📊 statistics

A Neutrosophic Repetitive Dependent-State Sampling Plan for Truncated Cycle-Life Testing of Lithium-Ion Batteries

Este artigo propõe um Plano de Amostragem de Estado Dependente Repetitivo Neutrosófico Híbrido (NH-RDSSP) para testes de vida útil truncada de baterias de íons de lítio que integra reamostragem e dependência do histórico do lote, enquanto modela a incerteza lote a lote por meio de números neutrosóficos triangulares, validado através de derivações de forma fechada e calibração contra dados do mundo real de quatro fontes independentes.

Autores originais: Vaitheeswaran Gnanaraj, Balakrishnan Vellaikannan

Publicado 2026-08-26

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Vaitheeswaran Gnanaraj, Balakrishnan Vellaikannan

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

As baterias não são como lâmpadas que simplesmente queimam em um momento específico. Em vez disso, elas são mais parecidas com seres vivos que envelhecem lentamente, perdendo um pouco de sua força a cada carga e descarga. Para as baterias de íon-lítio que alimentam tudo, desde smartphones até carros elétricos, os engenheiros definem o fim da vida útil de uma bateria não como uma parada súbita, mas como o momento em que sua capacidade cai abaixo de um limite específico, geralmente oitenta por cento de seu poder original. Como testar cada bateria individual até que ela morra levaria anos e destruiria o produto, os fabricantes dependem de um atalho: eles testam uma pequena amostra de baterias por um número definido de ciclos e decidem se todo o lote é bom o suficiente para ser enviado. O problema é que as regras antigas para tomar essas decisões foram construídas para peças que falham subitamente, não para coisas que se degradam gradualmente. Elas também têm dificuldade em considerar o fato de que baterias de diferentes fábricas, ou mesmo lotes diferentes da mesma fábrica, envelhecem em taxas diferentes.

Uma equipe de pesquisadores desenvolveu uma nova maneira de realizar esses controles de qualidade que respeita a natureza lenta e constante do envelhecimento das baterias. Eles criaram um plano de teste híbrido que combina duas estratégias diferentes: uma que permite o reteste de uma amostra se os resultados forem incertos, e outra que observa o histórico de lotes anteriores para ajudar na decisão atual. Crucialmente, este novo método não finge saber a taxa exata de envelhecimento de cada bateria. Em vez disso, ele abraça a incerteza, usando uma abordagem matemática que reconhece o que é conhecido, o que é desconhecido e o que é meramente possível. Ao aplicar este método a dados do mundo real de ciclos de bateria, os pesquisadores descobriram que os padrões de envelhecimento dessas baterias são muito mais específicos à sua composição química e condições operacionais do que se pensava anteriormente. Eles também descobriram que um modelo matemático popular, frequentemente usado para prever a vida útil da bateria, estava na verdade falhando em ajustar-se corretamente aos dados, levando-os a recomendar um modelo diferente e mais confiável para testes futuros.

Os pesquisadores começaram repensando a própria definição de uma "falha" em um teste de bateria. No controle de qualidade tradicional, um teste para em um tempo fixo, e qualquer bateria que não tenha falhado até então é considerada boa. Mas para uma bateria, falhar é um processo de declínio. A equipe definiu o fim da vida útil como o momento específico em que a capacidade de uma bateria cai abaixo de oitenta por cento. Eles então construíram um sistema de tomada de decisão que atua como um inspetor cuidadoso. Se uma amostra de baterias mostra pouquíssimas falhas, o lote é aceito. Se mostra muitas falhas, é rejeitado. Mas se os resultados caem em uma área cinzenta, o sistema não apenas adivinha. Ele pode ou retirar uma nova amostra do mesmo lote para obter uma imagem mais clara, ou pode olhar os registros dos últimos lotes para ver se eles foram consistentemente bons ou ruins. Esta abordagem híbrida, que os autores chamam de plano neutrosófico repetitivo de estado dependente, permite uma decisão mais matizada que equilibra o risco de rejeitar um lote bom contra o risco de aceitar um lote ruim.

