Los equipos de ingeniería que desarrollan vehículos electrificados (EV), como vehículos eléctricos híbridos (HEV), vehículos eléctricos híbridos enchufables (PHEV) y vehículos eléctricos de batería (BEV), utilizan IA para crear modelos que estiman magnitudes que los sensores no pueden medir directamente, optimizar estrategias de control y acelerar simulaciones. Estas técnicas se integran directamente en flujos de trabajo de diseño basado en modelos y complementan los modelos basados en la física, algoritmos de control y procesos de verificación que ya utilizan los equipos de trabajo.
Los equipos pueden entrenar estos modelos de IA directamente en MATLAB® y Simulink®, o bien importar modelos entrenados en marcos de código abierto como PyTorch, y luego someterlos a simulación y verificación antes de su despliegue.
Esta transición ya está en marcha en programas de vehículos de producción. Hyundai, Cummins, Subaru, Schaeffler, Yanmar, Mercedes-Benz y otras empresas de automoción han incorporado IA a sus flujos de trabajo de desarrollo de EV. Los casos prácticos de este white paper, basados en el trabajo que realizan los equipos de ingeniería de estas empresas, demuestran que la ingeniería de automoción basada en IA no es una posibilidad futura, sino una realidad. Las organizaciones que aplican exclusivamente métodos tradicionales pueden tener dificultades para seguir el ritmo de ciclos de desarrollo de vehículos cada vez más cortos.
Enfoques basados en IA para modelado de planta, diseño de control, despliegue y verificación en el contexto del diseño basado en modelos.
La IA se puede integrar en distintas etapas de los flujos de trabajo de desarrollo de vehículos electrificados:
- Modelado de planta: La identificación de sistemas crea modelos dinámicos directamente a partir de datos medidos, mientras que el modelado de orden reducido (ROM) sustituye modelos de componentes con una alta carga computacional, incluyendo cosimulaciones lentas con herramientas de terceros, por sustitutos rápidos y precisos. En conjunto, estos enfoques permiten realizar simulaciones eficientes y ejecutar en tiempo real tareas de desarrollo de controles, optimización, estudios comparativos y pruebas de hardware-in-the-loop (HIL).
- Diseño de control: Los sensores virtuales estiman magnitudes que el controlador necesita a partir de señales ya disponibles en el bus del vehículo. Reinforcement Learning, control predictivo basado en modelos y otros métodos de control avanzados ayudan a optimizar estrategias de control y calibración.
- Despliegue y verificación: El despliegue de modelos de IA en ECU de automoción y la verificación de su comportamiento en sistemas críticos en materia de seguridad requieren un flujo de trabajo que va más allá del entrenamiento: compresión, generación de código, pruebas de solidez y supervisión en tiempo de ejecución.
Una vez que el vehículo entra en servicio, la detección de anomalías basada en IA identifica degradación de batería y hardware antes de que se produzcan fallos. Los datos operativos se convierten en una alerta temprana sobre fallos y una estimación de la vida útil restante.
Las secciones siguientes muestran cómo las técnicas de IA abordan estos desafíos de ingeniería en todo el flujo de trabajo de desarrollo de EV.
Aplicaciones de IA para abordar desafíos de ingeniería en todo el flujo de trabajo de desarrollo de EV.
La IA generativa e IA agente también comienzan a influir en los flujos de trabajo de ingeniería, desde la generación rápida de artefactos hasta la ejecución de tareas a partir de objetivos definidos por el personal de ingeniería. Este white paper no trata estos casos prácticos. En su lugar, se centra en el uso de modelos de IA que los equipos de ingeniería crean y verifican dentro del diseño basado en modelos, y que después despliegan en hardware de producción.
Obtenga una visión general de las prestaciones de IA generativa e IA agente en MATLAB y Simulink.
