Sistemas de gerenciamento de bateria

O BMS inteligente está a chegar

Os sistemas de gestão de baterias estão a passar por uma transformação significativa, conforme revelado por Peter Donaldson

Há décadas, o sistema de gestão de baterias (BMS) cumpria um propósito relativamente simples: proteger a bateria de operar fora dos seus limites seguros, estimar o seu nível de carga e garantir que o veículo pudesse arrancar e parar de forma fiável. Estas funções eram determinísticas, baseadas em regras e, crucialmente, totalmente compreensíveis para os engenheiros que as projetaram. Cada decisão podia ser rastreada até a uma entrada específica, um limiar definido ou um modelo calibrado. Hoje, no entanto, as coisas estão a tornar-se significativamente mais complexas do que isso.

A bateria evoluiu de um componente passivo de armazenamento de energia para um ativo ativo que gera dados. O BMS está se transformando de um controlador voltado para a segurança em um sistema operacional inteligente capaz de previsão, adaptação e otimização econômica. Essa transformação é impulsionada por três forças convergentes: a complexidade das químicas modernas de baterias, a proliferação da conectividade e da computação em nuvem, e o crescente reconhecimento de que a inteligência das baterias representa um valor econômico significativo.

No entanto, essa evolução traz desafios técnicos profundos. Uma indústria baseada em segurança determinística agora precisa lidar com a natureza probabilística da IA. Ela se depara com a necessidade de equilibrar as demandas computacionais de modelos físicos de alta fidelidade com os requisitos de escalabilidade das frotas globais. Também deve garantir que uma bateria permaneça segura quando desconectada da nuvem. Além disso, precisa desenvolver sistemas capazes de se adaptar a químicas de baterias que ainda não foram implementadas ou mesmo completamente desenvolvidas.

A IA como complemento, não substituto

O consenso mais marcante entre os profissionais do setor é que a IA não pode – e não deve – substituir as funções de segurança determinísticas. Cada líder técnico entrevistado enfatizou que as decisões críticas para a segurança devem permanecer rastreáveis, verificáveis e, em última análise, compreensíveis para os engenheiros responsáveis por elas.

Esta posição reflete uma compreensão madura tanto das capacidades quanto das limitações da IA. O aprendizado de máquina se destaca na identificação de padrões em dados complexos e de alta dimensão. Ele consegue extrair informações de condições operacionais que são difíceis de modelar a partir de princípios básicos. Pode se adaptar a novos dados e melhorar ao longo do tempo. Porém, também é opaco, propenso a comportamentos inesperados quando confrontado com condições fora de sua distribuição de treinamento – o conjunto de dados do comportamento histórico das baterias em termos de curvas de tensão, flutuações de temperatura, cargas de corrente, padrões de envelhecimento etc., fornecidos à IA – e é fundamentalmente probabilístico por natureza.

A cultura de segurança da indústria automotiva, construída ao longo de décadas com base na ISO 26262 e em processos rigorosos de verificação, não é adequada para aceitar resultados que não possam ser rastreados até causas determinísticas.

A solução que está surgindo em todo o setor é uma arquitetura híbrida. Modelos baseados na física – fundamentados no entendimento eletroquímico e validados por testes extensivos – fornecem a base para as funções essenciais de segurança. A IA atua como uma camada de aprimoramento, melhorando a qualidade das previsões para fenômenos complexos como envelhecimento, degradação e detecção de anomalias. De forma crucial, toda saída da IA é verificada em relação a restrições físicas e modelos determinísticos para garantir sua plausibilidade.

Essa abordagem é particularmente valiosa para as químicas de baterias modernas. As células de fosfato de ferro e lítio, por exemplo, com suas curvas de tensão caracteristicamente planas, apresentam desafios significativos para a estimativa convencional de SoC. O aprendizado de máquina pode extrair informações de padrões operacionais históricos que são difíceis de serem capturados apenas com abordagens convencionais. No entanto, a saída da IA é continuamente validada com base na compreensão física, impedindo que o modelo gere resultados impossíveis.

