【超声波在电池上的应用之九】超声在电池制造在线检测中的应用—从润湿监测到产线集成

TL;DR：电池制造全流程中，电解液润湿、电极涂层均匀性、化成监控等关键环节长期缺乏高效的在线检测手段，传统抽检/破坏性检测模式导致缺陷漏检率高、废料损失巨大。

超声技术正从实验室工具走向Gigafactory产线---从Dahn团队的润湿监测开创性工作，到亚琛工业大学75μm分辨率的锂析出operando成像，再到Liminal EchoStat的在线阵列扫描和Waygate多模态CT+超声融合方案，一条"从注液到分选"的全流程超声检测链路正在成形。

本文系统梳理13篇核心文献和产业公开信息，覆盖空气耦合非接触检测、电极压实度评估、化成过程监控、光纤超声成像等前沿方向，并结合Schneider Electric产线集成案例给出TRL分级评估和跨领域对比（半导体AOI、X-ray CT），最终量化超声方案在10GWh产线上的经济价值。

📌 系列导航 ：本系列第09篇，共16篇。上一篇：08-AI+超声缺陷智能识别。下一篇：10-超声导波×ML。

1 电池制造全流程中的检测盲区

1.1 从电极制备到化成：一条充满盲区的产线

锂电池制造是一个高度复杂的多步骤流程，涉及电极制备（浆料搅拌→涂布→辊压→分切）、电芯组装（卷绕/叠片→入壳→焊接→注液→封口）、以及化成与老化（首次充放电→老化测试→分选）三大阶段。在每个阶段，都可能产生不同性质的缺陷：

制造阶段	典型缺陷类型	传统检测方式	核心瓶颈
电极涂布	涂层厚度不均、露箔、气泡	离线称重/β射线测厚	无法检测涂层-集流体界面脱粘
电极辊压	压实度偏差、孔隙率不均	抽样测厚/密度	100%在线检测缺乏手段
注液/浸润	浸润不完全、干区、液面偏差	静置时间估算/开路电压	无法直接观测内部润湿状态
化成	锂析出、产气、SEI不均匀	电压/温度监控	微观析锂无法被电信号及时捕获
分选	容量-内阻离散性大	EOL电性能测试	无法区分内部机械缺陷导致的隐性不良

据Schneider Electric与Liminal Insights联合公开数据，成熟电池工厂的废料率（scrap rate）在6%--15%之间，新建工厂和新型号量产初期的废料率更高 $6$ 。2020--2023年间，全球电池行业因质量问题导致的召回成本超过30亿美元 $6$ 。这些数据的底层逻辑在于：现有检测手段主要集中在产线末端（end-of-line），而大量缺陷在前端工序已经产生却未被及时发现，导致缺陷随工序流转到后续高价值步骤，每经过一个工序，废料的经济损失就叠加一层。

1.2 传统抽检模式的三重局限

局限一：抽检覆盖率不足。 以注液后的浸润检测为例，传统做法是抽取少量样本进行破坏性拆解目检或电化学性能测试。在10GWh级产线上，日产电芯量可达数十万只，抽检比例通常不足0.1%。这意味着大量存在润湿不良、内部气泡或轻微析锂的电芯可能流入成品环节。

局限二：破坏性检测无法回溯。 一旦进行拆解或截面分析，电芯即报废。更关键的是，破坏性检测只能给出"是否合格"的终态结论，无法提供缺陷在制造过程中的演化信息，对工艺优化的指导价值有限。

局限三：X-ray/CT方案的产线适配性限制。 X-ray和CT技术在空间分辨率和穿透深度方面具有优势，已在电池R&D和实验室场景中广泛应用。但在产线集成层面，X-ray面临辐射防护需求（需要专用屏蔽区域、辐射安全许可证）、单电芯扫描时间长（秒级到分钟级）、设备体积庞大等约束。将CT系统部署在高速产线旁进行100%在线检测，在当前技术条件下尚不经济（置信度：高------产业公开信息一致反映此瓶颈）。

这三个局限共同指向同一个需求：需要一种快速、非破坏性、无辐射、可在线集成的检测技术，在制造流程的多个关键节点实现100%覆盖或高比例覆盖。超声技术恰好在这些维度上展现出独特优势。

1.3 超声检测在制造场景的物理基础

超声在电池制造检测中的适用性，建立在本系列前几篇已讨论过的物理原理之上 $系列01/02$ 。简要回顾几个关键参数：

飞行时间（ToF）：超声波穿过电池内部各层介质的传播时间，与材料的声速和厚度直接相关。浸润过程中电解液替换孔隙中的气体，会改变局部有效声速，从而在ToF信号上产生可辨识的变化。
信号幅值（SA）：超声信号在不同声学阻抗界面处的反射和透射比例不同。当电极涂层存在脱粘、气泡或压实度偏差时，界面反射特性发生变化，SA随之改变。
频谱特征：多层介质中超声信号的频率响应包含了层间耦合状态的丰富信息。

