Sistema de Imagem Térmica com IA Eleva Segurança de Baterias
Num avanço significativo para a segurança de veículos elétricos, investigadores desenvolveram um sistema de diagnóstico inovador baseado em aprendizagem profunda, capaz de identificar e localizar com precisão falhas térmicas em baterias de ião de lítio com 95% de precisão. Batizada como Perceção Inteligente para Baterias de Ião de Lítio (LBIP), esta inovação combina imagem térmica infravermelha com um algoritmo avançado de segmentação para detetar células superaquecidas antes que desencadeiem fuga térmica – uma preocupação crítica no mercado em expansão de veículos elétricos.
À medida que os fabricantes automóveis aceleram a transição para a eletrificação, garantir a fiabilidade e segurança de baterias de alta capacidade tornou-se uma prioridade de engenharia. Embora as baterias de ião de lítio ofereçam alta densidade energética, peso reduzido e longa vida útil, permanecem vulneráveis a curtos-circuitos internos, danos mecânicos e stress térmico. Estes problemas podem escalar rapidamente para eventos catastróficos de fuga térmica, incluindo incêndio ou explosão, especialmente em módulos de bateria compactos usados em veículos elétricos modernos.
As abordagens de diagnóstico tradicionais baseiam-se frequentemente em monitorização de tensão, corrente ou estado de carga, complementadas por sensores de temperatura pontuais. Contudo, estes métodos sofrem de resolução espacial limitada e incapacidade de capturar a totalidade do panorama térmico de um conjunto de baterias em tempo real. Além disso, a colocação de sensores influencia significativamente a eficácia da deteção, e a adição de mais sensores aumenta a complexidade e o custo do sistema sem garantir cobertura abrangente.
O sistema LBip aborda estas limitações ao tratar o diagnóstico térmico como um problema de visão computacional. Em vez de interpretar pontos de dados isolados, analisa imagens térmicas de campo completo das superfícies das baterias – captando padrões de distribuição de calor nuances que sinalizam anomalias em fase inicial. Esta abordagem espelha técnicas há muito usadas na manutenção de infraestruturas energéticas, mas agora adaptadas ao ambiente dinâmico e compacto dos sistemas de armazenamento de energia automóvel.
No cerne do LBip está uma arquitetura modificada Mask R-CNN (Rede Neural Convolucional Baseada em Regiões), uma estrutura de última geração para deteção de objetos e segmentação a nível de píxel. O modelo integra uma base ResNet50 para extração de características com uma Rede de Pirâmide de Características para permitir perceção térmica multiescala – crucial para identificar tanto pequenos pontos quentes localizados como anomalias térmicas mais amplas em várias configurações de bateria.
A equipa de investigação gerou um conjunto de dados de treino de alta fidelidade usando Ansys Fluent, uma plataforma comercial de dinâmica de fluidos computacional amplamente reconhecida em simulações térmicas e eletroquímicas. Modelaram uma bateria de fosfato de ferro e lítio de 14,6 Ah em três cenários operacionais: carga a 1C, descarga a 1C e condições de curto-circuito interno. Para replicar comportamento de falha realista, uma região localizada dentro da célula simulada foi atribuída uma resistência extremamente baixa, mimetizando os efeitos elétricos e térmicos de um curto interno.
Destas simulações, produziram-se 48 imagens térmicas – 16 por cenário – meticulosamente anotadas usando a ferramenta de código aberto LabelMe. Cada imagem foi emparelhada com uma máscara binária correspondente delineando os limites precisos da unidade de bateria e seu estado de falha. Este conjunto de dados permitiu um treino robusto do modelo LBip, que foi afinado a partir de um Mask R-CNN pré-treinado para acelerar a convergência e melhorar a generalização.
Os resultados dos testes demonstraram desempenho excecional. Num conjunto de dados de célula única, o modelo alcançou uma precisão média de 93,9% para deteção de caixa delimitadora e notáveis 96,7% para segmentação de instâncias – excedendo os benchmarks típicos para sistemas industriais de deteção de falhas. Crucialmente, em casos de curto-circuito interno, o LBip entregou 100% de precisão de classificação, com scores de confiança consistentemente acima de 0,94. O sistema processou cada imagem em apenas 6,9 milissegundos, sugerindo forte potencial para implementação em tempo real.
Os investigadores validaram ainda mais o LBip numa configuração de módulo de bateria 1P3S (um em paralelo, três em série) – um layout comummente encontrado em conjuntos de tração de veículos elétricos. Quando células individuais dentro do módulo foram simuladas para falhar, o LBip identificou e segmentou com sucesso a unidade defeituosa com 100% de precisão na localização e 86,7% na segmentação. Estes resultados confirmam a adaptabilidade do modelo para além de células isoladas para arquiteturas de conjuntos mais complexas do mundo real.
Ao contrário de modelos baseados em física que requerem parametrização extensiva e são frequentemente demasiado computacionalmente intensivos para sistemas embarcados, o LBip opera puramente em dados térmicos de superfície – uma vantagem para integração com hardware existente de gestão térmica. Veículos elétricos modernos já empregam sensores infravermelhos ou câmaras térmicas para monitorização de cabin ou bateria; o LBip poderia ser implementado como uma camada de software sobre tais sistemas, requerendo hardware adicional mínimo.