O princípio de engenharia é claro: a confiança é construída por meio da verificação, rastreabilidade e da capacidade de auditar decisões. As arquiteturas mais bem-sucedidas serão aquelas em que a ciência de dados e a física das baterias se complementam, em vez de competir. As decisões críticas para a segurança continuarão a depender de modelos explicáveis e baseados na física, enquanto a contribuição da IA se concentra em diagnósticos preditivos e aprendizado de frotas.

Uma hierarquia de modelos

O conceito de gêmeo digital tornou-se onipresente nas discussões sobre gestão de baterias, mas é frequentemente mal compreendido. Os líderes do setor estão cada vez mais claros de que um gêmeo digital não é um único modelo, mas sim uma hierarquia de modelos que operam em diferentes níveis de fidelidade e complexidade computacional.

No nível do veículo, o BMS utiliza modelos a bordo eficientes, otimizados para operação em tempo real. Esses modelos devem fornecer estimativas precisas de SoC, SoH, estado da função e estado da energia, operando dentro dos limites computacionais rigorosos dos microcontroladores automotivos.

Paralelamente, os “gêmeos” de bateria baseados em nuvem aproveitam dados da frota, modelos eletroquímicos avançados e técnicas de aprendizado de máquina para analisar tendências de degradação, padrões de uso e comportamentos anormais. O ambiente em nuvem oferece a escalabilidade necessária para processar dados de milhares ou milhões de baterias conectadas simultaneamente.

O desafio de engenharia crítico é a sincronização entre essas camadas. As informações geradas na nuvem – parâmetros de calibração aprimorados, modelos de envelhecimento atualizados e informações de manutenção preditiva – precisam ser transformadas em inteligência prática que possa ser transferida de volta para o veículo. Isso exige atenção cuidadosa aos formatos de dados, processos de validação e ao momento das atualizações.

Um gargalo particularmente significativo na transição de gêmeos em nível de modelo para gêmeos em nível de pacote é a qualidade e a observabilidade dos dados. Um gêmeo em nível de célula pode focar no comportamento de uma única célula em condições de laboratório cuidadosamente controladas. Já um gêmeo em nível de pacote precisa representar com precisão milhares de variáveis interativas que operam em condições reais altamente dinâmicas.

A solução adotada pelas principais organizações de engenharia é uma estratégia de modelagem hierárquica. Em vez de tentar modelar todos os fenômenos físicos no mais alto nível de detalhe, elas combinam seletivamente modelos de alta fidelidade quando necessário com modelos de ordem reduzida, onde a escalabilidade é mais importante. A validação também é igualmente crucial – um gêmeo digital só tem o mesmo valor que sua correlação com a realidade – e exige investimentos significativos em testes de caracterização, metodologias de célula no circuito, testes de hardware no circuito e validação de dados de frota.

A visão para o futuro é aquela em que os gêmeos digitais se tornarão sistemas que aprendem continuamente e melhoram ao longo de toda a vida útil da bateria. A otimização das baterias não terminará no início da produção, mas se tornará um processo de engenharia contínuo, viabilizado por um ecossistema conectado de inteligência integrada e aprendizagem baseada em nuvem.

Segurança em um mundo conectado

A integração da inteligência baseada em nuvem levanta uma questão fundamental: o que acontece quando a nuvem está indisponível? A latência de rede, perda de conectividade ou incidentes de segurança cibernética podem comprometer funções que dependem da nuvem.

A resposta do setor é inequívoca. As funções críticas para a segurança devem permanecer totalmente integradas no dispositivo e nunca depender de conectividade externa.

Esse princípio impulsiona uma separação clara da arquitetura. O BMS embarcado determinístico é responsável pelo controle em tempo real e pela segurança funcional – controle de contatos, proteção térmica, monitoramento da isolação, limitação de energia e tratamento de falhas.

A inteligência em nuvem tem um propósito diferente. Ela aprimora os diagnósticos, melhora a previsão da degradação, permite o aprendizado das frotas e cria oportunidades para otimização do ciclo de vida. Essas funções conseguem tolerar atrasos na comunicação, pois são consultivas e não críticas para a segurança.