这些物理量在实验室条件下已被充分验证，而本系列第09篇要回答的核心问题是：如何将这些实验室验证的物理量转化为可在Gigafactory产线上稳定运行的工程化检测方案？

2 电解液注液/润湿监测：从Dahn到空气耦合

2.1 Deng/Dahn团队的开创性工作

电解液注液后的浸润过程是电池制造中耗时最长、最难监控的工序之一。传统做法是在注液后施加数小时甚至数十小时的静置等待，以确保电解液充分浸润电极孔隙。但"等多久才算够"这个问题，长期缺乏直接的内部观测手段。

Deng, Huang, Shen, Huang, Ding, Luscombe, Johnson, Harlow, Gauthier & Dahn（2020）在Joule发表的工作 $2$ 首次系统性地展示了超声扫描在观测软包电池内部润湿/去润湿（wetting/unwetting）过程中的能力。该工作来自华中科技大学与Dalhousie大学Dahn团队的联合研究。

核心实验设计：

研究对象为LFP/石墨软包电池。研究团队使用超声扫描系统对软包电池进行二维逐点扫描，通过监测透射信号的幅值和飞行时间变化，绘制出电池内部润湿状态的空间分布图。其物理原理在于：当电解液从注液口逐渐向电极内部渗透时，原本被气体占据的孔隙逐步被液体填充，介质的有效密度和弹性模量发生变化，导致超声波在该区域的传播特性（声速、衰减）产生相应改变。

关键发现：

超声扫描可以清晰地分辨出电池内部"已润湿区"和"未润湿区"的空间边界，分辨率达到毫米级别；
润湿过程并非均匀推进，而是呈现出明显的前缘不均匀性------部分区域润湿速度快，部分区域存在显著的滞后；
在电池经受外部压力或温度变化时，已润湿区域可以出现"去润湿"（unwetting）现象，即电解液从部分孔隙中被挤出，超声信号可以捕捉到这一逆向过程。

这项工作的意义在于：它首次证明了超声技术能够非破坏性地、空间分辨地监测电池内部的润湿状态，为后续将超声从实验室工具推向制造在线检测奠定了基础。

2.2 相控阵C扫描在注液质量检测中的延伸

Gao, Liu et al.（2024）在ICSMD 2024发表的工作 $9$ 将超声检测从润湿过程延伸到注液质量和脱气质量的评估。该工作采用超声相控阵C扫描技术（Phased-Array C-Scan），对锂离子电池内部缺陷进行检测。

相控阵技术通过电子延时控制多个阵元的激励时序，实现声束的偏转和聚焦扫描，相比传统单探头机械扫描，具有更高的扫描速度和更灵活的声场控制。在注液后检测场景中，C扫描可以提供电池内部电解液分布的二维截面图像，识别因注液不充分、脱气不完全或密封不良导致的气泡和干区。

2.3 空气耦合超声：非接触检测的突破

Herring, Thornby, Somyanonthanakun, Kombrink, Samuel, Roberts & Ramadas（2025）在2025 IEEE IUS发表的工作 $1$ 代表了润湿检测技术的一个重要分支------空气耦合超声（Air-Coupled Ultrasound）。来自伯明翰大学的团队提出了一种面向软包电池电解液填充水平（fill level）快速在线检测的方案。

技术路线：

传统超声电池检测需要将探头通过耦合介质（水或凝胶）与电池表面接触，这在高速产线上引入了机械接触、耦合剂污染和探头磨损等问题。空气耦合超声通过在电池两侧分别放置空气耦合发射探头和接收探头，利用超声波穿过空气-电池外壳-电池内部-电池外壳-空气的多层路径，实现完全非接触的超声信号采集。

核心创新：

空气耦合+频谱分析：利用空气耦合超声的宽频带特性，通过频谱分析提取对电解液填充水平敏感的频率特征；
SVM异常分类：训练支持向量机（SVM）分类器，区分正常填充水平和异常填充水平（过高或过低）；
面向Gigafactory的速度设计：空气耦合方案无需机械扫描即可实现大面积覆盖，适合高速产线的节拍要求。