Para fazer este sistema funcionar, os pesquisadores tiveram que lidar com o fato de que não podem conhecer a velocidade exata de envelhecimento de cada bateria com antecedência. Diferentes lotes envelhecem de forma diferente devido a pequenas variações na fabricação ou diferenças em como são usados. A equipe introduziu uma maneira de representar essa incerteza não como um único número, mas como um intervalo de possibilidades que inclui um valor mais provável, um limite inferior e um limite superior. Eles também atribuíram graus de verdade, incerteza e falsidade a esses valores, permitindo que o sistema calcule riscos com base no pior cenário dentro desse intervalo. Isso garante que as garantias de segurança se mantenham verdadeiras mesmo se a taxa de envelhecimento real de uma bateria acabar sendo no extremo do espectro esperado.

A equipe então colocou este novo plano à prova usando dados reais de quatro fontes diferentes, incluindo arquivos da NASA, MICH e do Laboratório Nacional de Sandia. No total, analisaram dados de 115 células individuais em oito grupos distintos, cobrindo diferentes composições químicas e temperaturas de teste. Uma de suas descobertas mais significativas foi que você não pode simplesmente misturar dados de baterias testadas em diferentes temperaturas e esperar que funcione. Quando tentaram aplicar um modelo treinado em baterias testadas em uma temperatura quente para baterias testadas no frio, as previsões falharam catastroficamente. O processo de envelhecimento é impulsionado pela temperatura de uma forma determinística, o que significa que um modelo deve ser calibrado especificamente para as condições em que a bateria irá operar.

Outra grande descoberta diz respeito à forma matemática da curva de vida da bateria. Durante anos, pesquisadores debateram qual fórmula matemática melhor descreve como as baterias envelhecem. A equipe testou vários candidatos, incluindo um modelo complexo chamado Distribuição Exponencial Inversa Generalizada. Eles descobriram que este modelo consistentemente produzia resultados instáveis e irreais, com seus parâmetros explodindo para números impossíveis. Em contraste, um modelo simples e bem conhecido, chamado distribuição de Weibull, ajustou-se de forma confiável em todos os diferentes tipos químicos e condições que testaram. Isso sugere que o modelo de Weibull é a ferramenta correta para prever a vida útil das baterias nestes cenários, enquanto a alternativa mais complexa deve ser descartada para esta aplicação específica.

Os pesquisadores também descobriram uma falha oculta nos próprios dados. Em vários conjuntos de dados, encontraram um erro recorrente onde o sistema de registro ocasionalmente logava o mesmo valor de capacidade duas vezes ou registrava um valor zero, provavelmente devido a uma falha na programação do equipamento de teste. Este artefato, que apareceu em células de diferentes fabricantes e com diferentes químicas, teria distorcido os resultados se não fosse corrigido. Ao identificar e corrigir esses erros, a equipe foi capaz de refinar sua compreensão de quão rápido diferentes baterias envelhecem. Eles descobriram que a velocidade de envelhecimento varia significamente dependendo da química da bateria; por exemplo, um tipo de química de bateria mostrou um padrão de envelhecimento muito mais apertado e previsível do que outro, que tinha uma gama mais ampla de vidas úteis possíveis.

Em última análise, este trabalho fornece uma estrutura mais robusta para garantir a segurança e a confiabilidade das baterias que alimentam o nosso mundo moderno. Ao reconhecer que a incerteza é uma parte real do processo de fabricação e ao adaptar as regras de teste para as condições específicas da bateria, o novo plano oferece uma maneira de tomar melhores decisões de qualidade com menos testes. Os pesquisadores enfatizam que suas descobertas não são apenas teóricas; elas estão fundamentadas no comportamento real de baterias sob uma ampla variedade de condições. O estudo conclui que, para obter resultados precisos, os fabricantes devem calibrar seus planos de teste para tipos químicos e temperaturas de operação específicos, em vez de tentar usar uma regra única e universal para todas as baterias. Esta abordagem garante que as baterias enviadas aos consumidores sejam verdadeiramente seguras e confiáveis, mesmo à medida que a tecnologia continua a evoluir.

