Equipa da Universidade Tongji Reduz Calibração de Baterias de Dias para Minutos com IA
Desenvolvedores de veículos elétricos enfrentam um obstáculo persistente na gestão de baterias: a incapacidade de avaliar rápida e precisamente o estado de carga (SoC) real de uma bateria sem interromper a operação por dias. Um novo estudo da Universidade Tongji, publicado no Journal of Tongji University (Natural Science), demonstra um método revolucionário que reduz drasticamente esta janela de calibração — eliminando a necessidade dos tradicionais testes de repouso de tensão de circuito aberto (OCV) e permitindo atualizações em tempo real da saúde da bateria, utilizando apenas dados padrão de condução.
A inovação assenta numa perceção simples mas poderosa: durante uma descarga normal, a curva OCV subjacente de uma célula de iões de lítio deve ser intrinsecamente suave. Desvios dessa suavidade — picos, tremores ou oscilações erráticas — sinalizam erros no modelo de bateria assumido, e não a realidade física. Aproveitando este princípio, os investigadores Jinwei Xue, Xuzhi Du, Zhigang Yang, Lei Zhao e Chao Xia conceberam um algoritmo que trata a extração de OCV como um problema de otimização, utilizando a suavidade da curva OCV reconstruída como sua métrica de adequação. A sua abordagem contorna a exigência com décadas de medição de tensão estática em repouso, abrindo a porta a diagnósticos contínuos e in situ da bateria.
Para engenheiros automóveis e arquitetos de sistemas de baterias, isto representa uma mudança de paradigma. Os atuais sistemas de gestão de baterias (BMS) dependem fortemente de tabelas de consulta OCV-SoC pré-carregadas — curvas meticulosamente geradas em condições de laboratório usando protocolos de OCV incremental (IO) ou OCV de baixa corrente (LO). Estes testes exigem frequentemente 48 a 72 horas por célula para mitigar a histerese e atingir o equilíbrio eletroquímico. Pior, essas curvas degradam-se em precisão à medida que a bateria envelhece. A fenda dos elétrodos, o crescimento da interface de eletrólito sólido (SEI), a deposição de lítio e a depleção do eletrólito remodelam subtilmente a relação OCV-SoC. Uma tabela calibrada com 10% de degradação de capacidade pode introduzir erros de SoC superiores a 5% — suficientes para desencadear avisos falsos de carga baixa ou, mais perigosamente, mascarar um evento iminente de sobre-descarga.
Até agora, a indústria tinha duas escolhas insatisfatórias: ou reexecutar ciclos de calibração de vários dias durante a manutenção programada (dispendioso, disruptivo e ainda desatualizado pelo próximo intervalo de serviço), ou implementar estimadores adaptativos — como mínimos quadrados recursivos (RLS) ou filtros de Kalman adaptativos — que tentam atualizar o OCV em tempo real juntamente com outros parâmetros. Mas estes esquemas de estimativa conjunta sofrem de acoplamento de parâmetros: erros na resistência ou constantes de tempo de polarização contaminam as estimativas de OCV, e vice-versa. Além disso, como dependem de suposições iniciais para o SoC e estados do modelo, a sua convergência pode ser lenta ou pouco fiável durante transientes agressivos — precisamente quando um SoC preciso é mais crucial.
O método da equipa de Tongji contorna ambos os problemas. Em vez de tentar estimar OCV e resistência e polarização simultaneamente, isola a reconstrução do OCV como o objetivo principal. Os investigadores adotaram um modelo de circuito equivalente (ECM) de primeira ordem — um resistor (R₀) em série com um ramo paralelo de resistor-capacitor (Rₚ–Cₚ) alimentando uma fonte de OCV — como uma estrutura computacionalmente leve, mas suficientemente expressiva. Dado qualquer segmento de dados reais de tensão e corrente (por exemplo, de um ciclo de condução urbana UDDS), o algoritmo ajusta iterativamente R₀, Rₚ e Cₚ até que a trajetória OCV derivada atinja a suavidade máxima.
Crucialmente, “suavidade” aqui não é um juízo estético vago. A equipa formalizou-a através de uma restrição matematicamente rigorosa: numa descarga completa de 100 a 0% de SoC, a variação total da curva OCV — a soma dos passos de tensão absolutos entre pontos de tempo consecutivos — deve igualar a diferença entre os patamares de tensão alta e baixa conhecidos da célula, ajustados para quaisquer eventos de travagem regenerativa. Isto transforma a suavidade num objetivo de otimização quantificável: minimizar o desvio entre a variação total calculada e o limite teórico.
