FABBS geeft de batterij een energiek tweede leven

Acht ambitieuze AI-startups zijn geselecteerd om mee te doen aan de AI Pitch Competition. De finale vindt plaats op 13 november 2025 en IO+ maakt in de aanloop naar dit event van elke deelnemer een portret. De AI Pitch Competition is een wedstrijd die de meest innovatieve Brabantse AI-oplossingen in de schijnwerpers zet en startups de kans biedt om hun ideeën te presenteren, contacten te leggen met marktleiders en hun groei te versnellen. Vandaag laten we zien wat FABBS de wereld te bieden heeft. Mede-oprichter en CEO Justin van den Hurk beantwoordt onze vragen.

Welke specifieke AI-technologie vormt de kern van jullie oplossing?

"We gebruiken machine learning om parameters te verkrijgen die de toestand van een batterijcel volledig definiëren, waardoor we onder andere een nauwkeurige SoC, SoH, SoP kunnen verkrijgen en de resterende levensduur en degradatiemechanismen kunnen voorspellen. Momenteel zijn er een aantal methoden om de toestand van een batterijcel te definiëren:

1. ECM-parameters (Equivalent Circuit Model): Een low-fidelity model van een batterijcel kan worden gemaakt met behulp van weerstands- en capaciteitswaarden om een elektrisch circuit te definiëren. Dit is de huidige standaard in batterijbeheer. De stroom-spanningsinteractie van dit model wordt vervolgens verondersteld die van de batterij te simuleren. Een probleem hierbij is dat de relatie sterk afhankelijk is van de temperatuur, maar dat maakt geen deel uit van het model, dus worden opzoektabellen gebruikt voor waarden bij verschillende temperaturen. In werkelijkheid beschrijven deze parameters dus niet de volledige toestand van de cel; ze geven alleen een bepaalde temperatuur weer.
2. Een op fysica gebaseerd Full Order Model (FOM): een zeer nauwkeurig model van een batterij kan worden gemaakt door gebruik te maken van de differentiaalvergelijkingen uit de behoudswetten op microscopische schaal van een batterij. Deze vergelijkingen worden numeriek opgelost met behulp van een ruimtelijke pseudo-2D-discretisatiemethode, wat neerkomt op het opdelen van de batterij in vele kleine stukjes en het nemen van gemiddelde waarden voor elk stukje. Dit levert zeer goede resultaten op, maar is rekenkundig gezien erg duur. Om de parameters van deze modellen te verkrijgen, moet de cel worden gedemonteerd.
3. Een op fysica gebaseerd Reduced Order Model (ROM): een high-fidelity model van een batterij dat vergelijkbaar is met het FOM, maar met enkele vereenvoudigingen waardoor het oplosbaar is.

Met deze parameters kunnen we beter controleren hoe we elke cel belasten, wat we kunnen aanpassen met ons balanceringscircuit. Deze parameters kunnen worden gevonden via op fysica gebaseerde benaderingen, maar dit proces is vrij

Onze datapijplijn ziet er dan zo uit:

1. Ons stroomomvormercircuit voert realtime (labkwaliteit) celmetingen uit op de interactie tussen stroom en spanning.
2. Deze metingen worden gebruikt om parameters te trainen/vinden die de metingen het beste voorspellen.
3. Verkrijg gegevens over hoe goed de toestandsschattingen waren die het model voorspelde.
4. Leer welke profielen moeten worden verzonden met ons stroomomzettingscircuit."

Hoe schaalbaar is jullie AI-oplossing?

"Onze oplossing is zeer schaalbaar dankzij een gestandaardiseerde datapijplijn die rechtstreeks op batterijbeheersystemen (BMS) draait. Het model past zich aan verschillende batterijchemieën en systeemconfiguraties aan met behulp van ons parameterleerraamwerk.

De belangrijkste uitdagingen zijn het waarborgen van consistente prestaties voor verschillende chemische samenstellingen, het beheren van beperkte rekenkracht op embedded systemen en het verkrijgen van de trainingsgegevens in het begin. Maar zodra ons systeem op batterijen is geïmplementeerd, verzamelt het meer gegevens die kunnen worden gebruikt om verbeterde modellen te trainen en meer inzicht te krijgen in het ontwerp van batterijcellen of de optimalisatie van het batterijgebruik.“

Hoe gaat je startup om met mogelijke ethische kwesties met betrekking tot vooringenomenheid, eerlijkheid of transparantie bij AI-besluitvorming?

