Teste não destrutivo

Testes de ciclo de vida não destrutivos com NDE 4.0

NDE 4.0 integra testes não destrutivos a sensores, IA e gêmeos digitais para oferecer análise completa do ciclo de vida, escreve Nick Flaherty

Os testes não destrutivos (NDT) estão passando por uma transformação fundamental. A combinação de métodos NDT com IA, gêmeos digitais e técnicas de sensoriamento cria a oportunidade para análise em ciclo fechado de defeitos, permitindo assim a melhoria contínua da qualidade do processo de produção.

Esse processo de avaliação não destrutiva (NDE) é um fator essencial para melhorar a segurança, o rendimento e a escalabilidade na fabricação de veículos elétricos, especialmente em relação a baterias e motores.

Isso representa uma mudança fundamental na forma como a NDE é aplicada nos sistemas de manufatura modernos, especialmente na produção de baterias de íon de lítio. Diferentemente das abordagens tradicionais de NDE, que geralmente são realizadas como etapas isoladas e off-line de inspeção, a NDE 4.0 se caracteriza pela integração de tecnologias de avaliação com a infraestrutura de manufatura digital, automação e análise baseada em dados. Isso está intimamente alinhado com os princípios da Indústria 4.0, que enfatizam a conectividade, a aquisição de dados em tempo real e a tomada de decisões inteligentes.

A característica definidora do NDE 4.0 é a transição da inspeção periódica para uma avaliação contínua e em tempo real. Na fabricação de baterias, onde pequenas desvios no processo podem causar grave degradação do desempenho ou riscos à segurança, a capacidade de monitorar defeitos em tempo real é essencial. O NDE 4.0 permite a detecção precoce de inconsistências no processo em várias etapas, incluindo a fabricação dos eletrodos, o montagem das células e os processos de formação, permitindo que ações corretivas sejam implementadas antes que os defeitos se propaguem. Ao integrar dados de NDE tradicionais com monitoramento da saúde estrutural e dados sobre as condições dos materiais, os fabricantes podem aprimorar o controle do processo por meio de novas tecnologias de sensores, transmissão de dados sem fio e robótica. As avaliações baseadas em IA também possibilitam avaliações mais precisas da saúde estrutural e previsões sobre a vida útil restante.

A digitalização é fundamental para a estrutura NDE 4.0. Sensores avançados de raios X e ultrassom geram grandes volumes de dados digitais de alta dimensão, processados por meio de algoritmos de aprendizado de máquina e inteligência artificial. Essas ferramentas permitem a classificação automática de defeitos, a detecção de anomalias e a determinação da correlação entre os sinais NDE e indicadores de desempenho da bateria, como SoC, SoH e vida útil restante.

Outro aspecto fundamental do NDE 4.0 é a fusão de dados multimodais. Em vez de se basear em um único método de avaliação, o NDE 4.0 integra informações de diversas modalidades de sensoriamento, incluindo avaliação ultrassônica, termografia infravermelha, espectroscopia de impedância eletroquímica (EIS) e técnicas baseadas em imagens. Essa fusão de dados complementares melhora a sensibilidade à detecção de defeitos e reduz a incerteza, especialmente em mecanismos de falha complexos e multiescala em baterias de íon de lítio.

O NDE 4.0 também enfatiza a integração em ciclo fechado com sistemas de fabricação e monitoramento. Os resultados das avaliações são vinculados diretamente a plataformas de controle de processos, gêmeos digitais e sistemas de gerenciamento de baterias, permitindo estratégias de fabricação adaptativas e um monitoramento aprimorado durante o uso. Essa capacidade de ciclo fechado transforma o NDE de uma ferramenta passiva de garantia de qualidade em um componente ativo na otimização de processos e no gerenciamento do ciclo de vida.

Tipos de NDT

As tecnologias de NDT são essenciais para garantir a integridade estrutural, a eficiência e a segurança dos componentes de veículos elétricos, sem causar danos durante as inspeções.