Algumas organizações aprimoram ainda mais essa abordagem ao tratar os parâmetros e atualizações provenientes da nuvem com um ceticismo adequado. As atualizações são aceitas somente após verificações de autenticidade, integridade, versão e plausibilidade. Até que essas verificações sejam aprovadas, a configuração local validada permanece em vigor.

Adaptação a ambientes diversos

A eletrificação está se expandindo para além dos veículos de passageiros, chegando ao transporte comercial, aplicações marítimas e aviação. Cada ambiente apresenta desafios únicos que o BMS precisa resolver.

O desafio fundamental é que a física das baterias permanece a mesma enquanto as condições de operação mudam drasticamente. Para aplicações automotivas, as principais preocupações são as variações de temperatura, cargas mecânicas, envelhecimento e condições de uso excessivo. Na aviação, mudanças rápidas de altitude afetam o comportamento térmico, a eficácia do resfriamento e fenômenos relacionados à pressão. Os efeitos da radiação também são críticos em grandes altitudes, sendo um risco específico o de uma falha causada por um único evento afetar a eletrônica do BMS. A compreensão dos impactos da radiação nas químicas de íons de lítio vem de aplicações espaciais, mas são necessários estudos adicionais em relação à aviação. Em aplicações marítimas, a exposição à água salgada introduz riscos adicionais relacionados à corrosão, ao monitoramento do isolamento e à confiabilidade a longo prazo.

A resposta a essa diversidade é uma abordagem modular. Os mesmos algoritmos básicos de bateria podem ser adaptados por meio de calibração e processos de validação específicos para cada aplicação. Isso permite que as organizações de engenharia atendam a veículos de passageiros, veículos comerciais, sistemas de armazenamento estacionários, aplicações marítimas e plataformas aeroespaciais, mantendo uma base tecnológica comum.

O gerenciamento térmico surge como um diferencial particularmente importante. As baterias futuras exigirão modelos de previsão térmica cada vez mais sofisticados, capazes de detectar pontos quentes locais, riscos de propagação térmica e condições operacionais anormais antes que se tornem problemas de segurança. Isso é especialmente crítico em aplicações aeronáuticas, onde a eficácia do resfriamento muda com a altitude e onde restrições de peso limitam as opções de gerenciamento térmico.

A diagnóstica é igualmente importante. À medida que os conjuntos de baterias se tornam mais integrados estruturalmente e difíceis de acessar, a detecção precoce de anomalias e as capacidades de manutenção preditiva se tornam essenciais. O BMS deve ser capaz de identificar problemas em desenvolvimento sem necessidade de inspeção física.

A evolução em direção a aplicações diversas está levando o BMS a uma supervisão ainda mais baseada em modelos.

Restrições de computação, soluções arquitetônicas

As demandas computacionais das funções modernas de BMS estão crescendo rapidamente. Os engenheiros de baterias têm requisitos ambiciosos em termos de diagnóstico, estimativa do estado, segurança cibernética, previsão térmica, detecção de anomalias e conectividade da frota. Todas essas funções precisam ser executadas dentro de restrições automotivas rigorosas em relação a poder de processamento, memória, custo, consumo energético e segurança.

A restrição mais severa geralmente está na parte externa do conjunto de baterias, onde modelos eletroquímicos avançados, observadores, sistemas de diagnóstico e inferência por IA precisam ser executados em tempo real dentro de orçamentos fixos.

A solução não é simplesmente transferir tudo para a nuvem. Os engenheiros devem alocar cuidadosamente as funções ao longo do espectro computacional, utilizando modelos de ordem reduzida, simplificando as relações não lineares, reduzindo as dimensões e agendando as funções em diferentes ritmos.

O custo e o consumo de energia continuam sendo as principais restrições no projeto de hardware, afetando diretamente a quantidade de memória e poder computacional disponíveis no BMS. A execução em tempo real é o segundo grande gargalo. As funções críticas para a segurança exigem monitoramento contínuo e determinístico, o que significa gerenciar várias tarefas e interrupções simultaneamente. A arquitetura de software deve priorizar as tarefas com base no poder computacional e nos núcleos disponíveis.

