Diagnóstico de Falhas e Controle Tolerante a Falhas em Veículos Elétricos Distribuídos
O futuro da mobilidade elétrica está sendo moldado por arquiteturas inovadoras que prometem não apenas maior eficiência, mas também níveis inéditos de dinâmica e segurança. Entre essas, os veículos elétricos distribuídos (DEVs) emergem como um paradigma revolucionário, substituindo o tradicional eixo de transmissão e diferencial por motores elétricos independentes montados diretamente nas rodas. Essa configuração elimina complexos sistemas mecânicos, reduz perdas de energia e oferece um controle preciso e individualizado de cada roda, permitindo manobras antes impensáveis. No entanto, essa sofisticação vem com um custo: a multiplicação de atuadores. Com mais motores, eletrônica de potência e sensores, a probabilidade de falhas aumenta exponencialmente. Um único motor defeituoso pode desestabilizar todo o veículo, gerando um torque desbalanceado que compromete a tração, a estabilidade e, em última instância, a segurança dos ocupantes. A resposta a esse desafio não é um simples plano de contingência, mas um sistema integrado e inteligente de diagnóstico de falhas e controle tolerante a falhas (FTC), capaz de detectar um problema no seu estágio mais inicial e reconfigurar o veículo para continuar operando de forma segura e confiável.
Neste cenário, uma pesquisa conduzida por Qiang Wang do College of Transportation da Shandong University of Science and Technology, em colaboração com seus colegas Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao e Song Liu, fornece uma análise abrangente e uma visão estratégica do estado da arte nessas tecnologias críticas. Publicado na Journal of Chongqing University of Technology (Natural Science), o trabalho do grupo não é apenas uma revisão da literatura; é um roteiro detalhado que mapeia os avanços recentes, identifica lacunas críticas e projeta o caminho para a próxima geração de veículos elétricos. O estudo, apoiado por financiamentos do National Natural Science Foundation of China e da China Postdoctoral Science Foundation, foca em dois dos defeitos mais comuns e perigosos em motores síncronos de ímãs permanentes (PMSM), a tecnologia de escolha para DEVs: curtos-circuitos nas bobinas do estator e a desmagnetização dos ímãs permanentes.
Os curtos-circuitos nas bobinas são uma das falhas elétricas mais prevalentes. Eles geralmente começam de forma insidiosa, com a degradação do isolamento entre espiras adjacentes do enrolamento. Esse pequeno defeito cria um caminho de baixa resistência, gerando correntes parasitas que aumentam localmente a temperatura e produzem harmônicos indesejados na corrente do motor. Se não forem detectados, esses curtos entre espiras podem se agravar, evoluindo para curtos entre fases completos, o que pode levar a um colapso térmico e à falha catastrófica do motor. Além disso, o calor e os campos magnéticos reversos gerados por um curto podem acelerar a desmagnetização dos ímãs, criando uma cascata de falhas.
O diagnóstico desses defeitos baseia-se em duas grandes vertentes: a extração de sinais e a identificação inteligente. A extração de sinais envolve a análise de parâmetros elétricos e mecânicos, como corrente, tensão, força contraeletromotriz (back-EMF), vibrações e ruído acústico. A Transformada Rápida de Fourier (FFT) foi por muito tempo a ferramenta padrão, capaz de identificar componentes harmônicos característicos na corrente do estator que indicam um curto-circuito. No entanto, a FFT tem uma limitação fundamental: ela assume que o sinal é estacionário, ou seja, suas propriedades não mudam ao longo do tempo. Em um veículo em movimento, as condições de carga e velocidade mudam constantemente, tornando os sinais não-estacionários. Nesse contexto, a precisão da FFT pode ser comprometida, dificultando a detecção de falhas em estágio inicial.
Para superar essa limitação, técnicas de análise no domínio tempo-frequência ganharam destaque. A Transformada de Pacotes de Wavelets e, especialmente, a Transformada de Hilbert-Huang (HHT), são poderosas ferramentas. A HHT é capaz de decompor um sinal complexo em suas Funções de Modo Intrínseco (IMF) e extrair a frequência instantânea de cada uma. Isso permite capturar com precisão como as “assinaturas” de uma falha evoluem ao longo do tempo, tornando-a ideal para a detecção de falhas incipientes. No entanto, a HHT não está isenta de problemas; o “mixing modal”, onde diferentes modos de vibração se sobrepõem em uma única IMF, pode distorcer a análise e reduzir a confiabilidade do diagnóstico.