O teste ultrassônico (UT) utiliza ondas sonoras para mapear as células da bateria e identificar falhas internas, como vazios, delaminação e dendritos, em níveis micro e nano. Métodos variados, como UT com matriz faseada, UT com ondas guiadas e UT acoplado ao ar, são utilizados para inspecionar invólucros compostos, rotores de motores de alta velocidade e juntas adesivas em estruturas de múltiplos materiais.

Câmeras infravermelhas podem monitorar emissões térmicas e identificar anomalias. A termografia por bloqueio e pulsada detecta espaços de ar sob a superfície, pontos críticos de resistência de contato em fiações de alta tensão ou obstruções nos canais de resfriamento em eletrônicos de potência, como inversores e baterias.

A varredura por raios X e tomografia computadorizada (XCT) utiliza a mesma radiação ionizante usada em hospitais para gerar imagens 2D e 3D de alta resolução. É aplicada principalmente para inspecionar soldas entre células de bateria e o conjunto da bateria, alinhamento interno dos eletrodos, juntas de solda em semicondutores de potência e estruturas gigantes.

O teste por correntes de Foucault (ECT) utiliza indução eletromagnética para detectar defeitos na superfície e nas proximidades dela em componentes condutores. O ECT é amplamente utilizado para inspecionar soldas em estatores de motores elétricos, rachaduras nas laminações dos rotores e soldas nas abas das baterias.

A avaliação por emissão acústica (AE) é uma técnica de inspeção não destrutiva passiva que detecta ondas elásticas transitórias geradas pela liberação súbita de energia localizada dentro de um material. Em baterias de íon de lítio, tais liberações de energia estão geralmente associadas à iniciação de microfissuras, propagação de fissuras, fratura de partículas, evolução de gases ou descolamento interfacial. Sensores de AE, incluindo dispositivos piezoelétricos, de fibra ótica e baseados em MEMS, convertem essas ondas elásticas em sinais elétricos que podem ser analisados em termos de amplitude, duração, conteúdo de frequência e taxa de ocorrências.

Técnicas de EQM baseadas em laser fornecem medições de alta precisão e sem contato dos componentes da bateria, sendo utilizadas principalmente para inspeção dimensional, perfilamento de superfícies e detecção de defeitos. Os sistemas de varredura a laser permitem a geração de modelos 3D detalhados, auxiliando na identificação de desvios geométricos e irregularidades na superfície com alta precisão. Em comparação com a imagem por campo magnético, que se concentra na detecção de defeitos no coletor de corrente no final da linha de produção, as técnicas baseadas em laser oferecem maior aplicabilidade em diferentes etapas de fabricação.

Modelos de aprendizado de máquina (como CNNs e GANs) processam as varreduras de inspeção utilizando todas essas tecnologias em tempo real para automatizar o reconhecimento de defeitos, reduzir os tempos de inspeção e diminuir falsos positivos.

Redes de sensores, incluindo sensores piezoelétricos embutidos, transmitem continuamente dados estruturais e operacionais para plataformas em nuvem, permitindo o monitoramento em tempo real da saúde estrutural e simulações de gêmeos digitais. Isso apoia a manutenção preditiva, na qual as simulações preveem falhas com base em dados históricos e agendam a manutenção corretiva antes que o veículo falhe.

Pacotes de baterias

O NDE 4.0 integra tecnologias avançadas de sensoriamento com inteligência artificial, análise automatizada de dados e sistemas ciberfísicos para possibilitar inspeções contínuas e em tempo real dos componentes e montagens de baterias. Diferentemente dos testes tradicionais no final da linha ou dos diagnósticos pós-falha, as estruturas do NDE 4.0 visam detectar defeitos em estágios iniciais, rastrear sua evolução e fornecer feedback útil aos processos de fabricação. Essa capacidade é especialmente valiosa considerando a escala das gigafábricas modernas e a crescente complexidade da arquitetura de baterias. No entanto, apesar dos avanços significativos, a adoção generalizada do NDE 4.0 na produção em larga escala de baterias para veículos elétricos continua limitada. Os principais desafios incluem a integração com linhas de produção existentes, a escalabilidade em condições de alta produtividade, a fusão de dados com as saídas do BMS e a validação de longo prazo da confiabilidade e da relação custo-benefício.

