无损检测
借助NDE 4.0实现无损全生命周期检测
Nick Flaherty撰文称，NDE 4.0将无损检测与传感器、人工智能及数字孪生技术相结合，从而实现完整的全生命周期分析。
无损检测技术正在经历根本性的变革。通过将各种无损检测方法与人工智能、数字孪生及传感技术相融合，可以实现对缺陷的闭环分析，进而持续提升生产过程的质量。
这种无损评估流程是提高电动汽车制造领域安全性、产量及可扩展性的关键手段，尤其适用于电池组和电机的生产。
它代表了现代制造系统中无损检测应用方式的根本性转变，尤其是在锂离子电池组的生产领域。与传统通常作为独立、离线检测步骤进行的无损检测方法不同，4.0版无损检测的特点是将评估技术与数字制造基础设施、自动化以及数据驱动的分析相整合。这与工业4.0的理念高度契合，后者注重互联互通、实时数据采集以及智能决策制定。
NDE 4.0的核心特点是从周期性检测转变为持续性的实时评估。在电池组制造过程中，微小的工艺偏差都可能引发严重的性能下降或安全风险，因此实时监测缺陷的能力至关重要。NDE 4.0能够在电极制造、电芯组装及成型等多个阶段及早发现制造缺陷，从而在缺陷进一步扩散之前采取纠正措施。通过将传统的无损检测数据与结构健康监测数据及材料状态数据相结合，制造商可以利用新型传感器技术、无线数据传输技术和机器人技术来提升工艺控制水平。人工智能驱动的评估方法还能更精准地判断结构健康状况并预测剩余使用寿命。
数字化是NDE 4.0框架的核心。先进的X射线和超声波传感器能够生成大量高维数字数据，这些数据通过机器学习和人工智能算法进行处理。这类工具可实现缺陷的自动分类、异常检测，并确定NDE信号与电池性能指标（如SoC、SoH及剩余使用寿命）之间的关联。
NDE 4.0的另一个关键方面是多模态数据融合。它不依赖单一的评估方法，而是整合来自多种传感方式的信息，包括超声检测、红外热成像、电化学阻抗谱分析以及基于成像的技术。这种互补数据的融合提升了缺陷检测的灵敏度并降低了不确定性，尤其适用于锂离子电池中复杂的多尺度失效机制。
NDE 4.0还强调与制造及监控系统实现闭环集成。评估结果可直接关联到过程控制平台、数字孪生模型以及电池管理系统，从而支持自适应的制造策略并提升在役监控能力。这种闭环功能使NDE从被动的质量保障工具转变为过程优化和全生命周期管理中的主动组成部分。
无损检测的类型
无损检测技术对于确保电动汽车零部件的结构完整性、效率及安全性至关重要，同时还能在检测过程中避免造成任何损坏。
超声波检测利用声波来绘制电池单元的图像，并在微观和纳米层面识别出空洞、分层以及枝晶等内部缺陷。相控阵超声波检测、导波超声波检测和空气耦合超声波检测等多种方法被用于检测复合外壳、高速电机转子以及多材料结构中的粘合部位。
最常见的超声检测方法包括脉冲回波法、透射法和导波法。脉冲回波法使用单个换能器，通过分析反射信号来识别内部不连续性；而透射法则利用独立的发射换能器和接收换能器，来量化声波在材料厚度方向上的衰减和传播延迟，从而提高对细微内部变化的检测灵敏度。导波法，如兰姆波，能使超声脉冲沿材料表面传播，由于其能量会受到层状结构内部边界条件的强烈影响，因此对分层和层间缺陷具有很高的检测灵敏度。
红外相机能够监测热辐射并识别异常情况。锁相热成像与脉冲热成像技术可检测地下空气间隙、高压线路中的接触电阻热点，以及逆变器和电池组等电力电子设备中的冷却通道堵塞问题。
X射线与计算机断层扫描（XCT）使用与医院相同的电离辐射来生成高分辨率的2D和3D图像。这类技术主要用于检测电池单体与电池组的焊接情况、内部电极的对齐程度、功率半导体中的焊点状况，以及大型结构件的质量。
涡流检测（ECT）利用电磁感应来发现导电部件表面的及近表面缺陷。该技术常被用于检测电动机定子上的针状焊点、转子中的层间裂纹以及电池极片的焊接质量。
