Sicherheitsrisiken während des gesamten Lebenszyklus der Batterien zu mindern. Die Einführung von NDE 4.0 kann die Ausschussraten senken, die Ertragsrate steigern sowie Kosten für Garantien und Rückrufe reduzieren.

In Anwendungen mit Batteriepacks werden NDE-Verfahren weit verbreitet eingesetzt, um Herstellungsfehler zu erkennen, die strukturelle Integrität zu bewerten und Degradationsmechanismen während der Produktion sowie im Betrieb zu überwachen. Die Technologie hat sich von einfachen visuellen Inspektionen und grundlegenden mechanischen Bewertungen zu fortschrittlichen, physikbasierten Sensing- und Bildverarbeitungsmethoden entwickelt – was einen grundlegenden Wandel in der Erzeugung, Verarbeitung und Nutzung von Inspektionsdaten darstellt.

Im Betrieb sowie zur Frühwarnung dienende NDE-Methoden ermöglichen eine kontinuierliche Überwachung des Zustands der Batterien während ihrer Nutzung. Impedanzbasierte Verfahren, akustische Sensoren sowie thermische Überwachungssysteme können abnormale Verschlechterungserscheinungen oder Sicherheitsrisiken bereits vor einem katastrophalen Ausfall erkennen.

Diese Klassifizierung betont, dass eine effektive Batterieinspektion eine kombinierte Anwendung verschiedener NDE-Techniken erfordert, die je nach Defektart, Herstellungsphase und Leistungsanforderungen ausgewählt werden. Traditionelle NDE-Methoden ermöglichen eine umfassende Bewertung sowohl der externen als auch der internen physikalischen, mechanischen, thermischen und elektrochemischen Eigenschaften von Lithium-Ionen-Batterien, wobei die visuelle Inspektion weiterhin eine grundlegende Methode zur Erkennung von äußeren Schäden, Deformationen, Leckagen sowie Oberflächenunregelmäßigkeiten bleibt.

Ultraschallprüfung

Jüngste Studien haben die Machbarkeit der ultraschallbasierten Wellenleitetechnologie zur Schätzung des SoC und SoH unter Verwendung von Signalmerkmalen im Zeit- und Frequenzbereich nachgewiesen. Allerdings hat sich gezeigt, dass die Empfindlichkeit gegenüber dem elektrochemischen Zustand mit der Alterung abnimmt, was auf die Notwendigkeit von Kalibrierungsstrategien hindeutet, die den fortschreitenden strukturellen und materiellen Veränderungen während der Lebensdauer der Batterie Rechnung tragen. Weitere Untersuchungen haben das Ultraschall-Flugzeitverfahren zur Überwachung des SoC eingesetzt, wobei eindeutige Erkenntnisse vorliegen, dass die Flugzeit stark von Temperatur und mechanischem Zustand abhängt. Daher ist eine sorgfältige Trennung der thermischen Effekte erforderlich, um zuverlässige Schlussfolgerungen in praktischen Systemen ziehen zu können. Dies unterstreicht, dass die ultraschallbasierte Bewertung für die Echtzeitüberwachung vielversprechend ist, deren Interpretierbarkeit jedoch von der Kontrolle oder Kompensation von Temperatur, Druck und Randbedingungen abhängt.

Luftkupplte Ultraschalltechnologie hat sich ebenfalls als möglicher Ansatz für die kontaktlose Inspektion erwiesen; sie ermöglicht die Erkennung von Delaminierungen, Rissen und Hohlräumen in Elektroden und Trennern und unterstützt zugleich die Schätzung des SoC-Werts. Die Kombination von Ultraschalluntersuchungen mit Infrarotthermografie liefert ergänzende Informationen, da der Ultraschall die innere Struktur untersucht, während die Thermografie Oberflächen-Thermianomalien erfasst, die mit Widerstandsschwankungen, Gasentstehung oder lokaler Erwärmung zusammenhängen.

Datengetriebene Ansätze werden zunehmend eingesetzt, um akustische Signaturen mit dem elektrochemischen Zustand in Verbindung zu bringen. Jüngste Arbeiten haben Strategien vorgeschlagen, um den Akkustand sowie die Temperatur mithilfe reflektierter Ultraschallwellen und Datenergänzungen gemeinsam zu schätzen, um die Robustheit der Modelle zu verbessern. Die Ultraschallbewertung ist insbesondere für NDE 4.0 attraktiv, da sie mit Automatisierung kompatibel ist, schnelle Messungen ermöglicht und potenziell mit maschinellem Lernen integriert werden kann, um eine skalierbare Defektklassifizierung sowie eine kontinuierliche Überwachung zu gewährleisten.

