Diagnóstico de Fallas y Control Tolerante a Fallas en Vehículos Eléctricos Distribuidos
La evolución del automóvil eléctrico ha alcanzado un punto de inflexión, con los vehículos de tracción distribuida (DEVs) emergiendo como una de las arquitecturas más prometedoras del futuro. Al eliminar transmisiones mecánicas, diferenciales y ejes de transmisión mediante el uso de motores independientes en cada rueda, esta configuración ofrece ventajas significativas en eficiencia, dinámica de conducción y flexibilidad de diseño. Sin embargo, con la multiplicación de actores —motores, electrónica de potencia y sensores— también aumenta la probabilidad de fallos. Un motor defectuoso puede alterar drásticamente el equilibrio de par, comprometiendo la estabilidad del vehículo, especialmente en maniobras de giro o frenado de emergencia. Esta realidad exige un enfoque integral que vaya más allá del rendimiento: se necesita una estrategia de diagnóstico de fallas y control tolerante a fallos (FTC) que garantice seguridad, fiabilidad y continuidad operativa incluso cuando un componente falla.
En este contexto, una investigación liderada por Qiang Wang del Colegio de Transporte de la Universidad de Ciencia y Tecnología de Shandong, junto con sus colegas Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao y Song Liu, ha publicado una revisión exhaustiva en la revista Journal of Chongqing University of Technology (Natural Science). Este trabajo no solo sintetiza los avances más recientes en el campo, sino que también traza un mapa claro de los desafíos pendientes y las direcciones futuras para la próxima generación de vehículos eléctricos. El estudio, respaldado por fondos del Consejo Nacional de Ciencias Naturales de China y la Fundación China Postdoctoral, se posiciona como una referencia esencial para ingenieros y desarrolladores que buscan elevar los estándares de seguridad en la movilidad eléctrica.
El corazón de la investigación se centra en dos tipos de fallos críticos en motores síncronos de imanes permanentes (PMSM), los cuales son la elección predominante en los DEVs: los cortocircuitos en los devanados del estator y la desmagnetización de los imanes permanentes. Estos fallos, aunque diferentes en su origen, comparten un impacto devastador si no se detectan y gestionan a tiempo.
Los cortocircuitos en los devanados, en particular los interturnos, son una de las fallas eléctricas más comunes. Comienzan de forma sutil, con una degradación gradual del aislamiento entre espiras, lo que genera un aumento localizado de la temperatura y la aparición de armónicos de corriente. Si se ignoran, pueden evolucionar hacia cortocircuitos de fase a fase, provocando un aumento exponencial de pérdidas, sobrecalentamiento y, finalmente, un fallo catastrófico del motor. El diagnóstico de estos fallos se basa principalmente en dos enfoques: la extracción de señales y la identificación inteligente.
La extracción de señales implica analizar desviaciones en parámetros eléctricos y mecánicos como la corriente, el voltaje, la fuerza contraelectromotriz (back-EMF), las vibraciones y las emisiones acústicas. Métodos tradicionales como la Transformada Rápida de Fourier (FFT) han sido ampliamente utilizados para identificar componentes armónicos característicos en la corriente del estator que indican un cortocircuito. Sin embargo, la FFT tiene una limitación fundamental: asume que las señales son estacionarias. En la práctica, un vehículo eléctrico opera en condiciones altamente dinámicas, con velocidades y cargas que cambian constantemente. Bajo estas condiciones no estacionarias, la precisión de la FFT puede verse comprometida, dificultando una detección temprana y fiable.
Para superar esta barrera, los investigadores han adoptado técnicas de análisis en el dominio del tiempo-frecuencia. La Transformada de Paquetes de Ondículas (Wavelet Packet Transform) y la Transformada de Hilbert-Huang (HHT) son dos de las más destacadas. La HHT, en particular, es poderosa porque descompone una señal en funciones de modo intrínseco (IMF) y extrae la frecuencia instantánea, permitiendo capturar cómo las firmas de fallo evolucionan con el tiempo. Esto es crucial para detectar fallos incipientes que se desarrollan lentamente. No obstante, la HHT no está exenta de problemas; el «mezclado modal», donde diferentes modos de vibración se solapan en una sola IMF, puede distorsionar el análisis y afectar la precisión del diagnóstico. A pesar de su potencial, la complejidad computacional de estos métodos sigue siendo un desafío para su implementación en tiempo real en los sistemas de control del vehículo.
