Pruebas no destructivas

Pruebas no destructivas durante todo el ciclo de vida con NDE 4.0

NDE 4.0 integra las pruebas no destructivas con sensores, inteligencia artificial y gemelos digitales para ofrecer un análisis completo del ciclo de vida, escribe Nick Flaherty

Las pruebas no destructivas (NDT) están experimentando una transformación fundamental. La combinación de métodos NDT con inteligencia artificial, gemelos digitales y técnicas de detección está creando la posibilidad de un análisis en bucle cerrado de los defectos, lo que permite una mejora continua en la calidad del proceso de producción.

Este proceso de evaluación no destructiva (NDE) es un factor clave para mejorar la seguridad, el rendimiento y la escalabilidad en la fabricación de vehículos eléctricos, especialmente en lo que respecta a los paquetes de baterías y los motores.

Representa un cambio fundamental en la forma en que se aplica la inspección no destructiva dentro de los sistemas de fabricación modernos, especialmente para la producción de baterías de iones de litio. A diferencia de los enfoques tradicionales de inspección no destructiva, que suelen realizarse como pasos de inspección aislados y fuera de línea, la inspección no destructiva 4.0 se caracteriza por la integración de tecnologías de evaluación con la infraestructura de fabricación digital, la automatización y el análisis basado en datos. Esto está estrechamente alineado con los principios de la Industria 4.0, que enfatizan la conectividad, la adquisición de datos en tiempo real y la toma de decisiones inteligentes.

La característica definitoria de la NDE 4.0 es la transición de las inspecciones periódicas a una evaluación continua y en tiempo real. En la fabricación de baterías, donde pequeñas desviaciones en el proceso pueden provocar una grave degradación del rendimiento o riesgos para la seguridad, es fundamental poder detectar defectos en tiempo real. La NDE 4.0 permite la detección temprana de incoherencias en el proceso en múltiples etapas, incluidas la fabricación de electrodos, el ensamblaje de celdas y los procesos de formación, lo que permite implementar acciones correctivas antes de que los defectos se propaguen. Al integrar los datos tradicionales de NDE con el monitoreo del estado estructural y los datos sobre las condiciones del material, los fabricantes pueden mejorar el control del proceso mediante nuevas tecnologías de sensores, transmisión inalámbrica de datos y robótica. Las evaluaciones impulsadas por la IA también permiten realizar análisis más precisos del estado estructural y predicciones sobre la vida útil restante.

La digitalización es fundamental en el marco NDE 4.0. Los sensores avanzados de rayos X y ultrasonido generan grandes volúmenes de datos digitales de alta dimensión, que se procesan mediante algoritmos de aprendizaje automático e inteligencia artificial. Estas herramientas permiten la clasificación automatizada de defectos, la detección de anomalías y la determinación de la correlación entre las señales de pruebas no destructivas e indicadores del rendimiento de la batería como el SoC, el SoH y la vida útil restante.

Otro aspecto clave de la NDE 4.0 es la fusión de datos multimodales. En lugar de depender de un único método de evaluación, la NDE 4.0 integra información proveniente de múltiples modalidades de detección, incluida la evaluación ultrasónica, la termografía infrarroja, la espectroscopia de impedancia electroquímica (EIS) y técnicas basadas en imágenes. Esta fusión de datos complementarios mejora la sensibilidad para detectar defectos y reduce la incertidumbre, especialmente en el caso de mecanismos de fallo complejos y a múltiples escalas en las baterías de iones de litio.

NDE 4.0 también destaca la integración en bucle cerrado con los sistemas de fabricación y monitoreo. Los resultados de la evaluación se vinculan directamente con las plataformas de control de procesos, los gemelos digitales y los sistemas de gestión de baterías, lo que permite estrategias de fabricación adaptativas y un monitoreo mejorado durante el uso. Esta capacidad de bucle cerrado convierte a NDE de una herramienta pasiva de garantía de calidad en un componente activo de la optimización de procesos y la gestión del ciclo de vida.

Tipos de NDT

Las tecnologías de NDT son cruciales para garantizar la integridad estructural, la eficiencia y la seguridad de los componentes de vehículos eléctricos sin causar daños durante las inspecciones.

La prueba ultrasónica (UT) utiliza ondas sonoras para mapear las celdas de batería e identificar defectos internos como vacíos, delaminación y dendritas a nivel micro y nano. Se emplean métodos variantes como la UT de arreglo faseado, la UT de ondas guiadas y la UT acoplada al aire para inspeccionar carcasas compuestas, rotores de motores de alta velocidad y uniones adhesivas en estructuras de múltiples materiales.

