Avances en Diagnóstico de Fallos de Inversores para Vehículos Eléctricos con Modelo Híbrido CGAN-CNN
La transición global hacia la electrificación en la industria automotriz ha posicionado la confiabilidad y seguridad de los trenes de potencia de vehículos eléctricos como prioridades críticas. Dentro de estos sistemas, el inversor trifásico emerge como componente fundamental al convertir la corriente continua de las baterías en corriente alterna para alimentar los motores. No obstante, la complejidad operacional y las condiciones de alto estrés lo hacen vulnerable a fallos, especialmente en los interruptores semiconductores de potencia. Una investigación reciente publicada en Journal of Power Supply revela un avance significativo en el diagnóstico de fallos de inversores bajo condiciones reales, donde los datos de fallos son inherentemente escasos y desbalanceados.
El estudio, dirigido por investigadores de la Escuela de Automatización del Instituto Tecnológico de Nanjing en colaboración con el Colegio de Ingeniería de Automatización de la Universidad de Aeronáutica y Astronáutica de Nanjing, propone un marco de diagnóstico innovador que combina redes generativas antagónicas condicionales (CGAN) con redes neuronales convolucionales (CNN). Este enfoque híbrido aborda uno de los mayores desafíos en el mantenimiento predictivo automotriz: la insuficiencia de muestras de fallos representativas.
En operaciones reales, los fallos de inversores –particularmente las aperturas de circuito en transistores bipolares de puerta aislada (IGBT)– ocurren esporádicamente y duran milisegundos antes de que los sistemas de protección intervengan. Esta brevedad limita severamente la captura de datos significativos, resultingo en modelos de aprendizaje automático entrenados con conjuntos desbalanceados donde las operaciones normales predominan sobre los eventos de fallo. Técnicas tradicionales como SMOTE o redes generativas antagónicas convencionales (GAN) han intentado mitigar este problema, pero often fallan en preservar las características distribucionales de señales de fallo multidimensionales.
La innovación del equipo reside en utilizar la capacidad de las CGAN para generar muestras sintéticas de alta fidelidad condicionadas a modos de fallo específicos. A diferencia de las GAN convencionales, las CGAN incorporan etiquetas de clase durante la generación y discriminación. En este estudio, se definieron siete estados operativos: una condición normal y seis escenarios de fallo de apertura correspondientes a los IGBT (T1 a T6) de un inversor trifásico estándar. Las señales de corriente trifásica –capturadas bajo distintas cargas del motor (550, 650 y 750 rpm)– se transformaron del dominio temporal al frecuencial mediante Transformada Rápida de Fourier (FFT), concentrando la información relevante en representaciones espectrales compactas y normalizadas.
El modelo CGAN se entrenó con estas características espectrales etiquetadas. El generador, estructurado con tres capas convolucionales y una salida totalmente conectada, aprendió a sintetizar muestras que replicaban las propiedades estadísticas y espectrales de los datos reales. Simultáneamente, el discriminador –compuesto por capas convolucionales, de agrupamiento y totalmente conectadas– se encargó de distinguir entre muestras reales y sintéticas. Ambos componentes se optimizaron con el algoritmo Adam, aplicando normalización por lotes para estabilizar el entrenamiento. Tras 100 épocas, el CGAN alcanzó equilibrio estable, produciendo datos sintéticos que replicaban fielmente la distribución original, confirmado mediante visualización t-SNE de clusters en el espacio de características.
Los conjuntos de datos ampliados entrenaron una arquitectura CNN unidimensional personalizada, inspirada en AlexNet pero adaptada para clasificación de señales secuenciales. La CNN incorporó dos capas convolucionales (con 8 y 16 filtros de tamaño 3×1), dos capas de agrupamiento máximo (ventanas 2×1), una capa totalmente conectada y una salida Softmax para clasificación de siete clases. Notablemente, el modelo procesó vectores en dominio frecuencial directamente, evitando la ingeniería manual de características.
Para validar la robustez del método, se construyeron cuatro conjuntos de datos con distintos grados de desbalanceo. El conjunto A1 contenía 100 muestras balanceadas por clase. A2 redujo la clase de fallo T6 a 50 muestras, mientras A3 la limitó a apenas 30 –reflejando la escasez del mundo real. El conjunto A4 restableció el balance mediante tres técnicas de aumento: SMOTE, GAN estándar y la propuesta CGAN.
Los resultados fueron contundentes. En el conjunto balanceado A1, la CNN alcanzó 99.2% de precisión. El rendimiento descendió a 95.7% en A2 y a 91.4% en A3, demostrando el impacto negativo del desbalanceo. Sin embargo, al introducir muestras sintéticas en A4, la precisión se recuperó dramáticamente –pero solo con aumento de alta calidad. Los datos aumentados con SMOTE alcanzaron 95.31%, la GAN estándar 96.88%, mientras el modelo con CGAN logró 98.97%, aproximándose al rendimiento del conjunto original balanceado.
