BMW und Uni Zagreb erweitern Wissen über die Zellproduktion 

BMW baut keine Batteriezellen in der Serienproduktion. Das hat das Unternehmen nie getan, und - nach den aktuellen Plänen - beabsichtigt es nicht, damit anzufangen. Dennoch hat das Unternehmen über Jahre hinweg Geld, Kapazitäten und Engineering-Talent in die Entwicklung eigener Zellen investiert, eine eigene Pilotlinie betrieben und setzt nun künstliche Intelligenz in nahezu jeder Phase des Prozesses ein. Für diesen Ansatz spricht vieles.

Laut Christian Siedelhofer, Group Lead Technology Development, Battery Cells bei BMW, geht es bei der Begründung eher um die Kontrolle über Wissen als um die Kontrolle über den Output. Der Ansatz von BMW stützt sich auf drei interne Kompetenzzentren: das Battery Cell Competence Center (BCCC) in München, das Forschung und Entwicklung von der Materialcharakterisierung bis hin zu künftigen Zellkonzepten übernimmt; das Cell Manufacturing Competence Center (CMCC) in Parsdorf, das diese F&E im Pilotmaßstab industrialisiert; und ein Cell Recycling Competence Center (CRCC), das seit etwas mehr als sechs Monaten in Betrieb ist und das direkte Recycling von der Theorie in die Praxis bringt.

Der Aufbau und der Betrieb dieser Infrastruktur - ohne jemals zu einer Gigafactory hochzuskalieren - haben BMW einen großen Wissensschatz und einen Einfluss verschafft, den das Unternehmen sonst nicht hätte. Sie ermöglicht es dem Unternehmen, Spezifikationen für externe Zelllieferanten festzulegen, ohne genau vorzuschreiben, wie diese Spezifikationen erfüllt werden sollen. BMW definiert ein Lastenheft, und die Lieferanten müssen bestimmte Leistungsergebnisse erreichen, aber der Weg dorthin ist ihnen selbst überlassen. Diese Struktur wiederum schafft eine Rückkopplungsschleife - BMWs Fachwissen kann wiederum Lieferanten dabei unterstützen, ihre eigenen Produktionsprobleme zu beheben, und BMW gewinnt Einblicke, die es ohne den Betrieb eigener Zellen nicht gewinnen könnte.

Rüstzeiten mit prädiktiven Modellen verkürzen

Die zentrale Kennzahl im Zusammenhang mit BMWs KI-Zusammenarbeit mit der Universität Zagreb ist eine Reduzierung von Material und Zeit um 50 Prozent während einzelner Prozessschritte. Siedelhofer achtet darauf, einzuordnen, was diese Zahl tatsächlich darstellt. „Die Zahl ist ein Beispiel  dafür, was bei der Optimierung eines einzelnen Prozessschritts von vielen möglich ist", erklärt er, und die Ergebnisse werden derzeit von BMWs Prototypenbauanlage auf die Pilotlinie übertragen — sie wurden noch nicht flächendeckend eingeführt.

Anstatt dass ein einzelnes KI-System den gesamten Produktionsprozess von Batteriezellen steuert, setzt BMW mehrere, voneinander getrennte Vorhersagemodelle ein, von denen jedes auf bestimmte Schritte ausgerichtet und mit Prozess- und Produktparametern trainiert wird, die direkt aus dem laufenden Betrieb entnommen werden.

Das deutlichste Beispiel ist die allererste Stufe der Zellproduktion; das Mischen von Pulvern und Flüssigkeiten zu einer Suspension. Da BMW in seiner Prototypenbauphase häufig Materialien, Lösungsmittel und Aktivmaterialien wechselt, müssen die Prozessparameter jedes Mal neu eingestellt werden. „In der Vergangenheit wurde dies durch die Erfahrung der Bediener gemacht, um die richtigen Prozessparameter einzustellen“, sagt Siedelhofer. Wenn BMW in der Vergangenheit bereits eine identische Kombination gefahren hatte, war es unkompliziert, frühere Einstellungen zu reproduzieren. Aber neue Kombinationen sind die Regel, nicht die Ausnahme, und genau hier kommen die KI-Modelle ins Spiel.