Las configuraciones ultrasónicas más comunes incluyen los métodos de pulso-eco, transmisión directa y ondas guiadas. Los métodos de pulso-eco utilizan un único transductor e interpretan las señales reflejadas para identificar discontinuidades internas, mientras que los métodos de transmisión directa emplean transductores separados para transmisor y receptor a fin de cuantificar la atenuación y el retraso de las ondas a lo largo del espesor de la muestra, lo que mejora la sensibilidad ante cambios internos sutiles. Los métodos de ondas guiadas, incluidas las ondas Lamb, propagan el pulso ultrasónico a lo largo de la superficie de la muestra y presentan alta sensibilidad ante defectos de delaminación e intercapa, ya que su energía se ve fuertemente influenciada por las condiciones de contorno en las estructuras estratificadas.

Las cámaras infrarrojas pueden monitorear las emisiones térmicas y detectar anomalías. La termografía de bloqueo y pulsada permite identificar espacios de aire subterráneos, puntos críticos de resistencia por contacto en cables de alta tensión o obstrucciones en los canales de refrigerante en electrónica de potencia como inversores y baterías.

La exploración por rayos X y tomografía computarizada (XCT) utiliza la misma radiación ionizante que la empleada en hospitales para generar imágenes en 2D y 3D de alta resolución. Se aplica principalmente para inspeccionar las soldaduras entre celdas de batería y el conjunto completo, la alineación de los electrodos internos, las uniones por soldadura en semiconductores de potencia y las estructuras gigantes fabricadas por fundición.

La prueba por corrientes de Foucault (ECT) emplea inducción electromagnética para detectar defectos en la superficie y cerca de ella en componentes conductores. Se utiliza ampliamente para inspeccionar las soldaduras en forma de horquilla del estator de los motores eléctricos, las grietas en las laminas de los rotores y las soldaduras de las tapas de las baterías.

La evaluación por emisión acústica (AE) es una técnica no destructiva pasiva que detecta ondas elásticas transitorias generadas por la liberación súbita de energía localizada dentro de un material. En las baterías de iones de litio, tales liberaciones de energía suelen estar asociadas con la iniciación de microgrietas, la propagación de grietas, la fractura de partículas, la evolución de gases o el desprendimiento interfacial. Los sensores de AE, que incluyen dispositivos piezoeléctricos, de fibra óptica y basados en MEMS, convierten estas ondas elásticas en señales eléctricas que pueden analizarse en términos de amplitud, duración, contenido de frecuencia y tasa de eventos.

Las técnicas de ECM basadas en láser proporcionan mediciones de alta precisión y sin contacto de los componentes de las baterías, y se utilizan principalmente para la inspección dimensional, el perfilado de superficies y la detección de defectos. Los sistemas de escaneo láser permiten generar modelos 3D detallados, lo que facilita la identificación de desviaciones geométricas e irregularidades en las superficies con alta precisión. En comparación con la imagen por campo magnético, que se centra en la detección de defectos en los colectores de corriente al final del proceso, las técnicas basadas en láser ofrecen una mayor aplicabilidad en diferentes etapas de fabricación.

Los modelos de aprendizaje automático (como las CNN y las GAN) procesan los escaneos de inspección utilizando todas estas tecnologías en tiempo real para automatizar el reconocimiento de defectos, acortar los tiempos de inspección y reducir los falsos positivos.

Las redes de sensores, incluidos los sensores piezoeléctricos integrados, envían continuamente datos estructurales y operativos a las plataformas en la nube, lo que permite el monitoreo en tiempo real del estado estructural y las simulaciones de gemelos digitales. Esto respalda el mantenimiento predictivo, en el cual la simulación predice fallos basándose en datos históricos y programa el mantenimiento correctivo antes de que un vehículo falle.

