Sensierung im Inneren von Batterien: Eine Roadmap für zerstörungsfreie Lithium-Ionen-Alterungs- und Sicherheitsdiagnostik

KNOXVILLE, TN, 1. Oktober 2026 /24-7PressRelease/ -- Fortschrittliche Lithium-Ionen-Batterien (LIBs) sind zentral für den elektrischen Transport und die Netzspeicherung, doch ihre internen elektrochemischen, thermischen und mechanischen Zustände sind schwer zu beobachten. Diese Übersichtsarbeit untersucht, wie zerstörungsfreie Sensorik und Fehlerdiagnose verborgene Alterungssignale in umsetzbare Gesundheitsinformationen verwandeln können. Sie verknüpft Degradationsmechanismen mit messbaren physikalischen Signaturen und bewertet Oberflächen-, implantierte, in-situ-integrierte und berührungslose Sensorstrategien. Ebenso werden Multisource-Merkmalsfusion, physikinformierte und datengetriebene Algorithmen sowie Konzepte für intelligentes Batteriemanagement bewertet. Für Batterien der nächsten Generation bedeutet dies den Wandel von reaktivem Schutz zu vorausschauender, mechanismusinformierter Pflege. Ein solcher Wandel könnte Sicherheit, Zuverlässigkeit und Lebensdauer von Elektrofahrzeugen und stationären Speichern verbessern.

Die Alterung von Lithium-Ionen-Batterien (LIBs) wird durch eng gekoppelte chemische, mechanische und thermische Prozesse angetrieben. Das Wachstum der Festelektrolyt-Interphase (SEI) und der Kathoden-Elektrolyt-Interphase (CEI), Elektrolytzersetzung, Partikelrissbildung und Lithium-Plating können zunehmend aktives Lithium verbrauchen, die Impedanz erhöhen und die strukturelle Integrität beeinträchtigen, während schwere Degradation das Risiko interner Kurzschlüsse und thermischen Durchgehens erhöhen kann. Konventionelle Batteriemanagementsysteme (BMS) erfassen hauptsächlich Spannung, Strom und Oberflächentemperatur, doch diese externen Signale werden durch Polarisation, Nebenreaktionen, räumliche Mittelung und Verzögerungen verzerrt. Synchrotron- und Magnetresonanztomographie bieten mechanistische Einblicke, doch ihr Maßstab, ihre Kosten und ihre Geschwindigkeit begrenzen die Echtzeitnutzung. Aufgrund dieser Herausforderungen ist eine tiefere Forschung zu zerstörungsfreier Sensorik, Multisource-Merkmalsfusion und intelligenter Diagnose für die Alterung und Sicherheit von Lithium-Ionen-Batterien erforderlich.

Forschende des State Key Laboratory of Chemical Engineering, Institute of Pharmaceutical Engineering, College of Chemical and Biological Engineering, Zhejiang University, Hangzhou, China, veröffentlichten (DOI: 10.1631/jzus.A2600100) die Übersichtsarbeit in Journal of Zhejiang University–SCIENCE A (2026). Die Arbeit vergleicht systematisch oberflächenmontierte, implantierbare, in-situ-integrierte und berührungslose Diagnosetechnologien und untersucht anschließend Algorithmen zur Schätzung des Gesundheitszustands (SOH), zur Vorhersage der Restnutzungsdauer (RUL) und zur Frühwarnung vor Ausfällen. Sie schlägt einen einheitlichen Rahmen vor, der Degradationsmechanismen, interne physikalische Signale und Zustandsschätzung verbindet, um die Entwicklung intelligenter Batteriemanagementsysteme der nächsten Generation zu leiten.

Die Übersichtsarbeit ordnet zerstörungsfreie Diagnostik in vier Familien ein. Oberflächenmontierte Sensoren, darunter Thermoelemente, Thermistoren, Widerstandstemperaturdetektoren (RTDs) und Faser-Bragg-Gitter (FBGs), sind kostengünstig und einfach einzusetzen. Die räumlichen und zeitlichen Grenzen der physikalischen Signalübertragung vom Batterieinneren zur Sensoroberfläche können jedoch erhebliche Verzögerungen und Messabweichungen verursachen, insbesondere bei hohen Betriebsraten. Implantierbare Sensoren wie mikroelektromechanische Systeme (MEMS), Dünnfilm-Dehnungsmessstreifen und optische Fasern verbessern die Signaltreue durch Messung von Innentemperatur, Druck, Dehnung und Elektrolytchemie, doch Langzeitstabilität und Vibrationsermüdung bleiben Hürden. In-situ-integrierte Designs betten Sensorfunktionen in Stromsammler, Separatoren oder Verpackungen ein und bieten minimale Intrusion und Kompatibilität. Berührungslose Methoden – Magnetfeldbildgebung, akustische und Ultraschall-Sondierung, Gasanalyse und elektrochemische Impedanzspektroskopie (EIS) – liefern Einblicke auf Systemebene ohne direkten Kontakt. Um diese heterogenen Signale vollständig zu nutzen, diskutiert die Übersichtsarbeit weiterhin Merkmalsextraktion, Multisource-Informationsfusion und modellbasierte Interpretation. Elektrochemische und thermische Merkmale können mit Methoden wie der inkrementellen Kapazitätsanalyse (ICA), der Differenzspannungsanalyse (DVA) und der differenziellen thermischen Voltammetrie (DTV) extrahiert und anschließend mit physikbasierten Modellen, darunter pseudo-zweidimensionale (P2D)- und Einzelpartikelmodelle (SPM), sowie mit aufkommenden datengetriebenen Ansätzen wie physikinformierten neuronalen Netzen (PINNs), Transformatoren und Convolutional Neural Network–Long Short-Term Memory (CNN-LSTM)-Architekturen interpretiert werden. Sie betont zudem Merkmalsauswahl, Dimensionsreduktion, Cloud-Edge-Zusammenarbeit und standardisierte Schnittstellen. Zusammen zielen diese Werkzeuge darauf ab, normales Atmen von Lithium-Plating, Gasbildung und Mikrorissbildung zu unterscheiden und schwache multiphysikalische Signaturen in mechanismspezifische Warnungen zu übersetzen.

