Zwischen Hype und Realität
Künstliche Intelligenz hat das Potenzial, auch im Batterie-Monitoring enorme Fortschritte zu ermöglichen – doch viele Lösungen scheitern heute noch an einem grundlegenden Problem: Sie arbeiten mit generischen Modellen, die der Realität komplexer Speichersysteme nicht gerecht werden. Diese „Standard-KI“ ignoriert, dass sich reale Speicher je nach Zellchemie, Verschaltung, Sensorik und Nutzungsszenario grundlegend unterscheiden. Ein häufiger Anfängerfehler ist zum Beispiel, ein Zellmodell im Labor zu entwickeln und anzunehmen, dass sich Zellen im Feld genauso verhalten. Oder mit unzureichenden Daten zu arbeiten – etwa, wenn nur Extremwerte einzelner Zellen betrachtet oder unsaubere Messdaten ungeprüft übernommen werden.
Wir bei NOVUM nutzen keine Standard-KI, sondern erweitern sie gezielt um reale Bedingungen und individuelle Speicheranforderungen, weil nur so belastbare Ergebnisse entstehen.
Typische Fehler beim Einsatz von KI in der Batterieanalyse
Welche Fehler in der Praxis besonders häufig passieren, zeigen die folgenden Beispiele. Gerade neue Anbieter unterschätzen häufig die Komplexität von realen Batteriesystemen – mit Folgen für die Aussagekraft ihrer Analysen.
Hier sind typische Fehler, die wir bei NOVUM immer wieder beobachten und bewusst vermeiden:
1. Laborergebnisse als Maßstab nehmen
Ein häufiger Trugschluss ist die Annahme, dass sich Erkenntnisse aus dem Labor eins zu eins auf den realen Betrieb übertragen lassen. Doch reale Speicher verhalten sich nie exakt wie Laborzellen – selbst bei identischer Chemie. Nutzungsszenarien, Verschaltung, Sensorik, Umgebungseinflüsse – all das verändert das Zellverhalten maßgeblich. Deshalb sehen wir Laborwerte höchstens als einen von vielen möglichen Inputs. Unsere KI-Modelle basieren immer auf dem konkreten Speicher in seiner realen Umgebung.
2. Zu wenige Daten erfassen
Viele Hersteller liefern nur Daten der besten und schlechtesten Zelle pro Modul – etwa um Speichercontroller zu entlasten. Für ein verlässliches Monitoring ist das jedoch zu wenig: Denn welche Zelle gerade die schwächste oder stärkste ist, kann sich im Betrieb laufend ändern. Deshalb fordern wir konsequent Einzelzelldaten an. Das ist zwar aufwendiger, aber am Ende finden wir immer Lösungen, die praktikabel und wirtschaftlich sind.
3. Den gelieferten Daten blind vertrauen
KI ist nur so gut wie die Datenbasis, auf der sie arbeitet. Doch viele Monitoringfirmen übernehmen Strom‑, Spannungs- oder Temperaturdaten ungeprüft. Wir nicht. Bei NOVUM prüfen neben Batteriewissenschaftler*innen auch Elektrotechniker*innen die Daten. Sie analysieren Sensorpositionen, Synchronisation und Signalqualität und beheben Fehler notfalls direkt in der Software. So entstehen saubere Daten und damit verlässliche Analysen.
4. Speicher einfach in einen Topf werfen
Zellen mit gleicher Chemie verhalten sich je nach Verschaltung, Kühlung oder Einsatzbereich völlig unterschiedlich. Trotzdem landen solche Speicher oft gemeinsam im Trainingsdatensatz. Unsere Antwort: individuelle Modelle für jede Anlage – von der Zelle bis zum Gesamtsystem. So können wir die verschiedenen Ebenen gezielt vergleichen und Plausibilitätsprüfungen durchführen.
