Das Münchner Startup TWAICE kooperiert mit dem Institut für Kraftfahrzeugtechnik der Technischen Universität München im Forschungsprojekt bawaii, um die Vorhersage der Batterie Analytik durch den Einsatz von künstlicher Intelligenz zu verbessern.
Bereits bei 70 bis 80 Prozent ihrer Kapazität muss die Batterie in Elektroautos ausgetauscht werden, um einen zuverlässigen Betrieb zu gewährleisten. Doch der Zustand und die verbleibende Lebensdauer lassen sich bisher noch nicht genau bestimmen, was den Betrieb von Elektroautos oft ineffizient und teuer macht. Das Münchner Startup TWAICE hat eine Software entwickelt, die das ändern soll. Mit Hilfe von digitalen Zwillingen gibt das Programm präzise Auskunft über den "Gesundheitszustand" einer Lithium-Ionen-Batterie.
Das Interesse der Industrie ist groß: Autohersteller wollen die Software ebenso nutzen wie Energieunternehmen und Versicherungen. Um ihren innovativen Ansatz voranzutreiben, arbeiten die Gründer von TWAICE nun eng mit der Technischen Universität München (TUM) zusammen. Diese Kooperation zwischen Forschung und Industrie läuft unter dem Projektnamen bawaii (Battery Analytik with Artificial Intelligence). Sie eröffnet einen Weg, die neuesten akademischen Forschungen zur künstlichen Intelligenz in die Praxis umzusetzen.
Forscher des TUM-Instituts für Kraftfahrzeugtechnik (FTM) nutzen seit einiger Zeit künstliche Intelligenz, um E-Autos billiger zu machen, ihnen mehr Reichweite zu geben und neue Modelle schneller auf den Markt zu bringen. Die Forschungsgruppe arbeitet an Batterien, dem wertvollsten und wichtigsten Teil eines Elektroautos. TWAICE setzt den gleichen Ansatz auch für praktische Anwendungen außerhalb der Universität ein. Das Startup wurde vor einem Jahr als Spin-off der TUM gegründet. Inzwischen zählen bereits einige Industrieunternehmen zu den Kunden. Sie wollen die TWAICE-Software nutzen, um ihre Batterien effizienter zu betreiben.
TWAICE wurde von Michael Baumann und Stephan Rohr gegründet. Die beiden Ingenieure beschäftigen sich schon lange mit der Frage, wie man den Zustand moderner Batterien zuverlässig bestimmen kann. Mit einer ausgeklügelten Software beobachten sie die Vorgänge in den teuren Energiespeichern. Daraus können die Entwickler Vorhersagen über den Zustand und die Lebensdauer der Batterie ableiten. Diese Faktoren hängen von der individuellen Belastung ab, die während des Betriebs durch ständige Messdaten erfasst werden muss.
Das staatlich geförderte Projekt bawaii soll weitere Möglichkeiten für aussagekräftige Analysen der großen Datenmengen bieten, die beim Betrieb einer Batterie anfallen. Die TUM-Forscher am Institut von Professor Markus Lienkamp verfügen über eine weitreichende Kompetenz im Hinblick auf das Verhalten von Lithium-Ionen-Batterien. Für ihre Untersuchungen nutzen sie spezielle Modellierungen und Simulationen. Das Institut verfügt über zahlreiche Prüfstände und Demonstratoren, an denen die Forscher ihre Berechnungen verifizieren können. Zur Aufgabenteilung gehört, dass die TUM neue Methoden erforscht und bestehende validiert, während ihre Partner von TWAICE die zugrunde liegende KI-Software liefern und die Erprobung der neu entwickelten Methode in realen Fahrzeugen übernehmen.
Fahrzeughersteller können mit der TWAICE-Software genau überprüfen, wie gut ihr Batteriesystem ihren Anforderungen entspricht. Und sie erhalten bereits in der Entwicklungsphase genaue Prognosen für die Alterung der Batterie. Diese kann dann entsprechend ausgelegt werden. Das Einsparpotenzial kann enorm sein, denn bisher werden die Energiespeicher oft zu groß geplant. Bis zur Hälfte der Kosten eines E-Autos stecken in der Batterie. Wie rentabel ein solches Fahrzeug am Ende ist, hängt entscheidend davon ab, wie gut die Batterie ausgelastet werden kann. Das Projekt bawaii wird den Nutzen durch den gezielten Einsatz von künstlicher Intelligenz erhöhen.
Nehmen Sie an unserem Webinar zur Vermeidung von Batteriebränden und nichtlinearer Alterung mit dem neuen Anodenpotenzialmodell für schnelleres, sichereres Laden und eine längere Lebensdauer der Batterien teil.
Aufnahme beobachten
.webp)
.jpg)