声发射检测是一种无源的无损检测技术，用于探测材料内部局部能量突然释放所产生的瞬态弹性波。在锂离子电池中，这类能量释放通常与微裂纹的产生、裂纹扩展、颗粒断裂、气体析出或界面脱粘有关。声发射传感器包括压电式、光纤式以及基于MEMS的装置，它们能将这些弹性波转换为电信号，进而从振幅、持续时间、频率成分和事件发生率等方面对信号进行分析。
基于激光的近端检测技术能够对电池组件进行高精度、非接触式的测量，主要用于尺寸检测、表面形貌分析以及缺陷识别。激光扫描系统可生成详细的3D模型，从而高精度地识别几何偏差和表面不规则性。与侧重于在生产线末端检测集流体缺陷的磁场成像技术相比，基于激光的技术在不同制造阶段具有更广泛的应用范围。
机器学习模型（如CNN和GAN）能够实时处理运用这些技术获取的检测数据，实现缺陷识别的自动化，缩短检测时间并减少误报现象。
包括嵌入式压电传感器在内的传感器网络会持续将结构与运行数据传输至云平台，从而实现实时的结构健康监测以及数字孪生模拟与监控。这有助于开展预测性维护，即通过历史数据预测故障，并在车辆出现故障前安排维修。
电池组
NDE 4.0将先进的传感技术、人工智能、自动化数据分析以及信息物理系统相结合，从而实现对电池组件及整体的持续在线检测。与传统的分拣线测试或故障后诊断不同，NDE 4.0框架旨在及早发现缺陷、追踪缺陷的发展趋势，并为制造流程提供可操作的反馈。鉴于现代大型电池工厂的规模以及电池架构日益复杂的现状，这一功能显得尤为重要。然而，尽管已取得显著进展，NDE 4.0在大规模电动汽车电池生产中的广泛应用仍十分有限。其主要挑战包括与现有生产线的整合、高产量条件下的扩展性、与电池管理系统输出数据的融合，以及长期可靠性与成本效益的验证。
将无损检测数据与热模型及电池管理系统估算结果相结合，为优化预测性维护策略、减少停机时间并降低整个电池生命周期中的安全风险提供了重要机遇。采用NDE 4.0技术可降低废品率、提高良品率，进而减少保修和召回成本。
在役检测与预警无损检测方法能够实现对电池运行状态的健康状况进行持续监测。基于阻抗的方法、声学传感以及温度监控技术，可在电池发生灾难性故障之前检测出异常的退化趋势或安全风险。
该分类强调，有效的电池检测需要根据缺陷类型、制造阶段以及生产效率要求，选择多种无损检测技术进行组合使用。传统的无损检测方法能够全面评估锂离子电池的外部及内部物理、机械、热学和电化学特性，而目视检查依然是识别外部损伤、变形、漏液以及表面不规则现象的基本方法。
超声波检测
近期研究通过时域和频域信号特征，证明了利用超声导波技术估算电池剩余电量及健康状态的可行性。然而，研究表明其对电化学状态的敏感度会随老化而降低，这表明需要制定能够考虑电池生命周期中结构和材料逐渐变化的校准策略。另有研究采用超声飞行时间检测方法来监测电池剩余电量，结果一致显示飞行时间与温度及机械状态密切相关，因此在实际系统中进行可靠推断时必须仔细分离热效应的影响。这表明超声评估方法在实时监测方面具有很大潜力，但其可解释性取决于对温度、压力及边界条件的控制或补偿。
气耦合超声波也已成为一种潜在的非接触式检测方法，能够检测电极和隔膜中的分层、裂纹及空洞现象，同时还能辅助进行电池容量估算。将超声波检测与红外热成像技术结合使用可以获取互补信息：超声波用于探测内部结构，而热成像则能捕捉与电阻变化、气体产生或局部过热相关的表面温度异常。
越来越多的研究采用数据驱动方法将声学特征与电化学状态联系起来，近期还有工作提出了利用反射超声波和数据增强技术来联合估计电池剩余电量与温度的策略，以此提升模型的稳健性。鉴于其与自动化系统的兼容性、快速的测量能力，以及与机器学习结合实现可扩展的缺陷分类和在线监测的潜力，超声评估在NDE 4.0中具有特别的优势。
X射线与计算机断层扫描