Die Autoren sagten, das Feld bewege sich von externer, indirekter Beobachtung hin zur direkten internen Wahrnehmung. Keine einzelne Sensormodalität könne die komplexen und gekoppelten Prozesse, die der Batteriedegradation und dem Sicherheitsversagen zugrunde liegen, vollständig erfassen; der eigentliche Fortschritt entstehe, wenn Oberflächen-, implantierte, In-situ- und berührungslose Signale mit physikinformierten Algorithmen fusioniert werden. Die Autoren betonen daher ein Co-Design von Sensorik und Algorithmen, bei dem Sensorfähigkeiten, Signalverarbeitung und Diagnosemodelle gemeinsam betrachtet und nicht als getrennte Stufen behandelt werden. Sie sagten, dieser Wandel könnte Batterien in Elektrofahrzeugen und Netzspeichern vorhersehbarer, zuverlässiger und langlebiger machen.

In der Praxis könnte der Rahmen frühere Warnungen vor thermischem Durchgehen, genauere Schätzungen des Gesundheitszustands (SOH) und der Restnutzungsdauer (RUL) sowie intelligenteres Schnellladen unterstützen. In Elektrofahrzeugen könnte er vorausschauende Wartung und Zell-zu-Pack-Sicherheitsüberwachung ermöglichen. In der Netzspeicherung könnte er die Zuverlässigkeit auf Flottenebene, die Bewertung der Zweitnutzung und den Brandschutz verbessern. Kostengünstige Strategien, die vorhandene Spannungs-, Strom- und Temperatursignale in Kombination mit Cloud-Edge-Computing nutzen, könnten den Einsatz erleichtern. Die Übersichtsarbeit warnt, dass Sensorstabilität, Fertigungskompatibilität, Datenstandardisierung, Bandbreite und Kosten weiterhin zentrale Hindernisse darstellen. Sie fordert modulare, standardisierte, minimal intrusive Sensorik und Algorithmus-Co-Design, um Laborfortschritte in skalierbare Batteriesysteme zu überführen. Für die Industrie könnte die Integration von Sensorik und Diagnosefähigkeiten in das Batteriedesign die Fertigungskompatibilität und Langzeitzuverlässigkeit verbessern und gleichzeitig die praktische Einführung fortschrittlicher Diagnosetechnologien in zukünftigen Batteriesystemen erleichtern.

Referenzen
DOI
10.1631/jzus.A2600100

URL der Originalquelle
https://doi.org/10.1631/jzus.A2600100

Förderinformationen
Diese Arbeit wird von der National Natural Science Foundation of China (Nr. 22578392), der Zhejiang Provincial Natural Science Foundation of China (Nr. LZ26B030003) und dem Open Research Fund of Suzhou Laboratory (Nr. SZLAB-1308-2024-ZD008), China, unterstützt.

Über Journal of Zhejiang University-SCIENCE A
Journal of Zhejiang University-SCIENCE A (JZUS-A) ist eine peer-reviewte akademische Zeitschrift mit Schwerpunkt auf Forschung in angewandter Physik und Ingenieurwesen. Ihr Umfang umfasst Bereiche wie Maschinenbau und Bauingenieurwesen, Materialwissenschaft und Chemieingenieurwesen, Umweltwissenschaften und Energie. Die Zeitschrift erscheint monatlich und ist in SCI-E (JCR Q1), Scopus (CiteScore Q1), EI Compendex und CSCD indexiert. Sie akzeptiert eine Reihe von Artikeltypen, darunter Research Articles, Reviews, Perspectives und Correspondence. Derzeit ist Artificial Intelligence in Engineering eine der aktivsten geförderten und empfohlenen Forschungsrichtungen. JZUS-A arbeitet mit einem hybriden Publikationsmodell, das sowohl abonnementbasierte als auch Open-Access-Publikation unterstützt.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und den Weg von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.