Avance en Detección de Fallos en Baterías Enfocado en Riesgos Estacionales
A medida que la adopción de vehículos eléctricos (EV) se acelera a nivel global, un nuevo enfoque de diagnóstico de fallos en baterías basado en datos está ofreciendo a fabricantes de automóviles y operadores de flotas una herramienta poderosa para prever fallos, especialmente durante los meses de alto riesgo en verano e invierno. Desarrollado por investigadores de la Universidad de Ciencia y Tecnología de Kunming y la Universidad de Chongqing, el método aprovecha el análisis de big data y el aprendizaje automático no supervisado para detectar, localizar y clasificar anomalías en paquetes de baterías de iones de litio con una precisión sin precedentes, sin depender de modelos electroquímicos complejos.
La innovación llega en un momento crítico. A pesar de los avances en la química de las baterías y los sistemas de gestión de baterías (BMS), los eventos inesperados de fuga térmica y la degradación del rendimiento continúan erosionando la confianza de los consumidores y aumentando los costes de garantía. Los métodos de diagnóstico tradicionales a menudo luchan con las desviaciones sutiles en etapas tempranas que preceden a fallos catastróficos. Este nuevo marco, validado con tres años de datos operativos del mundo real de múltiples EV, demuestra una capacidad robusta para identificar tanto defectos de diseño sistémicos como fallos repentinos inducidos por accidentes, proporcionando una red de seguridad de doble capa para la movilidad de próxima generación.
En el núcleo del sistema hay una pipeline analítica de múltiples etapas que transforma la telemetría de voltaje en bruto de los EV conectados a la nube en información procesable. El proceso comienza con t-distributed Stochastic Neighbor Embedding (t-SNE), una técnica de reducción de dimensionalidad no lineal que comprime secuencias de voltaje de alta dimensionalidad de docenas de celdas individuales en un mapa bidimensional. Este paso de visualización revela grupos ocultos y valores atípicos que de otro modo permanecerían enterrados en terabytes de datos de series temporales.
Tras la reducción de dimensionalidad, el equipo aplica agrupamiento K-means para segmentar los datos en grupos de comportamiento distintos. Las celdas normales se congregan estrechamente alrededor de los centroides de los grupos, mientras que las unidades anómalas aparecen como puntos aislados o forman pequeños grupos divergentes. Para precisar la celda defectuosa exacta, los investigadores introducen un nuevo coeficiente de diagnóstico basado en estadísticas Z-score. Al medir cuántas desviaciones estándar se desvía el voltaje de una celda del promedio del paquete en un momento dado, el algoritmo marca los valores atípicos con alta sensibilidad, incluso cuando la diferencia absoluta de voltaje es pequeña.
«Lo que hace que este enfoque sea práctico para su implementación en el mundo real es su naturaleza libre de modelos», explica Jiangwei Shen, autor principal y experimentalista senior en la Universidad de Ciencia y Tecnología de Kunming. «No necesitamos simular reacciones electroquímicas ni calibrar parámetros basados en física. Trabajamos directamente con los datos que el vehículo ya recopila».
Una vez que se detecta y localiza una anomalía, el sistema evalúa su severidad utilizando un mecanismo de puntuación híbrido que fusiona la ponderación de entropía con el coeficiente de variación. Esta métrica compuesta tiene en cuenta tanto la aleatoriedad como la dispersión de las fluctuaciones de voltaje a lo largo del tiempo, produciendo una «puntuación de anormalidad» normalizada para cada celda. En pruebas de validación, la séptima celda en un paquete de 30 celdas registró consistentemente la calificación de rendimiento más baja, corroborando la inspección visual de su curva de voltaje errática, que exhibió una caída de 236 milivoltios durante la descarga.
La capa de diagnóstico final emplea un filtro estadístico refinado conocido como 3σ-MSS (Estrategia de Cribado Multinivel 3-sigma). A diferencia de las reglas 3-sigma convencionales que asumen una distribución gaussiana estática, 3σ-MSS recalcula iterativamente la media y la desviación estándar después de cada ronda de eliminación de valores atípicos. Esta recalibración dinámica evita centros de masa sesgados causados por valores extremos, resultando en estimaciones de probabilidad de fallo más precisas.
Cuando se aplicó a datos longitudinales de cuatro EV idénticos durante un período de un mes, el método distinguió claramente entre dos arquetipos de fallo. En un vehículo, una sola celda (número 20) mostró una probabilidad de fallo del 1.7%, significativamente mayor que sus pares (<0.5%), sin un patrón recurrente en el tiempo. Los investigadores clasificaron esto como un fallo transitorio, probablemente desencadenado por un shock externo o un defecto de fabricación activado bajo estrés. En contraste, otros tres vehículos mostraron probabilidades de fallo uniformemente bajas (<2%) en todas las celdas, con patrones espaciales consistentes. Estos fueron etiquetados como fallos sistémicos, apuntando a inconsistencias inherentes de diseño o ensamblaje.
Crucialmente, el equipo comparó 3σ-MSS con dos algoritmos establecidos de detección de valores atípicos: Local Outlier Factor (LOF) y Connectivity-based Outlier Factor (COF). Si bien los tres métodos identificaron las mismas celdas problemáticas, 3σ-MSS demostró una estabilidad superior en todos los rangos de probabilidad. LOF tendía a sobrestimar eventos de alta probabilidad, mientras que COF subestimaba anomalías de baja frecuencia. El algoritmo 3σ-MSS mantuvo una calibración consistente, haciéndolo más adecuado para la programación de mantenimiento basado en riesgos.