Baterías

NDE 4.0 integra tecnologías de detección avanzadas con inteligencia artificial, análisis automatizado de datos y sistemas ciberfísicos para permitir una inspección continua en tiempo real de los componentes y ensamblajes de baterías. A diferencia de las pruebas tradicionales al final de la línea o los diagnósticos posteriores a una falla, los marcos de NDE 4.0 tienen como objetivo detectar defectos en etapas tempranas, seguir su evolución y ofrecer retroalimentación útil para los procesos de fabricación. Esta capacidad es especialmente valiosa dada la escala de las modernas gigafábricas y la creciente complejidad de la arquitectura de las baterías. Sin embargo, a pesar de los notables avances, la adopción generalizada de NDE 4.0 en la producción a gran escala de baterías para vehículos eléctricos sigue siendo limitada. Las principales dificultades incluyen la integración con las líneas de producción existentes, la escalabilidad en condiciones de alto rendimiento, la fusión de datos con las salidas del BMS y la validación a largo plazo de su fiabilidad y rentabilidad.

El uso de datos de pruebas no destructivas junto con modelos térmicos y estimaciones del BMS representa una oportunidad importante para mejorar las estrategias de mantenimiento predictivo, reducir el tiempo de inactividad y mitigar los riesgos de seguridad a lo largo del ciclo de vida de la batería. La adopción de NDE 4.0 puede disminuir las tasas de desecho, mejorar el rendimiento y reducir los costos de garantía y retirada de productos.

En aplicaciones de baterías, las técnicas de pruebas no destructivas se utilizan ampliamente para detectar defectos en la fabricación, evaluar la integridad estructural y monitorear los mecanismos de degradación tanto durante la producción como en el funcionamiento. La tecnología ha evolucionado desde inspecciones visuales simples y evaluaciones mecánicas básicas hasta enfoques avanzados de detección e imagen basados en la física, lo que supone un cambio fundamental en la forma en que se generan, procesan y utilizan los datos de inspección.

Los métodos de inspección no destructiva en servicio y de alerta temprana permiten un monitoreo continuo del estado de las baterías durante su funcionamiento. Los métodos basados en impedancia, la detección acústica y el monitoreo térmico pueden identificar tendencias anormales de degradación o riesgos de seguridad antes de que ocurra una falla catastrófica.

Esta clasificación destaca que una inspección eficaz de las baterías requiere una combinación complementaria de técnicas de inspección no destructiva seleccionadas según el tipo de defecto, la etapa de fabricación y los requisitos de productividad. Los métodos tradicionales de inspección no destructiva permiten una evaluación completa de las características físicas, mecánicas, térmicas y electroquímicas tanto externas como internas de las baterías de iones de litio, y la inspección visual sigue siendo un enfoque fundamental para identificar daños externos, deformaciones, fugas e irregularidades en la superficie.

Pruebas ultrasónicas

Estudios recientes han demostrado la viabilidad de la tecnología de ondas guiadas ultrasónicas para estimar el SoC y el SoH, utilizando características de señal en dominio temporal y frecuencial. Sin embargo, se ha observado que la sensibilidad al estado electroquímico disminuye con el envejecimiento, lo que indica la necesidad de estrategias de calibración que tengan en cuenta los cambios estructurales y materiales progresivos a lo largo del ciclo de vida de la batería. Otras investigaciones han utilizado el seguimiento del tiempo de vuelo ultrasónico para monitorear el SoC, con evidencias consistentes de que este tiempo está estrechamente relacionado con la temperatura y las condiciones mecánicas, lo que exige un desacoplamiento cuidadoso de los efectos térmicos para obtener inferencias fiables en sistemas prácticos. Esto destaca que la evaluación ultrasónica es prometedora para el monitoreo en tiempo real, pero su interpretabilidad depende del control o compensación de la temperatura, la presión y las condiciones de contorno.

La ultrasonida acoplada al aire también se ha presentado como un enfoque potencial para inspecciones sin contacto, lo que permite detectar delaminaciones, grietas y vacíos en electrodos y separadores, además de facilitar la estimación del SoC. Combinar la evaluación ultrasónica con la termografía infrarroja puede proporcionar información complementaria, ya que la ultrasonida examina la estructura interna mientras que la termografía captura anomalías térmicas en la superficie relacionadas con cambios de resistencia, producción de gas o calentamiento localizado.

Se han adoptado cada vez más enfoques basados en datos para relacionar las firmas acústicas con el estado electroquímico, y trabajos recientes han propuesto estrategias para la estimación conjunta del SoC y de la temperatura mediante ondas ultrasónicas reflejadas y el aumento de datos, con el fin de mejorar la robustez del modelo. La evaluación ultrasónica resulta especialmente atractiva para la NDE 4.0 debido a su compatibilidad con la automatización, su capacidad de medición rápida y su potencial integración con el aprendizaje automático para una clasificación escalable de defectos y un monitoreo en línea.

