Monitoramento da Saúde e Estimação da Vida Útil de Baterias Aeronáuticas de Lítio-íon

1. Curso de Mestrado Profissionalizante em Engenharia Aeronáutica Monitoramento da Saúde e Estimação da Vida Útil de Baterias Aeronáuticas de Lítio-íon José Affonso Moreira Penna Orientação: Cairo L. Nascimento Jr. – ITA Co-orientação: Leonardo Ramos Rodrigues- Embraer

2. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

3. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

4. Introdução • Motivação • Busca de redução de custos de manutenção e de operação aos operadores; • Busca do aumento da segurança de voo; • Desenvolvimento de técnicas de prognóstico; • Objetivo • Desenvolver metodologia para estimação do tempo de vida útil restante (RUL) da bateria aeronáutica de lítio-íon. • Metodologia

5. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

6. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

7. PHM (Prognostics and Health Management) • Origem: • Disciplina em processo de amadurecimento; • Estudo do mecanismo de falha ↔ Gestão do ciclo de vida; • 1970 - HUMS (Health & Usage Monitoring Systems): MH-47E Chinook (monitoramento de vibrações para predizer falhas nas engrenagens dos rotores de helicópteros) • 1980 - Fabricantes visualizam oportunidade de negócios e iniciam fabricação deste sistema (Smiths Aerospace)

8. PHM (Prognostics and Health Management) • Fundamentos: • Envelhecimento ocorre em função do uso, do tempo e das condições ambientais; • Envelhecimento (acúmulo do dano) é um processo monotônico que se manifesta na degradação física e química; • Sinais do envelhecimento (direto ou indireto) são detectáveis antes da falha ostensiva do componente (perda da função); • Correlação entre os sinais de envelhecimento e modelo de degradação possibilita a estimativa de RUL (RemainingUsefulLife).

9. PHM (Prognostics and Health Management) • Cenário atual: • MTBF (Mean Time Between Failures) • Estatística de falha de determinada população; • Não considera variação de parâmetros de operação; • Pouco preciso; • Propostas: • Estimativa de RUL orientada a dados (Data-Driven Methods) • Estimativa de RUL orientada a modelo (Model-Based Methods)

10. PHM (Prognostics and Health Management) • Estimativa de RUL orientada a dados (Data-Driven Methods) • analise em tempo real os dados multidimensionais e ruidosos; • grande numero de variáveis relacionadas a degradação; • armazenagem e analise de dados onerosas; • gerência de incertezas;

11. PHM (Prognostics and Health Management) • Estimativa de RUL orientada a modelo (Model-Based Methods) • Desenvolvimento de modelo que relacionam o uso do componente com o acúmulo de danos; • Utilização de dados da operação para pequenos ajustes dos parâmetros do modelo; • Processos mais envolventes; • Tipicamente resultam em uma estimação de RUL mais exata e precisa; • Vantagens na validação, verificação e certificação pois a resposta do modelo pode ser relacionada com princípios físicos.

12. PHM (Prognostics and Health Management) • Baterias Aeronáuticas • Crítico para o bom estado e funcionamento dos sistemas. Falha pode levar a redução de performance, deterioriação operacional, e falha catastrófica; • Utilizado para a partida dos motores e em caso de pane elétrica das fontes principais de energia elétrica (geradores) e alternativas (RAT);

13. PHM (Prognostics and Health Management) • Baterias Aeronáuticas • Dificuldade de predizer com exatidão o fim da vida da bateria a partir da estimação de SoH (State of Health) sob condições ambientais e de carga diferentes dos experimentos. Exemplo: sonda espacial Mars Global Surveyor da NASA. • Tarefas de manutenção (inspeções e substituições) baseados em tempos fixos (hard times): • Custo direto e indireto; • Diminuição da despachabilidade; • Dados insuficientes para predição de falha; • Degradação na segurança de voo;

14. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

15. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

16. Baterias de Lítio-íon • Princípio de funcionamento • Descarga • Recarga • Comparativo com outras baterias • Maior densidade de energia

17. Baterias de Lítio-íon • Comparativo com outras baterias • Baixa autodescarga • Longa vida em estoque • Alto custo do equipamento • Comercializado desde 1991

18. Baterias de Lítio-íon • Modos de Falha • Sobretensão • Subtensão • Baixa temperatura • Alta temperatura • Fadiga mecânica • Ciclo de vida

19. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

20. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

21. Descrição do Modelo • Repositório de Dados • Fonte: NASA Ames Prognostics Data Repository • 34 baterias de lítio-íon (Cnominal=2Ah) • Repetidos ciclos de Recarga, Descarga e Medição de Impedância • Descarga: Corrente Constante até Vmínimo • Arquivos .mat

22. Descrição do Modelo • Repositório de Dados • Tratamento dos Dados • Removido V=0; • Removido pontos de circuito aberto; • Extrapolação da curva de descarga.