空气耦合方案的挑战在于空气-固体界面的声阻抗失配极大（空气声阻抗约400 Rayl，电池外壳铝层约17×10⁶ Rayl），导致信号透射率极低。这在一定程度上限制了信噪比和检测深度，但对于软包电池这类薄型封装结构，信号强度仍可满足分类需求（置信度：中------该方法处于会议论文阶段，独立复现数据尚待积累）。

2.4 Qiao等人的注液/浸润实时质检方案

Qiao, Skatter & Nanni（2025）在ECS Meeting Abstract中发表的工作 $5$ 进一步聚焦于注液和浸润过程中的实时质检。该工作将超声技术与机器学习结合，在注液和浸润过程中采集超声信号并实时提取特征，通过ML模型判断浸润是否达到合格标准。这一方案的工程意义在于：如果能通过超声信号准确判断浸润完成度，就可以将传统"固定等待时间"的浸润工艺升级为"按需等待"------润湿达到标准的电芯提前进入下一工序，未达标的继续等待，从而缩短整体生产周期并降低润湿不良的漏检率。

2.5 光纤超声成像系统的润湿监测

Chen et al.（2025）在Opto-Electronic Science发表的工作 $8$ 开辟了另一条技术路线------基于光纤法布里-珀罗干涉仪（FPI）的超声传感系统。该系统利用光纤超声传感器对LFP电池进行operando监测，实现SOH评估和AFLMB（all-solid-state flexible lithium-metal battery，全固态柔性锂金属电池）的润湿过程成像。

系统的核心参数： - 空间分辨率 ：0.5 mm - 压力灵敏度 ：558 mV/kPa - 成像模式：B模式（亮度调制断面图）

光纤超声方案的优势在于传感器尺寸小（光纤直径125 μm级别）、抗电磁干扰、可柔性贴合电池表面。在润湿监测场景中，该系统对AFLMB注液后24小时和48小时的润湿状态进行了清晰成像，展示了从干燥到完全润湿过程中的信号演化。

3 电极涂层与浆料质量评估

3.1 Tayemen等人的空气耦合电极检测

在电池制造的前端工序------电极制备环节，涂层的均匀性和压实度是决定电芯一致性的关键参数。Tayemen, Chang et al.（2025）在ACS Energy Letters发表的工作 $4$ 展示了一种非接触空气耦合超声评估电极薄膜质量的方案，来自Drexel大学。

核心方法：

利用空气耦合超声探头对干燥状态下的电极涂层进行扫描，提取超声信号的频谱特征（中心频率、带宽、幅值等），建立声学参数与电极物理特性（压实密度、孔隙率、涂层厚度均匀性）之间的关联模型。

关键成果：

压实度变化检测：通过声学密度模型（acoustic density model），可以根据超声信号预测电极涂层的局部压实密度变化。当辊压工艺出现偏差导致局部过压或欠压时，超声信号可以灵敏地捕捉到这一差异；
金属污染物检测：混入浆料中的金属异物（如铜屑、铁屑）在超声图像中表现为高反射亮点，与周围涂层材料形成显著的对比度差异；
非接触优势：空气耦合方案不会对尚未完全固化的涂层表面造成机械损伤，适合在涂布→辊压之间的工序间隙部署。

这项工作的工程意义在于：它证明了超声技术可以覆盖电池制造的最前端工序------从浆料涂布到辊压成型的质量控制，而这一环节此前主要依赖离线称重和β射线测厚，无法提供涂层内部结构信息。

3.2 从涂层到界面：多层结构的声学响应

电极涂层实际上是一个多层结构：集流体（铜箔/铝箔）→涂层底层→涂层主体→涂层表层。不同层之间的界面结合状态（是否存在脱粘、分层）对电芯的长期循环稳定性有显著影响。超声技术在界面检测方面的优势在于：当超声波遇到不同声学阻抗的界面时，部分能量会被反射回来。通过分析反射信号的时间和幅值，可以判断界面的完整性。

李浩, 夏广, 姜伟等人在《分析测试学报》发表的综述 $10$ 系统梳理了超声在电解液浸润、析锂、产气、SOC/SOH评估以及界面稳定性检测中的应用进展，其中特别指出涂层均匀性和界面脱粘是产线端超声检测的重要应用方向。

4 化成过程超声监控

4.1 Wasylowski团队的锂析出operando成像

化成是电池制造中最关键的电化学激活工序。在首次充放电过程中，负极表面形成SEI（固体电解质界面膜），同时任何不恰当的充电策略（如过高电流密度、过低温度）都可能导致金属锂在负极表面析出（lithium plating），这是影响电池安全性和循环寿命的致命缺陷。