Rayos X y tomografía computarizada

XCT permite una caracterización detallada de defectos como el desalineamiento de los electrodos, vacíos, delaminación y deformación estructural que podrían contribuir a cortocircuitos internos. Su alta resolución espacial, incluido el nano-CT en contextos de investigación, facilita el estudio de características a pequeña escala como las interfaces entre electrodos y la no uniformidad microestructural.

Dentro de la investigación específica sobre baterías, el XCT se ha utilizado para desarrollar pautas de imagenología para materiales de baterías comerciales, así como para respaldar el análisis combinado electroquímico y tomográfico del comportamiento relacionado con la capacidad. Además, el XCT se ha empleado para seguir la progresión de la degradación electroquímica y mecánica durante el funcionamiento, visualizar la distribución espacial de los materiales activos y las variaciones en el grosor de los electrodos en celdas de gran formato, e investigar los riesgos de seguridad durante experimentos de penetración con clavos al observar los cambios estructurales internos y el comportamiento eléctrico durante una fuga térmica.

A pesar de estas ventajas, la implementación a gran escala de métodos de evaluación basados en rayos X ha sido difícil debido al costo del equipo, el tiempo de escaneo y los requisitos de seguridad radiológica que suelen requerir instalaciones especializadas y personal capacitado, aunque los costos del sistema están disminuyendo y la inteligencia artificial ayuda en la interpretación de los datos.

Un enfoque de reconstrucción en tiempo real procesa las proyecciones más recientes para generar una imagen 3D durante el experimento, lo que permite observar procesos dinámicos y realizar ajustes experimentales en tiempo real. Trabajos recientes también han explorado el aprendizaje justo a tiempo para la desenfoque basada en aprendizaje profundo y una inferencia rápida durante la adquisición de tomografías por rayos X, lo que brinda retroalimentación en tiempo real para la optimización de experimentos e interpretaciones automatizadas. Estos avances se alinean estrechamente con los objetivos de NDE 4.0, ya que permiten pipelines de generación de imágenes más rápidos, reconocimiento automático de defectos e integración de los resultados de las imágenes en marcos de fabricación digital.

Se ha desarrollado un sistema reciente de rayos X en línea para entornos de fabricación donde tanto la cobertura como el rendimiento son métricas importantes. Este sistema, diseñado para integrarse directamente en las líneas de producción existentes, inspecciona cada pieza a la velocidad completa del transportador sin necesidad de dispositivos fijadores ni otras interrupciones en el flujo de producción.

Hace tiempo que se utiliza la inspección por rayos X en línea convencional para detectar defectos evidentes, pero el valor de los datos generados siempre ha sido limitado. Al conectar la inspección por rayos X en las líneas de producción a una plataforma de software basada en la nube, cada escaneo se convierte en un punto de datos que permite la toma automática de decisiones, el monitoreo de procesos y la generación de informes organizacionales. Esto lleva a la inspección no destructiva más allá de una simple evaluación de aceptación/rechazo, ya que los datos se acumulan a lo largo de diferentes ciclos, turnos y ubicaciones.

Las configuraciones de la fuente y el detector de rayos X pueden organizarse en arrays para adaptarse a la forma en que se presentan las piezas en la línea de producción, así como a las regiones específicas de interés para su inspección en configuraciones 2D y 2.5D. La arquitectura multilínea 2.5D captura la información de profundidad en una sola pasada, lo que permite una visibilidad más detallada de los defectos en aplicaciones complejas. Las opciones de clasificación y rechazo configurables permiten controlar cómo se manejan las piezas marcadas posteriormente en el proceso.

Pruebas acústicas

La AE es especialmente eficaz para monitorear los procesos de daño activo que ocurren durante el funcionamiento de la batería, en lugar de solo detectar defectos estáticos. Estudios experimentales han demostrado que las señales de AE varían según la composición del material del electrodo y su estado electroquímico, revelando correlaciones entre las firmas acústicas y el comportamiento estable o inestable de la batería. Por lo general, se observan dos tipos dominantes de señales de AE: las emisiones de tipo continuo, asociadas a reacciones electroquímicas, y las emisiones de tipo pulso, relacionadas con eventos de daño mecánico discreto. Se ha comprobado que la actividad de AE continua durante la descarga está relacionada con el estado general de la batería, mientras que las emisiones de tipo pulso son más pronunciadas en las primeras etapas de ciclado e aumentan con el envejecimiento, siguiendo tendencias consistentes con el modelo de curva de bañera de degradación.

