This dissertation focuses on advancing cell finalization in lithium-ion battery production through data-driven approaches. Operando gassing analysis is introduced to study cell internal processes, such as gas evolution and SEI formation, thereby enabling the reduction of formation time while preserving cell quality. Concurrently, machine learning techniques are employed to predict battery cycle life using production data, facilitating early detection of defective cells. The findings provide scalable and material-independent methods for shortening cell finalization while simultaneously ensuring quality.     «

This dissertation focuses on advancing cell finalization in lithium-ion battery production through data-driven approaches. Operando gassing analysis is introduced to study cell internal processes, such as gas evolution and SEI formation, thereby enabling the reduction of formation time while preserving cell quality. Concurrently, machine learning techniques are employed to predict battery cycle life using production data, facilitating early detection of defective cells. The findings provide scal...     »

Diese Dissertation thematisiert die Zellfinalisierung in der Lithium-Ionen-Batterieproduktion durch datengetriebene Analysemethoden. Eine Inline-Gasungsanalyse wird entwickelt, um zellinterne Prozesse wie die Gasentwicklung und SEI-Bildung zu detektieren. Hierdurch wird eine Verkürzung der Formierdauer bei gleichzeitiger Sicherstellung der Zellqualität erreicht. Zudem werden maschinelle Lernverfahren eingesetzt, um die Zyklen-Lebensdauer der Batterien anhand von Produktionsdaten vorherzusagen und die frühzeitige Detektion defekter Zellen zu ermöglichen. Die Ergebnisse bieten skalierbare und materialunabhängige Methoden zur Verkürzung der Zellfinalisierung bei gleichzeitiger Qualitätssicherung.     «

Diese Dissertation thematisiert die Zellfinalisierung in der Lithium-Ionen-Batterieproduktion durch datengetriebene Analysemethoden. Eine Inline-Gasungsanalyse wird entwickelt, um zellinterne Prozesse wie die Gasentwicklung und SEI-Bildung zu detektieren. Hierdurch wird eine Verkürzung der Formierdauer bei gleichzeitiger Sicherstellung der Zellqualität erreicht. Zudem werden maschinelle Lernverfahren eingesetzt, um die Zyklen-Lebensdauer der Batterien anhand von Produktionsdaten vorherzusagen un...     »