Skip to main content

減少廢料,因應能源轉型

Jonas Witt | Siemens 年度最佳發明家 | 新人

一覽電池製造

一名身穿黑色襯衫的男子俯身查看一台貼有「電池加速器」貼紙的筆記型電腦,而另外兩名男子則在背景中的白板上書寫。

鋰離子電池由鋁陰極(負極)和銅陽極(正極)組成。在製造過程中,活性材料(例如鈷酸鋰或磷酸鐵鋰)的薄層塗覆在長銅箔或鋁箔條上。這些長電極條被切割成小段,組合起來,並纏繞或堆疊成單個電池單元。 「金屬箔的塗覆是一個關鍵的製程步驟。活性層在整個箔片寬度上的厚度必須均勻」,Jonas 說道。 「這裡的誤差是導致電池單元失效的主要原因。這兩項認可的發明正在幫助我們更好地理解和改進這一生產步驟。」

類似指紋的圖案

越能精確地追溯錯誤原因,就越容易找到解決方案——這項原則同樣適用於電池製造。Jonas 及其團隊不斷尋找方法,將特定的電池單元與其製造所使用的銅/鋁箔條段連結起來。 「過去,生產數據是與長條狀的材料關聯起來的」,喬納斯解釋道。「我們的新方法更加精確,而且不會對材料造成損傷。我們發現,材料表面的紋理圖案對於每個塗層段來說都是獨一無二的,就像指紋一樣。不同段紋理圖案的差異非常明顯,因此對於特定的電池單元,我們可以追蹤它是由哪些箔條段製造的,以及這些箔條段的生產時間和生產參數。有了這些知識,我們不僅淘汰了舊的標記方法,而且還能比以往任何時候都更精確地分析何時以及為何會產生如此多或如此少的廢料。 」

手持剪刀剪裁一種帶有紅色雷射線的深色彈性材料,用於製造電池組件。

向專家學習

一名表情嚴肅的男子站在一面白牆前,身穿黑色襯衫和黑色外套。

生產設備的精確校正非常重要。「操作人員通常需要經過幾個月的培訓才能熟練製程參數的最佳設定方法,」Jonas 說道。「大量的廢料往往是由於操作人員疏忽造成的。」 因此,Jonas 及其團隊利用經驗豐富的操作人員的檢查行為訓練了一個 AI 模型,旨在開發一個能夠在操作過程中提供最佳配置建議的系統。「基於操作數據,訓練有素的 AI 模型能夠更快地識別出我們何時偏離最佳狀態」,Jonas肯定地說道。「我們近期的目標是實現塗層製程的全自動控制,從而將電池單元的廢品率降低約 10%。我們已經獲得了商業許可。」