Los modelos físicos de alta fidelidad creados para diseñar componentes, incluidos los de herramientas de terceros, suelen cosimularse con Simulink porque proporcionan el comportamiento detallado de los componentes necesario para evaluar controles, opciones de arquitectura e interacciones en nivel de sistema. Estos modelos de componentes pueden tener una carga computacional demasiado alta para las iteraciones rápidas necesarias en simulación en nivel de sistema y optimización de diseño de control, y es posible que no puedan ejecutarse en tiempo real para pruebas de HIL o estimación online. Estos modelos cumplen eficazmente su finalidad de diseño original, pero no se adaptan al flujo de trabajo de ingeniería más amplio.
El modelado de planta basado en IA aborda este desafío mediante dos enfoques relacionados: identificación de sistemas y modelado de orden reducido. La identificación de sistemas utiliza datos medidos en laboratorio, dinamómetro o campo para crear modelos dinámicos cuando se dispone de un componente físico pero no existe un modelo de simulación adecuado. Por ejemplo, un equipo de ingeniería puede recibir un componente de un proveedor y necesitar crear un modelo para simulación en nivel de sistema o diseño de control. El modelado de orden reducido utiliza datos de un modelo de alta fidelidad para entrenar un sustituto más rápido que conserva el comportamiento de E/S que necesita el sistema circundante.
MATLAB y Simulink permiten utilizar ambos flujos de trabajo. Los equipos de ingeniería pueden utilizar técnicas de identificación de sistemas, incluyendo modelos ARX no lineales y modelos neuronales en espacio de estados, para crear modelos dinámicos basados en IA a partir de datos medidos. También pueden utilizar estudios de diseño de experimentos (DOE) en modelos de alta fidelidad para generar datos de entrenamiento para modelos de orden reducido, incluyendo tablas de búsqueda y sustitutos basados en IA creados con técnicas de Deep Learning o Machine Learning.
Enfoques basados y no basados en IA para crear ROM en MATLAB y Simulink.
Hyundai America Technical Center (HATCI) necesitaba un entorno de simulación para desarrollar el control térmico del Ioniq 5 AWD que pudiera ejecutarse más rápido que en tiempo real con un solver de paso fijo. El modelo de referencia GT-SUITE existente era demasiado lento para diseño de control iterativo y no se podía desplegar en otros entornos de simulación.
El equipo reconstruyó el vehículo completo en MATLAB y Simulink: un modelo de sistema de propulsión basado en mapas en Simulink y un modelo del sistema térmico completo en Simscape® que abarcaba los circuitos de refrigeración de batería y electrónica de potencia, además del circuito del líquido refrigerante. Validaron el modelo con ciclos de dinamómetro estándar y datos obtenidos en carretera con un Ioniq 5 instrumentado, confirmando el consumo energético dentro de un margen del 1,3 % respecto de los valores medidos.
Los transitorios de conmutación del compresor y la dinámica de la válvula de expansión del circuito de refrigeración generaban un comportamiento numérico rígido que provocaba que la simulación fallara cuando se utilizaba un solver de paso fijo. Para solucionarlo, el equipo sustituyó todo el circuito del líquido refrigerante por un modelo neuronal en espacio de estados entrenado en la app Reduced Order Modeler. El ROM recibe temperaturas del sistema, posiciones de las válvulas y velocidades de las bombas como entradas, y predice la temperatura del líquido refrigerante en el condensador de agua, el punto de interacción entre el circuito del líquido refrigerante y el resto del sistema de refrigeración. Los datos de entrenamiento procedían de 35 sesiones de conducción en carretera con temperaturas ambiente entre -20 °C y 35 °C. El entrenamiento se completó en menos de una hora.
Arquitectura de modelo térmico que muestra los circuitos de refrigeración de batería y electrónica de potencia conservados en Simscape, con el circuito del líquido refrigerante sustituido por el ROM basado en datos que proporciona la temperatura del condensador de agua. (Imagen cortesía de Hyundai America Technical Center, Inc.)
Con el ROM incorporado, el modelo del Ioniq 5 se ejecuta hasta cinco veces más rápido que en tiempo real con un solver de paso fijo de 0,1 segundos. La validación con datos de prueba tanto en modo A/A (30 grados Celsius) como en modo calefacción (-5 grados Celsius) confirmó la precisión en todo el rango de funcionamiento.