O uso de dados de NDE em conjunto com modelos térmicos e estimativas do BMS representa uma oportunidade importante para aprimorar as estratégias de manutenção preditiva, reduzir o tempo de inatividade e mitigar riscos à segurança ao longo do ciclo de vida da bateria. A adoção da NDE 4.0 pode diminuir as taxas de rejeição, melhorar o rendimento e reduzir os custos com garantias e recalls.

Nas aplicações de conjuntos de baterias, as técnicas de NDE são amplamente utilizadas para detectar defeitos de fabricação, avaliar a integridade estrutural e monitorar mecanismos de degradação durante a produção e a operação. A tecnologia evoluiu de inspeções visuais simples e avaliações mecânicas básicas para abordagens avançadas de detecção e geração de imagens baseadas em física, representando uma mudança fundamental na forma como os dados de inspeção são gerados, processados e utilizados.

Os métodos de inspeção não destrutiva em operação e de alerta antecipado permitem o monitoramento contínuo da saúde da bateria durante seu funcionamento. Métodos baseados em impedância, sensores acústicos e monitoramento térmico podem detectar tendências anormais de degradação ou riscos à segurança antes que ocorra uma falha catastrófica.

Essa classificação ressalta que uma inspeção eficaz de baterias requer uma combinação complementar de técnicas de inspeção não destrutiva, selecionadas com base no tipo de defeito, na fase de fabricação e nas exigências de produtividade. Os métodos tradicionais de inspeção não destrutiva permitem uma avaliação abrangente das características físicas, mecânicas, térmicas e eletroquímicas externas e internas das baterias de íon de lítio, sendo que a inspeção visual continua sendo uma abordagem fundamental para identificar danos externos, deformações, vazamentos e irregularidades na superfície.

Teste ultrassônico

Estudos recentes demonstraram a viabilidade da tecnologia de ondas guiadas por ultrassom para a estimativa do SoC e do SoH, utilizando características de sinais no domínio temporal e no domínio de frequência. No entanto, observou-se que a sensibilidade ao estado eletroquímico diminui com o envelhecimento, o que indica a necessidade de estratégias de calibração que levem em conta as mudanças estruturais e materiais progressivas ao longo do ciclo de vida da bateria. Investigações adicionais utilizaram rastreamento por tempo de voo ultrassônico para monitorar o SoC, com evidências consistentes de que o tempo de voo está fortemente relacionado à temperatura e às condições mecânicas, exigindo um desacoplamento cuidadoso dos efeitos térmicos para inferências confiáveis em sistemas práticos. Isso destaca que a avaliação por ultrassom é promissora para monitoramento em tempo real, mas sua interpretabilidade depende do controle ou compensação da temperatura, pressão e das condições de borda.

O ultrassom acoplado ao ar também se mostrou como uma abordagem potencial para inspeção sem contato, permitindo a detecção de delaminações, rachaduras e vazios em eletrodos e separadores, além de auxiliar na estimativa do SoC. A combinação da avaliação ultrassônica com a termografia infravermelha pode fornecer informações complementares, pois o ultrassom examina a estrutura interna, enquanto a termografia capta anomalias térmicas na superfície relacionadas a mudanças de resistência, produção de gás ou aquecimento localizado.

Abordagens baseadas em dados têm sido cada vez mais adotadas para associar assinaturas acústicas ao estado eletroquímico, e trabalhos recentes propuseram estratégias para a estimativa conjunta do SoC e da temperatura, utilizando ondas ultrassônicas refletidas e aumento de dados para melhorar a robustez do modelo. A avaliação por ultrassom é particularmente atrativa para a NDE 4.0, devido à sua compatibilidade com automação, capacidade de medição rápida e potencial integração com aprendizado de máquina para classificação escalável de defeitos e monitoramento em tempo real.

Raios X e tomografia computadorizada

O XCT permite uma caracterização detalhada de defeitos como desalinhamento dos eletrodos, vazios, delaminação e deformação estrutural que podem contribuir para curtos-circuitos internos. Sua alta resolução espacial, incluindo o nano-CT em contextos de pesquisa, possibilita a investigação de características em pequena escala, como as interfaces dos eletrodos e a não uniformidade microestrutural.

