ジョナス・ウィット | Siemens 年間発明家賞｜新人部門
リチウムイオン電池は、アルミニウム製のカソード（−極）と銅製のアノード（＋極）で構成されています。製造工程では、リチウムコバルト酸化物やリン酸鉄リチウムなどの活物質の薄い層が、長い銅またはアルミニウムの箔に塗布されます。これらの長い電極箔は小さなセグメントに切断され、組み合わされた後、巻き取られるか積層されて個々の電池セルになります。「金属箔へのコーティングは重要な工程の一つです。活物質の層は、箔の幅全体にわたって均一な厚さである必要があります」とJonasは述べています。「ここでの不具合が、不良電池セルの主な原因となります。今回評価されている2つの発明は、この工程をより深く理解し、改善するのに役立っています。」
エラーの原因をより正確に特定できれば、解決策の開発も容易になります。この原則はバッテリー製造にも当てはまります。Jonasとそのチームは、特定のバッテリーセルと、その製造に使用された銅／アルミニウム箔のどの部分が対応しているのかを結びつける方法を模索しました。「以前は、生産データは長い材料ストリップ単位で紐付けられていました」とJonasは説明します。「私たちの新しい手法は、より精密で非侵襲的です。素材の表面パターンが、コーティングされた各セグメントごとに固有であり、指紋のように識別できることを発見しました。各セグメントのパターンの違いは非常に明確であるため、特定のバッテリーセルについて、その製造に使われた正確な箔のセグメント、製造時期、使用された設定まで後から追跡することができます。この知見により、従来のマーキングは不要となり、廃棄が多く発生したタイミングや原因についても、これまで以上に精密に分析できるようになりました。」
生産機械の精密なキャリブレーションは重要な要素です。「機械オペレーターは、最適なプロセスパラメータを設定する感覚を身につけるために、通常数か月のトレーニングを受ける必要があります」とJonasは述べています。「見落としによって、大量のスクラップが発生することも少なくありません。」そのため、Jonasと彼のチームは、熟練オペレーターの検査行動をもとにAIモデルを学習させ、稼働中に最適な設定を提案するシステムの開発に取り組みました。「運用データに基づき、十分に訓練されたAIモデルは、最適な状態からの逸脱をはるかに迅速に検知できます」とJonasは述べています。「近い将来の目標は、コーティング工程を完全に自動制御できるようにし、バッテリーセルのスクラップ率を約10％削減することです。すでに商用ライセンスも取得しています。」