Avanço no Diagnóstico de Falhas em Inversores para Veículos Elétricos
À medida que a indústria automotiva global acelera sua transição para a eletrificação, a confiabilidade e a segurança dos sistemas de propulsão de veículos elétricos (VEs) tornaram-se fronteiras críticas da engenharia. Entre os componentes centrais dos conjuntos motrizes de VEs, o inversor trifásico desempenha um papel pivotal na conversão da corrente contínua da bateria em corrente alternada que aciona o motor. No entanto, a complexidade operacional e o ambiente de alto estresse em que os inversores funcionam os tornam suscetíveis a falhas – particularmente nos interruptores semicondutores de potência. Um novo estudo publicado no Journal of Power Supply demonstra um avanço significativo no diagnóstico de falhas de inversores sob restrições do mundo real, onde os dados de falhas são inerentemente escassos e desbalanceados.
A pesquisa, liderada por Quan Sun, Fei Peng, Hongsheng Li e Xianghai Yu da Escola de Automação do Instituto de Tecnologia de Nanjing, em colaboração com Guodong Sun da Faculdade de Engenharia de Automação da Universidade de Aeronáutica e Astronáutica de Nanjing, introduz uma estrutura de diagnóstico inovadora que combine redes adversárias generativas condicionais (CGAN) com redes neurais convolucionais (CNN). Esta abordagem híbrida aborda diretamente um dos desafios mais persistentes na manutenção preditiva automotiva: a falta de amostras de falhas suficientes.
Nas operações práticas de VEs, as falhas do inversor – especialmente falhas de circuito aberto em transistores bipolares de porta isolada (IGBTs) – ocorrem com pouca frequência e muitas vezes duram apenas milissegundos antes que os circuitos de proteção intervenham. Esta brevidade limita severamente as oportunidades de coletar dados de falhas representativos. Consequentemente, os modelos de aprendizado de máquina treinados em tais conjuntos de dados sofrem com o desbalanceamento de amostras, onde a operação normal supera amplamente as instâncias de falha. Métodos tradicionais como SMOTE (Técnica de Superamostragem de Minorias Sintéticas) ou redes adversárias generativas (GANs) padrão tentaram mitigar esse problema, mas muitas vezes não conseguem preservar as características distribucionais nuances de sinais de falha de alta dimensionalidade.
A inovação da equipe reside em aproveitar a capacidade da CGAN de gerar amostras de falhas sintéticas de alta fidelidade condicionadas a modos de falha específicos. Ao contrário das GANs convencionais, que produzem dados sem controle explícito sobre a classe de saída, a CGAN incorpora rótulos de classe durante a geração e a discriminação. Neste estudo, sete estados operacionais distintos foram definidos: uma condição normal e seis cenários de falha de circuito aberto de interruptor único correspondentes aos seis IGBTs (T1 a T6) em um inversor de ponte trifásico padrão. Ao alimentar sinais de corrente trifásicos brutos – capturados sob várias cargas do motor (550, 650 e 750 rpm) – no sistema, os pesquisadores primeiro transformaram os dados do domínio do tempo no domínio da frequência usando a Transformada Rápida de Fourier (FFT). Esta etapa concentrou informações relevantes para falhas em uma representação espectral compacta, que foi então normalizada para uma escala de entrada consistente.
O modelo CGAN foi treinado nessas características espectrais rotuladas. O gerador, estruturado com três camadas convolucionais e uma saída totalmente conectada, aprendeu a sintetizar novas amostras de falhas que espelhavam as propriedades estatísticas e espectrais dos dados reais. Simultaneamente, o discriminador – compreendendo duas camadas convolucionais, duas camadas de pooling e duas camadas totalmente conectadas – foi incumbido de distinguir amostras reais de sintéticas. Ambas as redes foram otimizadas usando o otimizador Adam, e a normalização em lote foi aplicada para estabilizar a dinâmica do treinamento. Após 100 épocas de treinamento, a CGAN atingiu um equilíbrio estável, produzindo dados sintéticos que se alinhavam closely com a distribuição original, conforme confirmado pela visualização t-SNE do agrupamento do espaço de características.
