Formation charging reveals hidden manufacturing defects in lithium-ion batteries

Resumen Técnico: La carga de formación revela defectos de fabricación ocultos en baterías de iones de litio

Planteamiento del problema
Los defectos de fabricación en las baterías de iones de litio (LIB) representan un desafío de seguridad persistente, que a menudo conduce a incendios espontáneos abruptos en vehículos eléctricos (EV). Estos defectos, que incluyen materia extraña metálica, agrietamiento de electrodos y cierre de poros del separador, se introducen durante la fabricación y permanecen sellados dentro de la celda. Crucialmente, con frecuencia no producen anomalías perceptibles en las señales rutinarias de corriente, voltaje o temperatura antes de que ocurra una falla peligrosa. Las estrategias de detección existentes generalmente se dividen en dos categorías: hardware de inspección dedicado (p. ej., rayos X, ultrasonido, cámaras visuales), lo que aumenta la complejidad de la instrumentación, o extracción de características eléctricas mediante la clasificación multivariante de capacidad, voltaje y resistencia. Sin embargo, estos enfoques eléctricos suelen requerir reglas de decisión complejas y específicas para cada defecto, y no logran proporcionar una firma unificada para diversas morfologías de defectos.

Metodología
Para abordar la heterogeneidad de los defectos, los autores construyeron un conjunto de datos controlado de 55 celdas tipo pouch (2 Ah) fabricadas en una línea de producción a escala industrial en CALB Group. El conjunto incluyó 30 celdas normales y 25 celdas defectuosas que representaban cinco clases distintas de defectos derivadas de casos reales de falla:

1. Materia extraña metálica
2. Pérdida de material activo en los bordes
3. Desgarro de la pestaña (tab tearing)
4. Agrietamiento del electrodo
5. Cierre de poros del separador

Todas las celdas se sometieron a un protocolo de formación idéntico y estandarizado que consistía en una carga de corriente constante (CC) de múltiples etapas, un reposo de 50 horas, una carga de corriente constante-voltaje constante (CCCV) y descarga. El estudio se centró en analizar la respuesta eléctrica durante la etapa de formación, específicamente la fase de carga CCCV.

Los autores introdujeron una nueva métrica, el índice de partición de aceptación de carga ($r_{CV}$), definido como:
$$r_{CV} = \frac{Q_{CV}}{Q_{CC} + Q_{CV}} \times 100\%$$
donde $Q_{CC}$ y $Q_{QCV}$ son las capacidades cargadas durante las etapas de corriente constante y voltaje constante, respectivamente. Este índice cuantifica la fracción de la carga total aceptada durante la etapa de CV. Los autores compararon $r_{CV}$ contra un amplio conjunto de características convencionales de la línea de producción (capacidad, voltaje terminal, valor K, resistencia, capacidad incremental) y desarrollaron un modelo mecanístico utilizando tres descriptores: consumo de carga por reacciones secundarias ($M_S$), heterogeneidad local ($M_H$) y desviación de transporte-cinética ($M_T$).

Resultados clave

1. Detección unificada mediante $r_{CV}$: A pesar de las diversas morfologías y vías de falla de las cinco clases de defectos, todas las celdas defectuosas exhibieron un desplazamiento descendente consistente en $r_{CV}$ en comparación con las celdas normales.

   • Celdas normales (Grupo F): rango de $r_{CV}$ 4.117%–4.640% (Mediana: 4.358%).
   • Celdas defectuosas (Grupos G–K): rango de $r_{CV}$ 3.357%–4.075% (Mediana: 3.805%).
   • Un único umbral aplicado a $r_{CV}$ separó completamente las 25 celdas defectuosas de las 30 celdas normales con cero falsos positivos.

2. Superioridad sobre las métricas convencionales: Las métricas de calidad convencionales (capacidad, voltaje terminal, valor K, resistencia) y las características extraídas de otras etapas (como la carga de tres etapas de CC) mostraron respuestas dependientes del tipo. Si bien algunas características detectaron defectos específicos, no lograron proporcionar una separación unificada para todas las clases de defectos bajo una sola regla de decisión. Además, el cálculo de $r_{CV}$ a partir de la carga CCCV del primer ciclo (post-formación) no logró mantener esta separación, lo que destaca la sensibilidad única de la etapa de formación ante las anomalías inducidas por defectos.

3. Interpretación mecanística: El análisis mecanístico reveló que, aunque los defectos son morfológicamente distintos, convergen en la misma consecuencia eléctrica al perturbar la aceptación de carga terminal a través de tres rutas distintas:

   • Consumo de carga por reacciones secundarias ($M_S$): Dominante en materia extraña metálica (reacciones parasitarias/fugas).
   • Heterogeneidad local ($M_H$): Prominente en la pérdida de material en los bordes, desgarro de la pestaña y agrietamiento del electrodo (desajuste de estado).
   • Desviación de transporte-cinética ($M_T$): Evidente en el cierre de poros del separador y otros defectos estructurales (obstrucción del transporte de iones).
     Un modelo lineal que combina estos tres descriptores reprodujo con éxito la disminución observada en $r_{CV}$ (correlación de Pearson: 0.871), confirmando que la reducción del índice es una consecuencia compartida de diversos mecanismos de defecto.

Significancia y Reivindicaciones
El artículo afirma que la carga de formación ofrece una "firma de línea de producción unificada, interpretable y de bajo costo" para la detección de defectos de fabricación. La contribución principal es la demostración de que los defectos de fabricación heterogéneos convergen en una respuesta eléctrica común: la reducción del índice de partición de la aceptación de carga durante la etapa de CV de la carga de formación.

A diferencia de los métodos anteriores que dependen de la adición de hardware de inspección o de la expansión del espacio de características con modelos multivariantes complejos, este enfoque utiliza una única característica informada por el proceso ($r_{CV}$) derivada de los datos ya registrados durante la formación estándar. Esto permite la separación de las celdas defectuosas de las normales utilizando un umbral simple, abordando el desafío de la diversidad de defectos sin aumentar la complejidad de las pruebas. Los autores posicionan esto como un paso hacia un control de calidad más simple y robusto que captura anomalías en etapas tempranas antes de que se conviertan en fallas pronunciadas, señalando que se necesita trabajo futuro para validar la generalizabilidad en conjuntos de datos más grandes, diversas severidades de defectos y diversas químicas de celdas.