”We zorgen voor eerlijkheid en transparantie door onze modellen chemie-agnostisch te houden en de gegevensherkomst van elke gebruikte dataset te documenteren. Alle gegevensverzameling en -verwerking gebeurt met uitdrukkelijke toestemming van de klant en wordt veilig opgeslagen."

Op welke manieren denk je dat je AI-oplossing een positieve invloed kan hebben op de samenleving?

"Onze AI-oplossing heeft op drie manieren een maatschappelijke impact:

1. Met onze innovatie maken we tweedehands toepassingen mogelijk, waardoor de wereldwijde afhankelijkheid van zeldzame aardelementen aanzienlijk wordt verminderd en er minder afval ontstaat.
2. Verbetering van de prestaties, zoals een capaciteitsverhoging van 20%, waardoor 10-20% sneller kan worden opgeladen en de totale eigendomskosten van batterijen worden verlaagd. Dit bevordert het gebruik van batterijen en versnelt de elektrificatie.
3. Door de totale levensduur van de batterij te verdubbelen.“

Vertel ons meer over je groei als ondernemer

”Onze grootste hindernis tot nu toe was het vinden van financiering om ons idee uit te voeren en ons team uit te breiden. We hebben dit nog niet volledig overwonnen, aangezien dit een voortdurende uitdaging is, maar we hebben enige financiering veiliggesteld via subsidies en we werken aan het verkrijgen van schuldfinanciering."

Hoe bereid je je voor op de toenemende regelgeving rond AI, zoals de AVG, de AI-act of andere wetten inzake dataprivacy?

"We voldoen volledig aan de AVG-principes en bereiden ons voor op naleving van de komende EU-AI-act. Alle gegevens worden veilig opgeslagen door FABBS, met duidelijke documentatie en toestemmingsprocessen. Onze AI-modellen omvatten traceerbare versiebeheer en gegevensdocumentatie om de verantwoordingsplicht te waarborgen. Naleving verhoogt onze geloofwaardigheid en stimuleert transparante innovatie in plaats van deze te beperken.“

Toekomstvisie: Wat is de langetermijnvisie voor je AI-oplossing?

”In de komende 5 tot 10 jaar willen we onze systemen in een breed scala aan batterijen inzetten en die batterijen actief tot hun absolute fysieke limiet drijven. Tegelijkertijd verzamelen we grote hoeveelheden gegevens, die geavanceerder zijn dan voorheen mogelijk was, als input voor een beter ontwerp van cellen en batterijen.

Onze technologie zal de elektrificatie in de luchtvaart, de maritieme sector en de zware industrie stimuleren en een circulaire economie bevorderen door ervoor te zorgen dat batterijen met een tweede leven even betrouwbaar zijn als batterijen met een eerste leven. Wij zien ons bedrijf als koploper op het gebied van fysica-geïnformeerde AI voor duurzame energiesystemen."

Welke kansen biedt je locatie je? Wat ontbreekt er nog in het ecosysteem waarvan je deel uitmaakt?

"Omdat we in Brabant gevestigd zijn, profiteren we van het hightech Brainport-ecosysteem en het sterke academische netwerk van TU/e. Door samen te werken met partners als NXP, LionVolt, VEDS, AME, VDL en DAF hebben we toegang tot geavanceerde hardware, testfaciliteiten en industriële expertise.

Wat nog ontbreekt, is directe toegang tot grote fabrikanten van batterijcellen, die zich voornamelijk in Azië bevinden, maar steeds vaker ook naar Europa en met name Brainport komen."

De AI Pitch Competition: waarom gaan jullie deze wedstrijd winnen?

“We gaan winnen omdat onze oplossing op unieke wijze fysica-gebaseerde modellering, machine learning en actieve hardwarecontrole combineert om meetbare verbeteringen in batterijprestaties, levensduur en duurzaamheid te realiseren. Het is een tastbare, impactvolle innovatie die is gebaseerd op het sterkste deeptech-ecosysteem van Europa, met een sterk pad naar commercialisering en maatschappelijk voordeel.”