Les analyses prédictives pourraient-elles aider Tesla à réduire le coût des batteries à 100 $ par kWh ?

« Oui », déclare Kari Terho, directeur et chef de Smart Factory d'Elisa Smart Factory . Il explique ici comment son équipe a augmenté le rendement de production de cellules de batterie de 16 % avec Predictive Quality Analytics à eLab, le centre de recherche sur l'électromobilité de l'Université d'Aix-la-Chapelle en Allemagne.

Le coût de la batterie de 100 $/kWh (90,8 €/kWhf) est un objectif principal pour Tesla . Pour y parvenir, l'entreprise doit résoudre l'un des défis technologiques les plus exigeants au monde :comment augmenter la densité énergétique volumétrique des cellules de batterie tout en réduisant les coûts de production.

Lorsque le fondateur de Tesla, Elon Musk, s'est exprimé en public lors de l'appel aux résultats de l'entreprise en 2017, il a demandé :« Quelqu'un peut-il s'il vous plaît proposer une percée en matière de batterie ? On adorerait !" Ses sentiments reflètent la complexité du défi que son entreprise tente de résoudre. Pour répondre à la demande de Musk en matière d'innovations révolutionnaires en matière de batteries, voici comment les data scientists d'Elisa ont augmenté le rendement de production de cellules de batterie en prédisant la qualité de fabrication.

Il existe un défi de qualité dans la fabrication des cellules de batterie

La fabrication de cellules de batterie lithium-ion pour voitures électriques est, en principe, un processus simple.

Les électrodes d'anode et de cathode sont produites dans plusieurs sous-processus différents à partir d'un mélange de différentes matières premières, puis emballées dans des cellules de batterie, qui sont remplies d'électrolyte, qui est scellé et finalisé avant d'être envoyé en fin de ligne test.

Le processus est cependant beaucoup plus compliqué que cela. Un défi majeur dans la fabrication de cellules de batterie est que la qualité finale des cellules fabriquées ne peut être vérifiée qu'après de longs tests de fin de ligne - et la réalisation du test peut prendre jusqu'à trois semaines. Ce n'est qu'après ce point que le fabricant peut déterminer si un produit final de cellule de batterie peut être utilisé plus avant, pour la production de blocs-batteries ; ou s'il doit être mis au rebut comme déchet dangereux.

Les cellules de batterie mises au rebut ne peuvent pas être recyclées, ce qui entraîne le gaspillage de matières premières rares, non renouvelables et coûteuses telles que le lithium, le cobalt, le sulfate de nickel, le cuivre, l'aluminium et le graphite. Le rendement moyen au premier démarrage (FTY) global des cellules de batterie est estimé à 15 %, ce qui rend la fabrication des cellules de batterie coûteuse et lente.

Comment pouvons-nous augmenter le rendement de fabrication des cellules de batterie ?

À eLab, le centre de recherche sur l'électromobilité de l'Université d'Aix-la-Chapelle en Allemagne, ce défi de qualité a été identifié comme un problème important qui interdit une fabrication rentable et ralentit l'adoption de voitures électriques respectueuses de l'environnement.
À la recherche de développant un processus de fabrication plus efficace pour les cellules de batterie, eLab s'est associé à l'équipe de scientifiques des données d'Elisa Smart Factory.

Utilisation de l'analyse prédictive de la qualité pour la fabrication de cellules de batterie

L'analyse prédictive de la qualité est utilisée pour extraire les données d'un processus de fabrication afin de déterminer les modèles de données, sur la base des tendances et des résultats liés à la qualité, qui peuvent être prédits. C'est donc un outil approprié pour résoudre le défi de qualité d'eLab.

L'équipe de data scientist d'Elisa a suivi le processus standard intersectoriel pour l'exploration de données, le processus CRISP-DM en six étapes ; qui est le modèle analytique le plus utilisé parmi les experts en data mining. Voici comment le processus est décrit.