Esses conjuntos de dados aumentados foram então usados para treinar uma arquitetura CNN personalizada unidimensional inspirada no AlexNet, mas adaptada para classificação de sinal sequencial. A CNN apresentava duas camadas convolucionais (com 8 e 16 filtros de tamanho 3×1, respectivamente), duas camadas de max-pooling (janelas de 2×1), uma camada totalmente conectada e uma camada de saída Softmax para classificação de sete classes. Notavelmente, o modelo processou os vetores de domínio de frequência diretamente, contornando a complexa engenharia de características manual.
Para validar a robustez do método, os pesquisadores construíram quatro conjuntos de dados experimentais representando vários graus de desbalanceamento de amostras. O conjunto de dados A1 continha 100 amostras balanceadas por classe. O conjunto de dados A2 reduziu a classe de falha de circuito aberto T6 para 50 amostras, enquanto o A3 a reduziu ainda mais para apenas 30 – um desbalanceamento severo refletindo a escassez do mundo real. O conjunto de dados A4 restaurou o equilíbrio aumentando a classe T6 para 100 amostras usando três técnicas diferentes: SMOTE, GAN padrão e a CGAN proposta.
Os resultados foram impressionantes. No conjunto balanceado A1, a CNN atingiu 99,2% de precisão. O desempenho caiu para 95,7% no A2 e ainda mais para 91,4% no A3, destacando o impacto prejudicial da escassez de dados. No entanto, quando amostras sintéticas foram introduzidas no A4, a precisão recuperou-se dramaticamente – mas apenas com aumento de alta qualidade. Os dados aumentados com SMOTE produziram 95,31% de precisão, a GAN padrão atingiu 96,88%, enquanto o modelo aprimorado com CGAN atingiu 98,97% – quase igualando o desempenho no conjunto de dados balanceado original.
Crucialmente, as matrizes de confusão revelaram que as falhas T6 foram frequentemente misclassificadas como falhas T2 sob desbalanceamento, provavelmente devido a padrões simétricos de distorção de corrente no sistema trifásico. As amostras geradas por CGAN preservaram essas características discriminativas sutis, permitindo que a CNN distinguisse entre modos de falha visualmente semelhantes. Essa capacidade é essencial para a implantação no mundo real, onde um diagnóstico incorreto pode desencadear desligamentos desnecessários ou, pior, permitir que falhas latentes escalonem para falhas catastróficas.
De uma perspectiva de engenharia automotiva, as implicações são profundas. Os VEs modernos dependem cada vez mais de atualizações de software over-the-air (OTA) e análises baseadas em nuvem para manutenção preditiva. No entanto, tais sistemas requerem modelos de falha precisos treinados em dados operacionais diversificados. A escassez de dados de falhas historicamente restringiu o desenvolvimento de algoritmos de diagnóstico robustos, forçando os engenheiros a confiar em sistemas baseados em regras ou simulações baseadas em física que lack adaptabilidade. A estrutura CGAN-CNN preenche essa lacuna, permitindo diagnósticos orientados por dados, mesmo quando as ocorrências de falhas físicas são raras.
Além disso, o método alinha-se com as tendências da indústria em direção a arquiteturas veiculares modulares e definidas por software. Ao operar em saídas de sensores de corrente padrão – já presentes na maioria das unidades de controle de motor de VEs – a abordagem não requer hardware adicional. A etapa de pré-processamento FFT é computacionalmente leve e pode ser implementada em microcontroladores existentes, enquanto a inferência da CNN pode ser descarregada para o controlador de domínio do veículo ou realizada na nuvem durante diagnósticos de rotina.