La validación más convincente surgió del análisis estacional. Utilizando tres años de datos operativos de diez EV, los investigadores segmentaron las ocurrencias de fallos por estación meteorológica. Los resultados revelaron un patrón bimodal marcado: las probabilidades promedio de fallo en primavera y otoño se situaron alrededor del 1.54% y 3.07%, respectivamente, condiciones relativamente benignas. Pero en verano, el promedio saltó al 4.31%, con una probabilidad máxima de celda individual del 4.95%. El invierno fue aún más severo, con un promedio del 4.59% y un máximo del 9.52%.
Estos hallazgos se alinean con el comportamiento electroquímico conocido. Las altas temperaturas ambientales aceleran las reacciones secundarias parásitas, degradan las interfases sólido-electrolito y aumentan la resistencia interna, elevando el riesgo de fuga térmica. Por el contrario, las temperaturas frías impiden la movilidad iónica, promueven la plating de litio durante la carga y exacerban los desequilibrios de voltaje durante la descarga. Los datos confirman que estos factores estresantes ambientales se traducen directamente en señales de fallo medibles.
Un estudio de caso ilustra el poder de diagnóstico del método. En el cuarto vehículo de prueba, el Año 1 mostró una modesta probabilidad de fallo del 2% en la celda 19, sugiriendo un problema crónico de baja severidad. Pero en el Año 2, la celda 28 se disparó al 12.69% en el día 36, superando con creces el promedio diario del paquete del 4.17%. Una subida similar ocurrió en el Año 3, con la celda 16 alcanzando el 14.14% en el día 6 contra una línea base del 3.71%. La ubicación no repetitiva y la desviación extrema indican fuertemente un trauma externo, quizás una colisión o un impacto severo en la carretera, que comprometió la integridad de la celda.
Para los fabricantes de automóviles, diagnósticos tan granulares permiten estrategias de mantenimiento predictivo adaptadas a patrones climáticos y de uso. Las flotas que operan en Arizona o Texas podrían recibir alertas específicas de verano para inspeccionar sistemas de refrigeración o limitar las tasas de carga rápida. En Escandinavia o Canadá, los protocolos de invierno podrían incluir rutinas de precalentamiento o verificaciones de equilibrio de voltaje antes de excursiones bajo cero.
Desde una perspectiva de seguridad, la capacidad de distinguir entre fallos sistémicos y transitorios tiene implicaciones profundas. Los problemas sistémicos exigen revisiones de diseño o retiradas de lotes, mientras que los eventos transitorios pueden requerir solo el reemplazo aislado de celdas. Esta precisión reduce el tiempo de inactividad innecesario y disminuye los costes del ciclo de vida.
Además, toda la pipeline funciona con datos que la mayoría de los EV modernos ya recopilan a través del bus CAN y transmiten a plataformas en la nube cada 10 segundos. No se necesitan sensores adicionales ni modificaciones de hardware, lo que hace que la solución sea altamente escalable.
Expertos de la industria señalan que la presión regulatoria está aumentando para una reporting más transparente de la salud de las baterías. La próxima Battery Regulation de la Unión Europea exige pasaportes digitales de baterías que rastreen el rendimiento y las métricas de seguridad a lo largo de la vida de una celda. De manera similar, la Administración Nacional de Seguridad del Tráfico en Carreteras (NHTSA) de EE. UU. ha intensificado el escrutinio de los incidentes de incendio en EV. Herramientas como esta podrían ayudar a los fabricantes a cumplir con los requisitos de cumplimiento mientras mejoran la confianza de la marca.
«Esto no es solo académico», dice Zheng Chen, profesor y autor correspondiente en la Universidad de Ciencia y Tecnología de Kunming. «Hemos demostrado que con el análisis correcto, los flujos de datos existentes pueden convertirse en sistemas de alerta temprana. El siguiente paso es integrar esto en el firmware del BMS en tiempo real, no solo para análisis post-hoc».
El equipo de investigación ahora está explorando la integración con estimadores de estado de carga (SOC) y estado de salud (SOH) para crear un suite de diagnóstico unificado. El trabajo futuro también se centrará en predecir la vida útil restante de las celdas anómalas y desarrollar protocolos de intervención que se activen antes de que las probabilidades de fallo crucen umbrales críticos.
A medida que los EV evolucionan hacia plataformas definidas por software, el límite entre vehículo y producto de datos se desdibuja. Este estudio ejemplifica cómo la ciencia de datos, aplicada con experiencia de dominio, puede extraer valor latente de la telemetría operativa, transformando el monitoreo pasivo en mitigación activa de riesgos. Para una industria que compite por ofrecer una movilidad eléctrica más segura y confiable, tales innovaciones pueden resultar tan vitales como los avances en la química de las celdas.
Shen Jiangwei¹, Yan Chuan¹, Liu Yonggang², Shen Shiquan¹, Chen Zheng¹
¹Facultad de Ingeniería de Transporte, Universidad de Ciencia y Tecnología de Kunming, Kunming 650000, China
²Facultad de Ingeniería Mecánica y de Vehículos, Universidad de Chongqing, Chongqing 400030, China
Transactions of China Electrotechnical Society, Vol. 39, No. 24, Dic. 2024
DOI: 10.19595/j.cnki.1000-6753.tces.231983