Crucialmente, las matrices de confusión revelaron que los fallos T6 se confundían frecuentemente con fallos T2 bajo desbalanceo, probablemente por patrones simétricos de distorsión de corriente en el sistema trifásico. Las muestras generadas por CGAN preservaron estos rasgos discriminativos sutiles, permitiendo a la CNN distinguir entre modos de fallo visualmente similares. Esta capacidad es esencial para implementaciones reales, donde diagnósticos erróneos podrían provocar paradas innecesarias o permitir que fallos latentes escalen a fallos catastróficos.
Desde la perspectiva de la ingeniería automotriz, las implicaciones son profundas. Los vehículos eléctricos modernos dependen crecientemente de actualizaciones inalámbricas (OTA) y análisis en la nube para mantenimiento predictivo. No obstante, estos sistemas requieren modelos de fallos precisos entrenados con datos operativos diversos. La escasez histórica de datos de fallos ha limitado el desarrollo de algoritmos diagnósticos robustos, forzando a los ingenieros a depender de sistemas basados en reglas o simulaciones físicas carentes de adaptabilidad. El marco CGAN-CNN supera esta brecha al permitir diagnósticos basados en datos incluso cuando las ocurrencias de fallos físicos son raras.
Además, el método se alinea con las tendencias hacia arquitecturas vehiculares modulares y definidas por software. Al operar con salidas estándar de sensores de corriente –ya presentes en la mayoría de unidades de control de motores– el enfoque no requiere hardware adicional. La etapa de preprocesamiento FFT es computacionalmente ligera y puede implementarse en microcontroladores existentes, mientras la inferencia CNN puede delegarse al controlador de dominio del vehículo o ejecutarse en la nube durante diagnósticos rutinarios.
El estudio también aborda principios clave de Experiencia, Expertise, Autoridad y Confiabilidad (EEAT). Los autores demuestran amplia experiencia de dominio: el investigador principal está especializado en detección de fallos en convertidores de potencia y posee un doctorado en ingeniería eléctrica. Sus colaboradores se enfocan en aplicaciones de aprendizaje automático para diagnóstico de fallos, mientras que el profesor senior aporta rigor metodológico con décadas de experiencia en sistemas de automatización. El coinvestigador de la universidad aeroespacial contribuye con conocimiento avanzado en confiabilidad de electrónica de potencia. Sus afiliaciones institucionales –reconocidas en el ecosistema de investigación ingenieril chino– mantienen fuertes vínculos con los sectores automotriz y energético.
La investigación contó con apoyo financiero de la Fundación Nacional de Ciencias Naturales de China, el Proyecto Principal de Investigación en Ciencias Naturales de Instituciones de Educación Superior de Jiangsu, y el Centro de Innovación Colaborativa de Jiangsu para Tecnologías y Equipos de Redes de Distribución Inteligente –fuentes de financiamiento que subrayan la importancia estratégica del proyecto para las iniciativas de electrificación y manufactura inteligente de China.
Aunque el estudio se realizó en una plataforma de motor de corriente continua sin escobillas (BLDCM) –opción común para vehículos eléctricos económicos y aplicaciones industriales– la metodología subyacente es transferible a motores síncronos de imanes permanentes (PMSM), que dominan el segmento premium de vehículos eléctricos. Trabajos futuros podrían extender el marco a escenarios de fallos múltiples, seguimiento de degradación parcial y adaptación cruzada entre distintas plataformas vehiculares y entornos operativos.
Significativamente, el equipo evitó errores comunes de inteligencia artificial que comprometen implementaciones reales. No existe dependencia exclusiva de datos sintéticos; instead, la CGAN aumenta señales físicamente medidas. La arquitectura del modelo es transparente y reproducible, sin ensembles de caja negra o pilas profundas ininterpretables. La validación se realizó through múltiples cargas operativas, garantizando generalización beyond condiciones únicas de prueba.
Para fabricantes y proveedores automotrices, esta investigación ofrece una ruta escalable hacia monitoreo inteligente de salud de inversores. Con el crecimiento de flotas vehiculares y acumulación de datos, estos modelos pueden refinarse continuamente, formando la columna vertebral de sistemas de durabilidad y seguridad de próxima generación. Los reguladores también podrían considerar el enfoque convincente: con precisión de diagnóstico superior al 98%, el método podría respaldar estándares de certificación para seguridad funcional (ej. niveles ASIL de ISO 26262) en electrónica de potencia.
En resumen, la integración de CGAN para síntesis de datos dirigida y CNN para clasificación discriminativa representa una solución pragmática y efectiva al problema persistente de escasez de datos en diagnóstico de fallos de vehículos eléctricos. Ejemplifica cómo el aprendizaje automático consciente del dominio –fundado en comprensión física y validado mediante experimentación rigurosa– puede entregar valor ingenieril tangible.
Sun Quan, Peng Fei, Li Hongsheng, Yu Xianghai
Escuela de Automatización, Instituto Tecnológico de Nanjing, Nanjing 211167, China
Sun Guodong
Colegio de Ingeniería de Automatización, Universidad de Aeronáutica y Astronáutica de Nanjing, Nanjing 211106, China
Journal of Power Supply, Vol. 22, No. 6, Noviembre 2024
DOI: 10.13234/j.issn.2095-2805.2024.6.318