É aqui que a identificação inteligente, impulsionada pelo aprendizado de máquina, revoluciona o campo. Esses métodos não dependem de modelos físicos complexos do motor. Em vez disso, eles aprendem a reconhecer padrões de falha diretamente a partir de grandes volumes de dados. As Redes Neurais Convolucionais (CNN) são excelentes para extrair características espaciais de sinais de tensão, corrente e velocidade, permitindo não apenas detectar um defeito, mas também localizar com precisão qual espira ou seção do enrolamento está em curto. Por outro lado, redes recorrentes como as LSTM (Long Short-Term Memory) são ideais para modelar a evolução temporal de uma falha. Quando otimizadas com algoritmos como a otimização da baleia, podem estimar com alta precisão o número de espiras em curto, fornecendo uma medida quantitativa da gravidade do problema.
Um enfoque híbrido, que combina os dois mundos, está se tornando cada vez mais popular. Por exemplo, Redes Generativas Adversárias (GANs) podem ser usadas para gerar dados sintéticos de falha, um processo conhecido como aumento de dados. Isso é crucial porque, na vida real, dados de motores saudáveis são abundantes, enquanto dados de falhas são raros, criando um desequilíbrio que pode enviesar os modelos de aprendizado de máquina. Uma vez que um conjunto de dados mais balanceado é criado, técnicas como os codificadores automáticos esparsos podem ser aplicadas para extrair características de alto nível e melhorar a precisão da classificação. O uso de Máquinas de Vetores de Suporte (SVM), alimentadas com componentes de corrente simétricos derivados da análise de Fourier, também demonstrou alta confiabilidade na distinção entre estados saudáveis e defeituosos.
Apesar dos avanços no diagnóstico de curtos entre espiras, a pesquisa de Wang e sua equipe destaca uma lacuna crítica: a escassez de estudos sobre curtos entre fases. Esses são falhas severas que, embora menos frequentes, podem levar a um colapso imediato do sistema. Alguns estudos, como o de Daizong Tian, tentaram modelar esses falhas usando análise do campo térmico, mas ainda não existe uma estrutura de diagnóstico sistemática e robusta. Essa deficiência representa uma área prioritária para pesquisas futuras, especialmente à medida que os motores são projetados para operar em densidades de potência e temperaturas cada vez mais altas.
A desmagnetização dos ímãs permanentes é outro defeito específico dos PMSMs e apresenta um desafio diferente. Causada por altas temperaturas, campos magnéticos reversos, vibrações mecânicas ou corrosão química, a desmagnetização pode ser parcial ou total. Sua maior insidência é que geralmente é um processo gradual, que pode passar despercebido por muito tempo até que a perda de desempenho do motor se torne evidente. Diferentemente de um curto-circuito, que pode causar uma falha imediata, a desmagnetização é um “assassino silencioso” que erosiona lentamente a capacidade do veículo.
O diagnóstico da desmagnetização baseia-se na detecção de harmônicos anômalos na corrente e na tensão do motor. A FFT continua sendo uma ferramenta básica, com pesquisadores analisando harmônicos na back-EMF, na tensão de sequência zero e na corrente do estator para inferir o grau de desmagnetização. A HHT também é aplicada para extrair componentes de frequência que variam com o tempo, associados ao enfraquecimento do fluxo magnético. Além disso, a análise da envoltória da densidade do campo magnético no entreferro, usando técnicas de wavelets, fornece um método eficaz para identificar padrões de desmagnetização, especialmente em motores lineares.
Métodos baseados em modelos oferecem uma perspectiva quantitativa. O filtro de Kalman, por exemplo, permite o monitoramento em tempo real do ripple de torque, que está diretamente correlacionado com a assimetria do fluxo causada pela desmagnetização. Métodos de mínimos quadrados foram usados para estimar o nível de desmagnetização analisando as variações no raio da back-EMF. A análise estrutural da indutância do motor, como proposto por Seungmok Moon, oferece um indicador indireto, mas confiável, das mudanças no enlace de fluxo.