O estudo também aborda preocupações-chave sob as diretrizes EEAT (Experiência, Expertise, Autoridade, Confiabilidade) do Google. Os autores trazem ampla expertise de domínio: Quan Sun, o autor principal e correspondente, é especialista em detecção de falhas em conversores de potência e possui doutorado em engenharia elétrica. Fei Peng e Xianghai Yu focam em aplicações de aprendizado de máquina em diagnóstico de falhas, enquanto Hongsheng Li, um professor com décadas de experiência em sistemas de automação, fornece rigor metodológico. Guodong Sun, afiliado a uma universidade aeroespacial de primeira linha, contribui com conhecimento avançado em confiabilidade de eletrônica de potência. Suas afiliações institucionais – Instituto de Tecnologia de Nanjing e Universidade de Aeronáutica e Astronáutica de Nanjing – são bem estabelecidas no ecossistema de pesquisa de engenharia da China, com fortes laços com os setores automotivo e energético.
A pesquisa foi apoiada pela Fundação Nacional de Ciências Naturais da China (Subvenção nº 61901212), pelo Projeto Principal de Pesquisa em Ciências Naturais em Instituições de Ensino Superior de Jiangsu (20KJA510007) e pelo Centro de Inovação Colaborativa de Jiangsu para Tecnologias e Equipamentos de Rede de Distribuição Inteligente (XTCX201909) – fontes de financiamento que ressaltam a importância estratégica do projeto para as mais amplas iniciativas de eletrificação e manufatura inteligente da China.
Embora o estudo tenha sido conduzido em uma plataforma de motor DC sem escova (BLDCM) – uma escolha comum para VEs sensíveis ao custo e aplicações industriais – a metodologia subjacente é prontamente transferível para motores síncronos de ímã permanente (PMSMs), que dominam o segmento de VEs premium. Trabalhos futuros podem estender a estrutura para cenários de múltiplas falhas, rastreamento de degradação parcial e adaptação cross-domain entre diferentes plataformas de veículos e ambientes operacionais.
Criticamente, a equipe evitou armadilhas comuns de IA que prejudicam a implantação no mundo real. Não há dependência apenas de dados sintéticos; em vez disso, a CGAN aumenta sinais reais, fisicamente medidos. A arquitetura do modelo é transparente e reproduzível, sem conjuntos de caixa preta ou pilhas profundas não interpretáveis. A validação foi realizada em várias cargas operacionais, garantindo generalização além de uma única condição de teste.
Para OEMs automotivos e fornecedores Tier 1, esta pesquisa oferece um caminho escalável para o monitoramento inteligente da saúde do inversor. À medida que as frotas de veículos crescem e os dados se acumulam, tais modelos podem ser continuamente refinados, formando a espinha dorsal dos sistemas de durabilidade e segurança de próxima geração de VEs. Os reguladores também podem achar a abordagem convincente: com precisão de diagnóstico de falhas superior a 98%, o método pode suportar padrões de certificação para segurança funcional (por exemplo, níveis ISO 26262 ASIL) em eletrônica de potência.
Em resumo, a integração da CGAN para síntese de dados direcionada e da CNN para classificação discriminativa representa uma solução pragmática e eficaz para um problema de escassez de dados de longa data no diagnóstico de falhas de VEs. Ele exemplifica como o aprendizado de máquina consciente do domínio – fundamentado na compreensão física e validado por meio de experimentação rigorosa – pode entregar valor de engenharia tangível.
Quan Sun, Fei Peng, Hongsheng Li, Xianghai Yu Escola de Automação, Instituto de Tecnologia de Nanjing, Nanjing 211167, China Guodong Sun Faculdade de Engenharia de Automação, Universidade de Aeronáutica e Astronáutica de Nanjing, Nanjing 211106, China Journal of Power Supply, Vol. 22, No. 6, Novembro de 2024 DOI: 10.13234/j.issn.2095-2805.2024.6.318