Las baterías de iones de litio (LIB, por sus siglas en inglés) son indispensables para el transporte eléctrico y el almacenamiento en red, pero sus estados internos electroquímicos, térmicos y mecánicos son notoriamente difíciles de observar. Una nueva revisión publicada en el Journal of Zhejiang University–SCIENCE A (2026) examina cómo la detección no destructiva y el diagnóstico de fallos pueden convertir las señales ocultas de envejecimiento en información de salud procesable, lo que podría cambiar la gestión de baterías de una protección reactiva a un cuidado predictivo basado en mecanismos.
La revisión, realizada por investigadores del Laboratorio Estatal Clave de Ingeniería Química de la Universidad de Zhejiang, destaca que el envejecimiento de las LIB está impulsado por procesos químicos, mecánicos y térmicos estrechamente acoplados. El crecimiento de la interfase sólida del electrolito (SEI) y la interfase catódica del electrolito (CEI), la descomposición del electrolito, el agrietamiento de partículas y el depósito de litio consumen progresivamente el litio activo, aumentan la impedancia y degradan la integridad estructural, elevando el riesgo de cortocircuitos internos y fuga térmica. Los sistemas de gestión de baterías (BMS) convencionales solo monitorean el voltaje, la corriente y la temperatura superficial, pero estas señales externas están distorsionadas por la polarización, las reacciones secundarias, el promedio espacial y los retrasos. Si bien la imagen por sincrotrón y resonancia magnética ofrecen una visión mecanística, su escala, costo y velocidad limitan su uso en tiempo real. La revisión, disponible a través del DOI 10.1631/jzus.A2600100, compara sistemáticamente cuatro familias de diagnósticos no destructivos: sensores adheridos a la superficie (termopares, termistores, RTD, rejillas de Bragg en fibra), sensores implantables (MEMS, galgas extensométricas de película delgada, fibras ópticas), diseños integrados in situ (incrustados en colectores de corriente, separadores o encapsulado) y métodos sin contacto (imagen por campo magnético, sondeo acústico y ultrasónico, análisis de gases y espectroscopía de impedancia electroquímica).
Para dar sentido a estas señales heterogéneas, la revisión analiza técnicas de extracción de características como el análisis de capacidad incremental (ICA), el análisis de voltaje diferencial (DVA) y la voltametría térmica diferencial (DTV), interpretadas mediante modelos basados en la física como el pseudobidimensional (P2D) y el modelo de partícula única (SPM), así como enfoques basados en datos que incluyen redes neuronales informadas por la física (PINN), transformadores y arquitecturas CNN-LSTM. Enfatiza la selección de características, la reducción de dimensionalidad, la colaboración nube-borde y las interfaces estandarizadas. Los autores sostienen que ninguna modalidad de detección por sí sola puede capturar completamente los procesos complejos y acoplados que subyacen a la degradación de la batería; el verdadero avance surge cuando las señales de superficie, implantadas, in situ y sin contacto se fusionan con algoritmos informados por la física. Hacen hincapié en el codiseño de detección y algoritmo, donde las capacidades de detección, el procesamiento de señales y los modelos de diagnóstico se consideran en conjunto en lugar de tratarse como etapas separadas.
En la práctica, el marco propuesto podría respaldar alertas más tempranas de fuga térmica, estimaciones más precisas del estado de salud (SOH) y la vida útil restante (RUL), y una carga rápida más inteligente. En vehículos eléctricos, podría permitir el mantenimiento predictivo y la monitorización de seguridad de celda a paquete; en almacenamiento en red, podría mejorar la confiabilidad a nivel de flota, la evaluación de segunda vida y la prevención de incendios. Las estrategias de bajo costo que utilizan señales existentes de voltaje, corriente y temperatura combinadas con computación nube-borde podrían facilitar el despliegue. Sin embargo, la estabilidad de los sensores, la compatibilidad de fabricación, la estandarización de datos, el ancho de banda y el costo siguen siendo barreras clave. La revisión aboga por un diseño modular, estandarizado y mínimamente intrusivo de detección y codiseño de algoritmos para llevar los avances de laboratorio a sistemas de baterías escalables. Para la industria, integrar capacidades de detección y diagnóstico en el diseño de baterías podría mejorar la compatibilidad de fabricación y la confiabilidad a largo plazo, al tiempo que facilita el despliegue práctico de tecnologías de diagnóstico avanzadas. A medida que el campo pasa de la observación externa e indirecta a la percepción interna directa, esta hoja de ruta podría hacer que las baterías sean más predecibles, confiables y duraderas en vehículos eléctricos y almacenamiento en red.
