Analytique prédictive : clé de l'objectif batterie Tesla à 100 $/kWh

« Oui », confirme Kari Terho, directeur et responsable de l'Usine Intelligente chez Elisa Smart Factory. Il explique comment son équipe a augmenté le rendement de production des cellules lithium-ion de 16 % grâce à l'Analytique Prédictive de Qualité au eLab, le centre de recherche en électromobilité de l'Université d'Aix-la-Chapelle.

Atteindre un coût de pack batterie de 100 $ / kWh (≈90,8 € / kWh) est une priorité absolue pour Tesla. Pour atteindre ce jalon, l'entreprise doit repousser les limites de la densité énergétique volumique tout en réduisant drastiquement les coûts de fabrication.

Lors d'un appel résultats 2017, Elon Musk a demandé : « Quelqu'un peut-il trouver une percée batterie ? On adorerait ! » Cette question souligne l'ampleur du défi auquel Tesla fait face. Les data scientists d'Elisa ont répondu en appliquant l'analytique prédictive pour prévoir la qualité de fabrication et augmenter les rendements.

Défis qualité dans la production de cellules batterie

Si le processus de construction de cellules lithium-ion — assemblage anodes et cathodes, scellement avec électrolyte, finalisation de la cellule — semble simple, le vrai obstacle réside dans la vérification de la qualité. Les tests de fin de ligne peuvent prendre jusqu'à trois semaines, et ce n'est qu'après cette période qu'une cellule peut être jugée apte pour l'assemblage de pack ou destinée à la ferraille.

Les cellules ferraillées ne peuvent pas être recyclées, entraînant la perte de matières premières rares et coûteuses comme le lithium, cobalt, nickel, cuivre, aluminium et graphite. Avec un rendement global du premier passage (FTY) d'environ 15 %, le secteur fait face à d'importantes inefficacités de coût et de temps.

Stratégies pour booster le rendement

Au eLab, le goulot d'étranglement qualité a été identifié comme une barrière majeure à une production rentable et à l'adoption plus large des VE. Pour l'adresser, eLab a partneré avec l'équipe data science de l'Usine Intelligente Elisa.

Analytique Prédictive de Qualité en action

L'Analytique Prédictive de Qualité extrait des données de processus en temps réel, identifie des motifs et prédit les résultats qualité — en faisant une solution idéale pour les besoins du eLab.

L'équipe a employé le cadre CRISP-DM, une méthodologie éprouvée de data mining en six étapes, comme suit :

1. Compréhension métier : Défini le contexte de production, identifié les drivers qualité et pointé les données critiques.
2. Compréhension des données : Analyse des écarts et ajout d'une caméra haute résolution pour capturer les données manquantes.
3. Préparation des données : Nettoyage, harmonisation et synchronisation des timestamps pour prévenir la perte de données.
4. Modélisation : Test de multiples algorithmes pour découvrir le meilleur modèle prédictif de qualité cellulaire.
5. Évaluation : Validation de la performance du modèle pour assurer des prédictions qualité fiables.
6. Déploiement : Implémentation des paramètres optimaux — comme les réglages de viscosité — dans les équipements de production pour une qualité constante.

Résultat : augmentation de 16 % du rendement

Après le déploiement de la solution analytique, le taux de rebut a chuté de 16 %. Les cellules sous-standard étaient identifiées plus tôt, permettant le recyclage des matières premières au lieu de les jeter après un test de trois semaines.

Implications pour Tesla

En supposant que la Gigafactory 1 de Tesla traite 23 GWh de cellules 2170 pour la Model 3, l'usine pourrait produire 1,3 milliard de cellules annuellement. Une amélioration de 16 % du rendement équivaut à plus de 200 millions de cellules supplémentaires — assez pour 49 000 Model 3 Long Range — et pourrait économiser environ 400 millions $ (≈363 millions €) si le coût actuel est de 111 $ / kWh, selon l'estimation d'UBS.

Ces gains soulignent la nécessité d'une amélioration continue dans la fabrication de batteries. L'utilisation efficace des métaux rares est essentielle pour répondre à la demande croissante rapide de véhicules électriques.

L'auteur est Kari Terho, directeur et responsable de l'Usine Intelligente chez Elisa Corporation.

À propos de l'auteur

Kari Terho dirige la division Usine Intelligente chez Elisa Corporation, un fournisseur de services ICT en Finlande. Avant Elisa, il a occupé des rôles seniors en gestion de services, ventes et développement commercial chez des opérateurs sans fil de premier rang et des entreprises technologiques mondiales, incluant Hewlett-Packard. Il détient un MBA en Business et Administration.

Elisa Smart Factory se spécialise dans les solutions IA et IoT industriel pour les fabricants. En se connectant à diverses sources de données et en appliquant analytique avancée et machine learning, ils délivrent des résultats comme une disponibilité plus haute, une qualité de production améliorée et des rendements accrus. Tirant parti de décennies d'expérience dans la gestion de réseaux automatisés et la prévention de perturbations, Elisa vise à être le fournisseur leader de solutions de digitalisation d'usine en Europe et au-delà.