Formation charging reveals hidden manufacturing defects in lithium-ion batteries

Resumo Técnico: A Carga de Formação Revela Defeitos de Fabricação Ocultos em Baterias de Íon-Lítio

Definição do Problema
Defeitos de fabricação em baterias de íon-lítio (LIBs) apresentam um desafio persistente de segurança, frequentemente levando a incêndios espontâneos abruptos em veículos elétricos (EVs). Esses defeitos, que incluem matéria estranha metálica, fissuras nos eletrodos e fechamento de poros do separador, são introduzidos durante a fabricação e permanecem selados dentro da célula. Crucialmente, eles frequentemente não produzem anormalidades discerníveis em sinais rotineiros de corrente, voltagem ou temperatura antes de uma falha perigosa ocorrer. As estratégias de detecção existentes geralmente se dividem em duas categorias: inspeção por hardware dedicado (ex: raio-X, ultrassom, câmeras visuais), o que aumenta a complexidade da instrumentação, ou extração de características elétricas utilizando classificação multivariada de capacidade, voltagem e resistência. No entanto, essas abordagens elétricas frequentemente exigem regras de decisão complexas e específicas para cada defeito, falhando em fornecer uma assinatura unificada para diversas morfologias de defeitos.

Metodologia
Para abordar a heterogeneidade dos defeitos, os autores construíram um conjunto de dados controlado de 55 células tipo pouch (2 Ah) fabricadas em uma linha de produção de escala industrial na CALB Group. O conjunto incluiu 30 células normais e 25 células defeituosas representando cinco classes distintas de defeitos derivadas de casos reais de falha:

1. Matéria estranha metálica
2. Perda de material ativo nas bordas
3. Ruptura de terminal (tab tearing)
4. Fissura no eletrodo
5. Fechamento de poros do separador

Todas as células foram submetidas a um protocolo de formação idêntico e padronizado envolvendo carga de corrente constante (CC) em múltiplas etapas, um repouso de 50 horas, carga de corrente constante–voltagem constante (CCCV) e descarga. O estudo focou na análise da resposta elétrica durante a etapa de formação, especificamente na fase de carga CCCV.

Os autores introduziram uma nova métrica, o índice de partição de aceitação de carga ($r_{CV}$), definido como:
$$r_{CV} = \frac{Q_{CV}}{Q_{CC} + Q_{CV}} \times 100\%$$
onde $Q_{CC}$ e $Q_{CV}$ são as capacidades carregadas durante as etapas de corrente constante e voltagem constante, respectivamente. Este índice quantifica a fração da carga total aceita durante a etapa CV. Os autores compararam o $r_{CV}$ contra um amplo conjunto de métricas convencionais de linha de produção (capacidade, voltagem terminal, valor-K, resistência, capacidade incremental) e desenvolveram um modelo mecanístico utilizando três descritores: consumo de carga por reações secundárias ($M_S$), heterogeneidade local ($M_H$) e desvio de transporte–cinética ($M_T$).

Principais Resultados

1. Detecção Unificada via $r_{CV}$: Apesar das diversas morfologias e vias de falha dos cinco tipos de defeitos, todas as células defeituosas exibiram um deslocamento descendente consistente no $r_{CV}$ em comparação com as células normais.

   • Células normais (Grupo F): intervalo de $r_{CV}$ de 4,117%–4,640% (Mediana: 4,358%).
   • Células defeituosas (Grupos G–K): intervalo de $r_{CV}$ de 3,357%–4,075% (Mediana: 3,805%).
   • Um único limiar aplicado ao $r_{CV}$ separou completamente todas as 25 células defeituosas das 30 células normais com zero falsos positivos.

2. Superioridade sobre Métricas Convencionais: As métricas de qualidade convencionais (capacidade, voltagem terminal, valor-K, resistência) e as características extraídas de outras etapas (como a carga CC de três estágios) mostraram respostas dependentes do tipo de defeito. Embora algumas características detectassem defeitos específicos, elas falharam em fornecer uma separação unificada através de uma única regra de decisão para todos os tipos de defeitos. Além disso, o cálculo do $r_{CV}$ a partir da carga CCCV do primeiro ciclo (pós-formação) não conseguiu manter essa separação, destacando a sensibilidade única da etapa de formação para anormalidades induzidas por defeitos.

3. Interpretação Mecanística: A análise mecanística revelou que, embora os defeitos sejam morfologicamente distintos, eles convergem para a mesma consequência elétrica ao perturbar a aceitação de carga terminal através de três rotas distintas:

   • Consumo de carga por reações secundárias ($M_S$): Dominante em matéria estranha metálica (reações parasitárias/fuga de corrente).
   • Heterogeneidade local ($M_H$): Proeminente em perda de material nas bordas, ruptura de terminal e fissura no eletrodo (descompasso de estado).
   • Desvio de transporte–cinética ($M_T$): Evidente no fechamento de poros do separador e outros defeitos estruturais (obstrução do transporte de íons).
     Um modelo linear combinando esses três descritores reproduziu com sucesso a redução observada no $r_{CV}$ (correlação de Pearson: 0,871), confirmando que a redução do índice é uma consequência compartilhada de diversos mecanismos de defeito.

Significância e Alegações
O artigo afirma que a carga de formação oferece uma "assinatura de linha de produção unificada, interpretável e de baixo custo" para a detecção de defeitos de fabricação. A principal contribuição é a demonstração de que defeitos de fabricação heterogêneos convergem para uma resposta elétrica comum — a redução do índice de partição de aceitação de carga durante a etapa de CV da carga de formação.

Ao contrário de métodos anteriores que dependem da adição de hardware de inspeção ou da expansão do espaço de características com modelos multivariados complexos, esta abordagem utiliza uma única característica informada pelo processo ($r_{CV}$) derivada de dados já registrados durante a formação padrão. Isso permite a separação de células defeituosas de células normais usando um limiar simples, abordando o desafio da diversidade de defeitos sem aumentar a complexidade dos testes. Os autores posicionam isso como um passo em direção a um controle de qualidade mais simples e robusto que captura anormalidades em estágio inicial antes que se tornem falhas pronunciadas, observando, contudo, que trabalhos futuros são necessários para validar a generalização em conjuntos de dados maiores, diferentes severidades de defeitos e diversas químicas de células.