XCT能够对可能导致内部短路的缺陷进行详细表征，这些缺陷包括电极错位、气孔、分层以及结构变形。其在研究领域中具备的纳米级CT技术所带来的高空间分辨率，有助于观察电极界面及微观结构不均匀性等精细特征。
在针对电池的专项研究中，XCT被用于制定商用电池材料的成像规范，并为电化学分析与断层扫描相结合的方法研究电池容量相关特性提供支持。此外，XCT还被用于追踪电池在运行过程中的电化学和机械退化趋势，可视化大尺寸电池中活性物质的空间分布及电极厚度的变化情况，同时通过观察热失控过程中的内部结构变化与电学行为，研究电池在针刺实验中的安全风险。尽管具有这些优势，但由于设备成本、扫描时间以及辐射安全要求——这些通常需要专门的设施和受过培训的人员，基于X射线的检测方法的大规模现场应用仍然面临挑战，不过系统成本正在下降，人工智能也在帮助分析数据。
一种实时重建方法能够在实验过程中处理最新的投影数据以生成3D图像，从而实现动态过程的实时观察以及实验参数的即时调整。近期研究还探索了基于深度学习的去噪技术的即时学习方法，以及X射线断层扫描采集过程中的快速推理技术，这些都有助于为实验优化提供实时反馈并实现自动分析。这些进展与NDE 4.0的目标高度契合，它们能够提升成像流程的速度、实现缺陷的自动识别，并将成像结果整合到数字化制造框架中。
为满足对检测覆盖范围和生产效率都有较高要求的制造环境，最近研发出一种新型的在线阵列式X射线系统。该系统可直接集成到现有的生产线上，能够在输送带全速运行时对每个零件进行检测，且无需使用固定装置或中断生产流程。
传统的在线X射线扫描长期以来一直用于检测明显的缺陷，但其生成的数据价值始终有限。将生产线上的X射线检测与基于云的软件平台相连后，每次扫描都会产生一个数据点，这些数据可用于自动化决策、流程监控以及企业报告。这样一来，无损检测便不再仅仅是合格/不合格的简单筛选，因为数据可以跨多次生产、不同班次和不同工厂进行积累。
X射线源与探测器的配置可以按生产线上的零件排列方式进行调整，通过2D或2.5D阵列结构定位需要检测的具体区域。多线型2.5D架构能够在单次扫描中获取深度信息，从而为复杂应用提供更清晰的缺陷显示效果。可配置的分类与拒收选项可控制对标记出的零件的后续处理方式。
声学检测
声发射技术在监测电池工作过程中发生的动态损伤过程方面尤为有效，而不仅仅能检测静态缺陷。实验研究表明，声发射信号会随电极材料成分及电化学状态的变化而改变，从而揭示出声学特征与电池稳定或不稳定行为之间的关联。通常可观察到两种主要的声发射信号类型：与电化学反应相关的连续型信号，以及与离散机械损伤事件相关的脉冲型信号。放电过程中的连续声发射活动与电池的整体健康状况相关，而脉冲型信号在电池循环的早期阶段更为明显，并会随着老化程度增加而增强，其变化趋势与电池退化的浴缸曲线模型一致。
声发射评估能够在检测早期损伤方面发挥优势，而这些损伤可能通过成像方法无法被发现。然而，它对背景噪声、边界条件以及传感器位置的敏感度增加了解读的复杂性。在NDE 4.0框架下，借助自动信号分类和基于机器学习的模式识别技术，声发射评估的优势得以显著提升，从而能够实现规模化应用，用于电池系统的早期故障检测与性能衰退监测。
扫描声学显微镜技术会向商用软包电池发射低能量声波。当声波穿过电池内部的各类材料时，其传播速度会发生变化，这使得研究人员能够快速、全面且详细地了解电池材料在使用过程中的化学变化情况。
该检测过程有助于发现可能导致电气短路的结构缺陷或损伤、会影响性能的材料不足或失衡问题，以及可能引发故障的预警信号。其中，这种扫描技术尤其擅长检测气体，这一点非常重要，因为电池内部存在气体意味着存在干燥区域，这些区域可能会在使用过程中导致电池失效。
热成像
