Nuevo algoritmo permite monitoreo térmico en tiempo real de módulos de potencia para vehículos eléctricos
La evolución del vehículo eléctrico (VE) no solo se mide en autonomía o potencia, sino también en la inteligencia con la que gestiona sus componentes más críticos. En el corazón del sistema de propulsión, el módulo de potencia —encargado de convertir y controlar la energía entre la batería y el motor— enfrenta condiciones extremas de estrés térmico que, con el tiempo, comprometen su integridad. Estos ciclos repetidos de calentamiento y enfriamiento generan fatiga en los materiales del módulo, especialmente en las uniones de soldadura y los hilos de conexión, lo que conduce a microfisuras y, eventualmente, al fallo catastrófico del sistema. Hasta ahora, la evaluación de este desgaste se realizaba mediante análisis post-conducción, un proceso offline que retrasa cualquier intervención preventiva. Sin embargo, un equipo de investigadores liderado por Xiang Enyao, Lu Yiping, Luo Haoze y Yang Huan de la Universidad de Zhejiang, en colaboración con Wang Haibing y Ruan Ou de Viridi E-Mobility Technology (Ningbo) Co., Ltd., ha desarrollado un método revolucionario que permite la extracción en tiempo real del estrés térmico en estos módulos, marcando un hito en la gestión predictiva de la salud del VE.
Publicado en la prestigiosa revista Proceedings of the CSEE, el estudio presenta un algoritmo mejorado basado en el método de conteo de ciclos «rainflow», tradicionalmente utilizado en ingeniería de materiales para analizar la fatiga. La innovación radica en la adaptación de este algoritmo, normalmente aplicado offline, a un entorno de procesamiento en tiempo real dentro del propio controlador del vehículo. Esta transformación no es trivial: el algoritmo original requiere el historial completo de carga para identificar los ciclos de estrés, una tarea que exige grandes recursos computacionales y almacenamiento, incompatibles con los microcontroladores de los vehículos. La solución del equipo chino supera estas limitaciones mediante una serie de optimizaciones ingeniosas que preservan la precisión sin sacrificar la eficiencia.
El núcleo del nuevo método es un algoritmo de conteo en tiempo real que opera bajo el principio de los «tres puntos y doble rango». En lugar de procesar todo el historial de temperatura del chip semiconductor (conocida como temperatura de unión, Tj), el algoritmo se centra únicamente en los puntos extremos —picos y valles— del perfil térmico. Cada vez que se identifica un nuevo punto extremo, el algoritmo evalúa los tres últimos puntos almacenados. Comparando las diferencias de amplitud entre ellos, puede determinar instantáneamente si se ha completado un ciclo de estrés completo o medio. Este enfoque es computacionalmente ligero, ya que solo requiere operaciones simples de suma, resta y comparación, lo que lo hace viable para ejecutarse en los controladores electrónicos del vehículo (ECU) sin interferir con funciones críticas como el control del motor.
Pero la precisión no se logra solo con velocidad. Un elemento clave del sistema es un filtro de ventana de ancho variable que actúa como un «filtro de ruido inteligente». No todas las fluctuaciones de temperatura contribuyen de manera significativa al daño por fatiga. Pequeñas oscilaciones causadas por ruido de medición o cambios de carga mínimos pueden distorsionar el conteo. El filtro del equipo resuelve esto ajustando dinámicamente su sensibilidad. El ancho de la ventana de filtro —el umbral mínimo de cambio de temperatura para considerar un ciclo como válido— se adapta según el estado de envejecimiento del módulo. Este estado se determina a partir de la resistencia térmica entre el chip y la carcasa (Zth(j-c)), un parámetro que aumenta a medida que se desarrollan microfisuras en la soldadura. En las etapas iniciales de vida, cuando el módulo es más robusto, el filtro es más amplio, ignorando ciclos menores. A medida que el módulo envejece y se vuelve más susceptible, el filtro se estrecha, capturando incluso los ciclos de estrés más pequeños que ahora representan una amenaza. Este enfoque adaptativo no solo mejora la precisión del conteo, sino que también protege el sistema de falsas alarmas por ruido.
Una vez identificados los ciclos de estrés, surge el desafío del almacenamiento. Guardar cada ciclo con su amplitud exacta y temperatura media generaría una avalancha de datos, inviable para la memoria limitada del vehículo. La solución propuesta es una «normalización discreta». El algoritmo agrupa los ciclos de estrés en categorías predefinidas según su amplitud (ΔTj) y temperatura media (Tjm). En lugar de almacenar valores precisos, registra cuántos ciclos han caído en cada categoría. Este proceso de agrupamiento reduce drásticamente la huella de datos, haciéndolo compatible con el cómputo en el borde (edge computing), donde los recursos son escasos. Los datos almacenados forman un perfil de «historial de carga» del módulo, esencial para cualquier modelo de predicción de vida útil.