„Wenn man Komponente A gegen B austauscht, dann ändert sich die Pumpendrehzahl in U/min oder ein anderer, tiefer verborgener Maschinenparameter“, erklärt er. „Es ist eine sehr komplexe Umgebung, und die KI hilft in diesen spezifischen Schritten dabei, neue Ausgangspunkte zu finden, die näher am Optimum unserer bestehenden Prozessparameter liegen“ — und deckt dabei Variablen wie Mischgeschwindigkeit und Temperatur ab. Entscheidend ist, dass die KI physische Tests nicht eliminiert; sie verkürzt die Distanz zwischen einem Kaltstart und einem optimierten Prozessfenster und reduziert die benötigte Einrichtungszeit, wann immer sich Materialien ändern.

Diese Empfindlichkeit gegenüber kleinen Abweichungen verschwindet auch dann nicht, wenn ein Produkt die stabile Serienproduktion erreicht. Selbst wenn sich ein Lieferant langfristig auf ein Produkt festlegt, ist „stabil kein absoluter Wert“, bemerkt Siedelhofer. Materialien weisen Toleranzen auf — einschließlich der Luftfeuchtigkeitswerte — und äußere Bedingungen bleiben unkontrollierbar. „Deshalb haben wir diese Live-Datenunterstützung für unsere Bediener eingerichtet, damit sie die Daten, die sie von der Maschine, aus dem Prozess und vom Produkt erhalten, nutzen können, um zu optimieren und den Prozess in einem stabilen Prozessfenster zu halten.“

Das weltweite Produktionsnetzwerk von BMW

2.456.561 Millionen Autos produzierte BMW im Jahr 2025. Das sind 2,3 Prozent weniger als 2024. In unserem Überblick zeigen wir, wo die Gruppe überall Werke besitzt und welche Modelle in den jeweiligen Fabriken gebaut werden.

Aufbau eines Zellvalidierungsrahmens von Grund auf

BMWs jahrzehntelange Erfahrung bei der Validierung von Fahrzeugen lässt sich nicht automatisch auf Batteriezellen übertragen - eine Technologie, mit der das Unternehmen erst seit einem Bruchteil dieser Zeit intensiv arbeitet. Siedelhofer bestätigt, dass der Zellvalidierungsrahmen faktisch von Grund auf aufgebaut wird.

Diese Lücke ist Teil der Begründung für BMWs fortgesetzte Investitionen in die Zellentwicklung, obwohl das Unternehmen keine Zellen in Serie fertigt. Die Technologie tief genug zu verstehen, um einen Validierungsrahmen aufzubauen - und Lieferantenanforderungen präzise zu spezifizieren — erfordert die Art von Daten, die die meisten Fahrzeughersteller zuvor schlicht nicht sammeln mussten. „Es ist wichtig, so viele Daten wie möglich aus Ihrer Produktion und Ihrem Produkt zu gewinnen“, sagt er und fügt hinzu, dass BMW diese Denkweise von Anfang an in seine Prototypen- und Pilotlinie integriert habe, „damit wir datengetriebene Entscheidungen treffen können.“

Das ist, so argumentiert er, umso wichtiger, weil Batteriezellen keine Technologie sind, mit der BMW seit einem Jahrhundert arbeitet, anders als Verbrennungsmotoren und die Fahrzeugmontage. "Wir müssen aufholen, und ich denke, wir sind wirklich auf einem guten Weg, weil wir sehr datenfokussiert sind." Aber diese Daten zu sammeln, ist tatsächlich schwierig. Die Zellproduktion bewegt sich von Pulvern und Flüssigkeiten über einen Rolle-zu-Rolle-Elektrodenprozess, bevor sie erst ganz am Ende in einem One-Piece-Flow zusammenläuft. Daten über diese gesamte Kette hinweg abzugleichen — nachzuverfolgen, welche Charge von Aktivmaterialpulver in einer bestimmten fertigen Zelle gelandet ist — ist erheblich komplexer, als einen Prozess mit einem einzelnen kontinuierlichen Fluss von Anfang bis Ende nachzuverfolgen.

Ausweitung von KI über die Zelle hinaus

Der Einsatz von KI durch BMW in der Batterieentwicklung ist nicht auf einzelne Zellen beschränkt. Er erstreckt sich auf die Montage von Hochvoltbatterien, bei der ungefähr 960 einzelne Zellen zu einem einzigen Pack kombiniert werden. BMW errichtet weltweit fünf neue Werke, eines in jeder großen Region, und - laut Rückmeldungen von Partnern, die während des Gesprächs weitergegeben wurden - sammelt das Unternehmen mehr Produktionsdaten als jeder andere Hersteller in diesem Bereich und nutzt KI-Agenten und Assistenten, um Prozesse auf breiter Front zu verfeinern.