La evaluación por ondas acústicas ofrece ventajas para detectar daños en etapas tempranas que podrían no ser visibles mediante métodos basados en imágenes. Sin embargo, su sensibilidad al ruido de fondo, a las condiciones de contorno y a la ubicación del sensor complica su interpretación. Dentro del marco de NDE 4.0, la evaluación por ondas acústicas se beneficia significativamente de la clasificación automática de señales y del reconocimiento de patrones basado en el aprendizaje automático, lo que permite su implementación a escala para la detección temprana de fallos y el seguimiento del deterioro en los sistemas de baterías.

La tecnología de microscopía acústica por escaneo envía ondas sonoras de baja energía a través de una batería de tipo pouch comercial. La velocidad de la onda cambia al pasar por los diversos materiales que se encuentran dentro de la batería, lo cual permite a los investigadores obtener una visión completa, detallada y rápida de los cambios químicos en los materiales de la batería mientras se encuentra en uso.

El proceso puede ayudar a detectar defectos estructurales o daños que podrían causar un cortocircuito eléctrico, deficiencias o desequilibrios en los materiales que podrían afectar el rendimiento, así como indicadores de que es probable que surjan problemas. Una sustancia que la exploración detecta especialmente bien es el gas, lo cual es importante porque su presencia dentro de una batería indica zonas secas que podrían hacer que la celda falle durante su uso.

Termografía

Tanto los enfoques de termografía pasiva como activa se aplican en el análisis de baterías. La termografía infrarroja pasiva (IRT) se basa en el calor generado durante el funcionamiento normal de la batería, mientras que la IRT activa introduce una excitación externa para mejorar la visibilidad de los defectos. Se han reportado diversas fuentes de excitación, como el calentamiento por láser, lámparas de flash, excitación ultrasónica, calentamiento inductivo y estimulación eléctrica; la selección depende de las propiedades del material y de las características de los defectos. Las técnicas de termografía activa, en particular la IRT pulsada, han demostrado una gran capacidad para detectar delaminaciones y defectos internos a través de respuestas térmicas transitorias.

Varios estudios han combinado el IRT con mediciones de termopares para investigar el comportamiento térmico en celdas de iones de litio bajo diferentes tasas de descarga, revelando fuertes vínculos entre la distribución de temperatura, la geometría de la celda y las cargas aplicadas. Trabajos recientes también han introducido enfoques híbridos que integran la termografía con modelos térmicos agrupados para estimar la generación interna de calor en celdas tipo bolsa, lo que permite una mejor interpretación de los datos de temperatura superficial. Desde la perspectiva de NDE 4.0, el IRT es muy adecuado para inspecciones automatizadas y de alta velocidad, y puede mejorarse mediante el procesamiento de imágenes y el aprendizaje automático para la detección en tiempo real de anomalías y la supervisión predictiva de seguridad.

Detección láser

Estudios recientes han presentado sistemas de inspección láser sin contacto que combinan la excitación láser con un vibrómetro láser Doppler para detectar defectos internos en baterías de iones de litio durante su producción. Al analizar la propagación de ondas Lamb, estos sistemas pueden diferenciar las celdas intactas de las defectuosas, lo que permite un monitoreo en tiempo real y una clasificación cuantitativa de los defectos. Dichos métodos demuestran un gran potencial para la inspección en línea gracias a su naturaleza sin contacto y a su compatibilidad con la automatización.

Aunque las técnicas de evaluación basadas en láser ofrecen alta resolución y flexibilidad, persisten desafíos relacionados con el costo del sistema, la sensibilidad al entorno y los requisitos de procesamiento de datos. La investigación en curso se centra en mejorar la robustez, la resolución y la integración con líneas de fabricación automatizadas. Estos métodos basados en láser resultan especialmente atractivos cuando se combinan con procesamiento de señales avanzado e inteligencia artificial, lo que permite inspecciones escalables y de alto rendimiento para la producción de baterías de próxima generación.

Una colaboración reciente combina radiografía, tomografía computarizada y capacidades de ultrasonido impulsadas por inteligencia artificial para ofrecer una solución de inspección durante todo el ciclo de vida destinada a la fabricación, desarrollo y servicio en campo de baterías. El sistema de inspección conjunto es el primero del mercado que puede detectar los modos de fallo a lo largo del ciclo de vida de producción, brindando a los fabricantes de baterías mayor eficiencia en costos y una productividad más alta.

