{"id":16530,"date":"2022-06-17T09:28:37","date_gmt":"2022-06-17T09:28:37","guid":{"rendered":"https:\/\/stratioautomotive.com\/?p=16530"},"modified":"2024-11-07T11:30:44","modified_gmt":"2024-11-07T11:30:44","slug":"analisis-predictivo-de-baterias-autobuses-electricos","status":"publish","type":"post","link":"https:\/\/stratioautomotive.com\/es\/analisis-predictivo-de-baterias-autobuses-electricos\/","title":{"rendered":"An\u00e1lisis predictivo de bater\u00edas para autobuses el\u00e9ctricos"},"content":{"rendered":"Reading Time: <\/span> 5<\/span> minutes<\/span><\/span>

 <\/p>\n

\"Proyecto<\/p>\n

 <\/p>\n

Reducci\u00f3n 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 transici\u00f3n a los autobuses el\u00e9ctricos deber\u00eda ser una obviedad para los proveedores de transporte p\u00fablico. <\/span><\/p>\n

Sin embargo, los generosos incentivos establecidos por los gobiernos locales y centrales para fomentar la adopci\u00f3n est\u00e1n 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 tecnolog\u00eda inmadura como los veh\u00edculos el\u00e9ctricos. <\/span><\/p>\n

Los packs de bater\u00edas, en particular, pueden causar un dolor significativo a los gestores de las flotas de transporte p\u00fablico. Las bater\u00edas son el n\u00facleo de los veh\u00edculos el\u00e9ctricos, y su rendimiento y vida \u00fatil son factores clave que influyen en el coste total de propiedad de los autobuses el\u00e9ctricos y pueden marcar la diferencia entre una inversi\u00f3n exitosa y otra no.<\/p>\n

 <\/p>\n

\"Pack<\/p>\n

Funcionalidad del pack de bater\u00edas para VE de la Plataforma Stratio<\/p>\n

 <\/p>\n

Para hacer frente a estos retos, Stratio se asoci\u00f3 con Caetano Bus<\/a> y las grandes mentes de la Universidad de Halmstad<\/a> para crear el proyecto Battery Cortex, cuyo objetivo es proporcionar a los fabricantes de veh\u00edculos el\u00e9ctricos y a los operadores de flotas informaci\u00f3n sobre la calidad, los fallos y las anomal\u00edas de los packs de bater\u00edas, el componente m\u00e1s critico de los Veh\u00edculos El\u00e9ctricos (VE). <\/span><\/p>\n

El proyecto, que se desarroll\u00f3 enre noviembre de 2020 y octubre de 2021, dio como resultado el desarrollo de modelos de Aprendizaje Autom\u00e1tico y Inteligencia Artificial (IA) que permitem iteraciones m\u00e1s r\u00e1pidas de I+D (mejoras en los veh\u00edculos) y una mejora continua de la oferta disponible para los usuarios finales, proporcionando una mejor visi\u00f3n de los activos de los VE.<\/p>\n

 <\/p>\n

Sobre los modelos de aprendizaje autom\u00e1tico y IA<\/h2>\n

 <\/p>\n

Los modelos de aprendizaje autom\u00e1tico (AA) y de inteligencia artificial (IA) desarrollados por los investigadores del proyecto Battery Cortex<\/a> se alimentan de los datos recogidos de las se\u00f1ales y par\u00e1metros de la bater\u00eda.<\/span><\/p>\n

Entre ellas se encuentran las especificaciones de la bater\u00eda, el voltaje y la corriente de la bater\u00eda, 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 bater\u00eda. <\/span><\/p>\n

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 bater\u00eda, el marco que han dise\u00f1ado tambi\u00e9n tiene en cuenta los datos del veh\u00edculo. <\/span><\/p>\n

Esto es importante porque las variables que influyen en la vida \u00fatil de una bater\u00eda de autob\u00fas el\u00e9ctrico incluyen cosas como el aire acondicionado y la temperatura exterior, por lo que cuanto m\u00e1s granular sea la recogida de datos, mejor y m\u00e1s precisa ser\u00e1 la predicci\u00f3n. <\/span><\/p>\n

