Estrategia Inteligente para Frenado Regenerativo en Vehículos Eléctricos
En el competitivo mundo de la movilidad eléctrica, cada detalle cuenta. Mientras los fabricantes luchan por aumentar la autonomía y mejorar la eficiencia, una de las áreas más prometedoras se encuentra en la gestión inteligente de la energía durante la desaceleración. Un estudio innovador de la Universidad de Jiangsu ha presentado una sofisticada estrategia de control de frenado regenerativo que podría redefinir cómo los vehículos eléctricos (VE) recuperan energía en movimiento. Al integrar la identificación en tiempo real del tipo de superficie con una comprensión detallada de la dinámica de motores duales, el equipo de investigación ha logrado una tasa de recuperación de energía de frenado del 65,55% en condiciones estándar, estableciendo un nuevo punto de referencia en eficiencia para vehículos eléctricos de tracción total.
El estudio, liderado por el profesor Pan Gongyu y el investigador graduado Xu Shen de la Escuela de Ingeniería Automotriz y de Tráfico de la Universidad de Jiangsu, fue publicado en enero de 2024 en la revista Journal of Jiangsu University (Natural Science Edition). Su trabajo aborda un desafío fundamental en el diseño de vehículos eléctricos: cómo maximizar la recuperación de energía sin comprometer la seguridad o la estabilidad. Aunque el frenado regenerativo es una característica estándar en los VE modernos, su eficacia a menudo se ve limitada por estrategias de control conservadoras que no aprovechan al máximo la tracción disponible entre los neumáticos y la carretera. Los sistemas tradicionales suelen asumir una condición de carretera fija, lo que conduce a un rendimiento subóptimo, especialmente en superficies variables o con bajo agarre.
El enfoque de Pan y Xu rompe con la convención al tratar la carretera no como un escenario estático, sino como una variable dinámica que debe evaluarse continuamente. En el corazón de su estrategia se encuentra un nuevo identificador de carretera que estima el coeficiente de adherencia pico, es decir, el agarre máximo disponible, entre cada neumático y la superficie. Esta no es una medición única para todos; es un cálculo por rueda que tiene en cuenta las diferencias en carga, desgaste y condiciones locales de la carretera. El sistema compara los datos en tiempo real sobre el deslizamiento de la rueda y la adherencia de la carretera con una biblioteca de ocho tipos de carreteras estándar, desde asfalto seco hasta hielo. Utilizando lógica difusa, determina la similitud entre las condiciones actuales y cada superficie de referencia, luego calcula un promedio ponderado para llegar a una estimación precisa del coeficiente de adherencia pico.
Este nivel de detalle es crucial. En los sistemas convencionales, una estimación inexacta del agarre de la carretera puede llevar a dos resultados igualmente indeseables: demasiado poco frenado regenerativo, desperdiciando energía recuperable, o demasiado, arriesgando el bloqueo de la rueda y la pérdida de control. Al adaptarse dinámicamente a las condiciones reales de la carretera, la estrategia del equipo de la Universidad de Jiangsu garantiza que el vehículo opere lo más cerca posible de la relación de deslizamiento óptima, el punto en el que la fricción y la adherencia están equilibradas para una máxima recuperación de energía sin sacrificar la estabilidad.
Pero detectar la carretera es solo la mitad de la ecuación. La otra mitad radica en cómo el vehículo asigna la fuerza de frenado entre sus motores eléctricos y los frenos de fricción hidráulicos. Los investigadores se centraron en vehículos eléctricos de tracción total con motores duales, donde tanto el eje delantero como el trasero están propulsados y son capaces de la regeneración. En tales arquitecturas, el potencial de recuperación de energía es significativamente mayor que en configuraciones de tracción delantera o trasera, pero también lo es la complejidad de gestionar la interacción entre las dos transmisiones.
La estrategia de control de Pan y Xu aprovecha las características externas de los motores duales, esencialmente sus perfiles par-velocidad, para determinar la forma más eficiente de distribuir el esfuerzo de frenado. Cuando el conductor aplica los frenos, el sistema primero evalúa la velocidad del vehículo, el estado de carga (SOC) de la batería y la intensidad del frenado. Si la velocidad está por encima de 5 km/h, el SOC está por debajo del 90% y la demanda de frenado no es urgente (menos de 0,8 g), el sistema activa el frenado regenerativo. La innovación clave radica en cómo luego distribuye la carga entre los motores delantero y trasero.