Röntgen & Computertomographie

XCT ermöglicht eine detaillierte Charakterisierung von Defekten wie Elektrodenfehlausrichtung, Hohlräumen, Delamination sowie struktureller Deformationen, die zu internen Kurzschlüssen führen können. Seine hohe räumliche Auflösung, einschließlich Nano-CT in Forschungskontexten, unterstützt die Untersuchung feinster Strukturen wie Elektrodenoberflächen und mikrostruktureller Ungleichmäßigkeiten.

In der auf Batterien ausgerichteten Forschung wurde XCT eingesetzt, um Leitlinien für die Bildgebung von kommerziellen Batteriematerialien zu entwickeln sowie um eine kombinierte elektrochemische und tomografische Analyse des kapazitätsbezogenen Verhaltens zu unterstützen. Zudem wurde XCT genutzt, um den Fortschritt der elektrochemischen und mechanischen Alterung während des Betriebs nachzuvollziehen, die räumliche Verteilung der aktiven Materialien sowie die Schwankungen in der Elektrodenstärke bei Großformatzellen zu visualisieren und Sicherheitsrisiken bei Nagelpenetrationsexperimenten durch die Beobachtung interner struktureller Veränderungen und des elektrischen Verhaltens während eines thermischen Austritts zu untersuchen.

Trotz dieser Vorteile gestaltet sich die großflächige Einsetzung von röntgenbasierten Bewertungsmethoden in der Praxis schwierig aufgrund der hohen Gerätekosten, der langen Scannzeiten sowie der Anforderungen an die Strahlensicherheit, die in der Regel spezielle Einrichtungen und ausgebildetes Personal erfordern. Allerdings sinken die Systemkosten, und KI unterstützt bei der Interpretation der Daten.

Ein Ansatz der Echtzeit-Rekonstruktion verarbeitet die neuesten Projektionen, um während des Experiments ein 3D-Bild zu erzeugen, wodurch dynamische Prozesse in Echtzeit beobachtet sowie mögliche Anpassungen am Experiment unverzüglich vorgenommen werden können. Jüngste Arbeiten haben zudem das Just-in-Time-Lernen für den auf tiefen Lernverfahren basierenden Rauschentfernung sowie für schnelle Inferenzprozesse bei der Durchführung von Röntgen-Tomographien erforscht, um eine Echtzeit-Feedbackschleife für die Optimierung von Experimenten sowie eine automatisierte Interpretation zu ermöglichen. Diese Entwicklungen entsprechen genau den Zielen von NDE 4.0, indem sie schnellere Bildverarbeitungspipelines, automatisierte Defekterkennung sowie die Integration der Bildergebnisse in digitale Fertigungsframeworks ermöglichen.

Ein neues inline-arrangiertes Röntgungssystem wurde für Fertigungsumgebungen entwickelt, in denen sowohl Abdeckung als auch Durchsatz wichtige Kennzahlen sind. Das System, das direkt in bestehende Produktionslinien integriert werden soll, inspiziert jedes Teil bei voller Fördergeschwindigkeit – ohne Fixierungen oder andere Störungen des Produktionsflusses.

Konventionelle inline-Röntgenscans werden bereits seit Langem eingesetzt, um offensichtliche Mängel aufzudecken, doch der Nutzen der erzeugten Daten war stets begrenzt. Die Verbindung der Röntgeninspektion in der Produktionslinie mit einer cloudbasierten Softwareplattform verwandelt jede Inspektion in einen Datapunkt, der automatisierte Entscheidungsfindung, Prozessüberwachung und organisatorische Berichterstattung ermöglicht. Dadurch geht die NDT über eine einfache Erfolgs-/Fehlerprüfung hinaus, da Daten über mehrere Chargen, Schichten und Standorte hinweg akkumuliert werden.

Die Konfigurationen der Röntgenquelle und des Detektors können so angeordnet werden, dass sie der Anordnung der Teile in der Produktionslinie sowie den spezifischen Bereichen entsprechen, die in 2D- und 2,5D-Anordnungen überprüft werden sollen. Die mehrdimensionale 2,5D-Architektur erfasst die Tiefeninformationen in einem einzigen Durchlauf und ermöglicht dadurch eine bessere Sichtbarkeit von Defekten in anspruchsvollen Anwendungen. Konfigurierbare Sortier- und Aussortieroptionen ermöglichen die Steuerung darüber, wie mit den markierten Teilen weiter verfahren wird.