Este paradigma baseado em visão também se alinha com tendências da indústria no sentido de diagnósticos veiculares aumentados por IA e orientados por dados. Empresas como Tesla, BYD e Rivian estão a incorporar cada vez mais aprendizagem automática em sistemas de gestão de baterias para prever degradação e melhorar a segurança. O LBip representa uma evolução natural desta tendência, mudando de telemetria escalar para inteligência espacial.
Da perspetiva de engenharia de segurança, a deteção precoce de falhas térmicas é vital. Uma vez que a fuga térmica começa, propaga-se rapidamente – frequentemente dentro de segundos – tornando a intervenção quase impossível. Ao identificar anomalias durante a fase inicial, o LBip permite medidas proativas como redução de carga, ativação de arrefecimento ou desligamento do sistema, potencialmente evitando desastres. Para operadores de frotas e consumidores, isto traduz-se em maior confiança na fiabilidade de veículos elétricos.
Além disso, a metodologia de contacto não contacto do sistema elimina a necessidade de sensores embutidos que podem degradar-se ao longo do tempo ou interferir com a química das células. A imagem térmica é inerentemente escalável: quer monitorizando um único módulo ou um conjunto de baterias inteiro abrangendo múltiplos módulos, o mesmo algoritmo aplica-se com precisão consistente.
A investigação também realça a sinergia crescente entre simulação de alta fidelidade e aprendizagem automática. Ao usar Ansys Fluent para gerar dados térmicos sintéticos mas fisicamente fundamentados, a equipa contornou os desafios logísticos e de segurança de recolher dados de falha do mundo real – especialmente para eventos raros mas perigosos como curtos internos. Este pipeline híbrido de simulação para visão poderia servir como modelo para desenvolver diagnósticos de IA noutros domínios de alto risco, desde aeroespacial até armazenamento em escala de rede.
Embora a implementação atual processe imagens térmicas estáticas, os autores reconhecem que trabalho futuro se focará na análise térmica dinâmica de séries temporais para capturar trajetórias de falha em evolução. Transmissões de vídeo em tempo real de câmaras térmicas poderiam alimentar uma extensão baseada em recorrente ou transformador do LBip, permitindo monitorização contínua e alertas preditivos – chave para sistemas de segurança autónomos de próxima geração.
Notavelmente, a escolha da química LFP – uma alternativa popular e inerentemente mais segura a baterias NMC ricas em níquel – não limita a aplicabilidade do modelo. As assinaturas térmicas de falha são amplamente consistentes entre quimicas de ião de lítio, sugerindo que o LBip poderia ser retreinado para outros tipos de células com esforço mínimo.
As implicações estendem-se para além de veículos de passageiros. Autocarros elétricos, camiões comerciais e mesmo instalações de armazenamento de energia estacionárias enfrentam riscos térmicos semelhantes. À medida que a capacidade global de armazenamento de energia dispara – projetada para exceder 1.000 GWh até 2030 – diagnósticos inteligentes e escaláveis como o LBip serão essenciais para manter a estabilidade da rede e a segurança pública.
Entidades reguladoras estão a prestar atenção. Organizações de padrões como SAE International e a Comissão Eletrotécnica Internacional estão a enfatizar cada vez mais a prevenção de fuga térmica nas diretrizes de segurança de baterias. Tecnologias que oferecem melhorias prováveis e quantificáveis na deteção de falhas poderiam influenciar requisitos de certificação futuros.
Para fabricantes automóveis, integrar tais sistemas poderia também mitigar riscos de responsabilidade e reduzir custos de garantia associados a falhas de bateria. Mais amplamente, suporta a narrativa de sustentabilidade da indústria: baterias mais seguras significam maior longevidade, menos substituições e maior confiança do consumidor na eletrificação.
A estrutura LBip exemplifica os princípios das diretrizes EEAT (Experiência, Expertise, Autoridade, Confiabilidade) do Google. Desenvolvida por uma equipa multidisciplinar com profunda experiência em sistemas de energia, aprendizagem automática e engenharia térmica, o trabalho passou por revisão rigorosa por pares e foi publicado num periódico indexado de alto impacto. A metodologia é transparente, reproduzível e fundamentada em práticas computacionais e de IA estabelecidas.
À medida que o mercado de veículos elétricos amadurece, a diferenciação competitiva dependerá não apenas de autonomia ou velocidade de carregamento, mas de segurança, inteligência e resiliência do sistema. Inovações como o LBip posicionam a IA não como uma palavra da moda, mas como uma camada tangível de proteção – observando, analisando e salvaguardando silenciosamente cada jornada.
Autores: Tian Luyu, Dong Chaoyu, Mu Yunfei, Yu Xiaodan, Xiao Qian, Jia Hongjie
Afiliação: Escola de Engenharia de Informação Elétrica, Universidade de Tianjin, Tianjin 300072, China
Publicação: High Voltage Engineering, Vol. 50, No. 6, pp. 2502–2510, 30 de junho de 2024
DOI: 10.13336/j.1003-6520.hve.20231425