Algoritmos avançados, como estimadores de estado ou modelos de gêmeo digital, ultrapassam rapidamente os limites computacionais normalmente disponíveis em um microcontrolador padrão de BMS. Isso levou a uma tendência crescente de distribuir a carga de trabalho: as funções críticas para a segurança permanecem dentro do BMS, enquanto algoritmos complexos são executados em microprocessadores de alto desempenho.

A cibersegurança acrescenta mais um nível de demanda. A comunicação segura, a criptografia, a autenticação e os mecanismos de atualização consomem recursos adicionais e devem ser levados em consideração desde o início no design do hardware, a fim de evitar a obsolescência rápida da plataforma.

No nível dos semicondutores, várias tendências estão se convergindo para enfrentar esses desafios. A segurança funcional está sendo aprimorada por meio do uso crescente de processamento sincronizado, diagnósticos de hardware, memórias protegidas e monitoramento independente. A cibersegurança está sendo abordada por meio de módulos de segurança de hardware, inicialização segura, armazenamento protegido de chaves e atualizações de software autenticadas. As arquiteturas de computação heterogêneas combinam núcleos de segurança de uso geral com aceleradores matemáticos e vetoriais dedicados, permitindo que o controle baseado em modelos e a inteligência artificial sejam executados localmente de forma determinística.

A eficiência energética também é crucial. O BMS deve permanecer atento durante a condução, carregamento, armazenamento e períodos prolongados de estacionamento. Isso exige atenção cuidadosa ao consumo de energia em todas essas fases.

A tendência arquitetônica é rumo a um conjunto de chips e ecossistema de software coordenados, em vez de otimizar cada componente isoladamente.

Preparando-se para o desconhecido

As químicas das baterias estão evoluindo rapidamente. O fosfato de ferro e lítio, as químicas com alto teor de níquel e as futuras baterias de estado sólido apresentam comportamentos fundamentalmente diferentes. A indústria não pode se dar ao luxo de redesenhar todo o BMS para cada nova química.

A solução é uma arquitetura modular para as funções centrais da bateria. O objetivo é manter a estrutura de software estável, adaptando o comportamento da bateria por meio de modelos, calibração e parametrização.

Em vez de criar softwares separados para cada tipo de química, as principais organizações utilizam uma arquitetura de plataforma comum, dotada de modelos de bateria e fluxos de calibração adaptáveis. Essa abordagem permite que a mesma estrutura de software básica suporte múltiplas tecnologias de células, mantendo ao mesmo tempo alta precisão.

Essa separação é alcançada por meio de limites arquitetônicos claros. Os serviços da plataforma – aquisição de medições, diagnóstico, comunicação, mecanismos de segurança, tratamento de dados não voláteis e agendamento – permanecem comuns em todos os tipos de química. Os modelos dependentes da química – mapas de tensão em circuito aberto, parâmetros de impedância, comportamento térmico, modelos de envelhecimento e limites operacionais – são encapsulados como componentes calibrados.

Pode-se introduzir uma nova química validando e liberando o conjunto relevante de modelos e parâmetros, em vez de redesenhar toda a plataforma de software. A capacidade do hardware também é igualmente importante, pois químicas mais sofisticadas podem exigir modelos de ordem superior ou não lineares.

Ser “agnóstico à química” não significa ser “desconhecido em relação à química”. Cada conjunto de parâmetros, estimador e limite ainda precisa ser validado para a célula específica, o design do pacote e o perfil da missão. A arquitetura permite adaptações, enquanto a engenharia rigorosa garante a correção.

O BMS como criador de valor

Historicamente, o BMS foi projetado para maximizar a segurança e a vida útil. Esses objetivos continuam essenciais, mas os operadores agora esperam que as baterias participem ativamente da criação de valor ao longo de todo o seu ciclo de vida.

A operação veículo-a-rede (V2G) é um exemplo significativo. Um BMS que compreende com alta precisão as condições da bateria pode otimizar as decisões de carregamento e descarregamento com base tanto na demanda da rede quanto no estado de saúde da bateria. O objetivo é gerar receitas adicionais sem acelerar a degradação.

