Sistema de Imagen Térmica con IA Mejora Seguridad de Baterías para Vehículos Eléctricos
En un avance significativo para la seguridad de los vehículos eléctricos (VE), investigadores de la Universidad de Tianjin han desarrollado un novedoso sistema de diagnóstico impulsado por aprendizaje profundo capaz de identificar y localizar con precisión fallas térmicas en baterías de iones de litio con un 95% de exactitud. La innovación, denominada Percepción Inteligente de Baterías de Iones de Litio (LBIP por sus siglas en inglés), aprovecha la imagen térmica infrarroja combinada con un algoritmo avanzado de segmentación de instancias para detectar celdas sobrecalentadas antes de que desencadenen una fuga térmica, una preocupación crítica en el mercado de VE en rápida expansión.
A medida que los fabricantes automotrices globales aceleran la transición hacia la electrificación, garantizar la confiabilidad y seguridad de los paquetes de baterías de alta capacidad se ha convertido en una prioridad máxima de ingeniería. Si bien las baterías de iones de litio ofrecen alta densidad energética, bajo peso y larga vida útil, siguen siendo vulnerables a cortocircuitos internos, daños mecánicos y abuso térmico. Estos problemas pueden escalar rápidamente hacia eventos catastróficos de fuga térmica, incluyendo incendios o explosiones, especialmente en módulos de baterías densamente empaquetados utilizados en los VE modernos.
Los enfoques de diagnóstico tradicionales a menudo dependen del monitoreo de voltaje, corriente o estado de carga (SOC), complementados con sensores de temperatura puntuales. Sin embargo, estos métodos adolecen de una resolución espacial limitada y una incapacidad para capturar el panorama térmico completo de un paquete de baterías en tiempo real. Además, la ubicación de los sensores influye significativamente en la eficacia de la detección, y agregar más sensores aumenta la complejidad y el costo del sistema sin garantizar una cobertura integral.
El sistema LBIP aborda estas limitaciones al tratar el diagnóstico térmico como un problema de visión por computadora. En lugar de interpretar puntos de datos aislados, analiza imágenes térmicas de campo completo de las superficies de las baterías, capturando patrones de distribución de calor matizados que señalan anomalías en etapa temprana. Este enfoque refleja técnicas utilizadas durante mucho tiempo en el mantenimiento de infraestructuras eléctricas, pero que ahora se adaptan al entorno dinámico y compacto de los sistemas de almacenamiento de energía automotriz.
En el núcleo de LBIP se encuentra una arquitectura modificada de Mask R-CNN (Red Neuronal Convolucional Basada en Regiones), un marco de vanguardia para la detección de objetos y la segmentación a nivel de píxel. El modelo integra una columna vertebral ResNet50 para la extracción de características con una Red de Pirámide de Características (FPN) para permitir una percepción térmica multiescala, crucial para identificar tanto pequeños puntos calientes localizados como anomalías térmicas más amplias en diversas configuraciones de baterías.
El equipo de investigación generó un conjunto de datos de entrenamiento de alta fidelidad utilizando Ansys Fluent, una plataforma comercial de dinámica de fluidos computacional (CFD) ampliamente confiable en simulaciones térmicas y electroquímicas. Modelaron una batería de fosfato de hierro y litio (LFP) de 14.6 Ah bajo tres escenarios operativos: carga a 1C, descarga a 1C y condiciones de cortocircuito interno. Para replicar un comportamiento de falla realista, a una región localizada dentro de la celda simulada se le asignó una resistencia extremadamente baja, imitando los efectos eléctricos y térmicos de un cortocircuito interno.
A partir de estas simulaciones, se produjeron 48 imágenes térmicas (16 por escenario) y se anotaron meticulosamente utilizando la herramienta de código abierto LabelMe. Cada imagen se emparejó con una máscara binaria correspondiente que delimitaba los límites precisos de la unidad de la batería y su estado de falla. Este conjunto de datos permitió un entrenamiento robusto del modelo LBIP, el cual se ajustó finamente a partir de un Mask R-CNN preentrenado para acelerar la convergencia y mejorar la generalización.
Los resultados de las pruebas demostraron un rendimiento excepcional. En un conjunto de datos de celda única, el modelo logró una precisión promedio (AP) del 93.9% para la detección de cuadros delimitadores y un notable 96.7% para la segmentación de instancias, superando los puntos de referencia típicos para los sistemas de detección de fallas industriales. Crucialmente, en casos de cortocircuito interno, LBIP entregó una precisión de clasificación del 100%, con puntuaciones de confianza consistentemente por encima de 0.94. El sistema procesó cada imagen en solo 6.9 milisegundos, lo que sugiere un gran potencial para su implementación en tiempo real.
Los investigadores validaron además LBIP en una configuración de módulo de batería 1P3S (un paralelo, tres en serie), un diseño comúnmente encontrado en paquetes de tracción de VE. Cuando se simuló la falla de celdas individuales dentro del módulo, LBIP identificó y segmentó con éxito la unidad defectuosa con un 100% de precisión en la localización y un 86.7% en la segmentación. Estos resultados confirman la adaptabilidad del modelo más allá de celdas aisladas hacia arquitecturas de paquetes más complejas y del mundo real.
A diferencia de los modelos basados en física que requieren una amplia parametrización y a menudo son demasiado intensivos computacionalmente para sistemas a bordo, LBIP opera puramente sobre datos térmicos superficiales, una ventaja para la integración con el hardware existente de gestión térmica. Los VE modernos ya emplean sensores infrarrojos o cámaras térmicas para el monitoreo de la cabina o la batería; LBIP podría implementarse como una capa de software sobre dichos sistemas, requiriendo hardware adicional mínimo.