Wasylowski, Ditler, Sonnet, Falkenstein, Leogrande, Ronge, Blömeke, Würsig, Ringbeck & Sauer（2024）在Nature Communications发表的工作 $3$ 代表了超声在化成监控领域的最高水平验证。来自亚琛工业大学ISEA（电化学储能装置研究所）的团队使用声学扫描显微镜（SAM）在25 MHz频率下对多层软包电池进行operando超声成像，实现了锂析出过程的非破坏性可视化。

核心技术参数 ： - 超声频率 ：25 MHz - 空间分辨率 ：75 μm - 扫描模式 ：SAM（Scanning Acoustic Microscopy），逐点机械扫描 - 监测对象：快充过程中锂在负极表面的析出与剥离动力学

物理机制：

当锂在负极表面析出时，局部区域的声学特性发生变化。金属锂的密度（534 kg/m³）和声速与石墨负极（密度约2000--2200 kg/m³，取决于压实度）存在差异，导致含锂析出区域的超声反射信号在幅值和相位上产生可辨识的变化。通过25 MHz高频聚焦探头的精细扫描，可以分辨出微米级的锂析出区域。

关键发现：

该方法可以非破坏性地可视化电池内部锂析出的形成（formation）和剥离（stripping）过程；
通过参考电极研究和ex-situ分析验证了超声检测析锂的有效性；
空间分辨率达到75 μm，接近当前超声电池成像的最高水平。

这项工作的突破性意义在于：它证明了超声不仅能在电池制造后检测缺陷，还能在电池运行过程中（operando）实时监测有害过程的发生，为化成工艺的优化和快充安全窗口的标定提供了前所未有的观测手段。

4.2 Wasylowski博士论文的系统性方法论

Wasylowski（2024）的博士论文 $11$ 对上述工作进行了系统性整合，题为"Accelerating battery cell design, manufacturing, and testing through ultrasound imaging"，来自RWTH Aachen大学。论文完整阐述了超声成像在电池设计、制造和测试全流程中的应用方法论，包括：

1 MHz低频扫描用于全电池压力分布与容量保持率的关联分析；
25 MHz高频扫描实现深度分辨的电极层分离成像；
SAM operando模式追踪快充过程中锂层的动态演化。

这篇论文为超声在电池制造全流程检测中的应用提供了最完整的学术参考框架。

4.3 化成过程中的产气监测

化成过程中除了锂析出，另一个关键监控对象是产气。首次充放电时SEI形成伴随气体生成（H₂、C₂H₄、CO₂等），产气的量和速率是SEI质量和电芯密封性的重要指标。超声对气泡极其敏感------气体与液体/固体的声阻抗差异巨大，气泡在超声图像中表现为高反射信号。李浩等人的综述 $10$ 指出，超声产气检测已从实验室验证进入到初步产线试用阶段。

Liu et al.（2026）在Journal of Energy Chemistry发表的综述 $13$ 进一步总结了超声成像在锂电池全生命周期无损检测中的应用，覆盖从制造到退役的各个环节，其中化成阶段的产气检测和析锂预警被列为最具产线应用前景的方向之一。

5 产线集成方案：Liminal EchoStat、Waygate多模态与Schneider Electric

5.1 Liminal EchoStat：从实验室到产线的核心载体

Liminal Insights是当前超声电池在线检测领域最具代表性的商业化方案提供商。其核心产品EchoStat系列覆盖了从离线检测（EchoStat BENCH）到在线阵列扫描（EchoStat ARRAY）的完整产品线。

EchoStat的核心技术特征：

根据Schneider Electric与Liminal联合公告 $6$ 及公开信息：

在线集成能力：EchoStat系统可直接嵌入产线，占用空间小，无需额外防护设施（无辐射）；
全化学体系兼容：兼容NMC、LFP、NCMA、锂金属、固态、钠离子等所有主流和下一代电池化学体系；
实时结果输出：检测后即时给出质量判定，无需等待离线分析；
AI驱动分析：结合机器学习算法对超声信号进行自动分类和异常识别。

经济价值量化：

根据Schneider Electric与Liminal联合公告中的数据 $6$ ： - 1%废料率降低 = 年均节省1000万美元（以10 GWh产能计） - 化成工序缩短8小时 = 年均节省300万美元（以10 GWh产能计）

这两个数字背后的逻辑是：超声在线检测通过在注液后、化成中等多个节点提供100%覆盖的内部质量数据，使得浸润不良、析锂、产气等缺陷在早期工序即可被识别并剔除，避免其流入后续高价值工序造成更大损失。同时，通过实时监测浸润完成度，可以精确判定哪些电芯已经润湿充分，提前送入下一工序，从而缩短整体生产周期。

