L’IA pour l’optimisation de la production et du recyclage des batteries EV

L’analyse prescriptive peut optimiser la qualité, le débit et le recyclage des batteries de véhicules électriques, des matériaux coûteux et strictement obligatoires, dépendant des importations.

Le cœur battant d’un véhicule électrique est son système de batterie. La batterie représente également actuellement 35 à 40 % du coût total du véhicule. Pendant ce temps, les matériaux essentiels tels que le lithium, le nickel et le cobalt ont des taux de dépendance à l’importation élevés, sont chers et s’avéreront de plus en plus difficiles à trouver. Simultanément, les mandats de production de batteries EV et de politique de cycle de vie élèvent la barre de la conformité. De plus, la fabrication de cellules de batterie est un point de contrôle critique dans la chaîne de valeur des véhicules électriques à batterie (BEV).

Ces facteurs combinés font que la technologie pour améliorer le processus de fabrication des cellules de batterie mérite d’être interrogée.

L’analyse prescriptive est une solution rentable pour optimiser la qualité et le débit d’une gamme de batteries de véhicules électriques. Il peut également renforcer la dimension de la chaîne de recyclage du processus de fabrication de la batterie EV.

L’IMPÉRATIF À DOUBLE VALEUR POUR LES FABRICANTS DE CELLULES DE BATTERIE

Les équipementiers de véhicules électriques et leurs fournisseurs de batteries de niveau I doivent développer des giga-usines qui réduisent continuellement les coûts de production des batteries EV par kilowattheure tout en multipliant la capacité.

Cependant, les mises en garde environnementales visant à CO net₂ émissions posent des défis techniques de niveau supérieur. Pour eux, les résoudre signifie se concentrer sur des améliorations granulaires, ciblées et mesurables de l’efficacité des processus de batterie de véhicules électriques avec un impact relatif élevé.

LA CHAÎNE DE RECYCLAGE DES BATTERIES DE VÉ

Les processus de recyclage des batteries de véhicules électriques et de récupération des matières premières seront plus importants dans les années à venir. Le Service de recherche du Parlement européen considère le marché des batteries lithium-ion (Li-ion) en Europe comme un exemple, indiquant que la récupération et le recyclage des matières premières seront obligatoires.

Notez qu’en recyclant le nickel, les fabricants de batteries de VE devront réutiliser près de 70 % de plus de ce métal critique en 2035 qu’ils ne le devaient en 2030.

Recherche Lux met en évidence le problème connexe de la technologie et de l’infrastructure de recyclage – aggravé par le défi de l’économie circulaire des batteries consistant à produire des batteries pour véhicules électriques avec la faible disponibilité de matériaux recyclables. Autrement dit, il n’y a pas assez de batteries en fin de vie (EoL) avec lesquelles travailler. GRS Batterien, par exemple, estime qu’en Europe, 8 millions de tonnes de batteries de VE sont produites chaque année alors que seulement 40 000 tonnes par an sont recyclées.

La combinaison de nouveaux procédés dans un marché exigeant demande une intervention technologique qui rende l’efficacité de la complexité. L’analyse prescriptive est bien adaptée pour optimiser la production et le recyclage des batteries de véhicules électriques.

BENCHMARKER LES OPÉRATIONS DE GIGAFACTORY SIGNIFIE VALORISER LES DONNÉES

La solution de fabrication basée sur les données qui a le plus d’impact est l’analyse prescriptive, servie par la découverte d’apprentissage en profondeur. Il peut ingérer des centaines de millions de points de données de processus en une seule implémentation. Pour le processus de fabrication et de recyclage des batteries EV, il peut traduire la dynamique complexe en cascade du processus en une interface configurable par l’utilisateur pour les opérateurs, offrant 5 à 10 000 fonctionnalités dans une seule vue.

Pourquoi cette capacité est-elle importante pour les fabricants de batteries de VE ?

L’exploitation des mégadonnées permet une comptabilité fine des paramètres thermodynamiques, physiques, métallurgiques et chimiques qui entourent la production de batteries de véhicules électriques. Les scientifiques des données peuvent modéliser un algorithme à partir d’une période contiguë (aussi peu que 3 à 4 mois) qui génère des conseils prescriptifs pour les ingénieurs d’usine. Les opérateurs procèdent ensuite à des ajustements préventifs du point de consigne à des tolérances non critiques.

ANALYSE PRESCRIPTIVE POUR OPTIMISER LA PRODUCTION D’ÉLECTRODES

Optimisation basée sur les données des facteurs de production d’électrodes de batterie EV dans des variables de processus imbriquées. Ceux-ci comprennent le mélange (température, durée et atmosphère), le revêtement (épaisseur du film et vitesse de revêtement), le séchage (température, vitesse et pré-tension de la feuille), le refendage (usure de l’outil), le calandrage (réglages du processus) et le séchage sous vide ( temps de traitement).

Une solution d’analyse prescriptive cartographie les performances historiques sur les principaux marqueurs de qualité : qualité du mélange, précision du revêtement, qualité des bords de coupe, taux de rendement et récupération du solvant. L’ID de lot et les horodatages garantissent la traçabilité pour corréler les données de production réelles avec l’optimum historique. Cette technique optimise le processus de rampe de rendement avec un objectif stable pour atteindre la région de fonctionnement optimale de la ligne.

OPTIMISER LA CHAÎNE DE RECYCLAGE DES BATTERIES AVEC LE DEEP LEARNING

Dans une économie de batterie circulaire, les fabricants de batteries EV utilisent au maximum les résidus de production, ainsi que les matériaux restants viables dans les batteries EoL. L’analyse prescriptive est idéale pour exploiter une masse de données de production pour cette tâche. En collaboration avec des experts de la fabrication, les scientifiques des données peuvent cibler les paramètres critiques et fournir ceux qui manquent depuis l’Edge. La découverte de l’apprentissage en profondeur relie ensuite les interdépendances précédemment cachées aux résultats de la production. Les prescriptions garantissent la qualité optimale et la récupération maximale des matières premières secondaires telles que le lithium, le nickel, le cobalt et le manganèse dans le processus de production des batteries EV.

AMÉLIORER LA VALEUR DES VE POUR LA NOUVELLE MOBILITÉ GRÂCE À L’ANALYSE PRESCRIPTIVE

Capitaliser sur la demande de batteries pour véhicules électriques est une entreprise complexe dans une chaîne d’approvisionnement en évolution : de l’extraction à la production de matériaux cathodiques actifs (CAM) jusqu’à la phase la plus vitale : la fabrication des cellules de la batterie. À ce point de contrôle critique, un avantage concurrentiel est là pour la prise. L’utilisation des données peut rendre les chaînes de production de batteries de VE plus éco-efficaces à mesure que la capacité augmente et que la qualité s’améliore. Mettre les opérateurs de fabrication de batteries EV derrière l’intelligence automatisée des conseils basés sur l’IA signifie gérer une giga-usine dans sa région la plus optimale pour un minimum de déchets et une efficacité énergétique optimale.

L’analyse prescriptive est une technologie adaptative, évolutive et non perturbatrice pour le contrôle et l’optimisation des processus de batterie de VE de nouvelle génération. Les solutions data-to-value présentent également une opportunité pour les gigafactories de respecter les mandats de la politique de cycle de vie des batteries EV définissant la prochaine décennie.

À propos des auteurs:

Santhosh Shetty est ingénieur technico-commercial chez DataProphet.

Nicol Ritchie est rédacteur technique chez DataProphet.

La poste L’IA pour l’optimisation de la production et du recyclage des batteries EV est apparu en premier sur L’industrie aujourd’hui.

Source