La estrategia está diseñada para priorizar la recuperación de energía mientras respeta las restricciones de seguridad. Utiliza las estimaciones de coeficientes de adherencia pico para las ruedas delanteras y traseras para definir límites superiores e inferiores para la fuerza de frenado admisible en cada eje. Si las ruedas delanteras tienen más agarre que las traseras, un escenario común debido a la transferencia de peso durante el frenado, el sistema puede asignar más par de frenado regenerativo al eje delantero, donde puede aprovecharse de forma más efectiva. Por el contrario, si el agarre está distribuido de manera más uniforme, el sistema equilibra la carga para mantener la estabilidad del vehículo.
Lo que distingue a este enfoque es su capacidad para adaptarse a las condiciones cambiantes en tiempo real. Por ejemplo, durante una maniobra de frenado en una superficie que pasa de asfalto mojado a asfalto seco, el sistema actualiza continuamente sus estimaciones de adherencia y ajusta la distribución del par en consecuencia. Esto garantiza que el vehículo nunca exceda el agarre disponible, incluso cuando las condiciones de la carretera evolucionan durante la desaceleración. El resultado es una experiencia de frenado más suave y predecible que maximiza la recuperación de energía sin requerir intervención del conductor.
Para validar su estrategia, los investigadores realizaron simulaciones extensas utilizando CarSim y Simulink, modelando un compacto vehículo eléctrico de tracción total con un peso en vacío de 940 kg, una batalla de 2,26 metros y baterías de iones de litio. En uno de los escenarios de prueba, el vehículo se desaceleró de 40 km/h hasta detenerse con una intensidad de frenado de 0,3 g sobre una superficie con un coeficiente de adherencia conocido de 0,6. En estas condiciones, el sistema alcanzó una tasa de recuperación de energía de frenado del 65,55%, una cifra que representa una mejora significativa frente a muchos sistemas existentes, que a menudo tienen dificultades para superar el 50% en condiciones similares.
La simulación también reveló las fuentes de pérdida de energía, proporcionando información valiosa para futuras optimizaciones. Aproximadamente un 20% de la energía recuperable se disipó por los frenos mecánicos, principalmente durante la fase final de desaceleración cuando la velocidad del vehículo descendió por debajo de 5 km/h y se desactivó el frenado regenerativo. Otro 10% se perdió debido a ineficiencias en el motor, la batería y la transmisión, pérdidas inherentes a cualquier proceso de conversión de energía pero que podrían reducirse potencialmente mediante avances en el diseño de componentes. El 5% restante se atribuyó a imperfecciones del sistema de control, lo que sugiere que refinamientos adicionales del algoritmo podrían aumentar aún más las tasas de recuperación.
En una prueba más compleja, el vehículo fue sometido a una condición de carretera variable, pasando de una superficie de bajo agarre (coeficiente de adherencia de 0,2) a una de alto agarre (0,8) y viceversa, mientras se desaceleraba de 80 km/h. Este escenario es particularmente desafiante para los sistemas convencionales, que pueden subutilizar el agarre disponible en el segmento de alta adherencia o arriesgar inestabilidad al regresar al segmento de baja adherencia. Sin embargo, la estrategia de la Universidad de Jiangsu demostró un rendimiento robusto, con los coeficientes de adherencia predichos siguiendo de cerca los valores reales durante toda la maniobra. Aunque la tasa de recuperación de energía general en esta prueba fue menor, del 28,90%, esto se debió principalmente al agarre inherentemente limitado en las superficies de baja adherencia, donde fue necesario el frenado mecánico para garantizar la seguridad. El hecho de que el sistema pudiera identificar y responder con precisión a estos cambios rápidos subraya su potencial para aplicaciones en el mundo real.
Las implicaciones de esta investigación van más allá del laboratorio. A medida que los vehículos eléctricos se vuelven más prevalentes, la capacidad de recuperar energía de manera eficiente desempeñará un papel cada vez más importante en la reducción de la frecuencia de carga, la prolongación de la vida útil de la batería y la reducción del costo total de propiedad. Para los fabricantes de automóviles, la adopción de una estrategia de control como la propuesta por Pan y Xu podría proporcionar una ventaja competitiva, ofreciendo a los conductores una experiencia de frenado más eficiente y receptiva. Además, la integración de la identificación de la superficie de la carretera podría mejorar el rendimiento de otros sistemas del vehículo, como el control de estabilidad electrónico y el control de crucero adaptativo, creando un entorno de conducción más cohesivo e inteligente.