在电池分析中，既有被动热成像技术也有主动热成像技术被广泛应用。被动红外热成像依赖于电池正常工作过程中产生的热量，而主动红外热成像则通过外部激励来提升缺陷的可见度。目前已有多种激励源被报道，包括激光加热、闪光灯、超声激励、感应加热和电刺激等，具体选择需根据材料特性和缺陷特征来决定。主动热成像技术，尤其是脉冲红外热成像，凭借对瞬态热响应的捕捉，在检测分层现象和内部缺陷方面展现出强大的能力。
多项研究将IRT与热电偶测量相结合，用于探究不同放电速率下锂离子电池的热行为，发现温度分布、电池几何结构与所受载荷之间存在密切关联。近期还有研究采用了将热成像技术与集总热模型相结合的混合方法，以此估算软包电池内的热量产生情况，从而更准确地解读表面温度数据。从NDE 4.0的角度来看，IRT非常适合用于自动化、高速检测，并且通过图像处理和机器学习技术可以进一步提升其性能，实现实时异常检测与预测性安全监控。
激光传感
近期有研究提出了非接触式激光检测系统，该系统将激光激发与激光多普勒振动仪相结合，用于在锂离子电池生产过程中检测其内部缺陷。通过分析兰姆波的传播情况，这些系统能够区分完好电池与有缺陷的电池，从而实现实时监测和定量缺陷分类。由于具备非接触特性且能与自动化流程兼容，这类方法在在线检测领域展现出巨大潜力。
尽管基于激光的评估技术具有高分辨率和灵活性，但在系统成本、环境敏感性以及数据处理要求方面仍存在挑战。当前的研究重点在于提升其稳定性、分辨率，并实现与自动化生产线的集成。当这些激光技术与先进的信号处理技术和人工智能相结合时，能够为下一代电池组的生产提供可扩展、高效率的检测方案，因而极具吸引力。
最近的一项合作将射线照相、计算机断层扫描以及人工智能驱动的超声技术相结合，为电池制造、研发及现场服务提供了完整的生命周期检测解决方案。该联合检测系统是市场上首个能够识别整个生产生命周期中各种故障模式的系统，有助于电池制造商降低成本并提高产量。
没有任何一种检测技术能够识别生产生命周期中的所有故障模式，因此这项合作涵盖了联合产品开发、下一代探头的共同设计以及一体化服务。其目的是解决全球电池工厂面临的一个根本性检测难题，即高达90%的电动汽车电池单元存在某种形式的异常。
完整的生命周期检测能力覆盖从电芯生产到模块组装及现场服务的整个流程，实验室环境中采用射线照相和XCT进行质量保证与故障分析；电芯研发及材料特性测试则使用研发级XCT，而电池包及模块级别的检测则依靠高能CT。
为工业环境专门设计并定制了具备先进波束形成算法及探头的相控阵超声设备。阵列探头技术与信号处理电路相结合，并通过人工智能分析层，打造出灵敏度更高、更适用于生产线的在线超声检测平台。
通过结合多种无损检测技术——从用于在线检测的XCT和超声波，到利用机器学习与工艺数据形成反馈循环——制造商能够更早发现缺陷、减少生产线末端的废品率，并实现基于数据的工艺优化。
即便在巨型工厂规模下仅有万分之一的产量提升，通过多模态检测方法也能带来数千万的年度节省。
一项联合概念验证项目通过UT和XCT相结合的工作流程对400多节电池进行了检测，从而构建了一个全面的电池数据科学数据库。该项目证明，与单一检测模式相比，多模态方法可节省10%以上的成本，同时缺陷识别率还能提高12%。
太赫兹传感
另一种用于检测电池电极厚度微小变化的方法是太赫兹传感技术。这些细微变化可能导致热失控，而更精确的太赫兹传感技术有望通过识别制造过程中无法发现的缺陷来提升电池的安全性与质量。
该技术将太赫兹波与光学频率梳结合使用，后者能将光频划分为间隔均匀的区间，类似尺子上的刻度，从而为纳米级的高精度测量提供参考。
该技术的核心是法布里-珀罗干涉现象，即当太赫兹波在电极的正面与背面之间反复往返时会产生间隔规律的干涉图案，这种干涉图案被用作确定电极厚度的参考依据。
