Novo algoritmo permite monitoramento térmico em tempo real de módulos de potência para veículos elétricos
O avanço da mobilidade elétrica está impulsionando uma revolução não apenas na forma como nos deslocamos, mas também na inteligência com que os veículos gerenciam seus componentes mais críticos. Enquanto a indústria se concentra em aumentar a autonomia e a potência, um desafio subjacente e igualmente crucial é garantir a longevidade e a confiabilidade dos módulos de potência, o coração do sistema de tração. Esses dispositivos semicondutores, responsáveis por converter e controlar a energia entre a bateria e o motor, operam sob condições térmicas extremas. Cada aceleração, cada frenagem regenerativa, gera um pico de calor no chip, seguido por um rápido resfriamento. Esses ciclos térmicos repetidos são a principal causa de fadiga nos materiales de encapsulamento, levando ao surgimento de microfissuras e, eventualmente, à falha catastrófica do módulo. Até agora, a avaliação desse desgaste era um processo offline, realizado após a condução, o que atrasa qualquer intervenção preventiva. Um novo estudo, no entanto, está prestes a mudar esse paradigma.
Um time de pesquisadores liderado por Xiang Enyao, Lu Yiping, Luo Haoze e Yang Huan da Universidade de Zhejiang, em colaboração com Wang Haibing e Ruan Ou da Viridi E-Mobility Technology (Ningbo) Co., Ltd., desenvolveu um método inovador que permite a extração em tempo real do estresse térmico sofrido por esses módulos durante a própria condução. Publicado na renomada revista Proceedings of the CSEE, o trabalho apresenta um algoritmo sofisticado que supera as limitações dos métodos tradicionais, permitindo uma avaliação contínua e precisa da saúde do módulo de potência diretamente no veículo. Essa inovação representa um salto monumental na manutenção preditiva, prometendo veículos elétricos mais confiáveis, mais seguros e com uma vida útil significativamente maior.
O núcleo do problema reside na análise do perfil de temperatura do junção (Tj), a temperatura real do chip semicondutor. Para quantificar o dano por fadiga, os engenheiros utilizam um método consolidado chamado “contagem rainflow” (ou contagem por fluxo de chuva). Esse algoritmo transforma o perfil de temperatura irregular em uma série de ciclos de estresse completos e semiciclos, cada um com uma amplitude (diferença de temperatura) e uma temperatura média específicas. Esses dados são então inseridos em modelos de vida útil para prever o momento da falha. O problema é que o método rainflow padrão é offline: ele exige o histórico completo da temperatura para ser analisado em bloco, o que é impraticável para um monitoramento contínuo em um veículo, onde os recursos de computação e memória são limitados. A abordagem tradicional envolve gravar todos os dados e analisá-los posteriormente em um computador potente, um processo que não oferece nenhuma utilidade para a manutenção proativa.
O time de pesquisa abordou esse desafio com uma solução elegante e altamente eficiente, baseada em três pilares: um filtro adaptativo, um algoritmo de contagem otimizado e uma estratégia de armazenamento inteligente. O primeiro pilar é um filtro de janela de largura variável. Nem todas as flutuações de temperatura são igualmente prejudiciais. Pequenas oscilações ou ruídos de medição podem distorcer a contagem. O novo algoritmo resolve isso tornando o filtro “inteligente”. A sua sensibilidade, ou largura da janela, se adapta dinamicamente ao estado de saúde do módulo. Esse estado é monitorado através da resistência térmica entre o chip e o invólucro (Zth(j-c)), um parâmetro que aumenta à medida que microfissuras se formam na solda. Em uma fase inicial, quando o módulo é novo e robusto, o filtro é mais amplo, ignorando ciclos de estresse menores. Conforme o módulo envelhece e se torna mais suscetível, o filtro se estreita, tornando-se mais sensível a ciclos menores que agora representam uma ameaça crescente. Essa capacidade de adaptação não apenas melhora a precisão, mas também elimina o ruído, otimizando todo o processo.
O coração do sistema é um algoritmo de contagem rainflow melhorado, projetado especificamente para operar em tempo real. Ao contrário dos métodos tradicionais que precisam do histórico completo dos dados, este algoritmo se concentra exclusivamente nos pontos extremos (picos e vales) do perfil de temperatura. A cada novo ponto extremo identificado, o algoritmo examina os três pontos mais recentes armazenados. Com operações matemáticas simples, compara as amplitudes entre esses pontos. Se o ciclo mais recente for menor do que o anterior, um ciclo completo de estresse é fechado e imediatamente registrado. Esse método, baseado no princípio dos “três pontos e duplo intervalo”, é extremamente leve do ponto de vista computacional. Pode ser executado em microcontroladores padrão presentes nos sistemas de controle do veículo, sem sobrecarregar o sistema ou exigir hardware adicional. Testes de simulação demonstraram que este método em tempo real produz resultados idênticos ao padrão offline, capturando cada ciclo sem omissões, superando claramente outros algoritmos em tempo real existentes que apresentaram uma taxa de erro significativa.