Comparación de temperaturas simuladas y medidas de componentes térmicos clave, a saber, motores, batería, circuitos de aceite, refrigeración de electrónica de potencia y líquido refrigerante, en modo A/A con una temperatura ambiente de 30 grados Celsius. (Imagen cortesía de Hyundai America Technical Center, Inc.)
Cummins necesitaba predecir 26 parámetros de respuesta del motor, como caudal, temperatura, presión, par motor y emisiones de NOx, durante la simulación de ciclos del motor. Las simulaciones de 3D a 1D existentes con herramientas de terceros tardaban más de 20 veces el tiempo real, demasiado lentas para desarrollo y calibración iterativos.
El equipo de Cummins India evaluó dos enfoques con Deep Learning Toolbox™. Una red neuronal prealimentada estándar (seis capas ocultas, cinco neuronas por capa) se ejecutaba 1500 veces más rápido que en tiempo real, pero ofrecía una precisión inaceptable en las predicciones de temperatura, con valores de R cuadrado de tan solo 0,85. Una arquitectura mejorada de memoria a corto-largo plazo (LSTM) con capas de abandono logró valores de R cuadrado superiores a 0,95 para las 26 respuestas mientras seguía ejecutándose 800 veces más rápido que en tiempo real.
“Utilizar MATLAB ofrece muchas ventajas. Requiere poca o ninguna experiencia en programación, por lo que principiantes también pueden desarrollar estos modelos”.
Gráfico de barras que compara valores de R cuadrado de seis parámetros de respuesta del motor (gases de escape, velocidad del turbo, temperatura de gases de escape, presión de cilindro máxima, par de frenado y NOx emitido directamente del motor) para el modelo LSTM, todos superiores a 0,95. (Imagen cortesía de Cummins)
Los modelos entrenados permiten aplicaciones en todo el flujo de trabajo de desarrollo del motor: modelado de emisiones en conducción real, detección de picado de combustión, transición entre modos de combustión en motores multimodo y calibración del motor. Cummins utilizó Statistics and Machine Learning Toolbox™ junto con Deep Learning Toolbox, y Parallel Computing Toolbox™ y MATLAB Parallel Server™ aceleraron el proceso de entrenamiento.
Subaru utilizó Deep Learning Toolbox para crear un modelo sustituto neuronal basado en ecuaciones diferenciales ordinarias (EDO) que reproduce formas de onda de presión hidráulica para análisis de control de transmisiones automáticas. El sustituto recibe presión de fuente, temperatura del aceite y corriente como entradas, y sustituye una simulación física en 1D de terceros con alta carga computacional.
El modelo neuronal basado en EDO redujo el tiempo de cálculo en un 99% al tiempo que mantenía la precisión de las formas de onda, incluso en rangos de temperatura del aceite en los que el modelo no estaba entrenado, lo que demuestra generalización más allá de los datos de entrenamiento originales.
Aspectos clave
- Sustituya modelos físicos de alta fidelidad lentos por modelos sustitutos rápidos, creados con tablas de búsqueda basadas en DOE o con arquitecturas de IA como LSTM y espacio de estados neuronal; cuando no exista un modelo de componente, identifique un modelo dinámico directamente a partir de datos medidos.
- Integre estos sustitutos en Simscape y Simulink para simulación en nivel de sistema y pruebas de HIL en tiempo real, y compártalos entre equipos de trabajo sin exponer la propiedad intelectual del modelo original.
No siempre es posible colocar sensores físicos donde más se necesitan las mediciones. Los puntos calientes de los devanados de motores eléctricos se encuentran en el interior de paquetes laminados. No resulta práctico instrumentar cada ubicación para medir la temperatura de las celdas individuales de un sistema de baterías de gran tamaño. La composición de los gases de escape varía a lo largo del sistema de postratamiento. Los sensores virtuales basados en IA utilizan modelos entrenados para estimar estas magnitudes a partir de señales ya disponibles en el bus del vehículo, como velocidad del motor, comandos de par motor, temperaturas del líquido de refrigeración y condiciones ambientales, y complementan la instrumentación física con mediciones calculadas que aportan observabilidad y redundancia sin agregar hardware.