5.2 Schneider Electric产线集成

2025年1月24日，Schneider Electric与Liminal宣布合作 $6$ ，将EchoStat超声检测方案集成到Schneider Electric的自动化与工业智能生态系统中。

集成架构：

硬件层：Liminal EchoStat超声检测系统 + Schneider Electric工业自动化硬件
软件层：AVEVA软件连接平台，实现检测数据与MES/SCADA系统的无缝对接
数据分析层：检测数据通过AVEVA平台汇入工厂智能分析系统，实现电芯级别的实时根因分析

这一集成的核心价值在于：超声检测数据不再是孤立的质控信息，而是与生产过程中的工艺参数（涂布速度、辊压力、注液量、化成电流等）打通，形成"检测→分析→工艺反馈→优化"的闭环。

5.3 Waygate Technologies多模态方案

2026年3月31日，Waygate Technologies（Baker Hughes旗下）与Liminal Insights宣布战略合作 $7$ ，开发业内首个集成的多模态电池检测方案。

多模态架构：

模态	应用场景	角色
工业CT	实验室/R&D	失效分析、材料表征，提供ground truth
纳米CT	电芯开发	材料级微观结构分析
高能CT	模组/电池包级	大规模组装质量评估
Krautkrämer超声	产线在线	相控阵电子+先进波束成形
Liminal阵列探头+EchoStat	产线在线	100%覆盖AI驱动超声筛查

UKBIC验证数据：

Waygate Technologies在英国电池工业化中心（UKBIC，位于Coventry）进行了联合概念验证 $7$ ： - 通过UT+CT联合工作流测试了400+电芯 - 多模态方案相比单模态检测：成本节省>10% - 缺陷捕获率提升：12%

Liminal CEO Shaurjo Biswas评价："多模态是电池检测的未来。"Waygate的Paul Perera指出："在Gigafactory规模下，即使零点几的良率提升也意味着每年数千万美元的节省。"

多模态的逻辑：

超声在线筛查（快速、全检、无辐射）+ CT离线精检（高分辨率、精准定位）+ ML反馈闭环（将检测数据与工艺参数关联，驱动工艺优化）。这一架构的核心假设是：单模态检测无法覆盖所有失效模式，而超声和CT在检测能力上互补------超声对界面脱粘、润湿状态、气体敏感，CT对结构缺陷（电极错位、毛刺、异物）的空间定位更精确。

5.4 Liminal的商业化验证里程碑

Liminal Insights在2024--2026年间快速积累了商业化验证里程碑： - 2024年10月 ：获得LG Technology Ventures 1000万美元战略投资，用于加速EchoStat方案在全球电池工厂的部署 - 2025年5月 ：入选CB Insights 2025年AI 100榜单（全球100家最具前景的AI公司） - 2025年1月 ：与Schneider Electric达成产线集成合作 - 2026年3月：与Waygate Technologies达成多模态技术合作

6 跨领域对比：半导体AOI vs X-ray vs 超声

6.1 半导体制造中的AOI范式

半导体晶圆制造中的在线质量检测经过数十年演进，已形成一套成熟的范式：

前道检测：在光刻、刻蚀、沉积等每道工序之后，使用光学/AOI（自动光学检测）或电子束检测进行100%覆盖的缺陷扫描；
量测（Metrology）：使用椭偏仪、白光干涉仪等对关键尺寸（CD）进行高精度测量；
失效分析：使用FIB-SEM、TEM等进行纳米级缺陷根因定位。

这一范式的核心原则是：越早发现缺陷，损失越小。一颗缺陷芯片如果在光刻后被发现，损失仅是一片晶圆的部分面积；如果到了封装后才发现，损失已经包含了所有后续工序的附加值。

6.2 电池检测与半导体AOI的对标

维度	半导体AOI	电池X-ray/CT	电池超声在线
检测速度	毫秒级/芯片	秒-分钟级/电芯	秒级/电芯（EchoStat ARRAY：6s/电芯）
空间分辨率	亚微米-nm	μm级	0.5-75 μm（依频率而定）
覆盖方式	100%在线	抽检/离线为主	100%在线（目标）
辐射安全	无辐射	需要屏蔽/许可	无辐射
检测深度	表面/近表面	全穿透	全穿透（透射模式）
对内部界面敏感性	有限	高	高
设备成本	中-高	高	中
产线集成难度	低（已标准化）	高（辐射防护）	中（正在标准化）

6.3 核心差异与互补性

半导体AOI的成功经验对电池检测的启示是明确的：在线、全检、快速反馈是降低制造成本的核心路径。但电池与半导体有一个根本性差异------电池是一个密封的三维多层结构，内部缺陷无法通过光学表面观察来检测。这意味着：