5. Ergebnisse nicht hinterfragen
KI gilt oft als Blackbox, deren Ergebnisse man einfach akzeptiert. Doch genau das kann gefährlich werden, etwa wenn intakte Module aussortiert oder kritische Zustände übersehen werden. Deshalb setzen wir auf eine zusätzliche “Wächter-KI”, die ungewöhnliche Muster an unsere Expert*innen meldet. Diese prüfen die Ergebnisse, interpretieren Auffälligkeiten und öffnen bei Bedarf sogar Module, um Hypothesen zu verifizieren. So machen wir aus der Blackbox eine Whitebox – nachvollziehbar und überprüfbar.
Was NOVUM in 10 Jahren Praxis gelernt hat
Unsere Erfahrungen zeigen sich nicht nur in unseren Analysen, sondern prägen unseren gesamten Arbeitsprozess – vom ersten Datensatz bis zur finalen Handlungsempfehlung. Wir wissen, dass KI nur dann zuverlässige Ergebnisse liefert, wenn sie auf einer fundierten Datengrundlage aufbaut und kontinuierlich hinterfragt wird. Deshalb entwickeln wir für jeden Speicher ein individuelles Modell, das alle Besonderheiten berücksichtigt. Von der Zellchemie über die Sensorik bis hin zum spezifischen Anwendungsfall.
Gründliche Vorbereitung: Wir prüfen technische Unterlagen, Datenblätter, Layouts und verfügbare Datenpunkte eines Speichers, um alle relevanten Parameter zu verstehen. Das ist die Grundlage für ein Modell, das wirklich zum Speicher passt.
Datenqualität sicherstellen: Wir stellen eine Live-Verbindung zum Speicher her und prüfen die Datenqualität. Stimmen Zeitstempel überein? Wie gut ist die Auflösung? Wie verlässlich sind die Sensoren? Nur wenn die Daten stimmen, kann die KI sinnvolle Aussagen treffen.
Individuelle Modellierung: Unsere Modelle passen sich an die Zellchemie an. LFP-Zellen etwa brauchen eine besonders präzise Ladezustandsbestimmung, NMC-Zellen hingegen eine schnelle Reaktion in der Sicherheitsüberwachung. Unsere Modelle sind darauf abgestimmt.
Kontrollmechanismen: Unsere KI erkennt, wenn sie auf unsicherem Terrain unterwegs ist – z. B. weil sie ein bestimmtes Verhalten noch nicht oft genug gesehen hat. In solchen Fällen wird ein Alarm an unsere Batterieexperten gesendet, die dann gezielt eingreifen.
Validierung durch Praxiserfahrung: Wir überprüfen unsere Ergebnisse regelmäßig durch physische Inspektionen. Wenn unsere KI ein Modul als kritisch einstuft, öffnen wir es und analysieren, was genau schiefläuft – ob es sich um Selbstentladung, Lithium-Plating oder Produktionsfehler handelt. Dieses Wissen fließt kontinuierlich zurück in unsere Modelle.
Ein klarer Unterschied
Viele Monitoringfirmen arbeiten nach dem Prinzip „mehr Daten, mehr Intelligenz“. Das klingt plausibel, ist aber nur die halbe Wahrheit. Sie erkennen Korrelationen, aber keine Kausalitäten. Dafür müssen Daten richtig interpretiert, eingeordnet und wenn nötig in Frage gestellt werden. Wer beispielsweise verschiedene Speicher mit derselben Zellchemie in einen Topf wirft, übersieht schnell, wie stark sich das Verhalten durch Verschaltung oder Kühlung verändert. Wir dagegen erstellen für jede Anlage ein individuelles Analysemodell bis auf die Ebene einzelner Module und Zellen.
Unsere KI ist keine Blackbox. Wir machen sie zur Whitebox: nachvollziehbar, kontrollierbar, zuverlässig. Dafür kombinieren wir modernste Algorithmen mit einem tiefen Verständnis für Batterietechnologie und mit dem Mut, auch mal gegen den Strom zu denken.