 <\/p>\n

An\u00e1lisis predictivo de bater\u00edas<\/h2>\n

 <\/p>\n

Un an\u00e1lisis m\u00e1s preciso de predicci\u00f3n de la bater\u00eda permite a los proveedores de transporte p\u00fablico planificar en consecuencia – ya sea los calendarios de mantenimiento o los autobuses que deben ponerse en circulaci\u00f3n un d\u00eda determinado. <\/span><\/p>\n

Tambi\u00e9n significa que los gestores de las flotas de transporte p\u00fablico pueden justificar la inversi\u00f3n inicial de la compra de un autob\u00fas el\u00e9ctrico, a la luz del ciclo de vida ampliado de la bater\u00eda, que se garantiza mediante patrones de carga supervisados y optimizados. <\/span><\/p>\n

En caso de reclamaciones de garant\u00eda, un historial rastreable de c\u00f3mo se ha cargado y utilizado la bater\u00eda tambi\u00e9n puede ser \u00fatil para los gestores de mantenimiento de flotas que quieran demostrar que se han seguido las mejores pr\u00e1cticas.<\/p>\n

 <\/p>\n

\u00bfPor qu\u00e9 los operadores de transporte p\u00fablico no pueden confiar en los sistemas de gesti\u00f3n de bater\u00edas (SGB)?<\/h2>\n

 <\/p>\n

Al crear las bater\u00edas, los fabricantes se basan en supuestos est\u00e1ndar sobre el entorno en el que se utilizar\u00e1 el veh\u00edculo. Sin embargo, al tratarse de supuestos, estos casos de uso est\u00e1ndar no son representativos de los casos l\u00edmite y las condiciones de uso inesperadas que pueden darse en la vida real. <\/span><\/p>\n

Esto significa que los operadores de transporte p\u00fablico pueden encontrarse con veh\u00edculos que, a pesar de llevar el mismo tipo de bater\u00edas, tienen una autonom\u00eda y una vida \u00fatil muy diferentes. <\/span><\/p>\n

Aunque el SGB<\/a> de la bater\u00eda es capaz de transmitir los datos de los sensores y los c\u00f3digos de diagn\u00f3stico de problemas, todav\u00eda 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. <\/span><\/p>\n

Por esta raz\u00f3n, es esencial considerar la bater\u00eda en el contexto m\u00e1s amplio de los dem\u00e1s componentes del veh\u00edculo, y c\u00f3mo \u00e9stos interact\u00faan y se afectan mutuamente dentro del sistema m\u00e1s amplio (un veh\u00edculo). <\/span><\/p>\n

Por ello, el proyecto Battery Cortex se ha centrado en ir m\u00e1s all\u00e1 de los datos recogidos por el SGB, combinando datos m\u00e1s amplios del veh\u00edculo con datos de la bater\u00eda para crear una mejor comprensi\u00f3n de la vida \u00fatil prevista de esta. <\/span><\/p>\n

Estos datos, que se introducen en modelos avanzados de IA y Aprendizaje Autom\u00e1tico, se convierten en conocimientos pr\u00e1cticos que informan a los gestores de flotas de cualquier posible problema futuro y les permiten anticiparse y prevenir las aver\u00edas. <\/span><\/p>\n

 <\/p>\n

Un paso adelante: una tecnolog\u00eda verdaderamente agn\u00f3stica<\/h2>\n

 <\/p>\n

El proyecto Battery Cortex y sus conclusiones han sido fundamentales para que Stratio pueda ofrecer un servicio de mantenimiento predictivo para flotas<\/a> 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 el\u00e9ctricas como a las de motores de combusti\u00f3n interna. <\/span><\/p>\n

La tecnolog\u00eda y la mec\u00e1nica detr\u00e1s de estos dos tipos de veh\u00edculos son muy diferentes, pero el an\u00e1lisis de mantenimiento predictivo para ambos puede ahora integrarse y automatizarse en una \u00fanica plataforma que ofrece a los gestores de mantenimiento una visi\u00f3n \u00fanica del estado de sus flotas. <\/span><\/p>\n

Y no s\u00f3lo eso: los datos de la plataforma tambi\u00e9n pueden integrarse con cualquier otro sistema utilizado por los gestores de flotas para llevar a cabo las operaciones y el mantenimiento, ofreciendo as\u00ed la posibilidad de automatizar completamente procesos que, de otro modo, requerir\u00edan tiempo y recursos.<\/p>\n

 <\/p>\n

\n\t\t\t\t\t\t