Manufaktur industri
Industri Internet of Things | bahan industri | Pemeliharaan dan Perbaikan Peralatan | Pemrograman industri |
home  MfgRobots >> Manufaktur industri >  >> Industrial Internet of Things >> Teknologi Internet of Things

Dapatkah analisis prediktif membantu Tesla menurunkan biaya paket baterai menjadi $100 per kWh?

“Ya,” kata Kari Terho, direktur dan kepala Pabrik Pintar Pabrik Pintar Elisa . Di sini dia menjelaskan bagaimana timnya meningkatkan hasil produksi sel baterai sebesar 16% dengan Predictive Quality Analytics di eLab, pusat penelitian elektromobilitas di University of Aachen di Jerman.

Biaya paket baterai sebesar $100/kWh (€90.8/kWhf) adalah target utama Tesla . Untuk mencapai hal ini, perusahaan harus memecahkan salah satu tantangan teknologi yang paling menuntut di dunia – dan ini adalah bagaimana meningkatkan kepadatan energi volumetrik sel baterai sambil memangkas biaya produksi.

Ketika pendiri Tesla, Elon Musk, berbicara di depan umum tentang panggilan pendapatan perusahaan pada tahun 2017, dia bertanya, “Dapatkah seseorang membuat terobosan baterai? Kami akan menyukainya!” Perasaannya mencerminkan kompleksitas tantangan yang coba dipecahkan oleh perusahaannya. Untuk menjawab permintaan Musk akan inovasi terobosan baterai, beginilah cara ilmuwan data Elisa meningkatkan hasil produksi sel baterai dengan memprediksi kualitas manufaktur.

Ada tantangan kualitas dalam pembuatan sel baterai

Pembuatan sel baterai Lithium-Ion untuk mobil listrik pada prinsipnya merupakan proses yang mudah.

Elektroda anoda dan katoda diproduksi dalam beberapa sub-proses yang berbeda dari campuran bahan baku yang berbeda dan kemudian dikemas ke dalam sel baterai, yang diisi dengan elektrolit, yang disegel dan diselesaikan sebelum dikirim ke end-of-line pengujian.

Namun, prosesnya jauh lebih rumit dari itu. Tantangan utama dalam pembuatan sel baterai adalah bahwa kualitas akhir dari sel yang diproduksi hanya dapat diverifikasi setelah pengujian akhir yang panjang – dan menyelesaikan pengujian dapat memakan waktu hingga tiga minggu. Hanya setelah titik ini ketika pabrikan dapat menentukan apakah produk sel baterai akhir dapat digunakan lebih lanjut, untuk produksi paket baterai; atau jika harus dibuang sebagai limbah berbahaya.

Sel baterai bekas tidak dapat didaur ulang, dan ini menghasilkan bahan mentah yang langka, tidak terbarukan, dan mahal seperti litium, kobalt, nikel sulfat, tembaga, aluminium, dan grafit yang terbuang dalam prosesnya. Hasil rata-rata pertama kali (FTY) global untuk sel baterai diperkirakan mencapai 15%, yang membuat pembuatan sel baterai menjadi mahal dan lambat.

Bagaimana cara meningkatkan hasil produksi sel baterai?

Di eLab, pusat penelitian elektromobilitas di Universitas Aachen di Jerman, tantangan kualitas ini diidentifikasi sebagai masalah signifikan yang melarang manufaktur hemat biaya dan memperlambat adopsi mobil listrik ramah lingkungan.
Dalam upaya mengembangkan proses manufaktur yang lebih efisien untuk sel baterai, eLab bermitra dengan tim ilmuwan data Elisa Smart Factory.

Menggunakan Analisis Kualitas Prediktif untuk pembuatan sel baterai

Analisis Kualitas Prediktif digunakan untuk mengekstrak data dari proses manufaktur untuk menentukan pola data, berdasarkan tren dan hasil terkait kualitas mana yang dapat diprediksi. Oleh karena itu, ini adalah alat yang tepat untuk mengatasi tantangan kualitas eLab.

Tim ilmuwan data Elisa mengikuti proses standar lintas industri untuk penambangan data, proses CRISP-DM enam langkah; yang merupakan model analisis yang paling banyak digunakan di antara para pakar penambangan data. Berikut adalah bagaimana prosesnya diuraikan.