O terceiro pilar é a gestão de dados. Armazenar cada ciclo individual com sua amplitude e temperatura média exatas geraria uma quantidade enorme de dados, impraticável para um sistema embarcado. A solução do time é a “normalização discreta”. Os ciclos de estresse são agrupados em categorias predefinidas. Por exemplo, em vez de armazenar um ciclo com uma amplitude de 21,81°C, ele é atribuído a uma categoria “20-25°C”. O mesmo vale para a temperatura média. Esse processo de agrupamento reduz drasticamente o tamanho dos dados, transformando um fluxo contínuo de informações em uma tabela compacta de contagens por categoria. Essa eficiência é fundamental para a “computação em borda” (edge computing), onde os dados são processados diretamente no veículo, e representa um passo crucial para um sistema de monitoramento de baixo custo e alta escalabilidade.
A eficácia do método vai além da teoria. O time conduziu um experimento prático em um veículo de passeio de produção, instalando seu algoritmo no microcontrolador do carro. Durante um percurso de teste de 26 quilômetros que incluía trânsito urbano, rodovia e estradas de montanha, o sistema processou em tempo real os dados de temperatura provenientes do sensor NTC (Coeficiente de Temperatura Negativa) integrado ao módulo de potência. Ao final do teste, os dados de dano cumulativo calculados em tempo real foram comparados com a análise offline do mesmo perfil de temperatura. O resultado foi impressionante: o erro era inferior a 1%. Essa precisão quase perfeita em condições de condução reais demonstra que o sistema é não apenas teoricamente sólido, mas também robusto e confiável no mundo real.
O experimento também forneceu insights valiosos sobre os diferentes estilos de condução. Subidas e descidas acentuadas mostraram picos agudos na acumulação de dano, diretamente correlacionados às rápidas mudanças de temperatura durante a aceleração e a frenagem regenerativa. A condução em rodovia, apesar das altas velocidades, gerou menos estresse térmico devido às condições operacionais mais estáveis. A condução urbana, com suas constantes arrancadas e paradas, causou uma acumulação constante de pequenos ciclos de estresse que, a longo prazo, podem ser igualmente prejudiciais. Esses dados fornecem aos fabricantes de automóveis um quadro sem precedentes do impacto real dos padrões de uso na durabilidade dos componentes.
Um aspecto crucial investigado foi o efeito do período de amostragem da temperatura na precisão do cálculo do dano. O time testou intervalos de amostragem de 20 milissegundos a 5 segundos. Descobriram que intervalos entre 20 ms e 500 ms tinham um impacto mínimo na precisão, com erros inferiores a 1%. Acima de um segundo, no entanto, o erro aumentava rapidamente, chegando a quase 60% em 5 segundos. A razão é simples: intervalos de amostragem muito longos podem perder picos de temperatura muito rápidos, típicos de manobras de aceleração, levando a uma contagem subestimada dos ciclos de estresse. A conclusão é clara: um período de amostragem de 500 ms representa o ponto ótimo de equilíbrio entre a precisão exigida e a capacidade de computação disponível, tornando-o ideal para uma avaliação de confiabilidade em tempo real.
As implicações desta pesquisa são vastas. Para os fabricantes de automóveis, esta tecnologia é a chave para a manutenção preditiva. Imagine um veículo que alerta o motorista ou o centro de serviço quando um módulo de potência está se aproximando do fim de sua vida útil, permitindo uma substituição programada antes que ocorra uma falha cara e potencialmente perigosa. Para frotas de veículos comerciais, a análise agregada dos dados de estresse poderia ser usada para otimizar os hábitos de condução e as rotas, maximizando a vida útil dos veículos e reduzindo os custos operacionais. Os dados também poderiam alimentar modelos de “gêmeo digital” para simulações de vida útil baseadas em cenários de uso real.
Uma grande vantagem deste sistema é sua compatibilidade com o hardware existente. Ele aproveita os sensores NTC já presentes na maioria dos módulos de potência, eliminando a necessidade de sensores adicionais caros. O seu baixo consumo computacional significa que pode ser executado em microcontroladores padrão, tornando-o uma solução altamente escalável, adequada tanto para veículos de luxo quanto para modelos de massa.
Este projeto é um exemplo perfeito de sinergia entre pesquisa acadêmica e aplicação industrial. A Universidade de Zhejiang forneceu a excelência científica em eletrônica de potência e algoritmos, enquanto a Viridi E-Mobility Technology trouxe a experiência prática na integração de sistemas em veículos reais. Essa colaboração garantiu que a inovação fosse não apenas cientificamente rigorosa, mas também tecnicamente viável e pronta para o mercado. O apoio de programas de pesquisa provinciais e municipais destaca a importância estratégica desta tecnologia para o posicionamento da China na liderança global da mobilidade elétrica.
Em resumo, o trabalho de Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing e Ruan Ou representa um salto qualitativo fundamental. Ao transformar uma análise de fadiga offline em um sistema de monitoramento em tempo real, eles dotaram o veículo elétrico de uma nova forma de autoconsciência. Este algoritmo não promete apenas veículos mais confiáveis e seguros, mas também contribui para a sustentabilidade ao prolongar a vida útil de componentes críticos. Com sua alta precisão, baixo custo e facilidade de integração, este método está destinado a se tornar um padrão da indústria, estabelecendo as bases para a próxima geração de veículos elétricos inteligentes, resilientes e mais eficientes.
Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing, Ruan Ou, Universidade de Zhejiang e Viridi E-Mobility Technology (Ningbo) Co., Ltd., Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231914