AVL in F&E: Vorhersage der Lebensdauer von Fahrzeugbatterien dank KI & Federated Learning

Wie lange hält ein E-Auto? Das ist maßgeblich von der Lebensdauer der Batterie abhängig. Diese kann mittels künstlicher Intelligenz bzw. Federated Learning Ansatz vorhergesagt und in weiterer Folge optimiert werden. Hier wird ein globales neuronales Netz mit einer Fülle an dezentral gespeicherten Daten aus unterschiedlichen Fahrzeugflotten trainiert – ohne die Daten tatsächlich zu teilen oder den Datenschutz zu gefährden. Das KI-Modell steht dann als Basis für die Berechnung der Restlebensdauer zur Verfügung. Die Berechnungsmethode wurde von AVL gemeinsam mit dem Lehrstuhl für Fahrzeugtechnik an der Technischen Universität München (TUM) entwickelt.

Graz, Österreich, November, 2023: Ein langes Leben für Auto-Batterien. Daran ist nicht nur Autofahrerinnen und Autofahrern gelegen. Auch die UN fordert ein Mindesthaltbarkeitsdatum für E-Auto Akkus. Diese sollen nach fünf Jahren bzw. 100.000 Kilometern im Einsatz immer noch 80 Prozent ihrer ursprünglichen Kapazität aufweisen, so der Vorschlag. Um die Lebensdauer von Batterien zu optimieren, gilt es den Ist-Zustand zu eruieren und das zukünftige Verhalten zu antizipieren. Dies kann mit Hilfe von Machine Learning geschehen. Hier werden jede Menge Daten herangezogen, um Erfahrungswerte zu generieren. Bei der Federated Learning Methode wird ein Modell mit großen, dezentral gespeicherten Datenmengen aus unterschiedlichen Fahrzeugflotten trainiert. „Jede Flotte trainiert ein eigenes neuronales Netz. Das Erlernte wird an ein globales Modell weitergegeben. So muss niemand auf die Originaldaten eines OEM zugreifen“, so Annalena Belnarsch, Entwicklungsingenieurin bei AVL. Sie hat die Methode gemeinsam mit dem Lehrstuhl für Fahrzeugtechnik an der TUM entwickelt und anhand von 50.000 Trainingsdaten aus dem Labor getestet. Ein Szenario: „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.“

Je mehr Daten desto besser: So können OEM ihre Batterie-Betriebsstrategie verbessern

Grundsätzlich gilt bei einem Training von Modellen: Viel hilft viel. Auch kleinere Flotten mit weniger Datensätzen tragen zu einer besseren Vorhersagbarkeit bei - profitieren aber auch davon - und das bei sehr hohem Datenschutz. Je mehr trainierte neuronale Netze es gibt, aus denen das ‚zentrale Modell‘ gespeist werden kann, desto erfolgreicher können Hersteller ihr Batterie Management System mit aktuellen Modellen versorgen und somit ihre Betriebsstrategie optimieren. Davon profitieren im Übrigen auch Fahrzeughalterinnen und -halter. Mit Hilfe von KI-basierter Batterieanalyse können Fehlfunktionen frühzeitig erkannt werden. So können Fahrzeuge präventiv gewartet werden. Das kann in weiter Folge zu einer längeren Lebensdauer des E-Akkus bzw. einem höheren Restwert bei einem möglichen Wiederverkauf beitragen. Bedenkt man, dass eine Batterie pro kWh ca. 150 Euro kostet, kann hier genau berechnet werden. 

„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“, so Thomas Kröger, Wissenschaftlicher Mitarbeiter am Lehrstuhl für Fahrzeugtechnik der TUM.

„Der wechselseitige Austausch zwischen Wissenschaft, Forschung und Industrie treibt den notwendigen Paradigmenwechsel hin zu einer nachhaltigen Mobilität voran. Die Technische Universität München ist hier seit vielen Jahren mit der AVL List GmbH verbunden und widmet sich in ihrer gemeinsamen Arbeit unter anderem dem Ziel, das elektrifizierte Fahren für die Menschen noch attraktiver zu gestalten“, so Prof. Markus Lienkamp, Leiter des Lehrstuhls für Fahrzeugtechnik an der TUM und Vorstandsmitglied der VDI Fachgesellschaft Fahrzeug- und Verkehrstechnik.

Die komplette Studie „Collaborative Training of a Deep Neural Network for the Lithium-Ion Battery Aging Prediction with Federated Learning“ ist in der aktuellen Ausgabe des eTransportation Journal zu lesen.