Dentro da pesquisa específica para baterias, o XCT tem sido utilizado para desenvolver diretrizes de imagemamento para materiais de baterias comerciais, bem como para apoiar a análise eletroquímica e tomográfica combinada do comportamento relacionado à capacidade. Além disso, o XCT tem sido usado para rastrear a progressão da degradação eletroquímica e mecânica durante a operação, visualizar a distribuição espacial dos materiais ativos e as variações de espessura dos eletrodos em células de grande formato, e investigar riscos à segurança durante experimentos de penetração com pregos, observando as mudanças estruturais internas e o comportamento elétrico durante fugas térmicas.

Apesar dessas vantagens, a implementação em larga escala de métodos de avaliação baseados em raios X tem sido desafiadora devido ao custo dos equipamentos, ao tempo de varredura e às exigências de segurança radiológica, que normalmente requerem instalações especializadas e pessoal treinado, embora os custos dos sistemas estejam diminuindo e a IA esteja auxiliando na interpretação dos dados.

A abordagem de reconstrução em tempo real processa as projeções mais recentes para gerar uma imagem 3D durante o experimento, permitindo a observação de processos dinâmicos e ajustes experimentais em tempo real. Trabalhos recentes também exploraram o aprendizado just-in-time para a remoção de ruídos baseada em deep learning e inferências rápidas durante a aquisição de tomografias de raios X, oferecendo feedback em tempo real para a otimização dos experimentos e interpretação automática. Esses desenvolvimentos estão alinhados com os objetivos do NDE 4.0, ao possibilitar pipelines de geração de imagens mais rápidos, reconhecimento automático de defeitos e integração das saídas de imagem em frameworks de manufatura digital.

Foi desenvolvido um sistema de raios X em linha recente, projetado para ambientes industriais onde a cobertura e a produtividade são métricas importantes. Desenhado para se integrar diretamente às linhas de produção existentes, o sistema inspeciona cada peça na velocidade total do transportador, sem a necessidade de fixações ou outras interrupções no fluxo de produção.

A varredura convencional por raios X em linha tem sido utilizada há muito tempo para detectar defeitos óbvios, mas o valor dos dados gerados sempre foi limitado. Ao conectar a inspeção por raios X nas linhas de produção a uma plataforma de software baseada em nuvem, cada varredura se torna um ponto de dados que alimenta a tomada de decisões automatizada, o monitoramento dos processos e a geração de relatórios organizacionais. Isso eleva o NDT além da simples classificação como aceito/rejeitado, pois os dados são acumulados ao longo de diferentes rodadas, turnos e locais.

As configurações da fonte de raios X e do detector podem ser organizadas de acordo com a forma como as peças são dispostas na linha de produção e com as regiões específicas de interesse para inspeção em configurações 2D e 2.5D. A arquitetura multilinear 2.5D captura informações de profundidade em uma única passagem, proporcionando maior visibilidade dos defeitos em aplicações complexas. As opções de classificação e rejeição configuráveis permitem controlar como as peças sinalizadas são tratadas posteriormente.

Testes acústicos

A AE é particularmente eficaz para monitorar processos ativos de danificação que ocorrem durante a operação da bateria, em vez de detectar apenas defeitos estáticos. Estudos experimentais demonstraram que os sinais de AE variam com a composição do material dos eletrodos e seu estado eletroquímico, revelando correlações entre as assinaturas acústicas e o comportamento estável ou instável da bateria. Geralmente são observados dois tipos dominantes de sinais de AE: emissões do tipo contínuo, associadas a reações eletroquímicas, e emissões do tipo pulso, ligadas a eventos discretos de danificação mecânica. Foi comprovado que a atividade contínua de AE durante a descarga está relacionada à saúde geral da bateria, enquanto as emissões do tipo pulso são mais proeminentes nas fases iniciais de ciclagem e aumentam com o envelhecimento, seguindo tendências consistentes com o modelo de degradação conhecido como curva da banheira.