X-ray/CT是当前的ground truth，但受限于速度和辐射安全，无法承担100%在线检测的角色；
超声是唯一同时满足"快速+无辐射+全穿透+可在线"四个条件的技术，但空间分辨率尚不及CT；
最佳实践是多模态融合------超声做100%在线筛查，CT做抽样精检和失效分析，ML做数据闭环。

这正是Waygate+Liminal多模态方案的设计逻辑。

7 工程落地评估与TRL分级

7.1 TRL分级总览

基于文献公开信息和产业数据，对各超声检测环节的TRL分级如下：

检测环节	TRL等级	代表性工作	关键差距
润湿过程监测（接触式）	TRL 6	Deng/Dahn $2$ , Chen $8$ , Gao $9$	扫描速度与产线节拍匹配
润湿过程监测（空气耦合）	TRL 4	Herring $1$	信噪比、多化学体系验证
电极涂层/压实度评估	TRL 4-5	Tayemen $4$	产线环境验证、批量数据积累
化成过程锂析出监测	TRL 4	Wasylowski $3$	SAM扫描速度→产线适配
产线在线超声筛查	TRL 6-7	Liminal EchoStat $6$ $7$	规模化部署、长期稳定性数据
多模态CT+超声融合	TRL 5-6	Waygate+Liminal $7$	UKBIC验证→商业产线部署
化成产气监测	TRL 5	李浩综述 $10$ , Liu综述 $13$	定量标定、多体系验证
超声+ML浸润判定	TRL 5	Qiao $5$	模型泛化、跨化学体系适配

7.2 产线集成的核心工程挑战

挑战一：机械集成与产线节拍匹配

电池产线的典型节拍为每个电芯数秒到数十秒。EchoStat ARRAY公开数据为6秒/电芯 $6$ ，已基本匹配当前产线节拍。但对于更高产能的产线（如要求<3秒/电芯），扫描速度和探头覆盖面积需要进一步提升。

挑战二：耦合方式的一致性

对于接触式超声方案，探头与电池表面之间的耦合剂均匀性和稳定性直接影响信号的可重复性。在高速产线上，耦合剂的施加和残留控制是工程化难题。空气耦合方案 $1$ $4$ 虽然避免了这一问题，但信号强度受限。

挑战三：电芯型号的频繁切换

电池工厂通常需要在不同型号/尺寸的电芯之间切换产线。每次切换意味着超声检测系统的机械定位、扫描参数、AI分类模型都可能需要重新标定。Liminal强调EchoStat方案兼容所有主流化学体系 $6$ ，但不同尺寸电芯的适配仍是工程挑战（置信度：中------厂商声明，独立验证数据有限）。

挑战四：超声信号的物理-电化学解耦

超声信号对电池内部多种状态变量（SOC、温度、压力、润湿状态、析锂、产气）都敏感。在产线环境中，如何从混合信号中解耦出目标变量（如润湿完成度），而不受其他变量的干扰，是一个物理建模和信号处理的综合挑战。

7.3 成本对比

方案	设备成本（估算）	运营成本特征	适用场景
超声在线筛查（EchoStat类）	中（ $100K-$ 500K/工位）	低（无辐射防护、低能耗）	100%在线全检
X-ray CT	高（ $500K-$ 2M+）	高（辐射防护、维护）	R&D/失效分析/抽样
破坏性抽检	低（拆解设备）	中（废料成本）	质量抽检
半导体AOI对标	中-高	中	不适用（电池密封结构）

超声方案的核心经济优势在于：它可以在X-ray无法承担100%在线检测的场景中提供补充覆盖，从而在缺陷到达产线末端之前将其拦截。以10GWh产线为例，1%废料率降低即对应1000万美元/年节省 $6$ 。

7.4 从实验室到GWh产线的工程化路径

综合以上分析，超声在线检测从实验室到GWh产线的工程化路径可以归纳为三个阶段：

阶段一（已完成，2020--2024）：学术验证期。Dahn团队润湿监测、Wasylowski锂析出成像等核心学术成果证明了超声在电池检测中的物理可行性和信息丰富度。

阶段二（进行中，2025--2027）：产线集成期。Liminal EchoStat已实现商业部署，Schneider Electric产线集成完成，Waygate多模态方案在UKBIC完成400+电芯验证。这一阶段的关键任务是积累大规模部署的运营数据、验证长期稳定性、建立跨化学体系的通用检测模型。

阶段三（预期，2027--2030）：全面在线化。超声检测从"质控工具"升级为"工艺优化引擎"------超声数据不仅用于判断良品/不良品，还反馈驱动上游工艺参数（涂布速度、辊压力、注液量、化成策略）的实时优化。