El espacio de diseño de sensores virtuales basados en IA abarca desde modelos de Machine Learning ligeros, como árboles de decisión y máquinas de vectores de soporte, hasta arquitecturas de Deep Learning, como LSTM y redes totalmente conectadas, además de redes neuronales basadas en la física (PINN) que incorporan conocimiento del dominio. Los sensores virtuales también pueden crearse con métodos consolidados basados en observadores, como filtros de Kalman, observadores de modo deslizante y observadores de estado extendido. En la práctica, los sensores virtuales basados en IA deben evaluarse respecto a estos enfoques convencionales, ya que la mejor opción puede variar a lo largo de la envolvente operativa. También se pueden utilizar diseños híbridos: por ejemplo, un modelo de IA, como un modelo neuronal en espacio de estados, puede actuar como modelo de predicción dentro de un filtro de Kalman extendido o unscented.
Los modelos informados por la física restringen la IA para que se comporte de forma coherente con las ecuaciones fundamentales conocidas, lo que mejora la robustez e interpretabilidad, aunque requieren un esfuerzo inicial para definir la física implicada. Los modelos puramente basados en datos requieren menos configuración específica del dominio, pero ofrecen menos información sobre el motivo de una predicción y menos solidez frente a condiciones de funcionamiento válidas fuera de los datos de entrenamiento.
Schaeffler desarrolló un sensor virtual para un prototipo de motor eléctrico con un novedoso sistema de refrigeración directa del devanado, donde conocer con precisión la temperatura de múltiples ubicaciones internas es fundamental para evitar la desmagnetización de los imanes permanentes. En lugar de instrumentar cada punto caliente térmico con un sensor físico, el equipo creó una red neuronal térmica (TNN), que es un enfoque de IA basada en la física que emplea redes térmicas con parámetros concentrados.
La TNN incorpora un principio básico de ingeniería: la temperatura de cualquier nodo cambia debido a la pérdida de potencia local (calor generado) y el calor fluye de manera proporcional a la diferencia de temperatura entre nodos. Las redes neuronales estiman las pérdidas de potencia y la conductancia térmica en cada paso de tiempo. Estas estimaciones alimentan la ecuación de actualización basada en la física que hace evolucionar el estado de temperatura. El resultado es un modelo híbrido: las redes neuronales se encargan de estimar parámetros no lineales, mientras que la ecuación de actualización impone un comportamiento coherente con la termodinámica.
Motor eléctrico DISC-O de Schaeffler con ejemplos de puntos de medición donde se integraron sensores de temperatura PT100 en el prototipo para recopilar datos de entrenamiento (izquierda), y un ejemplo de ecuación de actualización que utiliza pérdidas de potencia estimadas, P, y conductancia, C, mediante redes neuronales que alimentan la actualización del estado de temperatura basada en la física (derecha). (Imagen cortesía de Schaeffler)
Schaeffler entrenó la TNN con 300 horas de datos de ciclos de conducción registrados por 12 sensores de temperatura del prototipo, empleando Deep Learning Toolbox con una definición de red personalizada. El entrenamiento se completó en aproximadamente una hora y media. El modelo entrenado predice temperaturas en las 12 ubicaciones de los sensores con una precisión que cumple holgadamente el requisito de +/-5 grados Celsius. La TNN superó a los enfoques de LSTM pura y perceptrón multicapa con los mismos datos.
Además de precisión, la TNN ofrece tres ventajas prácticas para el despliegue en producción:
- Explicabilidad: Los equipos de ingeniería pueden examinar las pérdidas de potencia y la conductancia aprendidas a lo largo del tiempo, y verificar que los patrones de flujo de calor y las fuentes de generación de este coinciden con la intuición física.
- Inicialización sólida: Incluso cuando se inicializa con una desviación de 20 grados Celsius respecto a la temperatura real, el modelo se recupera en aproximadamente 300 segundos, algo fundamental durante el arranque del vehículo cuando se desconocen las condiciones iniciales.
