Avanço na Deteção de Falhas em Baterias Foca nos Picos de Risco no Verão e Inverno
À medida que a adoção de veículos elétricos (VE) acelera globalmente, uma nova abordagem orientada por dados para diagnóstico de falhas em baterias está a oferecer aos fabricantes automóveis e operadores de frotas uma ferramenta poderosa para prevenir falhas, especialmente durante os meses de alto risco no verão e no inverno. Desenvolvido por investigadores da Universidade de Ciência e Tecnologia de Kunming e da Universidade de Chongqing, o método aproveita a análise de big data e a aprendizagem automática não supervisionada para detetar, localizar e classificar anomalias em conjuntos de baterias de iões de lítio com uma precisão sem precedentes — sem depender de modelos eletroquímicos complexos.
A inovação surge num momento crítico. Apesar dos avanços na química das baterias e nos sistemas de gestão de baterias (BMS), eventos inesperados de fuga térmica e degradação de desempenho continuam a corroer a confiança dos consumidores e a aumentar os custos de garantia. Os métodos de diagnóstico tradicionais frequentemente lutam com os desvios subtis em estágios iniciais que precedem a falha catastrófica. Esta nova estrutura, validada com três anos de dados operacionais do mundo real de múltiplos VEs, demonstra uma capacidade robusta para identificar tanto falhas de conceção sistémicas como falhas súbitas induzidas por acidentes — fornecendo uma rede de segurança de dupla camada para a mobilidade de próxima geração.
No centro do sistema está um pipeline analítico multiestágio que transforma a telemetria de tensão bruta de VEs conectados à cloud em informações acionáveis. O processo começa com o t-distributed Stochastic Neighbor Embedding (t-SNE), uma técnica de redução de dimensionalidade não linear que comprime sequências de tensão de alta dimensionalidade de dezenas de células individuais num mapa bidimensional. Esta etapa de visualização revela aglomerados e valores atípicos ocultos que, de outra forma, permaneceriam enterrados em terabytes de dados de séries temporais.
Após a redução de dimensionalidade, a equipa aplica o agrupamento K-means para segmentar os dados em grupos comportamentais distintos. As células normais congregam-se firmemente em torno dos centróides dos aglomerados, enquanto as unidades anómalas aparecem como pontos isolados ou formam pequenos aglomerados divergentes. Para identificar a célula defeituosa exata, os investigadores introduzem um novo coeficiente de diagnóstico baseado em estatísticas de Z-score. Ao medir quantos desvios padrão a tensão de uma célula se desvia da média do conjunto em qualquer momento, o algoritmo sinaliza valores atípicos com alta sensibilidade — mesmo quando a diferença absoluta de tensão é pequena.
“O que torna esta abordagem prática para implementação no mundo real é a sua natureza livre de modelos”, explica Jiangwei Shen, autor principal e experimentalista sénior da Universidade de Ciência e Tecnologia de Kunming. “Não precisamos de simular reações eletroquímicas ou calibrar parâmetros baseados na física. Trabalhamos diretamente com os dados que o veículo já recolhe.”
Uma vez detetada e localizada uma anomalia, o sistema avalia a sua gravidade usando um mecanismo de pontuação híbrido que funde a ponderação de entropia com o coeficiente de variação. Esta métrica composta tem em conta tanto a aleatoriedade como a dispersão das flutuações de tensão ao longo do tempo, produzindo uma “pontuação de anormalidade” normalizada para cada célula. Em testes de validação, a sétima célula num conjunto de 30 células registou consistentemente a classificação de desempenho mais baixa — corroborando a inspeção visual da sua curva de tensão errática, que exibiu uma queda de 236 milivolts durante a descarga.
A camada de diagnóstico final emprega um filtro estatístico refinado conhecido como 3σ-MSS (Estratégia de Triagem Multinível 3-sigma). Ao contrário das regras 3-sigma convencionais que assumem uma distribuição gaussiana estática, o 3σ-MSS recalcula iterativamente a média e o desvio padrão após cada ronda de remoção de valores atípicos. Esta recalibração dinâmica evita centros de massa distorcidos causados por valores extremos, resultando em estimativas de probabilidade de falha mais precisas.
Quando aplicado a dados longitudinais de quatro VEs idênticos durante um período de um mês, o método distinguiu claramente dois arquétipos de falha. Num veículo, uma única célula (número 20) mostrou uma probabilidade de falha de 1,7% — significativamente superior aos seus pares (<0,5%) — sem padrão recorrente ao longo do tempo. Os investigadores classificaram isto como uma falha transitória, provavelmente desencadeada por um choque externo ou defeito de fabrico ativado sob stress. Em contraste, três outros veículos exibiram probabilidades de falha uniformemente baixas (<2%) em todas as células, com padrões espaciais consistentes. Estas foram rotuladas como falhas sistémicas, apontando para inconsistências inerentes ao design ou montagem.
Crucialmente, a equipa comparou o 3σ-MSS com dois algoritmos estabelecidos de deteção de valores atípicos: Local Outlier Factor (LOF) e Connectivity-based Outlier Factor (COF). Embora todos os três métodos tenham identificado as mesmas células problemáticas, o 3σ-MSS demonstrou estabilidade superior em todas as gamas de probabilidade. O LOF tendia a superestimar eventos de alta probabilidade, enquanto o COF subreportava anomalias de baixa frequência. O algoritmo 3σ-MSS manteve uma calibração consistente — tornando-o mais adequado para agendamento de manutenção baseada em risco.
