Lösungen für ein langes Akkuleben

Nach wie vor sind viele Autokäufer skeptisch gegenüber gebrauchten Batterien in E-Fahrzeugen. Laut einer Untersuchung des TÜV Rheinland wünschen sich mehr als 95 Prozent der Interessenenten ein Zertifikat über die verbleibende Speicherfähigkeit der Batterie.
Die Prüforganisation und die Spezialisten für Batteriesoftware Twaice sehen den Bedarf und haben jüngst ein Testverfahren entwickelt, das Auskunft über den Zustand der Traktionsbatterie gibt. Bis Jahresende sollen Daten für rund 40 Fahrzeugmodelle zur Verfügung stehen. Potenzielle Kunden sind Autohäuser, Werkstattketten, Leasinggesellschaften sowie Unternehmen mit Fuhrparkmanagement.

Für die Batterielebensdauer interessieren sich auch die Vereinten Nationen (UN). Diese verlangen ein Mindesthaltbarkeitsdatum für E-Akkus. Die Antriebsbatterien sollen nach fünf Jahren beziehungsweise 100.000 Kilometern im Einsatz noch 80 Prozent ihrer ursprünglichen Kapazität aufweisen. Nach acht Jahren oder 160.000 Kilometer sollen es noch 70 Prozent sein.

Um die Lebensdauer von Batterien, aber auch die Genauigkeit der Vorhersagen zu optimieren, haben sich der Entwicklungsdienstleister AVL und der Lehrstuhl für Fahrzeugtechnik an der Technischen Universität München (TUM) zusammengeschlossen. Laut AVL gilt es zunächst den Ist-Zustand eines Akkus zu eruieren und das zukünftige Verhalten der Batterien zu antizipieren. Dies könne mithilfe von maschinellem Lernen erfolgen.

Bei der „Federated Learning“ Methode wird ein Modell mit großen, dezentral gespeicherten Datenmengen aus unterschiedlichen Fahrzeugflotten trainiert. „Jede Flotte trainiert ein eigenes neuronales Netz. Das Erlernte wird an ein globales Modell weitergegeben. So muss niemand auf die Originaldaten eines OEM zugreifen“, erklärt AVL-Entwicklungsingenieurin Annalena Belnarsch.

Sie hat die Methode gemeinsam mit dem Lehrstuhl entwickelt und anhand von 50.000 Trainingsdaten aus dem Labor getestet. Dabei wurde beispielsweise ein Datensatz auf zehn Flotten verteilt. Im Vergleich zum Training eines neuronalen Netzes pro Flotte, ließ sich die Batterielebensdauer dank der Methode wesentlich genauer einschätzen. „Der Fehlerwert konnte um durchschnittlich 32 Prozent reduziert werden“, sagt Belnarsch.
 
Laut ihrer Einschätzung wird ein nächster Schritt sein, „die Technologie anhand von Daten aus echten Fahrzeugflotten weiterzuentwickeln, um die Anwendbarkeit zu bestätigen“. In weiterer Folge ließen sich so noch genauere Vorhersagen treffen, wie lange eine Batterie im Auto verwendet werden kann. „Das würde zum einen die Ausfallwahrscheinlichkeit deutlich reduzieren und zum anderen die Gesamtkosten für batteriebetriebene Fahrzeuge weiter optimieren.“

Dazu aus dem Datencenter:

Die 100 umsatzstärksten Automobilzulieferer weltweit 2022