{"id":16528,"date":"2022-06-16T22:02:49","date_gmt":"2022-06-16T22:02:49","guid":{"rendered":"https:\/\/stratioautomotive.com\/?p=16528"},"modified":"2024-11-07T11:29:54","modified_gmt":"2024-11-07T11:29:54","slug":"analise-preditiva-baterias-autocarros-eletricos","status":"publish","type":"post","link":"https:\/\/stratioautomotive.com\/pt-pt\/analise-preditiva-baterias-autocarros-eletricos\/","title":{"rendered":"An\u00e1lise Preditiva de Baterias para Autocarros El\u00e9tricos"},"content":{"rendered":"Reading Time: <\/span> 4<\/span> minutes<\/span><\/span>

 <\/p>\n

\"Projeto<\/p>\n

 <\/p>\n

Redu\u00e7\u00e3o dos custos de opera\u00e7\u00e3o e manuten\u00e7\u00e3o, melhor qualidade do ar nas nossas cidades, menos vibra\u00e7\u00f5es, menos ru\u00eddo, e zero emiss\u00f5es: a transi\u00e7\u00e3o para os autocarros el\u00e9tricos deveria ser l\u00f3gica para os operadores de transporte p\u00fablico. <\/span><\/p>\n

No entanto, os generosos incentivos apresentados pelos governos locais e centrais para impulsionar a adop\u00e7\u00e3o est\u00e3o destinados a diminuir, deixando aos operadores de frotas o desafio de permanecerem rent\u00e1veis e competitivos enquanto lidam com uma tecnologia imatura como os Ve\u00edculos El\u00e9tricos (VE). <\/span><\/p>\n

Os packs de baterias, em particular, podem causar problemas significativos aos operadores de frotas de transporte p\u00fablico. As baterias s\u00e3o o pr\u00f3prio n\u00facleo dos VE, e o seu desempenho e a sua dura\u00e7\u00e3o s\u00e3o fatores chave que influenciam o custo total de propriedade dos autocarros el\u00e9tricos e podem fazer a diferen\u00e7a entre um investimento bem sucedido e um investimento fracassado.<\/p>\n

 <\/p>\n

\"Funcionalidade<\/p>\n

Plataforma Stratio – funcionalidade do pack de baterias para VEs<\/p>\n

 <\/p>\n

Para enfrentar estes desafios, a Stratio associou-se \u00e0 Caetano Bus<\/a> e \u00e0 Universidade de Halmstad<\/a> para criar o projeto Battery Cortex, destinado a fornecer aos fabricantes de VEs e aos operadores de frotas informa\u00e7\u00f5es sobre a qualidade, falhas e anomalias dos packs de baterias, o componente mais cr\u00edtico dos VE. <\/span><\/p>\n

O projeto, que decorreu entre Novembro de 2020 e Outubro de 2021, resultou no desenvolvimento de machine learning e modelos de Intelig\u00eancia Artificial (IA) que permitem itera\u00e7\u00f5es mais r\u00e1pidas de I&D e uma melhoria cont\u00ednua da oferta dispon\u00edvel para os utilizadores finais, proporcionando melhores conhecimentos quanto aos ativos dos VE.<\/p>\n

 <\/p>\n

Sobre os modelos de machine learning e IA<\/h2>\n

 <\/p>\n

O Machine Learning (ML) e os modelos de Intelig\u00eancia Artificial (IA) desenvolvidos pelos investigadores do Projeto Battery Cortex<\/a> s\u00e3o fornecidos por dados recolhidos a partir de sinais e par\u00e2metros de baterias. <\/span><\/p>\n

Estes incluem as carater\u00edsticas das baterias, tens\u00e3o, estado de carga, corrente da c\u00e9lula e da bateria, pot\u00eancia de carga\/descarga, e muito mais. Os algoritmos utilizam, depois, estes dados para produzir uma avalia\u00e7\u00e3o do estado e desempenho do conjunto de baterias.<\/p>\n

O que difere entre os modelos de IA existentes e os desenvolvidos pelos investigadores do projeto Battery Cortex \u00e9 que, em vez de apenas recolher e analisar os dados da bateria, a estrutura que desenvolveram tem tamb\u00e9m em conta os dados do ve\u00edculo. <\/span><\/p>\n

Isto \u00e9 importante porque as vari\u00e1veis que influenciam a dura\u00e7\u00e3o de vida da bateria de um autocarro el\u00e9trico incluem elementos como o ar condicionado e a temperatura externa, portanto, quanto maior for a granularidade da recolha de dados, melhor e mais precisa ser\u00e1 a previs\u00e3o.<\/p>\n