Aquí es donde entra en juego la identificación inteligente, un campo que ha revolucionado el diagnóstico de fallos. Estos métodos, basados en el aprendizaje automático y el aprendizaje profundo, no requieren un modelo físico detallado del motor. En su lugar, aprenden a reconocer patrones de fallo directamente de los datos. Las Redes Neuronales Convolucionales (CNN) se han demostrado muy efectivas para extraer características espaciales de señales de voltaje, corriente y velocidad, permitiendo no solo detectar un fallo, sino también localizar con precisión la espira o la sección del devanado que está en cortocircuito. Por otro lado, las arquitecturas recurrentes como las redes LSTM (Long Short-Term Memory) son ideales para modelar la evolución temporal de un fallo. Optimizadas con algoritmos metaheurísticos como el de optimización de ballenas, pueden estimar con alta precisión el número de espiras en cortocircuito, proporcionando una medida cuantitativa de la gravedad del fallo.
Un enfoque híbrido, que combina lo mejor de ambos mundos, está ganando terreno. Por ejemplo, se pueden utilizar Redes Generativas Adversarias (GAN) para generar datos sintéticos de fallos, un proceso conocido como aumento de datos. Esto es vital porque en la vida real, los datos de motores sanos son abundantes, mientras que los datos de fallos son escasos, lo que sesga los modelos de aprendizaje automático. Una vez que se tiene un conjunto de datos más equilibrado, se pueden aplicar técnicas como los codificadores automáticos dispersos para extraer características de alto nivel y mejorar la precisión de la clasificación. El uso de Máquinas de Vectores de Soporte (SVM), alimentadas con componentes de corriente simétricos derivados del análisis de Fourier, también ha demostrado una alta fiabilidad en la distinción entre estados sanos y defectuosos.
A pesar de los avances en el diagnóstico de cortocircuitos interturnos, el estudio de Wang y su equipo señala una brecha crítica: la falta de investigación sobre los cortocircuitos de fase a fase. Estos son fallos severos que, aunque menos frecuentes, pueden causar un colapso inmediato del sistema. Un puñado de estudios, como el de Daizong Tian, han intentado modelar estos fallos utilizando análisis del campo térmico, pero aún no existe un marco de diagnóstico sistemático y robusto. Esta carencia representa un área prioritaria para futuras investigaciones, especialmente a medida que los motores se diseñan para operar a densidades de potencia y temperaturas cada vez más altas.
La desmagnetización de los imanes permanentes es otra falla específica de los PMSM y presenta un desafío diferente. Causada por altas temperaturas, campos magnéticos inversos, vibraciones mecánicas o corrosión química, la desmagnetización puede ser parcial o total. Lo más peligroso es que suele ser un proceso gradual, que puede pasar desapercibido durante mucho tiempo hasta que la pérdida de rendimiento del motor se vuelve evidente. A diferencia de un cortocircuito, que puede causar una falla inmediata, la desmagnetización es un «asesino silencioso» que erosiona lentamente la capacidad del vehículo.
El diagnóstico de la desmagnetización se basa en la detección de armónicos anómalos en la corriente y el voltaje del motor. La FFT sigue siendo una herramienta básica, con investigadores que analizan armónicos en la back-EMF, el voltaje de secuencia cero y la corriente del estator para inferir el grado de desmagnetización. La HHT también se aplica para extraer componentes de frecuencia que varían con el tiempo, vinculadas a la debilitación del flujo magnético. Además, el análisis de la envolvente de la densidad del campo magnético en el entrehierro, utilizando técnicas de ondículas, proporciona una forma efectiva de identificar patrones de desmagnetización, especialmente en motores lineales.
Los métodos basados en modelos ofrecen una perspectiva cuantitativa. El filtro de Kalman, por ejemplo, permite un seguimiento en tiempo real del par pulsante, que está directamente correlacionado con la asimetría del flujo inducida por la desmagnetización. Los métodos de mínimos cuadrados se han utilizado para estimar el nivel de desmagnetización analizando las variaciones en el radio de la back-EMF. El análisis estructural de la inductancia del motor, como propuso Seungmok Moon, ofrece un indicador indirecto pero confiable de los cambios en el enlace de flujo.