Para resolver este problema não linear e não convexo de forma robusta, o grupo utilizou o NSGA-II (Non-dominated Sorting Genetic Algorithm II), um otimizador evolutivo multiobjetivo conhecido por navegar em paisagens de pesquisa acidentadas sem ficar preso em mínimos locais. Em experiências de validação usando o amplamente citado conjunto de dados de envelhecimento de baterias de Stanford (células INR21700-M50T, 23 meses de ciclagem a 23°C), o algoritmo convergiu rapidamente — em menos de 100 gerações — mesmo quando inicializado com parâmetros ECM extremamente imprecisos (por exemplo, R₀ = 10⁻⁵ Ω, Cₚ = 1 F). Com inicialização informada (usando parâmetros de um teste anterior), a convergência ocorreu em menos de 50 iterações.
As curvas OCV-SoC extraídas exibiram alta fidelidade. Quando sobrepostas a curvas de referência reconstruídas via contagem de amperes-hora (assumindo 100% de eficiência Coulombica a 23°C), as curvas otimizadas seguiram o declínio monotónico esperado para células saudáveis de NMC-grafite, com apenas resíduos de alta frequência menores — provavelmente atribuíveis a ruído do sensor ou simplificação do modelo, e não a não-suavidade física. Para refinar ainda mais a estabilidade para uso subsequente, a equipa aplicou um ajuste polinomial de oitava ordem aos pontos brutos OCV-SoC, produzindo uma função limpa e diferenciável pronta para integração em estimadores padrão de SoC.
O verdadeiro teste surgiu ao acoplar este modelo OCV com um filtro de Kalman estendido (EKF). Usando a curva extraída como tabela de consulta OCV-SoC, o EKF estimou o SoC ao longo de um ciclo UDDS completo. Os resultados foram impressionantes: o erro máximo de SoC manteve-se abaixo de 2% durante toda a descarga — mesmo quando o estado interno de SoC do filtro foi deliberadamente corrompido a meio do teste, reiniciando-o para 80% enquanto o valor real estava próximo de 40%. Em aproximadamente 1000 segundos (~17 minutos de condução urbana), o EKF auto-corrigiu-se, trazendo a estimativa para dentro de 1% do valor real. Esta resiliência sublinha uma vantagem chave: porque a curva OCV é pré-otimizada para plausibilidade física, atua como uma forte restrição a priori, guiando o filtro para a correção mesmo no meio de falhas de sensor ou erros de inicialização.
A validação independente estendeu-se para além do acompanramento no domínio do tempo. A equipa cruzou os seus parâmetros ECM otimizados com dados de espectroscopia de impedância eletroquímica (EIS) adquiridos nos mesmos lotes de envelhecimento. Traçar a impedância prevista pelo modelo (usando os R₀, Rₚ, Cₚ ajustados) contra os gráficos de Nyquist medidos na banda de frequência de 0–0,2 Hz — onde residem a maioria das dinâmicas de condução — mostrou uma excelente concordância. Esta consistência no domínio da frequência confirma que a otimização orientada pela suavidade não se limita a “suavizar” erros; recupera parâmetros de circuito que refletem um comportamento eletroquímico genuíno.
Do ponto de vista da integração de sistemas, o método é excecionalmente leve. Não exige hardware especializado para além dos sensores padrão de tensão e corrente já embutidos em todos os BMS de VE. Computacionalmente, o NSGA-II é mais pesado do que uma simples atualização RLS, mas os autores notam que a otimização não precisa de ser executada continuamente: um único processo em lote de 5-10 minutos em dados de condução recentes — executado durante a noite ou em períodos de inatividade — pode atualizar o modelo OCV semanal ou mesmo mensalmente. Uma vez atualizada, a curva estática OCV-SoC serve como uma espinha dorsal de alta fidelidade para filtros leves em tempo real (EKF, UKF, filtros de partículas) durante a operação diária.
Esta capacidade alinha-se com as tendências emergentes de manutenção preditiva e digital twins. À medida que os fabricantes de automóveis avançam para diagnósticos de bateria over-the-air (OTA), a capacidade de extrair indicadores de saúde — incluindo desvios da curva OCV, crescimento da resistência e perda de capacidade — diretamente dos registos de condução torna-se inestimável. Por exemplo, um desvio para a direita na curva OCV-SoC (ou seja, tensão mais baixa para um SoC fixo) é uma assinatura conhecida da perda de lítio disponível, enquanto o aumento da resistência de polarização se correlaciona com o espessamento do SEI. Com este método, uma plataforma de gestão de frotas poderia sinalizar automaticamente baterias que exibam uma evolução anómala do OCV, agendando serviço preventivo antes que o desempenho se degrade perceptivelmente para o condutor.