Akustische Prüfung

AE ist insbesondere effektiv zur Überwachung aktiver Schadensprozesse während des Betriebs der Batterie, anstatt nur statische Defekte zu erkennen. Experimentelle Studien haben gezeigt, dass AE-Signale von der Zusammensetzung des Elektrodenmaterials und dem elektrochemischen Zustand abhängen, wodurch Zusammenhänge zwischen akustischen Merkmalen und stabilem oder instabilem Batterieverhalten aufgedeckt werden. Typischerweise lassen sich zwei dominante Arten von AE-Signalen beobachten: kontinuierliche Emissionen, die mit elektrochemischen Reaktionen verbunden sind, sowie pulsbasierte Emissionen, die mit diskreten mechanischen Schäden zusammenhängen. Es wurde nachgewiesen, dass eine kontinuierliche AE-Aktivität während der Entladung mit dem allgemeinen Gesundheitszustand der Batterie korreliert, während pulsbasierte Emissionen in den frühen Zyklenstadien stärker ausgeprägt sind und mit dem Alter zunehmen, was im Einklang mit den Trends des Badewannenkurven-Modells der Degradation steht.

Die AE-Bewertung bietet Vorteile bei der Erkennung von Schäden in frühen Stadien, die durch bildbasierte Methoden möglicherweise nicht sichtbar sind. Allerdings erschwert ihre Empfindlichkeit gegenüber Hintergrundgeräuschen, Randbedingungen und der Sensorplatzierung die Interpretation. Im Rahmen von NDE 4.0 profitiert die AE-Bewertung erheblich von automatisierter Signalklassifizierung sowie maschinellem Lernen zur Mustererkennung, wodurch eine skalierbare Anwendung für die Früherkennung von Fehlern und das Tracking der Verschlechterung in Batteriesystemen möglich wird.

Die Technologie der scannenden akustischen Mikroskopie sendet niedrigenergetische Schallwellen durch eine kommerzielle Taschenzellenbatterie. Die Geschwindigkeit der Wellen ändert sich, während sie durch die verschiedenen Materialien innerhalb der Batterie wandern, was Forschern ermöglicht, einen vollständigen, detaillierten und schnellen Einblick in die chemischen Veränderungen der Batteriematerialien während ihrer Nutzung zu erhalten.

Dieser Prozess kann dabei helfen, strukturelle Mängel oder Schäden aufzudecken, die zu einem elektrischen Kurzschluss führen könnten, sowie Materialmängel oder Ungleichgewichte, die die Leistung beeinträchtigen können. Zudem werden Anzeichen dafür erkannt, dass Probleme wahrscheinlich auftreten werden. Eine Substanz, die bei der Scannung besonders gut erkannt wird, ist Gas – was wichtig ist, denn das Vorhandensein von Gas in einer Batterie weist auf trockene Bereiche hin, die dazu führen können, dass die Zelle im Betrieb versagt.

Thermografie

Sowohl passive als auch aktive Thermografieverfahren werden bei der Analyse von Batterien eingesetzt. Die passive Infrarot-Thermografie (IRT) stützt sich auf die während des normalen Betriebs der Batterie entstehende Wärme, während bei der aktiven IRT eine externe Erregung eingesetzt wird, um die Sichtbarkeit von Defekten zu verbessern. Es wurden verschiedene Erregungsquellen beschrieben, darunter Laserheizung, Blitzlampen, ultraschallische Erregung, induktive Heizung und elektrische Stimulation; die Auswahl hängt von den Materialeigenschaften sowie den Merkmalen der Defekte ab. Aktive Thermografietechniken, insbesondere pulsierte IRT, haben sich als sehr effektiv erwiesen, um durch vorübergehende thermische Reaktionen Delaminierungen sowie interne Defekte zu erkennen.