Erkennung des „schlimmsten Feindes“ einer Batteriezelle

Die Qualitätsprüfung ist der Bereich, in dem die KI-Ambitionen von BMW auf ihre härteste technische Prüfung treffen. Gegen Ende des Produktionsprozesses verwendet BMW die Computertomographie (CT), um fertige Zellen zu bewerten – eine Bildgebungstechnologie, die allgemein gut etabliert ist, die Siedelhofer jedoch als wirklich fortschrittlich beschreibt, wenn sie auf diesem Detaillierungsgrad auf die Produktion von Batteriezellen angewendet wird. Das Ziel ist das, was er „den schlimmsten Feind einer Batteriezelle“ nennt – ein Partikel in ihrem Inneren, klein und schwer zu erkennen.

 Die Herausforderung besteht darin, dass dies kein einfaches Bestanden/Nicht-bestanden-Urteil ist. Siedelhofer zieht einen Gegensatz zu älteren Fertigungskontrollen – etwa der Prüfung, ob ein Kabel in einer Montagelinie für Verbrennungsmotoren ordnungsgemäß eingerastet ist, wo ein kleines Fenster einfach Weiß oder Schwarz, richtig oder falsch anzeigt. Die Identifizierung eines Partikels im Inneren einer Batteriezelle ist weit weniger binär. CT-Scans bringen auch ihre eigenen visuellen Artefakte aus dem Bildgebungsprozess selbst mit sich, die die KI von echten Defekten unterscheiden lernen muss.

Das Training eines Modells, um diese Unterscheidung zuverlässig zu treffen, würde in einer idealen Welt Beispiele aus Millionen produzierter Zellen erfordern, die Millionen echter Defekte enthalten. BMW verfügt im Pilotmaßstab bei weitem nicht über ein solches Volumen, und der Zukauf externer Daten ist keine tragfähige Abkürzung – unterschiedliche Zellchemien und Designs würden der KI einfach beibringen, das Falsche zu erkennen. Stattdessen erstellt BMW gezielt Validierungsmuster mit kontrollierten Defekten für Zwecke des KI-Trainings.

In einigen Fällen bedeutet dies, Partikel physisch in Zellen einzubringen, bevor sie gescannt werden; in anderen bedeutet es, Defekte virtuell innerhalb von CT-Bildern zu erzeugen. "Man braucht eine KI, um Defekte virtuell in Ihre CT-Bilder einzubringen, um dann die andere KI darauf zu trainieren, diese Defekte zu erkennen", erklärt Siedelhofer.

Den Spannungshalte-Test ersetzen - irgendwann

Der aktuelle Branchenmaßstab für ein endgültiges "OK"-Urteil über eine Batteriezelle ist die Spannungshalte-Methode; dabei wird die Spannung einer Zelle gemessen, sie für einen festgelegten Zeitraum in Quarantäne gehalten, erneut gemessen und überprüft, ob sie innerhalb des korrekten Prozessfensters liegt. BMWs KI-gestützte Qualitätsprozesse werden direkt an diesem Standard gemessen, und die Hürde ist bewusst konservativ gesetzt.

"Die Schwelle für den Ersatz eines etablierten Qualitäts-Gates ist absichtlich hoch. Jede neue Technologie muss den Stand der Technik in mindestens einem Aspekt übertreffen und ihm in allen anderen entsprechen“,  sagt Siedelhofer über jede neue Methode, die eine etablierte ablösen soll.

Bisher identifiziert BMWs KI-basierter Ansatz jeden Fehler, den die bestehende Spannungshalte-Methode findet - die minimale Schwelle für eine Berücksichtigung. Das bedeutet jedoch keinen unmittelbar bevorstehenden Umstieg. Siedelhofer sagt offen, dass noch ein breiterer Datensatz erforderlich ist, bevor BMW der neuen Methode zutrauen würde, allein zu laufen, selbst im Maßstab der Serienproduktion. Der wahrscheinliche Weg ist seiner Ansicht nach kein harter Wechsel, sondern eine Phase des Parallelbetriebs; beide Methoden arbeiten Seite an Seite, bis die Produktion eine wirklich stabile Phase erreicht, an welchem Punkt BMW übergehen könnte.

Ein Gedächtnis für die Fabrik

Erfahrungswissen ist einer der am schwersten digitalisierbaren Produktionsfaktoren. Künstliche Intelligenz könnte OEMs helfen, es systematisch zu erfassen, mit Maschinendaten zu verknüpfen und bereitzustellen.

