El Dr. Santos Gracia Villar, presidente de la Fundación Universitaria Iberoamericana (FUNIBER), se ha involucrado en un estudio que examina y propone nuevas estrategias basadas en aprendizaje automático y aprendizaje profundo para mejorar la detección temprana de fallos en los vehículos de nueva energía (VNE).
La necesidad de un transporte más limpio es ahora una prioridad a nivel global, impulsada por la urgencia de disminuir la huella de carbono y avanzar hacia fuentes de energía sostenibles. En este contexto, los VNE —que incluyen vehículos eléctricos, híbridos enchufables y aquellos que utilizan pilas de combustible de hidrógeno— están tomando protagonismo como alternativas viables a los automóviles tradicionales. Sin embargo, su adopción masiva enfrenta desafíos técnicos y operativos, especialmente relacionados con el rendimiento de las baterías, la infraestructura de carga disponible y la fiabilidad de los sistemas electrónicos bajo condiciones reales.
El estudio titulado «Enhancing fault detection in new energy vehicles via novel ensemble approach» se centra en cómo el análisis de grandes volúmenes de datos sensoriales recopilados durante el funcionamiento del vehículo puede ayudar a prever fallas, optimizar la gestión del estado de la batería y mejorar el consumo energético en tiempo real. Estas capacidades son esenciales para reducir tiempos de inactividad, evitar reparaciones costosas y aumentar la confianza del usuario en tecnologías sostenibles.
Un aspecto destacado del trabajo es la propuesta de un marco integral para la detección de fallos que combina modelos tradicionales de aprendizaje automático con arquitecturas avanzadas de aprendizaje profundo. Entre los modelos analizados se encuentran enfoques como regresión logística, clasificador pasivo-agresivo, clasificador Ridge y perceptrón, junto a técnicas más complejas como redes neuronales convolucionales (CNN), redes neuronales artificiales (ANN) y unidades recurrentes con compuertas (GRU), especialmente adecuadas para tratar datos secuenciales.
Además, el estudio presenta un modelo híbrido denominado GRULogX, que integra unidades recurrentes con compuertas junto a regresión logística. Esta combinación busca aprovechar las capacidades temporales que ofrecen las unidades recurrentes mientras se mantiene la interpretación probabilística proporcionada por la regresión logística. Para validar su eficacia, el equipo utilizó un conjunto real de datos sobre diagnóstico de fallas, lo cual permite acercar los resultados a situaciones prácticas.
Entre los modelos evaluados, el enfoque GRULogX sobresale al alcanzar una precisión del 99%, además de reportar altos valores en precisión y exhaustividad. Este diseño robusto fortalece la detección temprana de fallas, facilitando así estrategias efectivas para el mantenimiento predictivo y mejorando tanto la disponibilidad como la seguridad en los vehículos eléctricos. Estos avances son cruciales para apoyar soluciones que promuevan un transporte limpio, minimizando interrupciones operativas y costos derivados de fallas no detectadas a tiempo.
Para profundizar más sobre este estudio, puedes hacer clic aquí.
Aprovecha también para consultar investigaciones adicionales en el repositorio de UNEATLANTICO.
La Fundación Universitaria Iberoamericana (FUNIBER) ofrece becas para programas de maestría en tecnología, como la Maestría en Dirección Estratégica en Ingeniería de Software. Este programa está diseñado para formar expertos capaces de integrar tecnologías avanzadas como el aprendizaje automático dentro de estrategias empresariales, mejorando procesos críticos como la detección temprana de fallos y optimizando decisiones basadas en datos.
No pierdas esta oportunidad: inscríbete en esta maestría y conviértete en protagonista del futuro tecnológico.
El aprendizaje automático es una rama de la inteligencia artificial que permite a las máquinas aprender de datos y mejorar su rendimiento sin ser programadas explícitamente. En el contexto de los vehículos de nueva energía, se utiliza para analizar grandes volúmenes de datos sensoriales con el fin de anticipar fallas, optimizar la gestión del estado de la batería y mejorar el consumo energético.
El modelo GRULogX combina unidades recurrentes con compuertas y regresión logística, logrando un 99% de precisión en la detección de fallos. Esto permite implementar estrategias de mantenimiento predictivo, mejorando así la disponibilidad y seguridad de los vehículos eléctricos, además de reducir costos por reparaciones inesperadas.
Mejorar la detección temprana de fallos es crucial para aumentar la confianza del usuario en las tecnologías sostenibles. Esto no solo previene reparaciones costosas y tiempos de inactividad, sino que también apoya la transición hacia un transporte más limpio, alineándose con los objetivos globales de reducción de emisiones y sostenibilidad.