O aprendizado de máquina está transformando também esse setor. Redes neurais treinadas com dados de simulação por elementos finitos podem classificar a gravidade da desmagnetização com base em perfis de corrente e temperatura. Modelos de aprendizado profundo, incluindo redes convolucionais, demonstraram alta precisão na distinção entre estados normais e desmagnetizados sob diversas condições de carga. A teoria dos sistemas cinzentos e as redes bayesianas dinâmicas foram integradas ao processamento de sinais para melhorar a robustez da detecção de falhas em ambientes ruidosos.
Uma das principais conclusões do documento é a crescente importância da desmagnetização local. Embora a desmagnetização total seja mais fácil de modelar, a desmagnetização parcial é muito mais comum e difícil de detectar. Uma perda de fluxo localizada cria campos magnéticos assimétricos, gerando assinaturas harmônicas complexas que podem se sobrepor às de outras falhas, como a excentricidade do rotor. Quando múltiplas falhas coexistem, como desmagnetização e excentricidade, o diagnóstico se torna extremamente complexo. Os autores enfatizam a necessidade de estratégias de fusão de múltiplos sinais que combinem dados elétricos, magnéticos e mecânicos para melhorar a discriminação de falhas.
Passando do diagnóstico para o controle, o artigo analisa duas estratégias principais de FTC: passivo e ativo. O controle passivo utiliza leis de controle fixas projetadas para serem inerentemente robustas a um conjunto predefinido de falhas. Não requer detecção de falhas em tempo real nem reconfiguração do sistema, tornando-o mais simples. Exemplos incluem controladores PI robustos e controladores por modos deslizantes (sliding mode) sintonizados para manter a estabilidade em caso de falhas conhecidas, como a perda de um motor.
No entanto, os métodos passivos têm uma adaptabilidade limitada. Eles não podem responder a falhas inesperadas ou em evolução e muitas vezes sacrificam o desempenho para garantir a estabilidade. Em contraste, o controle ativo reconfigura dinamicamente o sistema de controle com base nas informações de diagnóstico em tempo real. Esta abordagem utiliza as informações da falha para redistribuir o torque, realocar os objetivos de controle e manter a dinâmica do veículo dentro de limites seguros.
A arquitetura do FTC ativo é tipicamente hierárquica. A camada superior, ou camada de controle de movimento, determina a força longitudinal desejada e o momento de guinada com base nas entradas do condutor e no estado do veículo. Isso é alcançado por meio de modelos de referência, como o modelo de bicicleta de dois graus de liberdade (2DOF), que prevê a velocidade de guinada e o ângulo de deriva ideais. No entanto, sob alta aceleração lateral, a saturação dos pneus pode invalidar as suposições do modelo linear. Para lidar com isso, estratégias de controle avançadas incorporam a estimativa do coeficiente de atrito da estrada para modificar os valores de referência e prevenir a instabilidade.
O Controle Preditivo por Modelo (MPC) e o Controle por Modos Deslizantes (SMC) são as técnicas dominantes na camada de controle de movimento. O MPC utiliza um modelo dinâmico do veículo para prever estados futuros e otimizar as saídas de controle em um horizonte de tempo finito. Sua capacidade de lidar com restrições e otimizar múltiplos objetivos o torna ideal para aplicações FTC. O SMC, conhecido por sua robustez à incerteza dos parâmetros e perturbações externas, é eficaz para manter o desempenho de rastreamento apesar das falhas dos atuadores. No entanto, o “chattering” ou zumbido, um problema comum no SMC, deve ser mitigado por meio de técnicas de camada limite ou ganhos adaptativos.
A camada inferior, ou camada de alocação de torque, traduz as forças e momentos desejados em torques individuais para cada roda. Este é um problema de otimização com restrições, especialmente sob condições de falha. Métodos de pseudoinversa, comumente usados em sistemas sobre-acionados, calculam a distribuição de torque invertendo a matriz de eficácia de controle. No entanto, as soluções de pseudoinversa padrão não consideram os limites dos atuadores nem as assimetrias induzidas pela falha. Abordagens de pseudoinversa ponderada, que atribuem uma prioridade mais baixa a motores degradados, melhoram a viabilidade e a convergência.
A Programação Quadrática (QP) emergiu como uma alternativa mais flexível e poderosa. Ao formular a alocação de torque como um problema de minimização de custo com restrições de desigualdade—como limites de torque do motor, utilização do atrito dos pneus e exclusão de falhas—o QP garante soluções ótimas e fisicamente realizáveis. Algoritmos como o método do conjunto ativo e o método primal-dual de ponto interior oferecem convergência rápida, crítica para a implementação em tempo real. Integrar métricas de utilização dos pneus na função de custo ajuda a manter a estabilidade, impedindo que um pneu individual exceda seu limite de atrito, especialmente durante a curva.