Este paradigma basado en visión también se alinea con las tendencias de la industria hacia diagnósticos vehiculares aumentados por IA y basados en datos. Empresas como Tesla, BYD y Rivian están incorporando cada vez más el aprendizaje automático en los sistemas de gestión de baterías (BMS) para predecir la degradación y mejorar la seguridad. LBIP representa una evolución natural de esta tendencia, pasando de la telemetría escalar a la inteligencia espacial.
Desde una perspectiva de ingeniería de seguridad, la detección temprana de fallas térmicas es vital. Una vez que comienza la fuga térmica, se propaga rápidamente, a menudo en cuestión de segundos, haciendo que la intervención sea casi imposible. Al identificar anomalías durante la fase incipiente, LBIP permite medidas proactivas como la reducción de carga, la activación del enfriamiento o el apagado del sistema, potentially evitando desastres. Tanto para los operadores de flotas como para los consumidores, esto se traduce en una mayor confianza en la confiabilidad de los VE.
Además, la metodología sin contacto del sistema elimina la necesidad de sensores embebidos que pueden degradarse con el tiempo o interferir con la química de la celda. La imagen térmica es inherentemente escalable: ya sea que se monitoree un solo módulo o un paquete de baterías completo que abarque múltiples módulos, el mismo algoritmo se aplica con una precisión consistente.
La investigación también subraya la creciente sinergia entre la simulación de alta fidelidad y el aprendizaje automático. Al utilizar Ansys Fluent para generar datos térmicos sintéticos pero físicamente fundamentados, el equipo evitó los desafíos logísticos y de seguridad de recopilar datos de fallas del mundo real, especialmente para eventos raros pero peligrosos como los cortocircuitos internos. Esta tubería híbrida de simulación a visión podría servir como un plan para desarrollar diagnósticos de IA en otros dominios de alto riesgo, desde la aeronáutica hasta el almacenamiento a escala de red.
Si bien la implementación actual procesa imágenes térmicas estáticas, los autores reconocen que el trabajo futuro se centrará en el análisis térmico dinámico de series temporales para capturar trayectorias de falla en evolución. Las transmisiones de video en tiempo real desde cámaras térmicas podrían alimentar una extensión de LBIP basada en recurrentes o transformadores, permitiendo un monitoreo continuo y alertas predictivas, clave para los sistemas de seguridad autónomos de próxima generación.
Cabe destacar que la elección de la química LFP, una alternativa popular e inherentemente más segura a las baterías NMC ricas en níquel, no limita la aplicabilidad del modelo. Las firmas térmicas de falla (por ejemplo, calentamiento localizado, distribución asimétrica de temperatura) son ampliamente consistentes en todas las químicas de iones de litio, lo que sugiere que LBIP podría reentrenarse para otros tipos de celdas con un esfuerzo mínimo.
Las implicaciones se extienden más allá de los vehículos de pasajeros. Los autobuses eléctricos, camiones comerciales e incluso las instalaciones de almacenamiento de energía estacionarias enfrentan riesgos térmicos similares. A medida que la capacidad global de almacenamiento de energía se dispara, proyectada a superar los 1,000 GWh para 2030, los diagnósticos inteligentes y escalables como LBIP serán esenciales para mantener la estabilidad de la red y la seguridad pública.
Los organismos reguladores están tomando nota. Organizaciones de normalización como SAE International y la Comisión Electrotécnica Internacional (IEC) están enfatizando cada vez más la prevención de fugas térmicas en las pautas de seguridad de las baterías. Las tecnologías que ofrecen mejoras cuantificables y demostrables en la detección de fallas podrían influir en los requisitos de certificación futuros.
Para los fabricantes de automóviles, la integración de tales sistemas también podría mitigar los riesgos de responsabilidad y reducir los costos de garantía asociados con fallas de la batería. En términos más generales, apoya la narrativa de sostenibilidad de la industria: baterías más seguras significan vidas útiles más largas, menos reemplazos y una mayor confianza del consumidor en la electrificación.
El marco LBIP ejemplifica los principios de las pautas EEAT (Experiencia, Experticia, Autoridad, Confiabilidad) de Google. Desarrollado por un equipo multidisciplinario con una amplia experiencia en sistemas de energía, aprendizaje automático e ingeniería térmica, el trabajo fue sometido a una rigurosa revisión por pares y publicado en una revista indexada de alto impacto. La metodología es transparente, reproducible y basada en prácticas computacionales y de IA establecidas.
A medida que el mercado de VE madura, la diferenciación competitiva dependerá no solo de la autonomía o la velocidad de carga, sino también de la seguridad, la inteligencia y la resiliencia del sistema. Innovaciones como LBIP posicionan a la IA no como una palabra de moda, sino como una capa tangible de protección, observando, analizando y salvaguardando silenciosamente cada viaje.
Autores: Tian Luyu, Dong Chaoyu, Mu Yunfei, Yu Xiaodan, Xiao Qian, Jia Hongjie
Afiliación: Escuela de Ingeniería de Información y Eléctrica, Universidad de Tianjin, Tianjin 300072, China
Revista: High Voltage Engineering, Vol. 50, No. 6, pp. 2502–2510, 30 de junio de 2024
DOI: 10.13336/j.1003-6520.hve.20231425