Detección Adaptativa de Fallos Basada en Redes Neuronales para el Proceso Térmico de Celdas de Batería

Área de la Ciencia:

• Gestión térmica de baterías
• Sistemas de detección de fallos
• Inteligencia artificial en ingeniería

Sus antecedentes:

• Las baterías de iones de litio son dispositivos críticos de almacenamiento de energía.
• La fuga térmica representa riesgos significativos para la seguridad.
• El monitoreo térmico preciso es esencial para una operación segura.

Objetivo del estudio:

• Desarrollar un marco de detección de fallos basado en redes neuronales adaptativas (AdNN).
• Abordar los desafíos de la generación de calor no lineal desconocida y los datos limitados del sensor.
• Permitir la detección fiable de anomalías térmicas en baterías de Li-ion.

Principales métodos:

• Un enfoque de dos etapas que combina modelado de orden reducido y observación neuronal adaptativa.
• Técnicas de aproximación espectral para crear un modelo de orden reducido computacionalmente tratable.
• Un observador neuronal adaptativo para estimar los estados de la batería y las dinámicas desconocidas a partir de datos de temperatura superficial.
• Un esquema híbrido de detección de fallos que integra residuos basados en modelos y generación de umbrales basada en datos.

Principales resultados:

• Se estimaron con éxito los estados de la batería y las dinámicas no lineales desconocidas.
• Se detectaron eficazmente anomalías térmicas utilizando el esquema híbrido de detección de fallos.
• La validación experimental en una batería tipo bolsa confirmó la fiabilidad del método.

Conclusiones:

• El marco propuesto basado en AdNN detecta de forma fiable las anomalías térmicas en las baterías de Li-ion.
• La combinación de modelado de orden reducido y observación neuronal adaptativa es eficaz.
• Este enfoque mejora la seguridad y la fiabilidad de los sistemas de gestión térmica de baterías.