Mehrere Studien haben IRT mit Thermoelementmessungen kombiniert, um das thermische Verhalten von Lithium-Ionen-Zellen bei unterschiedlichen Entladegeschwindigkeiten zu untersuchen, wobei starke Zusammenhänge zwischen der Temperaturverteilung, der Zellgeometrie und den angelegten Lasten aufgedeckt wurden. Jüngste Arbeiten haben außerdem hybride Ansätze eingeführt, die Thermografie mit vereinfachten thermischen Modellen verbinden, um die innere Wärmeerzeugung in Taschenzellen zu schätzen und so eine bessere Interpretation der Oberflächentemperaturdaten zu ermöglichen. Aus Sicht von NDE 4.0 eignet sich IRT hervorragend für automatisierte, schnelle Inspektionen, und es kann durch Bildverarbeitung sowie maschinelles Lernen zur Echtzeit-Anomalieerkennung und prädiktiven Sicherheitsüberwachung weiter verbessert werden.

Lasersensorik

Jüngste Studien haben kontaktlose Laserinspektionsysteme vorgestellt, die Laseranregung mit einem Laser-Doppler-Vibrometer kombinieren, um während der Produktion interne Defekte in Lithium-Ionen-Batterien zu erkennen. Durch die Analyse der Lamb-Wellenausbreitung können diese Systeme intakte Zellen von defekten unterscheiden, was eine Echtzeit-Überwachung sowie eine quantitative Defektklassifizierung ermöglicht. Solche Ansätze weisen aufgrund ihrer kontaktlosen Art und ihrer Kompatibilität mit der Automatisierung großes Potenzial für die Inline-Inspektion auf.

Auch wenn lasergestützte Bewertungstechniken eine hohe Auflösung und Flexibilität bieten, bestehen weiterhin Herausforderungen hinsichtlich der Systemkosten, der Empfindlichkeit gegenüber Umwelteinflüssen sowie der Anforderungen an die Datenverarbeitung. Aktuelle Forschungsarbeiten konzentrieren sich auf die Verbesserung der Robustheit, der Auflösung sowie der Integration in automatisierte Fertigungslinien. Diese lasergestützten Methoden sind insbesondere dann attraktiv, wenn sie mit fortschrittlicher Signalverarbeitung und KI kombiniert werden, wodurch eine skalierbare, hochleistungsstarke Inspektion für die Produktion von Batteriepackungen der nächsten Generation möglich wird.

Eine kürzliche Zusammenarbeit verbindet Röntgenuntersuchung, Computertomographie sowie künstliche Intelligenz gestützte Ultraschallfunktionen zu einer umfassenden Inspektionslösung für den gesamten Lebenszyklus bei der Herstellung, Entwicklung und Instandhaltung von Batterien. Das gemeinsame Inspektionsystem ist das erste auf dem Markt, das Versagensmuster während des gesamten Produktionslebenszyklus erkennen kann und somit Batterieherstellern Kosteneinsparungen sowie eine höhere Produktivität bietet.

Keine einzelne Inspektionstechnologie kann alle Versagensmuster während des Produktionslebenszyklus erkennen, weshalb die Zusammenarbeit das gemeinsame Produktentwicklung, die gemeinsame Konstruktion von Proben der nächsten Generation sowie integrierte Dienstleistungen umfasst. Ziel ist es, ein grundlegendes Inspektionsproblem zu lösen, mit dem Batteriefabriken weltweit konfrontiert sind – nämlich dass bis zu 90 Prozent der EV-Batteriezellen irgendwelche Art von Anomalien aufweisen.

Die umfassende Inspektionsfähigkeit über den gesamten Lebenszyklus erstreckt sich von der Zellproduktion über die Moduleinbauung bis hin zum Feldservice. In Labormitteln werden Radiografie und XCT zur Qualitätssicherung sowie zur Fehleranalyse eingesetzt, wobei XCT in Forschungs- und Entwicklungszwecken zur Zellentwicklung und Materialcharakterisierung sowie Hochenergie-CT zur Inspektion von Batteriepacks und Modulen verwendet wird.

Ultraschallgeräte mit Phasenarrangements, fortschrittlichen Strahlformungsalgorithmen und -sonden werden speziell für industrielle Anwendungen intern entwickelt und hergestellt. Die Array-Sonden-Technologie sowie die Signalverarbeitungselektronik werden mit einer KI-basierten Analyseebene kombiniert, um eine Inline-UT-Plattform mit höherer Empfindlichkeit und Robustheit in der Produktionslinie zu schaffen.