A validação mais convincente surgiu da análise sazonal. Usando três anos de dados operacionais de dez VEs, os investigadores segmentaram as ocorrências de falhas por estação meteorológica. Os resultados revelaram um padrão bimodal acentuado: as probabilidades médias de falha na primavera e no outono pairaram em torno de 1,54% e 3,07%, respetivamente — condições relativamente benignas. Mas no verão, a média saltou para 4,31%, com um pico de probabilidade de célula única de 4,95%. O inverno foi ainda mais severo, com uma média de 4,59% e um máximo de 9,52%.
Estas descobertas alinham-se com o comportamento eletroquímico conhecido. As altas temperaturas ambientes aceleram as reações secundárias parasitas, degradam as interfaces sólido-eletrólito e aumentam a resistência interna — elevando o risco de fuga térmica. Por outro lado, as temperaturas frias impedem a mobilidade iónica, promovem a placagem de lítio durante a carga e exacerbam os desequilíbrios de tensão durante a descarga. Os dados confirmam que estes stressores ambientais se traduzem diretamente em sinais de falha mensuráveis.
Um estudo de caso ilustra o poder de diagnóstico do método. No quarto veículo de teste, o Ano 1 mostrou uma modesta probabilidade de falha de 2% na célula 19 — sugerindo um problema crónico de baixa gravidade. Mas no Ano 2, a célula 28 disparou para 12,69% no dia 36, excedendo em muito a média diária do conjunto de 4,17%. Uma onda semelhante ocorreu no Ano 3, com a célula 16 a atingir 14,14% no dia 6 contra uma linha de base de 3,71%. A localização não repetitiva e o desvio extremo indicam fortemente trauma externo — talvez uma colisão ou impacto severo na estrada — que comprometeu a integridade da célula.
Para os fabricantes automóveis, diagnósticos tão granulares permitem estratégias de manutenção preditiva adaptadas aos padrões climáticos e de utilização. Frotas a operar no Arizona ou no Texas poderiam receber alertas específicos para o verão para inspecionar sistemas de arrefecimento ou limitar taxas de carga rápida. Na Escandinávia ou no Canadá, os protocolos de inverno podem incluir rotinas de pré-aquecimento ou verificações de equilíbrio de tensão antes de excursões a temperaturas abaixo de zero.
De uma perspetiva de segurança, a capacidade de distinguir entre falhas sistémicas e transitórias tem implicações profundas. As questões sistémicas exigem revisões de design ou recalls de lotes, enquanto os eventos transitórios podem exigir apenas a substituição isolada de células. Esta precisão reduz tempos de inatividade desnecessários e baixa os custos do ciclo de vida.
Além disso, todo o pipeline funciona com dados já colhidos pela maioria dos VEs modernos via CAN bus e transmitidos para plataformas cloud a cada 10 segundos. Não são necessários sensores adicionais ou modificações de hardware — tornando a solução altamente escalável.
Especialistas da indústria notam que a pressão regulatória está a aumentar para uma reportagem mais transparente da saúde da bateria. A próxima Regulação de Baterias da União Europeia obriga a passaportes digitais de bateria que rastreiem métricas de desempenho e segurança ao longo da vida de uma célula. Da mesma forma, a Administração Nacional de Segurança de Tráfego nas Autoestradas dos EUA (NHTSA) intensificou o escrutínio de incidentes de incêndio em VEs. Ferramentas como esta poderiam ajudar os fabricantes a cumprir os requisitos de conformidade, enquanto aumentam a confiança na marca.
“Isto não é apenas académico”, diz Zheng Chen, professor e autor correspondente da Universidade de Ciência e Tecnologia de Kunming. “Demonstrámos que, com a análise correta, os fluxos de dados existentes podem tornar-se sistemas de aviso prévio. O próximo passo é integrar isto no firmware do BMS em tempo real — não apenas para análise post-hoc.”
A equipa de investigação está agora a explorar a integração com estimadores de estado de carga (SOC) e estado de saúde (SOH) para criar um conjunto de diagnóstico unificado. Trabalhos futuros também se focarão na previsão da vida útil restante de células anómalas e no desenvolvimento de protocolos de intervenção que disparem antes que as probabilidades de falha ultrapassem os limiares críticos.
À medida que os VEs evoluem para plataformas definidas por software, a fronteira entre veículo e produto de dados desvanece-se. Este estudo exemplifica como a ciência de dados — aplicada com experiência de domínio — pode extrair valor latente da telemetria operacional, transformando a monitorização passiva na mitigação ativa de riscos. Para uma indústria que corre para oferecer uma mobilidade elétrica mais segura e fiável, tais inovações podem revelar-se tão vitais quanto os avanços na química das células.
Shen Jiangwei¹, Yan Chuan¹, Liu Yonggang², Shen Shiquan¹, Chen Zheng¹
¹Faculdade de Engenharia de Transportes, Universidade de Ciência e Tecnologia de Kunming, Kunming 650000, China
²Faculdade de Engenharia Mecânica e de Veículos, Universidade de Chongqing, Chongqing 400030, China
Transactions of China Electrotechnical Society, Vol. 39, No. 24, Dez. 2024
DOI: 10.19595/j.cnki.1000-6753.tces.231983