- Frecuencia de inferencia variable: Un modelo entrenado con muestreo de un segundo funciona con precisión a intervalos de 5 o 10 segundos, por lo que se adapta a distintas restricciones de planificación de la ECU sin necesidad de volver a entrenarlo.
Resultados de temperatura que muestran la solidez de la TNN frente a errores de inicialización (izquierda) y a diferentes tiempos de muestreo (derecha). (Imagen cortesía de Schaeffler)
Renault desarrolló un sensor virtual basado en LSTM para estimar NOx emitido directamente del motor en condiciones de funcionamiento que incluyen ciclos de conducción WLTC, NEDC y RDE. Los enfoques existentes basados en tablas de búsqueda solo alcanzaban una precisión del 60-70%. Un modelo de combustión basado en la física podía mejorar la precisión, pero era demasiado complejo para ejecutarse en tiempo real en la ECU.
La arquitectura final, a saber, una capa de LSTM, tres capas de ReLU, tres capas totalmente conectadas y una salida de regresión, recibe par motor, velocidad, temperatura del líquido de refrigeración y número de marcha como entradas. El equipo de trabajo equilibró iterativamente la profundidad de la red con las restricciones de memoria de la ECU sirviéndose de Deep Learning Toolbox hasta obtener un diseño que predice NOx con una precisión del 85-90%.
Renault generó código C a partir de la red entrenada como pueba de concepto para su despliegue en ECU empleando MATLAB Coder™ y Simulink Coder™.
“La LSTM fue mucho más fácil de crear que un modelo de combustión. Aunque no somos especialistas en Deep Learning, con MATLAB y Deep Learning Toolbox pudimos crear y entrenar una red que predice las emisiones de NOx con una precisión de casi el 90%”.
Aspectos clave
- Estime magnitudes que no se pueden medir directamente a partir de señales ya disponibles en el bus del vehículo; utilice redes basadas en la física cuando esta se conozca bien, o arquitecturas basadas en datos cuando no sea así, y compare ambas con métodos basados en observadores, como filtros de Kalman, y enfoques híbridos.
- Valide el sensor virtual con mediciones físicas en toda la envolvente operativa antes de desplegarlo.
El control predictivo basado en modelos (MPC) y otros métodos de control avanzado permiten abordar problemas de control de EV donde las restricciones y condiciones de funcionamiento varían considerablemente y las restricciones son importantes. MPC resulta adecuado para control de múltiples entradas y múltiples salidas (MIMO) con restricciones, incluyendo gestión térmica de baterías, coordinación entre bomba de calor y circuito de refrigeración, frenado regenerativo y combinación de par motor, y gestión energética de supervisión. En flujos de trabajo basados en IA, se puede utilizar un modelo de predicción aprendido dentro de un controlador MPC. MATLAB y Simulink también permiten implementar otros métodos adaptativos y basados en aprendizaje que resultan adecuados para flujos de trabajo específicos de desarrollo de EV.
| Ajuste por retroalimentación de referencia virtual (VRFT) | Control adaptativo por modelo de referencia (MRAC) | Control activo de anulación de perturbaciones (ADRC) | Control de aprendizaje iterativo (ILC) | |
|---|---|---|---|---|
| Definición | Ajuste directo de controladores PI o PID fijos a partir de datos de E/S | Adaptación online para igualar una respuesta deseada a medida que cambia el comportamiento de una planta | Estimaciones de control y capacidad para compensar cambios de carga desconocidos | Aprendizaje a partir de repetición de ejecuciones para mejorar el rendimiento de seguimiento |
| Ventaja | Recalibre rápidamente a partir de datos medidos en lugar de volver a crear un modelo de planta | Mantenga el rendimiento de control ante condiciones operativas cambiantes | Mejore la solidez cuando resulte difícil predecir las perturbaciones | Mejore la precisión del control en pruebas o perfiles de funcionamiento repetidos |
| Casos prácticos |
|
|
|
|
El resto de esta sección se centra en Reinforcement Learning (RL). RL resulta especialmente útil cuando los problemas de control incluyen tantos parámetros acoplados que no es posible derivar una estrategia óptima manualmente. La gestión energética en sistemas de propulsión híbridos y eléctricos a batería debe equilibrar estado de carga de la batería, consumo energético y facilidad de conducción ante perfiles de conducción impredecibles. La calibración del postratamiento de emisiones requiere ajustar 20 o más mapas de dosificación interdependientes para reducir simultáneamente NOx, deslizamiento de amoníaco y coste del reactivo. Se trata de problemas de optimización multiobjetivo en los que las interacciones entre parámetros dificultan obtener estrategias de control eficaces o calibraciones óptimas mediante métodos manuales.