As implicações estendem-se para além dos veículos elétricos de passageiros. Frotas comerciais — furgões de entrega, autocarros, equipamento portuário — operam sob ciclos de duty intensos onde o tempo de inatividade é proibitivamente caro. A calibração OCV tradicional é praticamente inviável para estes veículos. Permitir a calibração através da operação normal remove uma grande barreira à atualização generalizada dos BMS, potencialmente estendendo a vida útil do pack de baterias em 10-15% através de um controlo de carga e gestão térmica mais precisos.
No entanto, persistem desafios antes de uma adoção generalizada. A validação atual utilizou dados de envelhecimento em laboratório a temperatura constante (23°C). As baterias do mundo real experienciam flutuações diurnas e sazonais; desvios de OCV dependentes da temperatura — embora menores do que os efeitos de SoC — devem ser desacoplados em trabalhos futuros. O estudo também assumiu um formato de célula única. Em módulos multi-célula, variações entre células e gradientes térmicos podem complicar a suposição de suavidade. A equipa sugere aplicação hierárquica: executar a otimização por módulo (ou por grupo paralelo) onde a sensoriamento de tensão está disponível, ou aumentar a função de adequação com penalizações de consistência inter-células.
Outra fronteira é a integração com a estimativa do estado de saúde (SoH). Uma vez que a distorção OCV-SoC se correlaciona com mecanismos de envelhecimento, a forma da curva extraída — não apenas o seu desvio vertical — poderia servir como um biomarcador de saúde. Modelos de machine learning treinados em bibliotecas de curvas OCV otimizadas por suavidade em várias fases de envelhecimento poderiam prever a vida útil remanescente com mais precisão do que apenas a degradação da capacidade.
Para os fabricantes de equipamento original (OEM) de baterias, a tecnologia oferece uma vantagem competitiva. Células emparelhadas com BMS capazes de auto-calibração comandam preços premium, especialmente em mercados como a Europa e a Califórnia, onde as durações da garantia agora excedem rotineiramente oito anos ou 160.000 quilómetros. Os reguladores também estão a tomar nota: a próxima emenda UN ECE R100 Rev. 3 enfatiza a “verificação contínua de funções críticas de segurança”, um requisito que esta abordagem ajuda a cumprir.
Os investidores na cadeia de valor da eletrificação devem monitorizar de perto os desenvolvimentos subsequentes. A Universidade Tongji não divulgou planos de licenciamento de PI, mas a dependência do método em algoritmos abertos (o NSGA-II é de domínio público) e sensores padrão reduz as barreiras à replicação. Startups especializadas em software BMS — como TWAICE, Voltaiq ou Accure — poderiam integrar rapidamente técnicas semelhantes. Inversamente, os fabricantes incumbent de chips BMS (por exemplo, Analog Devices, Texas Instruments, NXP) podem incorporar co-processadores para lidar com a otimização a bordo.
A lição mais ampla transcende as baterias: por vezes, as inovações mais poderosas surgem não da adição de complexidade, mas da reavaliação dos primeiros princípios. Durante décadas, os engenheiros aceitaram que o OCV exigia repouso. A equipa de Tongji questionou: Porquê? Ao reconhecer a suavidade como uma inevitabilidade física — e não um artefacto de medição — transformaram uma restrição numa ferramenta. Ao fazê-lo, deram à indústria de VE um caminho mais rápido, barato e resiliente para a transparência da bateria.
— Por Jinwei Xue¹, Xuzhi Du², Zhigang Yang³, Lei Zhao¹, e Chao Xia⁴ ¹ Shanghai Automotive Wind Tunnel Center, Tongji University, Shanghai 201804, China ² Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign, Urbana, IL 61801, USA ³ COMAC Beijing Aircraft Technology Research Institute, Beijing 102211, China ⁴ School of Automotive Studies, Tongji University, Shanghai 201804, China Publicado no Journal of Tongji University (Natural Science), Vol. 52, No. S1, Outubro de 2024 DOI: 10.11908/j.issn.0253-374x.24778