Análisis predictivo de baterías para autobuses eléctricos: El proyecto Battery Cortex

junio 17, 2022

Reading Time: 4 minutes

 

Proyecto Battery Cortex de Stratio con Caetano Bus y la Universidad de Halmstad

 

Reducción de los costes de funcionamiento y mantenimiento, mejora de la calidad del aire en nuestras ciudades, menos vibraciones, menos ruido y cero emisiones de escape: la transición a los autobuses eléctricos debería ser una obviedad para los proveedores de transporte público. Sin embargo, los generosos incentivos establecidos por los gobiernos locales y centrales para fomentar la adopción están a punto de desaparecer, lo que deja a los operadores de flotas con el reto de seguir siendo rentables y competitivos mientras que se enfrentan a una tecnología inmadura como los vehículos eléctricos.

 

Los packs de baterías, en particular, pueden causar un dolor significativo a los gestores de las flotas de transporte público. Las baterías son el núcleo de los vehículos eléctricos, y su rendimiento y vida útil son factores clave que influyen en el coste total de propiedad de los autobuses eléctricos y pueden marcar la diferencia entre una inversión exitosa y otra no.

 

Pack de Baterías para Vehículos Eléctricos

Funcionalidad del pack de baterías para VE de la Plataforma Stratio

 

Para hacer frente a estos retos, Stratio se asoció con Caetano Bus y las grandes mentes de la Universidad de Halmstad para crear el proyecto Battery Cortex, cuyo objetivo es proporcionar a los fabricantes de vehículos eléctricos y a los operadores de flotas información sobre la calidad, los fallos y las anomalías de los packs de baterías, el componente más critico de los Vehículos Eléctricos (VE). El proyecto, que se desarrolló enre noviembre de 2020 y octubre de 2021, dio como resultado el desarrollo de modelos de Aprendizaje Automático y Inteligencia Artificial (IA) que permitem iteraciones más rápidas de I+D (mejoras en los vehículos) y una mejora continua de la oferta disponible para los usuarios finales, proporcionando una mejor visión de los activos de los VE.

 

Sobre los modelos de Aprendizaje Automático y IA

 

Los modelos de Aprendizaje Automático y de IA desarrollados por los investigadores del proyecto Battery Cortex se alimentan de los datos recogidos de las señales y parámetros de la batería. Entre ellas se encuentran las especificaciones de la batería, el voltaje y la corriente de la batería, el voltaje y la corriente de la celda, la temperatura, el estado de carga, la potencia de carga/descarga, etc. Los algoritmos utilizan estos datos para evaluar el estado y el rendimiento de la batería.

 

La diferencia entre los modelos de IA existentes y los desarrollados por los investigadores del Proyecto Battery Cortex es que, en lugar de limitarse a recoger y analizar los datos de la batería, el marco que han diseñado también tiene en cuenta los datos del vehículo. Esto es importante porque las variables que influyen en la vida útil de una batería de autobús eléctrico incluyen cosas como el aire acondicionado y la temperatura exterior, por lo que cuanto más granular sea la recogida de datos, mejor y más precisa será la predicción.

 

Un análisis más preciso de la previsión de la batería permite a los proveedores de transporte público planificar en consecuencia – ya sea los calendarios de mantenimiento o los autobuses que deben ponerse en circulación un día determinado. También significa que los gestores de las flotas de transporte público pueden justificar la inversión inicial de la compra de un autobús eléctrico, a la luz del ciclo de vida ampliado de la batería, que se garantiza mediante patrones de carga supervisados y optimizados. En caso de reclamaciones de garantía, un historial rastreable de cómo se ha cargado y utilizado la batería también puede ser útil para los gestores de mantenimiento de flotas que quieran demostrar que se han seguido las mejores prácticas.

 

¿Por qué los proveedores de transporte público no pueden confiar en los sistemas de gestión de baterías (SGB)?

 

Al crear las baterías, los fabricantes se basan en supuestos estándar sobre el entorno en el que se utilizará el vehículo. Sin embargo, al tratarse de supuestos, estos casos de uso estándar no son representativos de los casos límite y las condiciones de uso inesperadas que pueden darse en la vida real. Esto significa que los operadores de transporte público pueden encontrarse con vehículos que, a pesar de llevar el mismo tipo de baterías, tienen una autonomía y una vida útil muy diferentes.

 

Aunque el SGB de la batería es capaz de transmitir los datos de los sensores y los códigos de diagnóstico de problemas, todavía hay una brecha entre lo que este tipo de datos puede decir a los gestores de flotas y lo que realmente sucede en un escenario de la vida real. Por esta razón, es esencial considerar la batería en el contexto más amplio de los demás componentes del vehículo, y cómo éstos interactúan y se afectan mutuamente dentro del sistema más amplio (un vehículo).

 

Por ello, el proyecto Battery Cortex se ha centrado en ir más allá de los datos recogidos por el SGB, combinando datos más amplios del vehículo con datos de la batería para crear una mejor comprensión de la vida útil prevista de esta. Estos datos, que se introducen en modelos avanzados de IA y Aprendizaje Automático, se convierten en conocimientos prácticos que informan a los gestores de flotas de cualquier posible problema futuro y les permiten anticiparse y prevenir las averías.

 

Un paso adelante: una tecnología verdaderamente agnóstica

 

El proyecto Battery Cortex y sus conclusiones han sido fundamentales para que Stratio pueda ofrecer un servicio de mantenimiento predictivo para flotas fiable para los VE. Los algoritmos de IA y AA desarrollados por los investigadores se incorporaron a la plataforma de Stratio, que ahora puede servir tanto a las flotas eléctricas como a las de motores de combustión interna. La tecnología y la mecánica detrás de estos dos tipos de vehículos son muy diferentes, pero el análisis de mantenimiento predictivo para ambos puede ahora integrarse y automatizarse en una única plataforma que ofrece a los gestores de mantenimiento una visión única del estado de sus flotas.

 

Y no sólo eso: los datos de la plataforma también pueden integrarse con cualquier otro sistema utilizado por los gestores de flotas para llevar a cabo las operaciones y el mantenimiento, ofreciendo así la posibilidad de automatizar completamente procesos que, de otro modo, requerirían tiempo y recursos.

 

Miguel Simão, PhD

You May Also Like…