O gerenciamento do ciclo de vida da bateria é outra área de oportunidade. A estimativa precisa do SoH proporciona transparência quanto ao valor residual da bateria, o que é essencial para modelos de locação, uso em segunda vida, gestão de garantias e aplicações de armazenamento de energia.

A análise de baterias conectadas à nuvem está se tornando particularmente importante nesse contexto. Os dados da frota permitem que os operadores entendam como as baterias estão envelhecendo, prevejam as necessidades de manutenção e tomem decisões econômicas mais eficazes. A IA amplia ainda mais essas possibilidades, identificando padrões de uso ocultos e transformando-os em recomendações operacionais.

O futuro BMS será um sistema operacional inteligente para baterias que não apenas protege a bateria e otimiza seu desempenho, mas também ajuda os clientes a maximizar o valor econômico do ativo ao longo de todo seu ciclo de vida. Na próxima década, a capacidade de gerar receita com a inteligência das baterias pode se tornar tão importante quanto as métricas tradicionais de desempenho delas.

O caminho a seguir

A transformação do BMS de um controlador de segurança para um sistema operacional inteligente representa um dos desafios técnicos mais significativos na indústria da mobilidade elétrica. Isso exige a integração de disciplinas que tradicionalmente operavam separadamente: física de baterias, engenharia de software, ciência de dados, tecnologia de semicondutores e conhecimento específico para cada aplicação.

Vários princípios estão se destacando como essenciais para o sucesso dessa transformação.

Primeiro, a segurança deve permanecer inegociável. A IA pode aprimorar as capacidades de diagnóstico e previsão, mas as decisões críticas para a segurança devem continuar sendo determinísticas, rastreáveis e verificáveis.

Segundo, os gêmeos digitais não são modelos únicos, mas hierarquias de modelos. O futuro é um ecossistema conectado de inteligência a bordo e aprendizado baseado em nuvem, e não uma simulação monolítica.

Em terceiro lugar, a arquitetura é tão importante quanto a química. A capacidade de se adaptar a novas químicas, novas aplicações e novos paradigmas de computação dependerá de arquiteturas modulares e escaláveis que separem os serviços da plataforma dos modelos específicos para cada aplicação.

Em quarto lugar, o hardware possibilita o software. Sensores mais precisos, maior desempenho de computação e arquiteturas flexíveis permitem o desenvolvimento de novas funcionalidades de software. A inovação em hardware mais valiosa é aquela que possibilita novas funções.

Os engenheiros que projetam esses sistemas enfrentam um trade-off complexo, equilibrando precisão contra interpretabilidade, intensidade computacional contra escalabilidade, inovação contra validação e riqueza de recursos contra custo. Eles precisam projetar para químicas que ainda não existem e aplicações que ainda não foram imaginadas.

As organizações de engenharia bem-sucedidas serão aquelas que abraçarem essa complexidade, desenvolvendo sistemas que sejam simultaneamente robustos e adaptáveis, seguros e inteligentes, determinísticos e baseados em dados. O futuro da gestão de baterias não consiste em escolher entre física e IA ou entre computação embarcada e em nuvem. Trata-se de combiná-las em arquiteturas que ofereçam o melhor de ambos os mundos.

Agradecimentos

O autor gostaria de agradecer às seguintes pessoas pela ajuda com este artigo: especialistas da AVL; Jaume Prat Terradas, diretor de engenharia para mobilidade elétrica na Ficosa; e Mahmoud Ismail, diretor de marketing de aplicações – gestão de energia automotiva na Infineon Technologies AG.

Clique aqui para ler a edição mais recente da E-Mobility Engineering.

Alguns fornecedores de sistemas de gestão de baterias

AVL

www.avl.com

BorgWarner

www.borgwarner.com

Bosch

www.bosch-mobility.com

CATL

www.catl.com

Eberspächer

www.eberspaecher.com

ElringKlinger

www.elringklinger.com

Ficosa

www.ficosa.com

Infineon Technologies

www.infineon.com

Leclanché

www.leclanche.com

Pulsetrain

www.pulsetrain.com

Potenza Technology