Speaker
Description
Die Funktion und die Leistung eine Li-Ionen-Batterie wird maßgeblich durch die Diffusionsfähigkeit von Li in und zwischen den Elektroden und der elektrischen Leitfähigkeit innerhalb der Elektroden beeinflusst. Beides wird maßgeblich durch die Morphologie und Mikrostruktur der Elektroden und Aktivmaterialien bestimmt. Homogene Elektrodenbeschichtungen und eine homogene Verteilung der Aktivmaterialien führen zu einer gleichmäßigen Verteilung von Lithium und gleichmäßigen Stromdichte innerhalb der Zelle, und damit zu einer homogenen lokalen elektrochemischen Belastung der Elektroden – Anode, wie auch Kathode. Eine homogene Belastung und Materialausnutzung gelten als vorteilhaft für das Alterungsverhalten der Batterie [1-3]. Die Beschichtungsdicken der Anoden und der Kathoden werden gegeneinander ausbalanciert. Die Anoden werden in der Zellfertigung in ihrer Kapazität um 10-15 % überdimensioniert [4]. Die Aufnahmefähigkeit der Graphit-Anode für Lithium ist limitiert und ein Überladen der Anode führt zu einem Abscheiden von metallischem Lithium, was die Zelle beschädigen und die Lebensdauer stark verringern kann. Die Überdimensionierung der Elektroden soll dies verhindern. Die Toleranzgrenzen der Elektrodendicken liegen in der Fertigung bei ±2 µm. Um diese Toleranzgrenzen zu erreichen, sind hohe Ansprüche in die Anlagentechnik und in die Prozesskontrolle zu erfüllen [3]. Dadurch eignet sich die Elektrodendicke auch als Kenngröße zur Bestimmung der Fertigungsqualität und Prozessstabilität.
Wir präsentieren eine Methode, die mit einer Kombination aus Lichtmikroskopaufnahmen und Machine Learning-Algorithmen die Mikrostruktur von ganzen Li-Ionen-Rundzellen analysiert und die Schichtdickenverläufe über eine Elektrodenlänge von 90 cm kontinuierlich vermessen kann. Dazu werden Batteriezellen mit einem mehrstufigen Schleif-, Polier- und Infiltrationsprozess materialographisch präpariert und Lichtmikroskopaufnahmen (ZEISS Axio Imager.Z2 Vario) angefertigt. Die Bildaufnahmen zeigen einen Querschnitt durch die gesamte Zelle und des Elektrodenwickels. Die Bildaufnahmen werden mit Machine Learning-Algorithmen in die Bestandteile Anodenbeschichtung, Kathodenbeschichtung, Kupfer- und Aluminiumableiter und Separator segmentiert und bildanalytisch vermessen. Die Anwendung von Machine Learning-Algorithmen ermöglicht eine robuste und akkurate Segmentierung über große Probenbereiche hinweg. Die Ergebnisse werden durch eine Farbskala visualisiert und eine Falschfarbenkarte des Querschnitts erstellt. Damit können Schwankungen in den Schichtdickenverläufen oder Abweichungen in der Elektrodenwicklung leicht identifiziert werden.
Die vorgestellte Methode eignet sich für eine effiziente Qualitätsbewertung von Li-Ionen Batterien für die Prozesskontrolle, sowie bei der Lieferantenbewertung oder für Benchmarkanalysen.
Referenzen
[1] R. Arunachala, C. Parthasarathy, A. Jossen, J. Garche, ECSTransactions 2016, 73, 201.
[2] D. Kehrwald, P.R. Shearing, N.P. Brandon, P.K. Sinha, S.J. Harris, Journal The Electrochemical Society 2011, 158, A1393.
[3] A. Kwade, W. Haselrieder, R. Leithoff, F. Dietriech, K. Droeder, NatureEnergy 2018, 3, 290.
[4] P. Meister, H. Jia, J. Li, R. Kloepsch, M. Winter, T. Placke, Chemistry Materials 2016, 28, 7203.