8 FAQ

Q1：超声在线检测和X-ray在线检测能互相替代吗？

A：不能简单替代，而是互补关系。X-ray/CT在空间分辨率和缺陷定位精度上具有优势（可达μm级），是当前的ground truth手段。但X-ray在高速产线上面临辐射防护、扫描速度和成本三重约束。超声的优势在于无辐射、可在线100%覆盖、速度快，但空间分辨率和缺陷类型判别能力相对有限。Waygate+Liminal的多模态方案 $7$ 正是基于这一互补性设计的------超声做在线筛查，CT做抽样精检和失效分析。UKBIC验证数据显示，多模态方案相比单模态检测成本节省>10%、缺陷捕获率提升12%（置信度：高------已有公开验证数据）。

Q2：空气耦合超声真的能完全避免接触耦合剂吗？在产线上可靠吗？

A：从物理原理上，空气耦合超声确实可以实现完全非接触的检测 $1$ $4$ 。但需要注意的是，空气-固体界面的声阻抗失配导致信号透射率极低（约-40 dB量级），这对接收系统的灵敏度提出了很高要求。Herring等人 $1$ 的方案通过频谱分析和SVM分类在一定程度上克服了信噪比问题，但该方法目前处于会议论文阶段（TRL 4），尚未在产线环境中经过大规模验证。Tayemen等人 $4$ 的电极检测方案同样使用空气耦合，但针对的是干燥电极这种声学条件相对简单的对象。对于注液后封装完成的电芯，内部多层介质会进一步衰减信号，空气耦合方案的适用范围和可靠性仍需更多产线级验证（置信度：中------物理可行，工程成熟度待提升）。

Q3：Wasylowski的75μm分辨率锂析出检测能否直接搬到产线上？

A ：短期来看，难度较大。Wasylowski等人的工作 $3$ 使用的是声学扫描显微镜（SAM），需要精密的机械扫描系统来逐点成像，单次扫描耗时较长（分钟级），且需要25 MHz高频探头。产线在线检测要求秒级节拍和稳定的耦合条件。此外，operando成像是在受控实验条件下进行的，产线环境中的振动、温度波动、电芯位置偏差等因素都会影响成像质量。但该工作的核心价值在于物理验证------证明了超声信号确实包含锂析出的可辨识信息。后续的工程化工作（如Liminal的方案 $6$ ）可以将这些物理知识编码到AI模型中，使用阵列探头和更高速的信号处理来实现产线级的检测速度（置信度：高------物理原理已验证，工程化路径需要时间）。

Q4：超声检测对固态电池和钠离子电池同样适用吗？

A：从物理原理上看，超声检测依赖的是材料的声学特性（密度、弹性模量、声阻抗），而非特定的电化学反应机制。因此，只要不同电池体系中存在可被声学信号表征的物理变化（如界面接触状态、气体生成、材料相变），超声检测在原理上就是适用的。Schneider Electric与Liminal联合公告中明确列出EchoStat兼容固态电池和钠离子电池 $6$ 。黄等人（2025）在硅酸盐学报发表的综述 $12$ 专门讨论了超声和光纤技术在固态电池中的应用，指出固态电池中的固-固界面接触问题反而为超声检测提供了更明确的声学对比度。但需要注意的是，不同电池体系的声学特征数据库尚不完善，AI分类模型需要针对新体系重新训练（置信度：中------原理可行，数据积累尚在进行中）。

Q5：超声检测数据能否反馈驱动工艺优化？具体怎么做？

A：可以。这正是超声在线检测从"质控工具"升级为"工艺优化引擎"的核心路径。Schneider Electric与Liminal合作架构中的AVEVA软件平台 $6$ 就是为这一目标设计的。具体流程为：

超声系统在多个产线节点（注液后、化成中等）采集每个电芯的声学数据；
数据通过AVEVA平台汇入工厂数据湖，与上游工艺参数关联（涂布速度、辊压力、注液量、温度等）；
统计分析/ML模型识别出导致声学异常的工艺参数组合；
反馈到上游工序进行参数调整。

例如，如果超声检测到某批次电芯的浸润信号异常，追溯到注液工序发现注液量偏低或注液速度偏快，即可实时修正。这一闭环的价值远大于简单的"良品/不良品"分选（置信度：高------Schneider Electric/Liminal架构已公开设计意图，实际闭环效果待规模化数据验证）。