Es gibt bereits einen greifbaren Nutzen, noch bevor ein vollständiger Ersatz erfolgt. Konventionelle Qualitätsgates, so merkt Siedelhofer an, weisen oft eine hohe Falsch-"nicht OK"-Rate auf, weil sie eine Zelle anhand eines einzelnen Messwerts beurteilen und nicht anhand des umfassenderen Bildes, wie sie tatsächlich produziert wurde. Indem mehr Prozesshistorie in die Bewertung einbezogen wird, können die KI-gestützten Qualitätsgates von BMW diese falsche Ausschussrate senken - was weniger unnötigen Ausschuss bedeutet.

Die Arbeit im Pilotmaßstab statt im Gigafactory-Maßstab gibt BMW auch Optionen, die Hersteller von Zellen in großen Volumina nicht priorisieren. Weil BMW nicht in echten Massenmarktvolumina produziert, hat das Unternehmen die Kapazität, sorgfältig darüber nachzudenken, was mit etwaigem Ausschuss geschieht, den es tatsächlich erzeugt - einer der Beweggründe dafür, überhaupt sein Kompetenzzentrum für direktes Recycling einzurichten.

Skalierung: Das "Rohrleitungs"-Problem, nicht die Modelle

Auf die Frage, wo das größte technische Hindernis bei der Skalierung dieser KI-Modelle vom Prototypen in die Serienproduktion liegt, ist Siedelhofer unmissverständlich; es sind nicht die Modelle selbst. "Die Herausforderung bei der Skalierung liegt vor der Analytik und den Vorhersagen - in der Rohrleitung der Daten", sagt er. Roboter und Anlagen mit einem nutzbaren Data Lake zu verbinden, ist aus seiner Sicht die eigentliche Voraussetzung dafür, dass jedes Analysemodell funktioniert - und diese Infrastrukturarbeit sieht auf jeder Größenordnung und in jeder Anwendung anders aus.

Dieses Prinzip erstreckt sich sowohl über Technologien als auch über Produktionsvolumina. KI-Modelle, die BMW beispielsweise zur Verbesserung der Lasernahtqualität in Batteriezellen entwickelt hat, können für den Einsatz in der Hochvolt-Batterieproduktion angepasst werden, da dort ebenfalls geschweißt wird. Das zugrunde liegende Modell muss nicht neu erfunden werden - nur die Daten, die es speisen, müssen anders neu verbunden oder „verrohrt“ werden.

Die Anlage in Parsdorf ist unter Berücksichtigung dieser Skalierbarkeit konzipiert. Anstatt billigere, nicht repräsentative Ausrüstung zu betreiben, hat BMW in jedem Prozessschritt echte, serienähnliche Maschinen installiert - zum Beispiel ist der in Parsdorf verwendete Wickler derselbe Typ, der auch in der echten Serienproduktion eingesetzt wird, nur in geringerer Stückzahl. Diese Designentscheidung verschafft BMW klare Transparenz darüber, wie sich jeder einzelne Prozessschritt im Vollmaßstab verhalten würde, obwohl die gesamte Zellleistung in Parsdorf weit unter den Volumina einer Gigafactory bleibt - Volumina sind, wie Siedelhofer betont, der einzige Weg, auf dem die Batteriezellenproduktion wirklich wirtschaftlich wird.

Auf dem Weg zu einem Fertigungs-Copiloten

Die Zusammenarbeit mit der Universität Zagreb war nach Siedelhofers Ansicht nie dazu gedacht, auf Batteriezellen beschränkt zu bleiben. Von Anfang an bestand das Ziel darin, dass die im Rahmen des Projekts entwickelten KI-Werkzeuge weit über die Batterieproduktion hinausgehen und in ein breiteres Konzept hineinreichen — „manche nennen es wirklich einen Fertigungs-Copiloten“, sagt er und zieht einen Vergleich zu vertrauten Copiloten für Büroproduktivität, jedoch stattdessen für eine Produktionslinie gebaut.

Die Herstellung von Batteriezellen bleibt, in seinen Worten, für sich genommen „speziell und eine Herausforderung“. Doch die KI-Fähigkeit, die entwickelt wurde, um ihre spezifischen Probleme zu lösen, ist ausdrücklich so konzipiert, dass sie auf andere Produktionslinien bei BMW übertragbar ist – ein Grund, so merkt er an, warum sein Team eng mit Kollegen verbunden bleibt, die an Hochvoltbatterien und allgemeiner an der Fahrzeugmontage arbeiten. Für BMW könnte sich der Ertrag aus Investitionen in Zellen, die das Unternehmen niemals in großem Maßstab bauen wird, letztlich weit über die Batterie selbst hinaus erstrecken.