A avaliação por AE oferece vantagens na detecção de danos em estágio inicial que podem não ser visíveis por meio de métodos baseados em imagens. No entanto, sua sensibilidade ao ruído de fundo, às condições de borda e à localização do sensor complica a interpretação. Dentro da estrutura NDE 4.0, a avaliação por AE se beneficia significativamente da classificação automática de sinais e do reconhecimento de padrões baseado em aprendizado de máquina, permitindo uma implementação escalável para a detecção precoce de falhas e o rastreamento da degradação em sistemas de baterias.

A tecnologia de microscopia acústica por varredura envia ondas sonoras de baixa energia através de uma bateria de tipo pouch comercial. A velocidade da onda é alterada à medida que ela passa pelos diversos materiais dentro da bateria, o que permite aos pesquisadores obter uma visão completa, detalhada e rápida das mudanças químicas nos materiais da bateria enquanto ela está em uso.

O processo pode ajudar a detectar defeitos estruturais ou danos que possam causar curto-circuito elétrico, deficiências ou desequilíbrios nos materiais que possam prejudicar o desempenho, bem como indicadores de que problemas são prováveis de ocorrer. Uma substância que a varredura é particularmente eficaz em detectar é o gás, o que é importante porque a presença de gás dentro de uma bateria indica áreas secas que podem fazer com que a célula falhe durante o uso.

Termografia

Tanto as abordagens de termografia passiva quanto ativa são aplicadas na análise de baterias. A termografia infravermelha passiva (IRT) depende do calor gerado durante o funcionamento normal da bateria, enquanto a IRT ativa introduz excitação externa para melhorar a visibilidade dos defeitos. Diversas fontes de excitação foram relatadas, incluindo aquecimento a laser, lâmpadas de flash, excitação ultrassônica, aquecimento indutivo e estimulação elétrica, sendo a escolha dependente das propriedades do material e das características dos defeitos. As técnicas de termografia ativa, particularmente a IRT pulsada, demonstraram grande capacidade em detectar delaminação e defeitos internos por meio de respostas térmicas transitórias.

Vários estudos combinaram o IRT com medições de termopares para investigar o comportamento térmico em células de íon de lítio sob diferentes taxas de descarga, revelando fortes conexões entre a distribuição da temperatura, a geometria da célula e as cargas aplicadas. Trabalhos recentes também introduziram abordagens híbridas que integram termografia com modelos térmicos simplificados para estimar a geração interna de calor em células do tipo pouch, permitindo uma interpretação mais precisa dos dados de temperatura da superfície. Do ponto de vista do NDE 4.0, o IRT é muito adequado para inspeções automatizadas e de alta velocidade, podendo ser aprimorado por meio de processamento de imagens e aprendizado de máquina para detecção em tempo real de anomalias e monitoramento preditivo da segurança.

Sensoriamento a laser

Estudos recentes introduziram sistemas de inspeção a laser sem contato que combinam excitação a laser com um vibrometro Doppler a laser para detectar defeitos internos em baterias de íon de lítio durante a produção. Ao analisar a propagação das ondas Lamb, esses sistemas conseguem diferenciar células intactas das defeituosas, o que permite monitoramento em tempo real e classificação quantitativa dos defeitos. Tais abordagens demonstram grande potencial para inspeção em linha devido à sua natureza sem contato e compatibilidade com a automação.

Embora as técnicas de avaliação baseadas em laser ofereçam alta resolução e flexibilidade, ainda existem desafios relacionados ao custo do sistema, à sensibilidade ambiental e às exigências de processamento de dados. A pesquisa em andamento foca em melhorar a robustez, a resolução e a integração com linhas de produção automatizadas. Esses métodos baseados em laser são particularmente atraentes quando combinados com processamento avançado de sinais e inteligência artificial, permitindo inspeções escaláveis e de alto rendimento para a produção de baterias de próxima geração.

Uma colaboração recente une radiografia, tomografia computadorizada e recursos de ultrassom baseados em IA para oferecer uma solução completa de inspeção ao longo do ciclo de vida, voltada para a fabricação, desenvolvimento e manutenção em campo de baterias. O sistema de inspeção conjunto é o primeiro do mercado capaz de detectar modos de falha em todo o ciclo de produção, proporcionando aos fabricantes de baterias maior eficiência econômica e produtividade.