La validez del método no se basa en teorías, sino en pruebas rigurosas. Primero, se validó mediante simulaciones con perfiles de temperatura complejos y dinámicos. Los resultados del nuevo algoritmo en tiempo real se compararon con el gold standard: el método de rainflow offline. El resultado fue una concordancia perfecta, capturando todos los ciclos completos y medios sin ninguna omisión. En contraste, dos métodos en tiempo real previos de la literatura fallaron en detectar uno y dos ciclos medios, respectivamente, destacando la superioridad de la nueva aproximación.
La prueba definitiva llegó en condiciones reales. El algoritmo se implementó en el controlador de un vehículo de pasajeros de producción. Durante una prueba de 26 kilómetros que abarcaba tráfico urbano, autopista y carreteras de montaña, el sistema procesó continuamente los datos de temperatura del módulo de potencia, obtenidos mediante el sensor NTC estándar del vehículo. Al final de la prueba, los datos de daño acumulado calculados en tiempo real se compararon con el análisis offline del mismo historial de temperatura. El error fue inferior al 1%. Esta precisión extraordinaria bajo condiciones de conducción dinámicas demuestra que el sistema no es solo un concepto de laboratorio, sino una solución práctica y robusta.
El experimento también proporcionó insights valiosos sobre cómo diferentes estilos de conducción impactan la salud del módulo. Las secciones de subida y bajada de montaña, caracterizadas por aceleraciones y frenadas regenerativas intensas, mostraron picos agudos en la acumulación de daño, correlacionándose con los cambios de temperatura más rápidos. La conducción en autopista, aunque a velocidades más altas, generó menos estrés térmico debido a condiciones de operación más estables. La conducción urbana, con sus arranques y paradas frecuentes, produjo una acumulación constante de ciclos de estrés de baja amplitud que, a largo plazo, pueden ser igual de perjudiciales. Estos datos permiten a los fabricantes de automóviles comprender mejor los desafíos de durabilidad en escenarios del mundo real.
Un aspecto crucial investigado fue la frecuencia de muestreo de la temperatura. El equipo probó periodos de muestreo desde 20 milisegundos hasta 5 segundos. Descubrieron que entre 20 ms y 500 ms, el impacto en la precisión del cálculo de daño era mínimo, con errores por debajo del 1%. Sin embargo, cuando el periodo de muestreo superaba el segundo, el error aumentaba drásticamente, alcanzando casi el 60% a los 5 segundos. La razón es clara: intervalos más largos entre mediciones pueden pasar por alto los picos de temperatura rápidos que ocurren durante la aceleración, subestimando así el número y la severidad de los ciclos de estrés. El estudio concluye que un periodo de muestreo de 500 ms representa el punto óptimo de equilibrio entre la carga computacional y la precisión, haciendo viable una evaluación de confiabilidad en tiempo real.
Las implicaciones de esta investigación son profundas. Para los fabricantes de automóviles, esta tecnología abre la puerta a un mantenimiento predictivo verdaderamente proactivo. Un vehículo podría alertar al conductor o al taller cuando un módulo de potencia esté acercándose al final de su vida útil, permitiendo un reemplazo programado antes de que ocurra un fallo. Esto no solo mejora la satisfacción del cliente al evitar averías, sino que también optimiza los costos de garantía. Para las flotas de vehículos comerciales, el análisis agregado de los datos de estrés podría usarse para entrenar a los conductores y optimizar las rutas, maximizando la vida útil de los vehículos.
La gran ventaja del sistema es su compatibilidad con la infraestructura existente. No requiere sensores especiales; utiliza el sensor NTC ya presente en los módulos de potencia. Su bajo consumo computacional significa que puede ejecutarse en microcontroladores estándar sin necesidad de hardware adicional. Esto lo convierte en una solución altamente escalable, adecuada tanto para vehículos de gama alta como para modelos de acceso masivo.
Este proyecto es un ejemplo ejemplar de colaboración entre academia e industria. La Universidad de Zhejiang aportó el conocimiento teórico en electrónica de potencia y algoritmos, mientras que Viridi E-Mobility Technology aportó la experiencia práctica en la integración de sistemas en vehículos reales. Este enfoque híbrido aseguró que la innovación no solo fuera científicamente sólida, sino también técnicamente viable. El apoyo de programas de investigación provinciales y municipales subraya la importancia estratégica de esta tecnología para el liderazgo de China en el sector de la movilidad eléctrica.
En resumen, el trabajo de Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing y Ruan Ou representa un avance fundamental. Al transformar un análisis de fatiga offline en un sistema de monitoreo en tiempo real, han dotado al vehículo eléctrico de una nueva capacidad: la autoconciencia de su estado de salud. Este algoritmo no solo promete vehículos más confiables y seguros, sino que también contribuye a la sostenibilidad al extender la vida útil de componentes críticos. Con su alta precisión, bajo costo y facilidad de integración, este método está bien posicionado para convertirse en un estándar de la industria, sentando las bases para la próxima generación de vehículos eléctricos inteligentes y resilientes.
Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing, Ruan Ou, Universidad de Zhejiang y Viridi E-Mobility Technology (Ningbo) Co., Ltd., Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231914