El aprendizaje automático también está transformando esta área. Redes neuronales entrenadas con datos de simulación por elementos finitos pueden clasificar la severidad de la desmagnetización con base en perfiles de corriente y temperatura. Los modelos de aprendizaje profundo, incluyendo redes convolucionales, han demostrado una alta precisión en la distinción entre estados normales y desmagnetizados bajo diversas condiciones de carga. La teoría de sistemas grises y las redes bayesianas dinámicas se han integrado con el procesamiento de señales para mejorar la robustez de la detección de fallos en entornos ruidosos.
Una de las principales conclusiones del artículo es la creciente importancia de la desmagnetización local. Aunque la desmagnetización total es más fácil de modelar, la desmagnetización parcial es mucho más común y difícil de detectar. Una pérdida de flujo localizada crea campos magnéticos asimétricos, lo que genera firmas armónicas complejas que pueden superponerse con las de otros fallos, como la excentricidad del rotor. Cuando coexisten múltiples fallos, como desmagnetización y excentricidad, el diagnóstico se vuelve extremadamente complejo. Los autores enfatizan la necesidad de estrategias de fusión de señales múltiples que combinen datos eléctricos, magnéticos y mecánicos para mejorar la discriminación de fallos.
Pasando del diagnóstico al control, el artículo analiza dos estrategias principales de FTC: pasiva y activa. El control pasivo utiliza leyes de control fijas diseñadas para ser inherentemente robustas frente a un conjunto predefinido de fallos. No requiere detección de fallos en tiempo real ni reconfiguración del sistema, lo que lo hace más simple. Ejemplos incluyen controladores PI robustos y controladores por modos deslizantes (sliding mode) sintonizados para mantener la estabilidad ante fallos conocidos, como la pérdida de un motor.
Sin embargo, los métodos pasivos tienen una adaptabilidad limitada. No pueden responder a fallos inesperados o en evolución y a menudo sacrifican el rendimiento para garantizar la estabilidad. En contraste, el control activo reconfigura dinámicamente el sistema de control basándose en la información de diagnóstico en tiempo real. Este enfoque utiliza la información del fallo para redistribuir el par, reoptimizar los objetivos de control y mantener la dinámica del vehículo dentro de límites seguros.
La arquitectura del FTC activo es típicamente jerárquica. La capa superior, o capa de control de movimiento, determina la fuerza longitudinal deseada y el momento de guiñada basándose en las entradas del conductor y el estado del vehículo. Esto se logra mediante modelos de referencia, como el modelo de bicicleta de dos grados de libertad (2DOF), que predice la velocidad de guiñada y el ángulo de deslizamiento ideal. Sin embargo, bajo una alta aceleración lateral, la saturación de los neumáticos puede invalidar las suposiciones del modelo lineal. Para abordar esto, las estrategias de control avanzadas incorporan la estimación del coeficiente de fricción de la carretera para modificar los valores de referencia y prevenir la inestabilidad.
El Control Predictivo por Modelo (MPC) y el Control por Modos Deslizantes (SMC) son las técnicas dominantes en la capa de control de movimiento. El MPC utiliza un modelo dinámico del vehículo para predecir estados futuros y optimizar las salidas de control sobre un horizonte de tiempo finito. Su capacidad para manejar restricciones y optimizar múltiples objetivos lo hace ideal para aplicaciones FTC. El SMC, conocido por su robustez frente a la incertidumbre de los parámetros y las perturbaciones externas, es efectivo para mantener el rendimiento de seguimiento a pesar de los fallos en los actuadores. Sin embargo, el «chattering» o rizado, un problema común en el SMC, debe mitigarse mediante técnicas de capa límite o ganancias adaptativas.
La capa inferior, o capa de asignación de par, traduce las fuerzas y momentos deseados en pares individuales para cada rueda. Este es un problema de optimización con restricciones, especialmente bajo condiciones de fallo. Los métodos de pseudoinversa, comúnmente usados en sistemas sobre-actuados, calculan la distribución de par invirtiendo la matriz de efectividad de control. Sin embargo, las soluciones de pseudoinversa estándar no consideran los límites de los actuadores ni las asimetrías inducidas por el fallo. Los enfoques de pseudoinversa ponderada, que asignan una prioridad más baja a los motores degradados, mejoran la viabilidad y la convergencia.
La Programación Cuadrática (QP) ha emergido como una alternativa más flexible y poderosa. Al formular la asignación de par como un problema de minimización de costos con restricciones de desigualdad—como límites de par del motor, utilización de la fricción de los neumáticos y exclusión de fallos—la QP asegura soluciones óptimas y físicamente realizables. Algoritmos como el método del conjunto activo y el método primal-dual de punto interior ofrecen una convergencia rápida, crítica para la implementación en tiempo real. Integrar métricas de utilización de los neumáticos en la función de costo ayuda a mantener la estabilidad al prevenir que un neumático individual exceda su límite de fricción, especialmente durante el giro.