Die Kombination mehrerer NDT-Technologien – von XCT und Ultraschall für die Inline-Prüfung über maschinelles Lernen zur Schließung des Feedback-Zyklus mit Prozessdaten – ermöglicht es Herstellern, Defekte früher zu erkennen, Abfall am Ende der Produktionslinie zu reduzieren und den Prozess datenbasiert zu optimieren.

Schon eine geringe Steigerung der Ausbeute um einen Bruchteil eines Prozents in Gigafabriken führt durch den Einsatz multimodaler Messverfahren zu Einsparungen in Höhe von Dutzenden Millionen pro Jahr.

In einem gemeinsamen Proof-of-Concept-Programm wurden über 400 Batteriezellen mithilfe des kombinierten UT- und XCT-Ablaufs getestet, wodurch ein umfassendes Datensatz für die Batteriedatenwissenschaft entstand. Das Programm hat gezeigt, dass der multimodale Ansatz im Vergleich zur Prüfung mit einer einzigen Methode zu Kosteneinsparungen von über 10 % führt und zudem die Fehlererkennungsrate um weitere 12 % verbessert.

Terahertz-Sensorik

Eine weitere Methode zur Erkennung geringfügiger Schwankungen in der Dicke von Batterieelektroden nutzt Terahertz-Sensoren. Solche Schwankungen können zu einem thermischen Austritt führen, und die präzisere Terahertz-Sensor-Technologie soll durch die Erkennung von Defekten, die während des Herstellungsprozesses unsichtbar bleiben, die Sicherheit und Qualität von Batterien verbessern.

Diese Technologie kombiniert Terahertz-Wellen mit einem optischen Frequenzkamm, der die Lichtfrequenz in gleichmäßig abständigen Intervallen aufteilt – ähnlich wie die Markierungen auf einer Lineal – und als Referenz für ultrapräzise, nanometergenaue Messungen dient.

Im Kern dieser Technologie steht die Fabry–Pérot-Interferenz, ein regelmäßig angeordnetes Interferenzmuster, das entsteht, wenn Terahertz-Wellen immer wieder zwischen der Vorder- und Rückseite einer Elektrode hin- und herwandern. Dieses Interferenzmuster wird als Referenz verwendet, um die Dicke der Elektrode zu bestimmen.

Dies ermöglicht es, sowohl die Dicke des Elektrodenmaterials als auch den komplexen Brechungsindex in einer einzigen Messung zu ermitteln, ohne einen separaten Kalibrierungsprozess erforderlich zu haben. Mit Batterieelektroden, deren Dicke zwischen 50 und 150 μm liegt, und Messungen, die in 0,2 Sekunden durchgeführt werden können, erkannte das System Dickeffekte von bis zu 70 nm bei der Anode und 465,5 nm bei der Kathode. Diese Messgeschwindigkeit gilt als ausreichend für den Einsatz in schnell bewegten Batterieproduktionslinien.

Wenn die Messzeit auf 25,6 Sekunden erhöht wurde, verbesserte sich die Präzision weiter. Das System konnte Unterschiede von bis zu 7,8 nm bei der Anode und 25,2 nm bei der Kathode unterscheiden. Dies entspricht einer Präzisionssteigerung um bis zu 100 Mal im Vergleich zu herkömmlichen zeitdomänenspezifischen Analysemethoden und ermöglicht die Erkennung von Dickeveränderungen, die mit bloßem Auge völlig unsichtbar sind.

Diese Technologie ist nicht auf die Messung der Dicke an einem einzigen Punkt beschränkt. Sie kann eine 3D-Karte der Dicke über einen gesamten Elektrodenbereich erstellen und während der Produktion schrittweise Dickeveränderungen in Echtzeit verfolgen. Das System kann außerdem eine Elektrode, die in einem Winkel von etwa 45° geneigt ist, präzise messen, was sein Potenzial für den Einsatz in schnelllaufenden, realen Batterieproduktionslinien unterstreicht.

Neben Lithium-Ionen-Batterien soll diese Technologie auch als wichtiges Qualitätskontrollinstrument bei der Herstellung von Batterien der nächsten Generation mit vollständig festen Elektrolyten dienen, bei denen statt flüssiger Elektrolyte feste verwendet werden. Durch die Früherkennung von Defekten könnte diese Technologie die Sicherheit und Qualität der Batterien verbessern und gleichzeitig stabileere Herstellungsprozesse ermöglichen.