Ninguna tecnología de inspección por sí sola puede detectar todos los modos de fallo durante el ciclo de vida de producción, por lo que esta colaboración abarca el desarrollo conjunto de productos, la ingeniería conjunta de sondas de próxima generación y servicios integrados. El objetivo es abordar un desafío fundamental en la inspección al que se enfrentan las fábricas de baterías de todo el mundo: hasta el 90% de las celdas de batería para vehículos eléctricos contienen algún tipo de anomalía.

La capacidad de inspección en todo el ciclo de vida abarca desde la producción de celdas hasta el ensamblaje de módulos y los servicios en campo. Se utilizan la radiografía y el XCT para garantizar la calidad y analizar fallos en entornos de laboratorio. Además, se emplea XCT de grado I+D para el desarrollo de celdas y la caracterización de materiales, así como CT de alta energía para inspeccionar paquetes de baterías y módulos.

La electrónica de ultrasonidos de arreglo faseado, con algoritmos avanzados de formación de haces y sondas, se diseña e implementa específicamente en la empresa para entornos industriales. La tecnología de sondas de arreglo y la electrónica de procesamiento de señales se combinarán con una capa de análisis por IA para crear una plataforma de ultrasonidos en línea con mayor sensibilidad y resistencia en líneas de producción.

La combinación de múltiples tecnologías de inspección no destructiva, desde XCT y ultrasonidos para la detección en línea hasta el aprendizaje automático para cerrar el ciclo de retroalimentación con datos del proceso, permite a los fabricantes intervenir antes ante defectos, reducir los desechos al final de la línea y optimizar los procesos basándose en datos.

Incluso una pequeña mejora del rendimiento, por ejemplo de una fracción de punto porcentual a escala de gigafábricas, se traduce en ahorros anuales de decenas de millones al utilizar mediciones multimodales.

Un programa conjunto de prueba de concepto ha probado más de 400 celdas de batería mediante el flujo de trabajo combinado de UT y XCT, creando un conjunto de datos exhaustivo en el campo de la ciencia de datos aplicada a las baterías. El programa ha demostrado que el enfoque multimodal permite ahorrar más del 10% en costos en comparación con la inspección de modalidad única, además de lograr una mejora adicional del 12% en la tasa de detección de defectos.

Detección teraherziana

Otro método para detectar variaciones mínimas en el espesor de los electrodos de las baterías utiliza la detección teraherziana. Estas variaciones pueden contribuir a un desbordamiento térmico, y se espera que la tecnología de detección teraherziana más precisa mejore la seguridad y calidad de las baterías al identificar defectos invisibles durante el proceso de fabricación.

Esta tecnología combina ondas teraherzianas con una peineta de frecuencia óptica, la cual divide la frecuencia de la luz en intervalos uniformemente espaciados, similar a las marcas en una regla, y sirve como referencia para mediciones ultraprecisas a escala nanométrica.

En el núcleo de esta tecnología se encuentra la interferencia Fabry–Pérot, un patrón de interferencia regularmente espaciado que se genera cuando las ondas teraherzianas viajan repetidamente de ida y vuelta entre las superficies frontal y posterior de un electrodo. Este patrón de interferencia se utiliza como referencia para determinar el espesor del electrodo.

Permite capturar tanto el espesor del electrodo como su índice de refracción complejo en una sola medición, sin necesidad de un proceso de calibración separado. Utilizando electrodos de batería con un espesor de entre 50 y 150 μm, y obteniendo las mediciones en 0.2 segundos, el sistema detectó diferencias de espesor de hasta 70 nm en el ánodo y 465.5 nm en el cátodo. Esta velocidad de medición se considera suficiente para su uso en líneas de producción de baterías con movimiento rápido.

Cuando el tiempo de medición se aumentó a 25.6 segundos, la precisión mejoró aún más. El sistema pudo distinguir diferencias de hasta 7.8 nm en el ánodo y 25.2 nm en el cátodo. Esto representa una mejora en la precisión de hasta 100 veces en comparación con los métodos convencionales de análisis en dominio temporal, lo que permite detectar variaciones de espesor completamente invisibles a simple vista.