Resumo Técnico: Um Plano de Amostragem Neutrosófica Repetitiva de Estado Dependente para Testes de Ciclo de Vida Truncados de Baterias de Íons de Lítio

1. Definição do Problema

Os planos de amostragem de aceitação tradicionais para testes de vida truncados, como o Plano de Amostragem de Aceitação Repetitiva (RASP) e o Plano de Amostragem de Estado Dependente Múltiplo (MDSSP), foram desenvolvidos para componentes com tempos de falha nitidamente definidos. Essas abordagens clássicas são inadequadas para baterias de íons de lítio (Li-ion), que degradam continuamente em vez de falharem instantaneamente. Em células de Li-ion, o "fim de vida" é convencionalmente definido como o ponto onde a capacidade cai abaixo de um limiar de retenção específico (ex: 80% da capacidade nominal), um processo governado por trajetórias de degradação gradual.

Além disso, a literatura existente trata o RASP (mecanismos de reamostragem) e o MDSSP (dependência do histórico do lote) como arquiteturas separadas. Adicionalmente, planos clássicos frequentemente assumem um parâmetro de forma fixo e conhecido para a distribuição de vida, falhando em considerar a incerteza epistêmica decorrente da variabilidade entre lotes e diferenças de fabricação. Por fim, estudos anteriores não validaram empiricamente se o agrupamento de dados entre diferentes condições operacionais (ex: temperatura) ou químicas é estatisticamente sólido para esses componentes específicos.

2. Metodologia

O artigo propõe um Plano de Amostragem Neutrosófica Repetitiva de Estado Dependente (NH-RDSSP) projetado especificamente para testes de ciclo de vida truncados de baterias de Li-ion. A metodologia integra três componentes principais:

Redefinição de Truncamento: O evento de falha é redefinido não como uma ocorrência de tempo fixo, mas como o cruzamento de um limiar de Estado de Saúde (SOH) (ex: capacidade $\leq 80\%$ ).
Regra de Decisão Híbrida: O NH-RDSSP combina o mecanismo de reamostragem do RASP com a dependência do histórico do lote do MDSSP em uma única regra de decisão:
1. Uma amostra de $n$ células é testada até um ponto de truncamento $N_0$ (ciclos).
2. Se o número de falhas $d \leq c_1$ , o lote é aceito.
3. Se $d > c_2$ , o lote é rejeitado.
4. Se $c_1 < d \leq c_2$ , a decisão depende do histórico dos $m$ lotes precedentes. Se todos os lotes precedentes foram incondicionalmente aceitos, o lote atual é aceito; caso contrário, uma nova amostra é extraída (reamostragem).
Modelagem de Incerteza Neutrosófica: O parâmetro de forma ( $\gamma$ $γ$ ) regente é modelado como um número neutrosófico triangular de valor único $\tilde{\gamma} = \langle (\gamma_L, \gamma_M, \gamma_U); T_\gamma, I_\gamma, F_\gamma \rangle$ $\tilde{γ} = ⟨(γ_{L}, γ_{M}, γ_{U}); T_{γ}, I_{γ}, F_{γ} ⟩$ . Esta representação captura explicitamente:
- Verdade ( $T_\gamma$ ): Confiança na estimativa pontual.
- Indeterminação ( $I_\gamma$ ): Variabilidade não resolvida entre lotes.
- Falsidade ( $F_\gamma$ ): Evidência contra a estimativa pontual (ex: erro de ajuste do modelo).
- As restrições de risco (do Produtor e do Consumidor) são aplicadas através de todo o intervalo plausível do parâmetro neutrosófico (formulação de pior caso) em vez de apenas em uma estimativa pontual.
Distribuição Base: Embora a estrutura seja genérica, o artigo avalia empiricamente as distribuições Exponencial Invertida Generalizada (GIED), Lognormal e Weibull. A distribuição Weibull é mantida como o modelo base devido aos problemas de estabilidade numérica observados com a GIED (estimativas de forma divergentes) e ao ajuste empírico.

3. Principais Contribuições

O artigo identifica e aborda três lacunas específicas na literatura:

Enquadramento de Degradação: Ele altera o paradigma de amostragem de aceitação de um evento binário "falhou pelo tempo $t_0$ " para uma trajetória de degradação progressiva que termina em um limiar de SOH definido.
Arquitetura Híbrida: É o primeiro plano publicado (clássico ou neutrosófico) a aninhar a reamostragem do estilo RASP e a dependência do histórico do lote do estilo MDSSP dentro de um único procedimento operacional, fornecendo uma função de Característica de Operação (OC) de forma fechada e o Número Médio de Amostras (ASN).
Calibração Empírica e Consciente da Incerteza: Ele calibra o plano contra dados do mundo real de quatro fontes independentes (NASA, HNEI, MICH e Sandia National Laboratories), totalizando 115 células em oito grupos fisicamente distintos. Isso inclui um diagnóstico rigoroso de por que o agrupamento de dados entre diferentes temperaturas falha e a correção de artefatos periódicos de registro nos dados.

