AVL und TUM entwickeln Berechnungsmethode | 27.11.2023
Künstliche Intelligenz sagt Batterie-Lebensdauer vorher
Autofahrer wollen wissen, wie lange ihre Elektroauto-Batterie hält. Aber auch die UN fordert ein Mindesthaltbarkeitsdatum für die Akkus. Mit maschinellem Lernen und jeder Menge Daten soll die Lebensdauer nun besser geschätzt werden können.
Mag. Severin Karl
Die Künstliche Intelligenz (KI) ist in aller Munde und auch im Bereich der Forschung und Entwicklung (F&E) von Elektroautos spielt sie eine große Rolle. Ein neues Beispiel kommt von AVL aus Graz: Gemeinsam mit der TU München (TUM) wird eine Berechnungsmethode entwickelt, um die Lebensdauer der Antriebsbatterie prognostizieren zu können. Schließlich fordert die UN ein Mindesthaltbarkeitsdatum: Nach fünf Jahren bzw. 100.000 Kilometern im Einsatz soll eine Elektroauto-Batterie immer noch 80 Prozent ihrer ursprünglichen Kapazität aufweisen.
Batterie-Management-Systeme können optimiert werden
Dafür ist natürlich eine Menge an Daten nötig, denn wie bei jeder KI lautet der Grundsatz: Viel hilft viel. Je mehr Daten gesammelt werden, desto aussagekräftiger sind die Schlüsse daraus. AVL setzt auf die Federated Learning Methode, wo ein KI-Modell mit großen, dezentral gespeicherten Datenmengen aus unterschiedlichen Fahrzeugflotten trainiert wird: „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 Annalena Belnarsch, Entwicklungsingenieurin bei AVL.
Getestet wurde das Ganze bereits mit 50.000 Trainingsdaten aus dem Labor. Belnarsch beschreibt erste Erfolge: „Wir haben beispielsweise einen Datensatz auf zehn Flotten verteilt. Im Vergleich zum Training eines neuronalen Netzes pro Flotte, konnten wir die Batterielebensdauer dank Federated Learning wesentlich genauer einschätzen. Der Fehlerwert konnte um durchschnittlich 32 Prozent reduziert werden.“
Der Ansatz von AVL ist nicht einfach dazu da, Aussagen zu bestehenden Batterien zu treffen. Im Endeffekt geht es darum, künftig besser mit den Batterien umzugehen, Hersteller sollen ihre Batterie-Management-Systeme mit den gewonnenen Daten optimieren. Außerdem können mit der KI-basierten Batterieanalyse Fehlfunktionen frühzeitig erkannt werden – präventive Wartung ist als Folge möglich, um die Lebensdauer zu erhöhen bzw. höhere Restwerte zu erzielen. So profitiert auch der Fahrzeugbesitzer von diesem neuen Ansatz.
Thomas Kröger, Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fahrzeugtechnik der TUM, unterstreicht die Vorteile des neuen Modells bezüglich Datensicherheit: „Eine der größten Herausforderungen beim Trainieren von KI-Modellen für die Vorhersage der Batteriealterung stellt die Generierung eines großen Datensatzes dar, da die hierfür benötigten Fahrzeugdaten sensible personenbezogene oder betriebliche Informationen beinhalten. Eine Lösung hierfür bietet Federated Learning, bei dem alle Fahrzeugdaten lokal beim jeweiligen Flottenbetreiber verbleiben und trotzdem ein Alterungsmodel gemeinschaftlich trainiert werden kann, ohne die eigenen Daten auf einen Server laden und damit Datenschutzverletzungen oder Datenlecks riskieren zu müssen.“
