Analítica predictiva: Clave para el objetivo de Tesla de paquete de baterías a $100/kWh

"Sí", confirma Kari Terho, director y responsable de la Fábrica Inteligente en Elisa Smart Factory. Explica cómo su equipo aumentó el rendimiento de producción de celdas de baterías de iones de litio en un 16% mediante Analítica Predictiva de Calidad en eLab, el centro de investigación de electromovilidad de la Universidad de Aquisgrán.

Lograr un coste de paquete de baterías de $100/kWh (≈90,8 €/kWh) es una prioridad máxima para Tesla. Para alcanzar este hito, la empresa debe empujar los límites de la densidad energética volumétrica mientras reduce simultáneamente los costes de fabricación.

En una llamada de resultados de 2017, Elon Musk preguntó: "¿Alguien puede lograr un avance en baterías? ¡Nos encantaría!" Esa pregunta subraya la magnitud del desafío al que se enfrenta Tesla. Los científicos de datos de Elisa respondieron aplicando analítica predictiva para prever la calidad de fabricación y elevar rendimientos.

Retos de calidad en la producción de celdas de batería

Aunque el proceso de construir celdas de iones de litio —ensamblar ánodos y cátodos, sellarlas con electrolito y finalizar la celda— parece sencillo, el verdadero obstáculo reside en verificar la calidad. Las pruebas de fin de línea pueden tardar hasta tres semanas, y solo tras este período una celda puede considerarse apta para ensamblaje de paquete o destinada a desecho.

Las celdas desechadas no pueden reciclarse, lo que conduce a la pérdida de materias primas escasas y costosas como litio, cobalto, níquel, cobre, aluminio y grafito. Con un rendimiento global de primera pasada (FTY) de aproximadamente el 15%, el sector enfrenta ineficiencias significativas de coste y tiempo.

Estrategias para impulsar el rendimiento

En eLab, el cuello de botella de calidad se identificó como una barrera mayor para la producción rentable y la adopción masiva de VE. Para abordarlo, eLab se asoció con el equipo de ciencia de datos de Elisa Smart Factory.

Analítica Predictiva de Calidad en acción

La Analítica Predictiva de Calidad extrae datos de proceso en tiempo real, identifica patrones y predice resultados de calidad —convirtiéndola en una solución ideal para las necesidades de eLab.

El equipo empleó el marco CRISP-DM, una metodología probada de minería de datos en seis pasos, de la siguiente manera:

1. Comprensión del negocio: Definió el contexto de producción, identificó factores de calidad y señaló puntos de datos críticos.
2. Comprensión de los datos: Realizó análisis de brechas y añadió una cámara de alta resolución para capturar datos faltantes.
3. Preparación de datos: Limpió, armonizó y sincronizó marcas de tiempo para prevenir pérdida de datos.
4. Modelado: Probó múltiples algoritmos para descubrir el mejor modelo predictivo para calidad de celda.
5. Evaluación: Validó el rendimiento del modelo para asegurar predicciones de calidad fiables.
6. Despliegue: Implementó parámetros óptimos —como ajustes de viscosidad— en equipos de producción para calidad consistente.

Resultado: Aumento del 16% en el rendimiento

Tras desplegar la solución analítica, la tasa de desecho cayó un 16%. Las celdas de calidad inferior se identificaron antes, permitiendo que las materias primas se reciclaran en lugar de desecharse tras una prueba de tres semanas.

Implicaciones para Tesla

Asumiendo que la Gigafactoría 1 de Tesla procesa 23 GWh de celdas 2170 para el Model 3, la instalación podría producir 1.300 millones de celdas anuales. Una mejora del 16% en el rendimiento equivale a más de 200 millones de celdas adicionales —suficientes para 49.000 vehículos Model 3 Long-range— y podría ahorrar aproximadamente 400 millones de dólares (≈363 millones de euros) si el coste actual es de $111/kWh, según estima UBS.

Estas ganancias subrayan la necesidad de mejora continua en la fabricación de baterías. El uso eficiente de metales de tierras raras es esencial para satisfacer la demanda creciente de vehículos eléctricos.

El autor es Kari Terho, director y responsable de Fábrica Inteligente en Elisa Corporation.

Sobre el autor

Kari Terho lidera la división Smart Factory en Elisa Corporation, proveedor de servicios TIC en Finlandia. Antes de Elisa, ocupó roles senior en gestión de servicios, ventas y desarrollo de negocio en operadores inalámbricos de primer nivel y firmas tecnológicas globales, incluyendo Hewlett-Packard. Posee un MBA en Negocios y Administración.

Elisa Smart Factory se especializa en soluciones de inteligencia artificial e IoT industrial para fabricantes. Al conectar diversas fuentes de datos y aplicar analítica avanzada y machine learning, entregan resultados como mayor tiempo de actividad, mejor calidad de producción y mayores rendimientos. Aprovechando décadas de experiencia en gestión de redes automatizadas y prevención de disrupciones, Elisa aspira a ser el proveedor líder de soluciones de digitalización de fábricas en Europa y más allá.