Nenhuma tecnologia de inspeção isolada consegue detectar todos os modos de falha ao longo do ciclo de produção; por isso, a colaboração abrange o desenvolvimento conjunto de produtos, a engenharia conjunta de sondas de próxima geração e serviços integrados. O objetivo é resolver um desafio fundamental enfrentado por fábricas de baterias em todo o mundo: até 90% das células de baterias para veículos elétricos contêm algum tipo de anomalia.

A capacidade de inspeção em todo o ciclo de vida abrange desde a produção das células até a montagem dos módulos e o serviço de campo, utilizando radiografia e XCT para garantia da qualidade e análise de falhas em ambientes laboratoriais. Além disso, há XCT de nível P&D para desenvolvimento de células e caracterização de materiais, bem como CT de alta energia para inspeção em nível de bateria e módulo.

A eletrônica de ultrassom de matriz faseada, com algoritmos avançados de formação de feixe e sondas, é projetada e desenvolvida internamente para ambientes industriais. A tecnologia de sonda de matriz e a eletrônica de processamento de sinais serão combinadas com uma camada de análise por IA para criar uma plataforma de ultrassom em linha com sensibilidade superior e maior robustez na linha de produção.

A combinação de múltiplas tecnologias de NDT, desde XCT e ultrassom para triagem em linha até aprendizado de máquina para fechar o ciclo de feedback com dados do processo, permite aos fabricantes intervir mais cedo em defeitos, reduzir o material descartado no final da linha e otimizar os processos com base em dados.

Mesmo uma pequena melhoria na taxa de produtividade, da ordem de frações de porcentual em escala de gigafábricas, gera economias anuais na casa das dezenas de milhões graças ao uso de medições multimodais.

Um programa conjunto de prova de conceito testou mais de 400 células de bateria por meio do fluxo de trabalho combinado de UT e XCT, criando um conjunto abrangente de dados para ciência de dados aplicada a baterias. O programa demonstrou que a abordagem multimodal proporciona economia de custos superior a 10% em comparação com inspeções de modalidade única, além de um aumento adicional de 12% na taxa de detecção de defeitos.

Sensoriamento em terahertz

Outro método para detectar variações mínimas na espessura dos eletrodos de bateria utiliza detecção em terahertz. Essas variações podem contribuir para o descontrole térmico, e espera-se que a tecnologia de detecção em terahertz, mais precisa, melhore a segurança e a qualidade das baterias ao identificar defeitos invisíveis durante o processo de fabricação.

A tecnologia combina ondas em terahertz com uma grade de frequência ótica, que divide a frequência da luz em intervalos uniformemente espaçados, semelhantes às marcas em uma régua, e serve como referência para medições ultraprecisas em escala nanométrica.

No cerne da tecnologia está a interferência Fabry–Pérot, um padrão de interferência regularmente espaçado produzido quando as ondas em terahertz viajam repetidamente de um lado para outro entre as superfícies frontal e traseira de um eletrodo. Esse padrão de interferência é utilizado como referência para determinar a espessura do eletrodo.

Ele permite que tanto a espessura do eletrodo quanto o índice de refração complexo sejam medidos em uma única medição, sem a necessidade de um processo de calibração separado. Utilizando eletrodos de bateria com espessura entre 50 e 150 μm, as medições são obtidas em 0,2 segundos, e o sistema detectou diferenças de espessura de até 70 nm no ânodo e 465,5 nm no cátodo. Essa velocidade de medição é considerada suficiente para uso em linhas de produção de baterias que se movem rapidamente.

Quando o tempo de medição foi aumentado para 25,6 segundos, a precisão melhorou ainda mais. O sistema conseguiu distinguir diferenças de até 7,8 nm no ânodo e 25,2 nm no cátodo. Isso representa uma melhoria na precisão de até 100 vezes em comparação com os métodos convencionais de análise no domínio do tempo, permitindo a detecção de variações de espessura completamente invisíveis a olho nu.

A tecnologia não se limita a medir a espessura em um único ponto. Ela pode gerar um mapa 3D da espessura em todo o eletrodo e rastrear variações graduais de espessura em tempo real durante a produção. O sistema também consegue medir com precisão um eletrodo inclinado em um ângulo de aproximadamente 45°, demonstrando seu potencial para aplicação em linhas de fabricação de baterias do mundo real, que operam em alta velocidade.