La tecnología no se limita a medir el espesor en un único punto. Puede generar un mapa 3D del espesor en todo el electrodo y seguir las variaciones graduales de espesor en tiempo real durante la producción. El sistema también puede medir con precisión un electrodo inclinado en un ángulo de aproximadamente 45°, lo que demuestra su potencial para aplicarse en líneas de fabricación de baterías del mundo real con alto ritmo de producción.

Además de las baterías de iones de litio, se espera que esta tecnología sirva como herramienta clave de control de calidad para la fabricación de baterías de estado sólido de próxima generación, que utilizan electrolitos sólidos en lugar de electrolitos líquidos. Al detectar defectos en una etapa temprana, la tecnología podría mejorar la seguridad y calidad de las baterías al mismo tiempo que permite procesos de fabricación más estables.

IA

La IA se está convirtiendo en un factor clave para la NDE 4.0 al transformar grandes volúmenes de datos de inspección en información útil sobre calidad y fiabilidad. Los modelos de aprendizaje automático pueden facilitar la interpretación en tiempo real de datos ultrasónicos, acústicos, térmicos e de imagen, ayudando a clasificar defectos, identificar áreas problemáticas, reducir falsos positivos y mejorar la consistencia de las decisiones de inspección. En entornos de producción, estas herramientas también pueden automatizar la generación de informes y enviar los resultados a los sistemas de control de procesos, lo que permite tomar medidas correctivas más rápidas y lograr una fabricación de baterías más escalable.

Gemelos digitales

Los gemelos digitales están transformando la NDE, pasándola de una detección pasiva de defectos a una inteligencia ingenieril continua que utiliza datos de IA.

En lugar de depender de capturas de pantalla estáticas o dibujos técnicos en 2D, los datos obtenidos de las inspecciones relacionados con mapas de corrosión, indicaciones de grietas, porosidad y pérdida de espesor de paredes se superponen directamente sobre el modelo 3D o la geometría CAD del activo, lo que elimina las ambigüedades en la interpretación entre los equipos.

También permite a expertos que no son especialistas en pruebas no destructivas, como gerentes de plantas, ingenieros de integridad, auditores y reguladores, comprender fácilmente la ubicación espacial de los defectos y los riesgos operativos sin necesidad de reconstruir mentalmente las condiciones del activo a partir de informes fragmentados.

Al correlacionar los datos actuales de inspección con registros históricos en un mismo entorno, los operadores pueden seguir la tasa de crecimiento de las imperfecciones, evaluar los mecanismos de degradación a lo largo del tiempo y predecir con precisión la vida útil restante.

La captura automática de datos y la integración en la nube garantizan que las posiciones de escaneo, los parámetros de calibración, las acciones del operador y la configuración de adquisición estén vinculados de forma permanente al modelo digital, lo que simplifica las auditorías regulatorias.

El entrenamiento de modelos de aprendizaje automático para emular simulaciones de alta fidelidad o intercalar entre ellas de manera inteligente crea gemelos digitales híbridos que conectan los modelos de baterías electroquímicas con cantidades observables como el voltaje, la corriente y la carga térmica. Estos gemelos digitales pueden luego integrarse en simuladores a nivel de sistema para facilitar la cosimulación y la integración del sistema, donde las baterías interactúan dinámicamente con el tren de potencia del vehículo, así como con los softwares de gestión y control térmico.

A pesar de sus ventajas, la implementación de NDE 4.0 plantea nuevos desafíos, como la complejidad en la gestión de datos, la generalización del modelo a diferentes químicas y formatos de baterías, y la necesidad de protocolos de datos estandarizados. Abordar estos desafíos es esencial para su adopción generalizada en la industria. No obstante, NDE 4.0 ofrece una base sólida para estrategias inteligentes de inspección y monitoreo que son fundamentales para una fabricación de vehículos eléctricos segura, fiable y escalable, desde el paquete de baterías y el tren motriz hasta el chasis y otros componentes. Gracias a herramientas multimodales, inteligencia artificial y gemelos digitales, esto puede aplicarse durante todo el ciclo de vida para mejorar la eficiencia de todo el proceso de producción.

Agradecimientos

Agradecemos a Arefeh Salimi Beni de la Georgia Southern University, Guseon Kang del KAIST, Sam Amsterdam de la Drexel University y Paul Perera de Waygate Technologies.

Haga clic aquí para leer el último número de E-Mobility Engineering.

Algunos proveedores de pruebas no destructivas

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