  1. Langkah pertama adalah membentuk pemahaman bisnis yang jelas produksi sel baterai dan untuk menetapkan tujuan yang tepat. Situasi keseluruhan dinilai, driver kualitas dalam proses ditentukan, titik data yang mempengaruhi kualitas sel baterai diidentifikasi, dan parameter, yang paling menggambarkan kualitas sel baterai, ditentukan.
  2. Langkah selanjutnya adalah data pengertian, seperti dalam proses CRIP-DM. Ini melibatkan analisis kesenjangan tentang jenis data apa yang tersedia vs. data apa yang dibutuhkan. Dalam hal ini, celah data ditutupi dengan memasang kamera berkualitas di lini produksi.
  3. Dalam persiapan data fase, data dibersihkan dan diselaraskan ke dalam format yang sama. Stempel waktu diperiksa silang untuk menghindari hilangnya pengumpulan data.
  4. The pemodelan adalah fase yang paling menantang bagi para ilmuwan data. Ada ribuan cara untuk menganalisis data. Ilmuwan data harus mencoba algoritme yang berbeda untuk melihat berbagai hasil yang mereka berikan saat diterapkan pada data yang dikumpulkan dari lini produksi sel baterai.
  5. Evaluasi hasil sangat penting. Ini melibatkan penyelidikan apakah hasilnya valid dan memungkinkan prediksi kualitas sel baterai.
  6. Akhirnya, pada penerapan fase, tim menentukan parameter optimal untuk menyiapkan peralatan dan mesin produksi untuk kualitas produksi yang optimal. Ini termasuk parameter viskositas yang tepat, di antara banyak parameter lainnya.

Hasilnya adalah 16% ipeningkatan hasil produksi sel baterai

Setelah Analisis Kualitas Prediktif Elisa diterapkan, tingkat kerusakan di lini produksi sel baterai eLab turun 16%, karena kualitas sel baterai sekarang dapat diprediksi di awal proses. Sel baterai yang diprediksi memiliki kualitas di bawah standar pada akhir proses sekarang diidentifikasi lebih awal dalam proses dan dikeluarkan dari jalur. Bahan mentah dapat didaur ulang untuk batch produksi baru, alih-alih dibuang ke limbah yang tidak dapat didaur ulang, setelah pengujian akhir lini tiga minggu kemudian.

Sebagai kesimpulan

Berapa label harga Tesla untuk keuntungan hasil produksi sebesar 16%? Sulit dikatakan, tapi bayangkan ini…

Jika seluruh kapasitas produksi 23 GWh di Tesla Gigafactory 1 semata-mata terlibat dengan produksi 2170 sel baterai mobil Tesla Model 3, output tahunannya bisa menjadi 1,3 miliar unit dari 2170 sel. Keuntungan hasil 16% akan sesuai dengan lebih dari 200 juta unit sel yang diproduksi – itu cukup untuk 49.000 Tesla Model 3 mobil jarak jauh.

Bayangkan, penghematan biaya sebesar $400 juta (€363 juta) dapat dicapai, jika diasumsikan biaya produksi sel baterai sebesar $111 per kWh (€100,8 per kWh), seperti yang diperkirakan oleh bank UBS.

Terlepas dari dampaknya pada bisnis produsen mobil mana pun, industri kendaraan listrik harus terus mengembangkan praktik dan efisiensi manufakturnya. Baterai lithium-ion terbuat dari mineral tanah jarang seperti kobalt, litium, nikel, dan logam lainnya, yang harus digunakan secara efisien untuk memenuhi permintaan mobil listrik yang berkembang pesat.

Penulisnya adalah Kari Terho, direktur dan kepala Pabrik Cerdas, Elisa Corporation

Tentang penulis

Kari Terho adalah direktur dan kepala Pabrik Cerdas di Elisa Corporation, penyedia layanan TIK di Finlandia. Sebelum bergabung dengan Elisa Smart Factory, Kari memegang berbagai posisi kepemimpinan dalam manajemen layanan, dan penjualan dan pengembangan bisnis di penyedia layanan nirkabel tingkat satu, dan di perusahaan terkemuka global termasuk Hewlett-Packard. Kari meraih gelar MBA di bidang Bisnis dan Administrasi.

Elisa Smart Factory adalah penyedia kecerdasan buatan dan perangkat lunak IoT industri untuk produsen industri. Kami terhubung ke sumber data apa pun, memanfaatkan aliran data, dan menggabungkan analitik data dan pembelajaran mesin untuk menciptakan hasil seperti peningkatan waktu kerja, kualitas produksi, dan hasil. Menjadi bagian dari perusahaan Elisa, kami memiliki pengalaman puluhan tahun dalam mengelola infrastruktur jaringan yang luas dan sangat otomatis serta memprediksi dan mencegah insiden yang mengganggu. Tujuan kami adalah menggunakan keahlian ini dan menjadi penyedia solusi digitalisasi pabrik terkemuka di Eropa dan sekitarnya.


Teknologi Internet of Things

  1. Revolusi Industri Keempat
  2. Meneliti IoT Seluler:Biaya, Baterai, &Data
  3. Tetap patuh pada data di IoT
  4. Menerapkan pemeliharaan prediktif dengan bantuan pemeliharaan preventif
  5. Apa yang Saya Lakukan dengan Data?!
  6. Manfaat mengadaptasi IIoT dan solusi analisis data untuk EHS
  7. Pemeliharaan di dunia digital
  8. Demokratisasi IoT
  9. Memaksimalkan nilai data IoT
  10. Menyerahkan ilmu data ke tangan pakar domain untuk memberikan wawasan yang lebih berharga