Além do controle convencional, estão surgindo métodos de FTC inteligente. Isso inclui controle adaptativo, controle backstepping e estratégias de comutação de múltiplos modelos. O controle adaptativo ajusta os parâmetros do controlador em tempo real com base na estimativa da falha, compensando dinâmicas desconhecidas. O design backstepping, um método recursivo para sistemas não lineares, permite a construção sistemática de controladores estabilizadores mesmo sob falhas variáveis no tempo.
Sistemas FTC de múltiplos modelos mantêm uma série de controladores, cada um sintonizado para um modo de operação específico—normal, falha de um motor, falha de dois motores. Baseado na classificação da falha, o sistema combina as saídas dos controladores usando uma média ponderada, garantindo transições suaves entre modos. Abordagens de aprendizado por reforço e meta-aprendizado estão sendo exploradas, onde as políticas de controle são treinadas offline em cenários de falha e implantadas para adaptação em linha.
Estratégias híbridas que combinam elementos passivos e ativos são cada vez mais comuns. Por exemplo, um sistema pode usar um controlador por modos deslizantes robusto como base, enquanto incorpora a estimativa de falha para ajustar os ganhos de controle ou reconfigurar a distribuição de torque. Essa abordagem híbrida equilibra confiabilidade e adaptabilidade, fornecendo mecanismos de fallback quando o diagnóstico de falha é incerto.
Os autores identificam várias tendências e desafios emergentes. Primeiro, a natureza dinâmica das falhas—como a degradação progressiva das bobinas ou a desmagnetização evolutiva—exige sensores virtuais e monitoramento de saúde em tempo real. A detecção binária tradicional de falhas é insuficiente; é necessária uma estimativa contínua da gravidade da falha para permitir ajustes preditivos do controle.
Segundo, a integração do diagnóstico de falhas e do FTC em um quadro unificado ainda é fragmentada. Enquanto muitos estudos abordam o diagnóstico ou o controle de forma isolada, poucos oferecem soluções co-projetadas onde a confiança no diagnóstico informa diretamente a reconfiguração do controle. Os futuros sistemas podem empregar estimativas probabilísticas de falhas—usando redes bayesianas ou filtros de partículas—para quantificar a incerteza e modular a agressividade do controle em consequência.
Terceiro, a validação no mundo real ainda é um gargalo. A maioria dos estudos depende de simulações ou testes em banco sob condições controladas. Testes em tempo real com hardware no loop (HIL) e testes em nível de veículo sob diversos cenários de condução são essenciais para avaliar a robustez e a segurança. Os autores pedem protocolos padronizados de injeção de falhas e conjuntos de dados de referência para facilitar a avaliação comparativa.
Finalmente, a crescente complexidade dos DEVs—especialmente com a integração de funções de condução autônoma—exige arquiteturas de segurança holísticas. A tolerância a falhas deve ser considerada junto com a segurança funcional (ISO 26262), a cibersegurança e a interação homem-máquina. Uma falha em um subsistema não deve se propagar em uma falha do sistema, o que exige redundância em camadas e um design operacional em caso de falha.
Em conclusão, a pesquisa de Qiang Wang e sua equipe enfatiza que o diagnóstico de falhas e o controle tolerante a falhas não são mais características opcionais, mas componentes centrais da próxima geração de veículos elétricos. À medida que os sistemas de tração distribuída se tornam a norma, a capacidade de detectar, isolar e compensar falhas nos motores definirá a segurança, a confiabilidade e a confiança do usuário na mobilidade elétrica. O caminho a seguir passa pela integração do processamento avançado de sinais, da inteligência artificial e do controle adaptativo em sistemas coerentes e em tempo real capazes de manter a estabilidade do veículo sob todas as condições.
Qiang Wang, Kui Liang, Zhiyong Wang, Zeming Shang, Ze Ren, Ziliang Zhao, Song Liu, College of Transportation, Shandong University of Science and Technology; Journal of Chongqing University of Technology (Natural Science), DOI: 10.3969/j.issn.1674-8425(z).2024.05.001