23. Descrição do Modelo • Repositório de Dados • Efeito da Degradação ao longo do Ciclo de Vida • Redução do tempo de descarga; • Redução da tensão elétrica.

24. Descrição do Modelo • Repositório de Dados • Cálculo da Capacidade • Cálculo do estado de carga (SoC)

25. Descrição do Modelo • Repositório de Dados • Removidas as baterias: B0025, B0026, B0027, B0028, B0038, B0039, B0040, B0041, B0042, B0043, B0044, B0049, B0050, B0051, B0052 • Falha no sistema de controle; • Corrente elétrica em forma de onda quadrada na descarga; • Variação de corrente elétrica e temperatura ao longo da vida da bateria. • 19 Baterias restantes: • B0033B0034 • B0029 B0031 • B0030 B0032 I=4A • B0053 B0055 • B0054 B0056 • B0005 B0007 • B0006 B0018 • B0036 I=2A B0045 B0047 B0046 B0048 I=1A T=24°C T=43°C T=4°C

26. Descrição do Modelo • Modelagem da curva de descarga • (PAATERO, 1997) e (SPERANDIO, 2010); • Calculo de Tensão Elétrica U (I,T,SoC):

27. Descrição do Modelo • Modelagem da curva de descarga • Determinação dos parâmetros x1...x17: • Seleção das primeira curva de descarga (bateria nova) de cada bateria; • Seleção de 5 baterias (uma para cada perfil de descarga); • Rotina executa FMINSEARCH (MATLAB®) agrupando uma bateria por execução; • Cálculo do erro:

28. Descrição do Modelo • Modelagem da curva de descarga • Resultados: • 1237 ponto utilizados; • Obtido os parâmetros x1...x17; • Erro médio = 0,0565; • Variância do erro = 0,0058.

29. Descrição do Modelo • Modelagem da curva de descarga • Comparação Modelo x Repositório

30. Descrição do Modelo • Modelagem da capacidade • Modelo Linear • Capacidade = f (T, I, nc) • Determinação dos parâmetros c0 e c1 • Seleção de 5 baterias (uma para cada perfil de descarga); • Seleção dos valores calculados de capacidade para cada nc; • Escolha do modelo de c0 e c1; • Rotina executa FMINSEARCH (MATLAB®) agrupando uma bateria por execução; • Cálculo do erro:

31. Descrição do Modelo • Modelagem da capacidade • Resultados: • 532 ponto utilizados; • Obtido os parâmetros y1...y10 • Erro médio = 0,0324; • Variância do erro = 0,0035.

32. Descrição do Modelo • Modelagem da capacidade • Comparação Modelo x Cálculo

33. Descrição do Modelo • Modelagem da capacidade • Capacidade x Corrente Elétrica • Capacidade x Temperatura

34. Descrição do Modelo • Modelagem do Estado de Saúde • State of Health (SoH) • Delta_Health • Capacidade @SoH • Número de Ciclo Relativo • RemainingUsefulLife (RUL)

35. Descrição do Modelo • Simulink • Projeto: • Carga:

36. Descrição do Modelo • Simulink • Projeto: • Carga:

37. Descrição do Modelo • Simulink • Modelo da Bateria: • Modelo de C

38. Descrição do Modelo • Simulink • Cálculo de SoC: • Modelo de Descarga:

39. Descrição do Modelo • Simulink • Monitoramento da Saúde: • Cálculo de SoH e de ncr

40. Descrição do Modelo • Simulink • Cálculo de ncr e delta_Health • Cálculo de SoH

41. Descrição do Modelo • Simulink • Monitoramento da Saúde:

42. Descrição do Modelo • Estimativa de RUL

43. Descrição do Modelo • Estimativa de RUL • Regressão Linear • Função REGRESS (MATLAB®) • B → coeficientes da regressão linear da reta • BINT → coeficientes das retas superiores e inferiores que abrangem os pontos com 100*(1-ALPHA)% de confiança

44. Descrição do Modelo • Estimativa de RUL • Cálculo de ncfalha • Cálculo de RUL • Cálculo da Incerteza • Incerteza do perfil de operação das futuras descargas (BINT) • Incerteza referente ao modelo de capacidade (erro/c1)

45. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

46. Estrutura do Trabalho • Introdução • PHM (Prognostics and Health Management) • Baterias de Lítio-íon • Descrição do modelo • Estudo de caso • Conclusão

47. Estudo de Caso • Limite de SoH • Descarga de emergência: • I = 4A; • time = 15 min.; • T =43°C (pior cenário); • Resultado: • ncfalha = 285 • SoHmin = 0,60

48. Estudo de Caso • Caso A • Partida do motor: • Corrente Elétrica: • Temperatura:

49. Estudo de Caso • Caso A • Efeito da degradação: • Resultado da simulação • ncfalha=495

50. Estudo de Caso • Caso A • Estimativa de RUL: • Exatidão na estimativa de falha (ncfalha=495) • Precisão na estimativa (incerteza ± 17 ciclos) • Estabilidade da estimativa possibilita planejamento da manutenção