Research on battery materials and systems is broader than ever and a large amount of data is being generated. The data collected is often challenging to correlate or compare because they are not compiled in a structured way since no generally uniform data structure exists yet in the battery field. Besides, manufacturing steps and analysis parameters vary enormously from laboratory scale to industrial scale, from research institutions to consortia. Within the "DigiBatMat project" we have created a digital platform for battery material data and processing data that combines collected material data and knowledge within a defined structure based on taxonomies and ontologies. The structure of the digital platform was developed to cover the Battery LabFactory Braunschweig (BLB) pilot-scale production line for lithium-ion cells while being compatible with other battery production processes, for example at the laboratory bench scale. The platform’s underlying data structure is divided into an “electrode production” and “cell production” taxonomy, providing input modules for the most typical battery material and cell characterization methods. This approach offers a commercially available platform with a defined structure, which still allows flexibility for individual electrode and cell productions through option based input. Due to this structure, we aim to go beyond simple data storage by implementing functionalities that allow users to work with and analyze the data within the digital platform. Beside the functionalities we have implemented so far, which are shown here, we also aim to develop further functionalities that enable the identification of new correlations that are otherwise difficult or even impossible to obtain. A consistent data set is necessary to build up and validate such a digital platform. Hence, we specifically generated “reference” data and tested their management and analysis with the platform. We focus on three key use cases of collecting process data and characterizing electrodes and cells properties along the production process. In one of these key use cases we compare state-of-the-art cathodes with Ni-rich active materials, namely NMC811 and NCA. Data are collected from cells with such cathodes with varying loadings and electrode densities. Characterization of the electrodes includes, among other things, microscope data analysis of the microstructure and electrochemical characterization such as electrochemical impedance spectroscopy and rate capability. By showing how raw data can be imported into the database, processed and analyzed, we aim to demonstrate the possibilities and advantages of our digital platform.

Materials science research faces challenges due to diverse and evolving measurements, materials, and methods. Managing research data in a way that is understandable, comparable, and reproducible is essential for high data quality, particularly for data science and machine learning applications. In Li‐ion batteries research data storage concepts and structures vary widely between institutions and researchers, leading to difficulties in data comparison and understanding. To address the issue of data structuring, battery production and characterization ontology (BPCO) is developed. The ontology builds on existing ontologies like the Platform MaterialDigital core ontology and quantities, units, dimensions, and types ontology to model standard battery production processes, characterization methods, and materials. The BPCO is based on a workflow structure to be accessible to nonexperts and, unlike highly specialized existing ontologies, models the whole production process removing the need for separate data structures and enabling the identification of dependencies between parameters. This work builds upon a previously published paper in which the taxonomy and fundamental strategies for ontology development are established. The article presents the developed ontology and its use for structuring research data in three key use cases, that is, different experiments performed to validate the ontology's capabilities, provide feedback, and ensure its applicability.