KI

KI wird zu einem entscheidenden Enabler für NDE 4.0, indem sie große Mengen an Inspektionsdaten in handlungsrelevante Erkenntnisse zu Qualität und Zuverlässigkeit umwandelt. Maschinelles Lernmodell kann die Echtzeit-Interpretation von Ultraschall-, Akustik-, Wärme- und Bildgebungsdaten unterstützen, wodurch Defekte klassifiziert, problematische Bereiche identifiziert, falsche Positive reduziert und die Konsistenz der Inspektionsentscheidungen verbessert werden. In Produktionsumgebungen können diese Tools außerdem die Berichterstellung automatisieren und die Ergebnisse in Prozesssteuerungssysteme zurückführen, wodurch schnellere Korrekturmaßnahmen und eine skalierbarere Herstellung von Akkupackungen ermöglicht werden.

Digitale Zwillinge

Digitale Zwillinge verändern NDE von einer passiven Fehlererkennung zu kontinuierlicher ingenieurtechnischer Analyse mithilfe von KI-Daten.

Anstelle von statischen Screenshoten oder 2D-Technikzeichnungen werden die Daten aus Inspektionsergebnissen zu Korrosionskarten, Rissanzeichen, Porosität sowie Wandstärkeverlust direkt auf das 3D-Modell oder die CAD-G Geometrie der Anlage überlagert, wodurch Interpretationsunsicherheiten zwischen den Teams beseitigt werden.

Außerdem ermöglicht es Nicht-NDT-Experten wie Betriebsleitern, Integritätsingenieuren, Prüfern und Aufsichtsbehörden, die räumlichen Defektlagen sowie Betriebsrisiken leicht zu verstehen, ohne die Anlagenzustände aus fragmentierten Berichten mental rekonstruieren zu müssen.

Durch die Korrelation aktueller Inspektionsdaten mit historischen Aufzeichnungen in einer einzigen Umgebung können Betreiber das Wachstum von Defekten verfolgen, Degradationsmechanismen im Laufe der Zeit bewerten und die verbleibende Nutzungsdauer genau vorhersagen.

Durch automatische Datenerfassung und Cloud-Integration werden die Scannpositionen, Kalibrierungsparameter, Handlungen des Bediners sowie Einstellungen der Datenerfassung dauerhaft mit dem digitalen Modell verknüpft, wodurch regulatorische Prüfungen vereinfacht werden.

Durch das Trainieren von Machine-Learning-Modellen, um hochpräzise Simulationen nachzuahmen oder intelligent zwischen ihnen zu interpolieren, entstehen hybride digitale Zwillinge, die Elektrochemiekraftstoffzellenmodelle mit messbaren Größen wie Spannung, Stromstärke und thermischer Belastung verbinden. Diese Zwillinge können anschließend in systemübergreifende Simulatoren integriert werden, um die Koinsimulation sowie Systemintegration zu unterstützen – dabei interagieren die Batterien dynamisch mit dem Antriebsstrang, der Wärmeverwaltung und der Steuerungssoftware des Fahrzeugs.

Trotz seiner Vorteile bringt die Implementierung von NDE 4.0 neue Herausforderungen mit sich, darunter die Komplexität der Datenverwaltung, die Generalisierung des Modells auf verschiedene Batteriechemien und -formate sowie der Bedarf an standardisierten Datenschnittstellen. Die Bewältigung dieser Herausforderungen ist entscheidend für eine breite industrielle Einführung. Dennoch bietet NDE 4.0 eine solide Grundlage für intelligente Inspektions- und Überwachungsstrategien, die für eine sichere, zuverlässige und skalierbare Fertigung von Elektrofahrzeugen – vom Batteriepaket und Antriebsstrang über das Chassis bis zu anderen Komponenten – unerlässlich sind. Mit multimodalen Werkzeugen, KI und digitalen Zwillingen kann dies über den gesamten Lebenszyklus hinweg angewandt werden, um die Effizienz des gesamten Produktionsprozesses zu verbessern.

Danksagungen

Dank an Arefeh Salimi Beni von der Georgia Southern University, Guseon Kang vom KAIST, Sam Amsterdam von der Drexel University und Paul Perera von Waygate Technologies.

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

Einige Anbieter für zerstörungsfreie Prüfung

Advacam

www.advacam.com

Comet Yxlon

yxlon.comet.tech

Duoverse

www.duoverse.ai

Lumafield

www.lumafield.com

Metrix NDT

www.metrixndt.com

Waygate Technologies / Baker Hughes

www.bakerhughes.com

Zeiss