 <\/p>\n

An\u00e1lise preditiva de baterias<\/h2>\n

 <\/p>\n

A an\u00e1lise preditiva de baterias permite aos operadores de transporte p\u00fablico planear em conformidade – quer se trate de hor\u00e1rios de manuten\u00e7\u00e3o, ou de quais os autocarros a colocar na estrada num dia espec\u00edfico. <\/span><\/p>\n

Significa tamb\u00e9m que os operadores de frotas de transporte p\u00fablico podem justificar o investimento inicial de aquisi\u00e7\u00e3o de um autocarro el\u00e9trico atrav\u00e9s do ciclo de vida alargado das baterias, concedido atrav\u00e9s de padr\u00f5es de carregamento otimizados e monitorizados. <\/span><\/p>\n

No caso de reclama\u00e7\u00f5es de garantia, um hist\u00f3rico rastre\u00e1vel de como a bateria foi carregada e utilizada, pode tamb\u00e9m ser \u00fatil aos respons\u00e1veis de manuten\u00e7\u00e3o de frotas que procuram provar que as melhores pr\u00e1ticas foram seguidas.<\/p>\n

 <\/p>\n

Porque \u00e9 que os operadores de transportes p\u00fablicos n\u00e3o podem confiar nos Sistemas de Gest\u00e3o de Baterias (BMS)?<\/h3>\n

 <\/p>\n

Ao criar baterias, os fabricantes confiam em suposi\u00e7\u00f5es quanto ao ambiente em que um ve\u00edculo ser\u00e1 utilizado. No entanto, em virtude de serem suposi\u00e7\u00f5es, estes casos de utiliza\u00e7\u00e3o n\u00e3o s\u00e3o representativos dos problemas e das condi\u00e7\u00f5es inesperadas de utiliza\u00e7\u00e3o que podem ocorrer na vida real. <\/span><\/p>\n

Isto significa que os operadores de transportes p\u00fablicos podem deparar-se com ve\u00edculos que, apesar de equipados com o mesmo tipo de baterias, t\u00eam um alcance e um tempo de vida \u00fatil muito diferentes. <\/span><\/p>\n

Apesar da BMS<\/a> dentro da bateria ser capaz de transmitir dados de sensores e c\u00f3digos de problemas de diagn\u00f3stico (DTCs), existe ainda uma lacuna entre o que este tipo de dados pode dizer aos gestores de frotas e o que realmente acontece num cen\u00e1rio da vida real. <\/span><\/p>\n

Por este motivo, \u00e9 essencial considerar a bateria no contexto mais amplo dos outros componentes do ve\u00edculo, e como estes interagem e se afetam mutuamente no \u00e2mbito do sistema maior (um ve\u00edculo). <\/span><\/p>\n

O projeto Battery Cortex tem-se centrado, portanto, em ir al\u00e9m dos dados recolhidos pela BMS, combinando dados mais amplos do ve\u00edculo com dados da bateria para criar uma melhor compreens\u00e3o da dura\u00e7\u00e3o prevista da mesma. Estes dados, introduzidos nos modelos avan\u00e7ados de IA e ML, s\u00e3o depois transformados em dados acion\u00e1veis que informam os gestores de frotas quanto a potenciais problemas futuros, permitindo-lhes, assim, antecipar e prevenir avarias.<\/p>\n

 <\/p>\n

Um passo \u00e0 frente: uma tecnologia verdadeiramente agn\u00f3stica<\/h3>\n

 <\/p>\n

O Projeto Battery Cortex e as suas conclus\u00f5es foram fundamentais para que a Stratio pudesse oferecer um servi\u00e7o de manuten\u00e7\u00e3o preditiva para frotas<\/a> fi\u00e1vel para ve\u00edculos el\u00e9tricos. Os algoritmos de IA e ML desenvolvidos pelos investigadores foram incorporados na Plataforma Stratio, que pode agora servir tanto frotas de ve\u00edculos el\u00e9tricos como frotas de ve\u00edculos com motores de combust\u00e3o interna (ICE). <\/span><\/p>\n

A tecnologia e a mec\u00e2nica por detr\u00e1s destes dois tipos de ve\u00edculos s\u00e3o muito diferentes, mas a an\u00e1lise da manuten\u00e7\u00e3o preditiva de ambos pode agora ser integrada e automatizada numa \u00fanica plataforma que d\u00e1 aos respons\u00e1veis de manuten\u00e7\u00e3o uma vis\u00e3o \u00fanica das condi\u00e7\u00f5es das suas frotas. <\/span><\/p>\n

Al\u00e9m disso: os dados da plataforma podem tamb\u00e9m ser integrados com quaisquer outros sistemas utilizados pelos gestores de frotas para executar opera\u00e7\u00f5es e manuten\u00e7\u00e3o, oferecendo assim a possibilidade de automatizar totalmente os processos que, de outra forma, exigiriam tempo e recursos.<\/p>\n

 <\/p>\n

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