该技术可在单次测量中同时获取电极厚度与复折射率，无需额外的校准流程。使用厚度在50至150微米之间的电池电极，测量时间仅为0.2秒，该系统便能检测出阳极70纳米、阴极465.5纳米的微小厚度差异。这样的测量速度足以满足快速运转的电池生产线的需求。
当测量时间延长至25.6秒时，精度进一步提升。系统可分辨出阳极7.8纳米、阴极25.2纳米的微小差异。与传统时域分析方法相比，其精度提升了多达100倍，能够检测出肉眼完全无法察觉的厚度变化。
该技术不仅限于测量单一点的厚度，还能生成整个电极的厚度三维分布图，并在生产过程中实时追踪厚度的渐变情况。该系统还能准确测量倾斜角度约为45°的电极，显示出其在快速运转的实际电池生产线上应用的潜力。
除了锂离子电池外，这项技术预计还将成为制造下一代全固态电池的关键质量控制工具，这类电池使用固体电解质而非液体电解质。通过及早发现缺陷，该技术有望提升电池的安全性与质量，同时实现更稳定的生产流程。
人工智能
人工智能通过将大量检测数据转化为可用的质量与可靠性分析结果，正成为NDE 4.0的重要推动力。机器学习模型能够实时解析超声、声学、热成像及图像数据，帮助分类缺陷、识别问题区域、减少误报，并提升检测决策的一致性。在生产环境中，这些工具还能实现报告自动化，并将结果反馈至过程控制系统，从而加快纠正措施的实施速度，提升电池组制造的规模化能力。
数字孪生
借助人工智能数据，数字孪生技术正在将NDE从被动的缺陷检测转变为持续的工程智能分析方式。
无需依赖静态截图或二维技术图纸，腐蚀分布图、裂纹迹象、孔隙率以及壁厚减薄等检测结果数据可直接叠加在资产的3D模型或CAD几何结构上，从而消除不同团队之间的解读歧义。
这还能让非无损检测领域的专家，如工厂管理人员、完整性工程师、审核员和监管人员，无需从零散的报告中自行推断资产状况，就能轻松了解缺陷的空间位置及运营风险。
通过在一个统一的环境中将当前检测数据与历史记录相互关联，操作人员可以追踪缺陷的发展速度，评估随时间变化的劣化机制，并准确预测剩余使用寿命。
自动数据采集与云集成功能可确保扫描位置、校准参数、操作员操作及采集设置永久关联到数字模型中，从而简化监管审计流程。
通过训练机器学习模型来模拟高精度仿真结果或智能地在不同仿真结果之间插值，可创建出混合型数字孪生体，将电化学电池模型与电压、电流和热负荷等可观测量相连接。这些数字孪生体随后可被嵌入到系统级仿真器中，用于支持联合仿真与系统集成，使电池能够与车辆的动力总成、热管理及控制软件实现动态交互。
尽管具有诸多优势，NDE 4.0的落地仍带来了新的挑战，包括数据管理复杂性、模型在不同电池化学成分及格式下的泛化能力问题，以及标准化数据协议的需求。解决这些挑战对于其在工业领域的广泛应用至关重要。不过，NDE 4.0为智能检测与监控策略奠定了坚实基础，而这些策略对于实现从电池组、动力总成到底盘及其他部件的安全、可靠且可扩展的电动汽车制造至关重要。借助多模态工具、人工智能和数字孪生技术，这些策略可应用于整个生命周期，从而提升整个生产过程的效率。
致谢
感谢乔治亚南方大学的Arefeh Salimi Beni、KAIST的Guseon Kang、德雷塞尔大学的Sam Amsterdam以及Waygate Technologies的Paul Perera。
点击此处阅读最新一期的《E-Mobility Engineering》。
一些无损检测供应商
Advacam
www.advacam.com
Comet Yxlon
yxlon.comet.tech
Duoverse
www.duoverse.ai
Lumafield
www.lumafield.com
Metrix NDT
www.metrixndt.com
Waygate Technologies / Baker Hughes
www.bakerhughes.com
Zeiss