Desde un punto de vista técnico, el éxito de esta estrategia depende de la integración perfecta de múltiples disciplinas: dinámica de neumáticos, control de motores, lógica difusa y procesamiento de datos en tiempo real. El uso de la lógica difusa es particularmente destacable, ya que permite al sistema manejar la incertidumbre y la no linealidad inherentes a las interacciones neumático-carretera. A diferencia de la lógica binaria tradicional, que opera con condiciones estrictas de verdadero/falso, la lógica difusa puede manejar verdades parciales, lo que la convierte en ideal para aplicaciones donde las entradas son imprecisas o cambiantes continuamente. Al asignar datos de deslizamiento y adherencia a variables lingüísticas como «pequeño», «medio» y «grande», el sistema puede tomar decisiones matizadas que imitan la intuición humana.
Otra característica clave del diseño es su énfasis en la seguridad. Los investigadores implementaron un principio de «baja selección» para el coeficiente de adherencia, lo que significa que el sistema siempre utiliza el valor más bajo de los dos estimados para las ruedas izquierda y derecha del mismo eje. Este enfoque conservador garantiza que el vehículo nunca asuma más agarre del que realmente está disponible, reduciendo el riesgo de inestabilidad lateral o derrape. Además, el sistema desactiva el frenado regenerativo en condiciones de frenado de alta intensidad, priorizando el poder de frenado inmediato sobre la recuperación de energía, una decisión que se alinea con las mejores prácticas en ingeniería de seguridad automotriz.
El estudio también destaca la importancia del pensamiento a nivel de sistema en el diseño de vehículos eléctricos. Mientras que gran parte del discurso público sobre vehículos eléctricos se centra en la capacidad de la batería y la velocidad de carga, la realidad es que las mejoras de eficiencia se pueden encontrar en toda la arquitectura del vehículo. El frenado regenerativo es una de las palancas más efectivas para mejorar la eficiencia, pero sus beneficios solo se logran plenamente cuando la estrategia de control está optimizada para las características específicas de la transmisión y el entorno de conducción. El trabajo de Pan y Xu ejemplifica este enfoque holístico, demostrando cómo una comprensión profunda del hardware y el software puede conducir a mejoras tangibles en el rendimiento.
Mirando hacia adelante, los principios descritos en esta investigación podrían aplicarse a una amplia gama de tipos de vehículos, desde automóviles de pasajeros hasta camiones comerciales. A medida que la tecnología de sensores continúe avanzando, futuras iteraciones del sistema podrían incorporar datos de fuentes adicionales, como cámaras, radar o incluso comunicación vehículo-infraestructura, para refinar aún más las estimaciones de adherencia. Los algoritmos de aprendizaje automático también podrían utilizarse para personalizar la estrategia de control según los hábitos individuales de conducción y las condiciones de carretera regionales.
En una industria donde las mejoras incrementales a menudo se celebran como avances, la tasa de recuperación de energía del 65,55% lograda por la estrategia de Pan y Xu destaca como un salto significativo. Es un testimonio del poder de la investigación académica para impulsar la innovación y resolver problemas del mundo real. A medida que la transición global hacia la movilidad eléctrica se acelera, estudios como este desempeñarán un papel crucial en dar forma a la próxima generación de transporte sostenible.
El trabajo de Pan Gongyu y Xu Shen en la Universidad de Jiangsu no solo avanza el estado del arte en frenado regenerativo, sino que también sirve como modelo de cómo la investigación de ingeniería puede impactar directamente en el rendimiento y la eficiencia de las tecnologías cotidianas. Su estrategia es un recordatorio de que el futuro de la movilidad no trata solo de baterías más grandes o cargas más rápidas, sino de sistemas más inteligentes y adaptables que aprovechen al máximo cada julio de energía.
Publicado por Pan Gongyu y Xu Shen, Escuela de Ingeniería Automotriz y de Tráfico, Universidad de Jiangsu, en el Journal of Jiangsu University (Natural Science Edition), DOI: 10.3969/j.issn.1671-7775.2024.01.001