As baterias de íons de lítio (LIBs) são indispensáveis para o transporte elétrico e o armazenamento em rede, mas seus estados internos eletroquímicos, térmicos e mecânicos são notoriamente difíceis de observar. Uma nova revisão publicada no Journal of Zhejiang University–SCIENCE A (2026) examina como o sensoriamento não destrutivo e o diagnóstico de falhas podem converter sinais ocultos de envelhecimento em informações de saúde acionáveis, potencialmente deslocando o gerenciamento de baterias da proteção reativa para cuidados preditivos e informados por mecanismos.
A revisão, de autoria de pesquisadores do Laboratório Estatal-Chave de Engenharia Química da Universidade de Zhejiang, destaca que o envelhecimento das LIBs é impulsionado por processos químicos, mecânicos e térmicos fortemente acoplados. O crescimento da interfase sólida eletrólito (SEI) e da interfase catódica eletrólito (CEI), a decomposição do eletrólito, a fissuração das partículas e a deposição de lítio consomem progressivamente o lítio ativo, aumentam a impedância e degradam a integridade estrutural, elevando o risco de curtos-circuitos internos e fuga térmica. Os sistemas convencionais de gerenciamento de baterias (BMSs) monitoram apenas tensão, corrente e temperatura superficial, mas esses sinais externos são distorcidos por polarização, reações secundárias, média espacial e atrasos. Embora a imagem por síncrotron e ressonância magnética ofereça insight mecanístico, sua escala, custo e velocidade limitam o uso em tempo real. A revisão, disponível via DOI 10.1631/jzus.A2600100, compara sistematicamente quatro famílias de diagnósticos não destrutivos: sensores fixados na superfície (termopares, termistores, RTDs, grades de Bragg em fibra óptica), sensores implantáveis (MEMS, extensômetros de filme fino, fibras ópticas), projetos integrados in situ (embutidos em coletores de corrente, separadores ou encapsulamento) e métodos sem contato (imageamento por campo magnético, sondagem acústica e ultrassônica, análise de gases e espectroscopia de impedância eletroquímica).
Para dar sentido a esses sinais heterogêneos, a revisão discute técnicas de extração de características como análise de capacidade incremental (ICA), análise de tensão diferencial (DVA) e voltametria térmica diferencial (DTV), interpretadas por meio de modelos baseados em física como o pseudo-bidimensional (P2D) e o modelo de partícula única (SPM), bem como abordagens orientadas por dados, incluindo redes neurais informadas pela física (PINNs), transformers e arquiteturas CNN-LSTM. Ela enfatiza a seleção de características, redução de dimensionalidade, colaboração nuvem-borda e interfaces padronizadas. Os autores argumentam que nenhuma modalidade de sensoriamento isolada pode capturar completamente os processos complexos e acoplados subjacentes à degradação da bateria; o avanço real surge quando sinais de superfície, implantados, in situ e sem contato são fundidos com algoritmos informados pela física. Eles enfatizam o co-design de sensoriamento e algoritmo, no qual capacidades de sensoriamento, processamento de sinais e modelos de diagnóstico são considerados em conjunto, em vez de tratados como etapas separadas.
Na prática, a estrutura proposta poderia possibilitar alertas mais precoces de fuga térmica, estimativas mais precisas de estado de saúde (SOH) e vida útil remanescente (RUL), além de carregamento rápido mais inteligente. Em veículos elétricos, pode viabilizar manutenção preditiva e monitoramento de segurança de célula a pacote; no armazenamento em rede, poderia melhorar a confiabilidade em nível de frota, a avaliação de segunda vida e a prevenção de incêndios. Estratégias de baixo custo usando sinais existentes de tensão, corrente e temperatura combinados com computação nuvem-borda poderiam facilitar a implantação. No entanto, a estabilidade dos sensores, a compatibilidade de fabricação, a padronização de dados, a largura de banda e o custo permanecem barreiras importantes. A revisão clama por sensoriamento modular, padronizado e minimamente intrusivo e co-design de algoritmos para levar avanços laboratoriais a sistemas de bateria escaláveis. Para a indústria, integrar capacidades de sensoriamento e diagnóstico ao projeto da bateria poderia melhorar a compatibilidade de fabricação e a confiabilidade de longo prazo, ao mesmo tempo que facilita a implantação prática de tecnologias de diagnóstico avançadas. À medida que o campo muda da observação externa e indireta para a percepção interna direta, este roteiro pode tornar as baterias mais previsíveis, confiáveis e duráveis em veículos elétricos e armazenamento em rede.