Além das baterias de íon de lítio, espera-se que a tecnologia sirva como uma ferramenta essencial de controle de qualidade na fabricação de baterias de estado sólido de próxima geração, que utilizam eletrólitos sólidos em vez de eletrólitos líquidos. Ao detectar defeitos em estágios iniciais, a tecnologia pode melhorar a segurança e a qualidade das baterias, além de possibilitar processos de fabricação mais estáveis.

IA

A IA está se tornando um fator essencial para a NDE 4.0, ao converter grandes volumes de dados de inspeção em informações úteis sobre qualidade e confiabilidade. Os modelos de aprendizado de máquina podem auxiliar na interpretação em tempo real de dados ultrassônicos, acústicos, térmicos e de imagem, ajudando a classificar defeitos, identificar áreas problemáticas, reduzir falsos positivos e melhorar a consistência das decisões de inspeção. Em ambientes de produção, essas ferramentas também podem automatizar a geração de relatórios e enviar os resultados de volta aos sistemas de controle de processo, facilitando ações corretivas mais rápidas e uma fabricação de baterias mais escalável.

Gémeos digitais

Os gémeos digitais estão transformando a NDE, passando de uma detecção passiva de falhas para uma inteligência engenharia contínua, com o uso de dados da IA.

Em vez de se basear em capturas de tela estáticas ou desenhos técnicos 2D, os dados obtidos a partir de inspeções que indicam mapas de corrosão, rachaduras, porosidade e perda de espessura das paredes são aplicados diretamente no modelo 3D ou na geometria CAD do ativo, o que elimina ambiguidades na interpretação entre as equipes.

Também permite que especialistas não envolvidos em testes não destrutivos, como gestores de fábricas, engenheiros de integridade, auditores e reguladores, compreendam facilmente a localização dos defeitos espaciais e os riscos operacionais, sem precisar reconstituir mentalmente as condições do ativo a partir de relatórios fragmentados.

Ao correlacionar os dados atuais de inspeção com registros históricos em um único ambiente, os operadores podem acompanhar as taxas de crescimento dos defeitos, avaliar os mecanismos de degradação ao longo do tempo e prever com precisão a vida útil restante.

A captura automatizada de dados e a integração com nuvem garantem que as posições de varredura, os parâmetros de calibração, as ações do operador e as configurações de aquisição fiquem permanentemente vinculadas ao modelo digital, simplificando as auditorias regulatórias.

O treinamento de modelos de aprendizado de máquina para emular simulações de alta fidelidade ou intercalar entre elas de forma inteligente cria gêmeos digitais híbridos que conectam modelos de baterias eletroquímicas a grandezas observáveis como tensão, corrente e carga térmica. Esses gêmeos digitais podem então ser integrados a simuladores em nível de sistema para apoiar a cosimulação e a integração de sistemas, onde as baterias interagem dinamicamente com o trem de força do veículo, o sistema de gerenciamento térmico e o software de controle.

Apesar de suas vantagens, a implementação do NDE 4.0 traz novos desafios, incluindo a complexidade no gerenciamento de dados, a generalização do modelo para diferentes químicas e formatos de baterias, além da necessidade de protocolos de dados padronizados. Superar esses desafios é essencial para uma adoção industrial ampla. No entanto, o NDE 4.0 oferece uma base sólida para estratégias inteligentes de inspeção e monitoramento, fundamentais para a fabricação segura, confiável e escalável de veículos elétricos, desde o conjunto de baterias e o sistema de propulsão até o chassi e outros componentes. Com ferramentas multimodais, inteligência artificial e gêmeos digitais, isso pode ser aplicado em todo o ciclo de vida para melhorar a eficiência de todo o processo de produção.

Agradecimentos

Agradecimentos a Arefeh Salimi Beni da Georgia Southern University, Guseon Kang do KAIST, Sam Amsterdam da Drexel University e Paul Perera da Waygate Technologies.

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

Alguns fornecedores de testes não destrutivos

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