Más allá del control convencional, están surgiendo métodos de FTC inteligente. Esto incluye control adaptativo, control por backstepping y estrategias de conmutación de múltiples modelos. El control adaptativo ajusta los parámetros del controlador en tiempo real basándose en la estimación del fallo, compensando las dinámicas desconocidas. El diseño por backstepping, un método recursivo para sistemas no lineales, permite la construcción sistemática de controladores estabilizadores incluso bajo fallos variables en el tiempo.
Los sistemas de FTC de múltiples modelos mantienen una serie de controladores, cada uno sintonizado para un modo de operación específico—normal, fallo de un motor, fallo de dos motores. Basándose en la clasificación del fallo, el sistema mezcla las salidas de los controladores utilizando un promedio ponderado, asegurando transiciones suaves entre modos. Se están explorando también enfoques de aprendizaje por refuerzo y meta-aprendizaje, donde las políticas de control se entrenan fuera de línea con escenarios de fallo y se despliegan para la adaptación en línea.
Las estrategias híbridas que combinan elementos pasivos y activos son cada vez más comunes. Por ejemplo, un sistema puede usar un controlador por modos deslizantes robusto como base, mientras incorpora la estimación de fallos para ajustar las ganancias de control o reconfigurar la distribución de par. Este enfoque híbrido equilibra la fiabilidad y la adaptabilidad, proporcionando mecanismos de respaldo cuando el diagnóstico de fallos es incierto.
Los autores identifican varias tendencias y desafíos emergentes. Primero, la naturaleza dinámica de los fallos—como la degradación progresiva de los devanados o la desmagnetización evolutiva—exige sensores virtuales y monitoreo de salud en línea. La detección binaria tradicional de fallos es insuficiente; se necesita una estimación continua de la gravedad del fallo para permitir ajustes predictivos del control.
Segundo, la integración del diagnóstico de fallos y el FTC en un marco unificado sigue siendo fragmentada. Mientras que muchos estudios abordan el diagnóstico o el control de forma aislada, pocos ofrecen soluciones co-diseñadas donde la confianza en el diagnóstico informa directamente la reconfiguración del control. Los futuros sistemas podrían emplear estimaciones probabilísticas de fallos—usando redes bayesianas o filtros de partículas—para cuantificar la incertidumbre y modular la agresividad del control en consecuencia.
Tercero, la validación en el mundo real sigue siendo un cuello de botella. La mayoría de los estudios dependen de simulaciones o pruebas en banco bajo condiciones controladas. Las pruebas en tiempo real con hardware en el lazo (HIL) y pruebas a nivel de vehículo bajo diversos escenarios de conducción son esenciales para evaluar la robustez y la seguridad. Los autores piden protocolos de inyección de fallos estandarizados y conjuntos de datos de referencia para facilitar la evaluación comparativa.
Finalmente, la creciente complejidad de los DEVs—especialmente con la integración de funciones de conducción autónoma—exige arquitecturas de seguridad holísticas. La tolerancia a fallos debe considerarse junto con la seguridad funcional (ISO 26262), la ciberseguridad y la interacción humano-máquina. Un fallo en un subsistema no debe cascarse en una falla del sistema, lo que requiere una redundancia en capas y un diseño operativo en caso de fallo.
En conclusión, la investigación de Qiang Wang y su equipo subraya que el diagnóstico de fallos y el control tolerante a fallos ya no son características opcionales, sino componentes centrales de la próxima generación de vehículos eléctricos. A medida que los sistemas de tracción distribuida se vuelven más comunes, la capacidad de detectar, aislar y compensar los fallos en los motores definirá la seguridad, la fiabilidad y la confianza del usuario en la movilidad eléctrica. El camino a seguir pasa por integrar el procesamiento avanzado de señales, la inteligencia artificial y el control adaptativo en sistemas coherentes y en tiempo real capaces de mantener la estabilidad del vehículo bajo todas las condiciones.
Qiang Wang, Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao, Song Liu, Colegio de Transporte, Universidad de Ciencia y Tecnología de Shandong; Journal of Chongqing University of Technology (Natural Science), DOI: 10.3969/j.issn.1674-8425(z).2024.05.001