4. Resultados e Descobertas Empíricas

O estudo utilizou dados do NASA Prognostics Center of Excellence, HNEI, MICH e Sandia National Laboratories (SNL). As principais descobertas incluem:

Seleção de Distribuição: Em todos os oito grupos, a distribuição Weibull foi mantida como o modelo mais estável e apropriado. A Distribuição Exponencial Invertida Generalizada (GIED) foi decisivamente excluída devido à instabilidade numérica (estimativas de forma divergindo para valores implausíveis variando de $10^2$ a $10^{34}$ ). Embora a Lognormal tenha mostrado um ajuste competitivo em alguns casos (ex: HNEI), a Weibull foi mantida pela consistência arquitetural.
Condições de Contorno:
- Temperatura: Uma análise "Leave-One-Group-Out" revelou que o agrupamento de dados entre diferentes temperaturas (ex: 4°C vs. 24°C) leva a uma falha preditiva catastrófica. O plano é válido apenas para uma única temperatura de referência especificada.
- Protocolo de Formação: Falhas de generalização semelhantes foram observadas ao misturar diferentes protocolos de formação (BLForm vs. MCForm), mesmo em temperaturas fixas.
Artefatos de Dados: A análise descobriu e corrigiu um artefato de registro periódico (linhas pareadas de capacidade dupla/zero) presente nos conjuntos de dados HNEI e SNL, que de outra forma teria enviesado os parâmetros de forma ajustados.
Eficiência de Design: As tabelas de design resultantes mostram Números Médios de Amostras (ASN) variando de aproximadamente 3 a 26 ciclos. O estudo descobriu que para janelas de truncamento curtas ( $a=0.5$ ), a restrição de risco do produtor é satisfeita com quase certeza, tornando o risco do consumidor o fator determinante. Para janelas mais longas ( $a=1.0$ ), a restrição de risco do produtor torna-se vinculativa conforme a qualidade atinge a especificação.
Mapeamento Neutrosófico: O artigo fornece uma receita reproduzível para mapear diagnósticos de ajuste estatístico (níveis de confiança de Wald, metades relativas de IC, pesos de Akaike) para a tríade neutrosófica $(T_\gamma, I_\gamma, F_\gamma)$ . Este mapeamento foi instanciado com sucesso em cinco cenários de calibração distintos.

5. Significância e Alegações

O artigo posiciona-se como uma contribuição metodológica e de estágio de calibração. Sua principal significância reside em:

Tratamento Explícito da Incerteza: Ao utilizar estatística neutrosófica, o plano contabiliza explicitamente a incerteza epistêmica inerente aos lotes de fabricação de baterias, garantindo que as restrições de risco se mantenham ao longo de todo o intervalo de parâmetros de forma plausíveis, em vez de apenas em uma estimativa pontual.
Validação no Mundo Real: Diferente de muitos artigos de amostragem teórica que dependem de dados simulados, este trabalho valida sua metodologia contra 115 células reais de quatro fontes independentes, identificando condições de contorno específicas (temperatura e protocolo) onde o plano não deve ser aplicado sem recalibração.
Recomendação Prática: Os autores concluem que os parâmetros de forma devem ser calibrados por química e por condição operacional, em vez de serem agrupados. Eles afirmam que a Weibull é a distribuição base robusta para esses testes, enquanto a GIED deve ser evitada devido à instabilidade numérica.

O artigo reconhece modestamente as limitações, incluindo tamanhos de amostra pequenos em alguns grupos de calibração (ex: NASA $n=4$ ) e a necessidade de trabalhos futuros sobre procedimentos de inferência neutrosófica exata e a reconciliação de funções OC/ASN híbridas exatas para químicas específicas. Não pretende resolver todos os problemas de confiabilidade de baterias, mas oferece um arcabouço rigoroso e consciente da incerteza para amostragem de aceitação em testes de vida truncados.