Análise Preditiva de Baterias para Autocarros Elétricos

Reading Time: 4 minutes

 

 

Redução dos custos de operação e manutenção, melhor qualidade do ar nas nossas cidades, menos vibrações, menos ruído, e zero emissões: a transição para os autocarros elétricos deveria ser lógica para os operadores de transporte público.

No entanto, os generosos incentivos apresentados pelos governos locais e centrais para impulsionar a adopção estão destinados a diminuir, deixando aos operadores de frotas o desafio de permanecerem rentáveis e competitivos enquanto lidam com uma tecnologia imatura como os Veículos Elétricos (VE).

Os packs de baterias, em particular, podem causar problemas significativos aos operadores de frotas de transporte público. As baterias são o próprio núcleo dos VE, e o seu desempenho e a sua duração são fatores chave que influenciam o custo total de propriedade dos autocarros elétricos e podem fazer a diferença entre um investimento bem sucedido e um investimento fracassado.

 

Plataforma Stratio – funcionalidade do pack de baterias para VEs

 

Para enfrentar estes desafios, a Stratio associou-se à Caetano Bus e à Universidade de Halmstad para criar o projeto Battery Cortex, destinado a fornecer aos fabricantes de VEs e aos operadores de frotas informações sobre a qualidade, falhas e anomalias dos packs de baterias, o componente mais crítico dos VE.

O projeto, que decorreu entre Novembro de 2020 e Outubro de 2021, resultou no desenvolvimento de machine learning e modelos de Inteligência Artificial (IA) que permitem iterações mais rápidas de I&D e uma melhoria contínua da oferta disponível para os utilizadores finais, proporcionando melhores conhecimentos quanto aos ativos dos VE.

 

Sobre os modelos de machine learning e IA

 

O Machine Learning (ML) e os modelos de Inteligência Artificial (IA) desenvolvidos pelos investigadores do Projeto Battery Cortex são fornecidos por dados recolhidos a partir de sinais e parâmetros de baterias.

Estes incluem as caraterísticas das baterias, tensão, estado de carga, corrente da célula e da bateria, potência de carga/descarga, e muito mais. Os algoritmos utilizam, depois, estes dados para produzir uma avaliação do estado e desempenho do conjunto de baterias.

O que difere entre os modelos de IA existentes e os desenvolvidos pelos investigadores do projeto Battery Cortex é que, em vez de apenas recolher e analisar os dados da bateria, a estrutura que desenvolveram tem também em conta os dados do veículo.

Isto é importante porque as variáveis que influenciam a duração de vida da bateria de um autocarro elétrico incluem elementos como o ar condicionado e a temperatura externa, portanto, quanto maior for a granularidade da recolha de dados, melhor e mais precisa será a previsão.

 

Análise preditiva de baterias

 

A análise preditiva de baterias permite aos operadores de transporte público planear em conformidade – quer se trate de horários de manutenção, ou de quais os autocarros a colocar na estrada num dia específico.

Significa também que os operadores de frotas de transporte público podem justificar o investimento inicial de aquisição de um autocarro elétrico através do ciclo de vida alargado das baterias, concedido através de padrões de carregamento otimizados e monitorizados.

No caso de reclamações de garantia, um histórico rastreável de como a bateria foi carregada e utilizada, pode também ser útil aos responsáveis de manutenção de frotas que procuram provar que as melhores práticas foram seguidas.

 

Porque é que os operadores de transportes públicos não podem confiar nos Sistemas de Gestão de Baterias (BMS)?

 

Ao criar baterias, os fabricantes confiam em suposições quanto ao ambiente em que um veículo será utilizado. No entanto, em virtude de serem suposições, estes casos de utilização não são representativos dos problemas e das condições inesperadas de utilização que podem ocorrer na vida real.

Isto significa que os operadores de transportes públicos podem deparar-se com veículos que, apesar de equipados com o mesmo tipo de baterias, têm um alcance e um tempo de vida útil muito diferentes.

Apesar da BMS dentro da bateria ser capaz de transmitir dados de sensores e códigos de problemas de diagnóstico (DTCs), existe ainda uma lacuna entre o que este tipo de dados pode dizer aos gestores de frotas e o que realmente acontece num cenário da vida real.

Por este motivo, é essencial considerar a bateria no contexto mais amplo dos outros componentes do veículo, e como estes interagem e se afetam mutuamente no âmbito do sistema maior (um veículo).

O projeto Battery Cortex tem-se centrado, portanto, em ir além dos dados recolhidos pela BMS, combinando dados mais amplos do veículo com dados da bateria para criar uma melhor compreensão da duração prevista da mesma. Estes dados, introduzidos nos modelos avançados de IA e ML, são depois transformados em dados acionáveis que informam os gestores de frotas quanto a potenciais problemas futuros, permitindo-lhes, assim, antecipar e prevenir avarias.

 

Um passo à frente: uma tecnologia verdadeiramente agnóstica

 

O Projeto Battery Cortex e as suas conclusões foram fundamentais para que a Stratio pudesse oferecer um serviço de manutenção preditiva para frotas fiável para veículos elétricos. Os algoritmos de IA e ML desenvolvidos pelos investigadores foram incorporados na Plataforma Stratio, que pode agora servir tanto frotas de veículos elétricos como frotas de veículos com motores de combustão interna (ICE).

A tecnologia e a mecânica por detrás destes dois tipos de veículos são muito diferentes, mas a análise da manutenção preditiva de ambos pode agora ser integrada e automatizada numa única plataforma que dá aos responsáveis de manutenção uma visão única das condições das suas frotas.

Além disso: os dados da plataforma podem também ser integrados com quaisquer outros sistemas utilizados pelos gestores de frotas para executar operações e manutenção, oferecendo assim a possibilidade de automatizar totalmente os processos que, de outra forma, exigiriam tempo e recursos.