Q6：超声在线检测的投资回报周期大概是多久？

A：以Schneider Electric与Liminal公开数据为参考 $6$ ，10GWh产线降低1%废料率=节省1000万美元/年。超声检测设备的投资成本（按每个产线节点 $100K-$ 500K估算，全产线可能需要多个检测工位）和集成成本合计预计在百万美元级别。如果仅计算废料率降低的直接收益，投资回报周期大致在数月到一年左右。此外还有间接收益：缩短浸润等待时间带来的产能提升（化成工序缩短8小时=节省300万美元/年）、减少召回风险（2020--2023年全球电池召回成本超30亿美元）等。需要注意的是，这些数据来源于厂商公告，实际回报取决于具体工厂的工艺成熟度、产品组合和产线利用率（置信度：中------经济模型基于厂商估算，实际效果因工厂而异）。

参考文献

$1$ D. Herring et al ., "Air-Coupled Ultrasound Spectroscopy for Electrolyte Fill Level Detection in Lithium-Ion Pouch Cell Batteries," 2025 IEEE International Ultrasonics Symposium (IUS), Utrecht, Netherlands, 2025, pp. 1-4, doi: 10.1109/IUS62464.2025.11201297.

$2$ DENG Z, HUANG Y, SHEN S, et al. Ultrasonic Scanning to Observe Wetting and "Unwetting" in Li-Ion Pouch Cells $J$ . Joule, 2020, 4(9): 2017-2029.

$3$ Wasylowski, D., Ditler, H., Sonnet, M. et al. Operando visualisation of lithium plating by ultrasound imaging of battery cells. Nat Commun 15, 10237 (2024)

$4$ André Matthew R. Tayamen, Sam Amsterdam, Wesley K. Chang; Air-Coupled Ultrasound for Nondestructive Evaluation of Battery Electrodes. ACS Energy Lett. 12 September 2025; 10 (9): 4395--4401

$5$ QIAO S, SKATTER S, NANNI A. Advancing Battery Cell Manufacturing with Ultrasound and Machine Learning: Real-Time Insights for Quality and Process Optimization $C$ //ECS, 2025 Meet. Abstr. MA2025-01 559.

$6$ SCHNEIDER ELECTRIC & LIMINAL INSIGHTS. Schneider Electric and Liminal partner to Enable High-Quality, Scalable EV Battery Production While Minimising Waste $EB/OL$ . 2025-01-24. https://www.se.com/sg/en/about-us/newsroom/news/press-releases/schneider-electric-and-liminal-partner-to-enable-high-quality-scalable-ev-battery-production-while-minimising-waste-67a9b0fcc3e8bc4cb203e157/

$7$ WAYGATE TECHNOLOGIES & LIMINAL INSIGHTS. Waygate Technologies and Liminal Insights Announce Strategic Collaboration to Advance Multi-Modal Battery Inspection $EB/OL$ . 2026-03-31. https://www.liminalinsights.com/news/waygate-technologies-partnership/; Quality Mag报道: https://www.qualitymag.com/articles/99559-scaling-battery-production-the-growing-importance-of-quality-assurance-and-multi-modal-inspection

$8$ Chen G, Wang AQ, Zhang Y et al. Operando monitoring of state of health for lithium battery via fiber optic ultrasound imaging system. Opto-Electron Sci 4, 240036 (2025)

$9$ J. Gao, X. Liu, Y. Lyu, W. Zhang and C. He, "Research on Internal Defect Detection Method of Lithium-Ion Battery Based on Ultrasonic Phase-Array C-Scan Technique," 2024 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD), Huangshan, China, 2024, pp. 1-5.

$10$ 李浩,夏广,姜伟,陆瑞强,刘超,莫梁君,郑志军,邓哲.超声检测锂电池缺陷的应用进展 $J$ .分析测试学报,2024,43(12):2043-2052.

$11$ WASYLOWSKI D. Accelerating battery cell design, manufacturing, and testing through ultrasound imaging $D$ . RWTH Aachen University, 2024. DOI: 10.18154/RWTH-2025-00940

$12$ HUANG Z, et al. Advances and Challenges in Application of Ultrasound and Optical Fiber Technologies in Solid-State Batteries $J$ . 硅酸盐学报, 2025, 53(6): 1456-1468.

$13$ Ping Liu, et al. Ultrasonic imaging technology for non-destructive detection of lithium ion batteries $J$ . Journal of Energy Chemistry, 2026, 115: 383-405.

本文仅对文献和其他公开信息做分析，属个人兴趣，不构成对文献观点作者的背书，亦不代表任何文献作者和机构组织的立场或利益。

关键词：超声在线检测, 电解液润湿监测, 空气耦合超声, 锂析出operando成像, 产线集成EchoStat, 多模态CT超声, 电池制造质检, 电极压实度评估, 化成过程监控, Gigafactory无损检测