1. La première étape consiste à former une compréhension commerciale claire de la production de cellules de batterie et de fixer les bons objectifs. La situation globale a été évaluée, les facteurs de qualité dans le processus ont été définis, les points de données affectant la qualité des cellules de batterie ont été identifiés et les paramètres, qui décrivent le mieux la qualité des cellules de batterie, ont été déterminés.
2. La prochaine étape concerne les données compréhension, comme dans le processus CRIP-DM. Cela impliquait une analyse des lacunes du type de données disponibles par rapport aux données requises. Dans ce cas, une lacune de données a été comblée en installant une caméra de qualité sur la ligne de fabrication.
3. Dans la préparation des données phase, les données sont nettoyées et harmonisées dans le même format. Les horodatages sont recoupés pour éviter les pertes de collecte de données.
4. La modélisation a été la phase la plus difficile pour les data scientists. Il existe des milliers de façons d'analyser les données. Les scientifiques des données doivent essayer différents algorithmes pour voir les différents résultats qu'ils donnent lorsqu'ils sont appliqués aux données collectées à partir de la ligne de fabrication de cellules de batterie.
5. L'évaluation des résultats est critique. Il s'agissait de vérifier si les résultats sont valides et s'ils permettent de prédire la qualité des éléments de la batterie.
6. Enfin, lors du déploiement phase, l'équipe a défini les paramètres optimaux pour la mise en place des équipements de production et des machines pour une qualité de production optimale. Cela comprenait les bons paramètres de viscosité, parmi beaucoup d'autres.

Le résultat est un 16% iaugmentation du rendement de production des cellules de batterie

Après le déploiement de l'analyse prédictive de la qualité d'Elisa, le taux de rebut de la ligne de production de cellules de batterie eLab a chuté de 16 %, car la qualité des cellules de batterie pouvait désormais être prédite dès le début du processus. Les éléments de batterie qui devraient être de qualité inférieure à la fin du processus sont désormais identifiés plus tôt dans le processus et retirés de la ligne. La matière première pourrait être recyclée pour un nouveau lot de production, au lieu d'être mise au rebut en déchets non recyclables, après le test de fin de ligne trois semaines plus tard.

En conclusion

Quel serait le prix de Tesla pour un gain de rendement de production de 16% ? Difficile à dire, mais imaginez ça…

Si la totalité de la capacité de production de 23 GWh de la Tesla Gigafactory 1 était uniquement consacrée à la production des 2170 cellules de batterie de la voiture Tesla Model 3, sa production annuelle pourrait être de 1,3 milliard d'unités des 2170 cellules. Le gain de rendement de 16 % correspondrait à plus de 200 millions d'unités cellulaires supplémentaires produites, ce qui est suffisant pour 49 000 voitures Tesla Model 3 à longue portée.

Imaginez, une économie de 400 millions de dollars (363 millions d'euros) pourrait être réalisée, si le coût de production des cellules de batterie de 111 dollars par kWh (100,8 € par kWh), tel qu'estimé par la banque UBS, est supposé.

Quel que soit l'impact sur les activités de tout constructeur automobile, l'industrie des véhicules électriques doit constamment faire évoluer ses pratiques de fabrication et son efficacité. Les batteries lithium-ion sont constituées de minéraux de terres rares comme le cobalt, le lithium, le nickel et d'autres métaux, qui devraient être utilisés efficacement pour répondre à la demande croissante de voitures électriques.

L'auteur est Kari Terho, directrice et chef de Smart Factory, Elisa Corporation

À propos de l'auteur

Kari Terho est directrice et chef de Smart Factory chez Elisa Corporation, un fournisseur de services TIC en Finlande. Avant de rejoindre Elisa Smart Factory, Kari a occupé divers postes de direction dans la gestion des services, les ventes et le développement commercial chez des fournisseurs de services sans fil de premier plan et chez des blue chips mondiales, dont Hewlett-Packard. Kari est titulaire d'un MBA en commerce et administration.

Elisa Smart Factory est un fournisseur de logiciels d'intelligence artificielle et d'IoT industriel pour les fabricants de l'industrie. Nous nous connectons à n'importe quelle source de données, exploitons des flux de données et combinons l'analyse de données et l'apprentissage automatique pour créer des résultats tels qu'une disponibilité, une qualité de production et un rendement accrus. Faisant partie de la société Elisa, nous avons des décennies d'expérience dans la gestion de vastes infrastructures de réseau hautement automatisées ainsi que dans la prévision et la prévention des incidents perturbateurs. Notre objectif est d'utiliser cette expertise et de devenir le principal fournisseur de solutions de numérisation d'usine en Europe et au-delà.