RL entrena un agente de control permitiendo que interactúe con un entorno de simulación, recibir recompensas por el comportamiento deseado y mejorar iterativamente su política. Cuando ese entorno es un modelo de planta de Simulink, los equipos de ingeniería pueden entrenar agentes de RL con dinámicas de sistema validadas sin riesgos para el hardware, y luego evaluar la política aprendida con simulación en escritorio y pruebas de software-in-the-loop antes de su despliegue en un controlador objetivo. Reinforcement Learning Toolbox™ ofrece algoritmos basados en valores, como red Q profunda (DQN), métodos basados en políticas, como optimización proximal de políticas (PPO), y algoritmos de actor-crítico, como gradiente de política determinística profunda (DDPG) y actor-crítico suave (SAC), con integración directa en Simulink para entrenamiento con modelos de planta.
Dado que los agentes de RL se entrenan con un modelo de la planta y no con el sistema físico, la política entrenada debe ser sólida frente a diferencias entre dinámicas simuladas y del mundo real. Técnicas como la aleatorización de dominio, que varía parámetros de la planta entre episodios de entrenamiento, ayudan a generar políticas que generalizan ante incertidumbre de modelado y variabilidad del mundo real. Una vez validadas, las políticas entrenadas se pueden desplegar como código C/C++ generado en plataformas objetivo integradas utilizando Embedded Coder®.
Yanmar America necesitaba cumplir la normativa de emisiones CARB Tier 5, que exige una reducción del 90% de NOx con respecto a niveles anteriores. La calibración del sistema de postratamiento de reducción catalítica selectiva (SCR) implica más de 20 mapas interdependientes, que influyen en eficiencia de conversión de NOx, deslizamiento de amoníaco y consumo de reactivo. La calibración manual de este sistema requería más de 240 horas de ingeniería y no existía un método sistemático para determinar si el resultado era óptimo.
En colaboración con MathWorks Consulting Services, Yanmar entrenó un agente de red Q profunda con un modelo de Simulink acoplado a software de simulación de catalizadores de terceros. El agente aprendió a optimizar perfiles de dosificación de urea en toda la envolvente operativa maximizando una función de recompensa que penalizaba las emisiones de NOx y el deslizamiento de amoníaco, a la vez que reducía el uso de reactivo. Cada ejecución del entrenamiento se completó en aproximadamente 30 minutos.
Scope de Simulink que muestra la cantidad de emisiones de NOx mientras se simula con el valor predeterminado del sistema de Yanmar (línea amarilla) frente al modelo de Deep RL desarrollado en este proyecto (línea azul). (Imagen cortesía de Yanmar América)
El agente de RL logró reducir las emisiones de NOx en un 60% respecto a la calibración de referencia. Además, encontró estrategias de dosificación que el equipo de ingeniería no había identificado mediante métodos manuales. El tiempo total de calibración se redujo a la mitad, las horas totales del proyecto disminuyeron un 30% y los costes fueron un 41% inferiores a los del proceso de calibración manual. El proyecto se completó en seis meses.
“Después de que ejecutásemos la simulación, que dura alrededor de 30 minutos, el agente ofreció un perfil de dosificación óptimo, que supuso una mejora del 60% en las reducciones de emisiones de NOx”.
Vitesco Technologies, que ahora forma parte de Schaeffler, aplicó Reinforcement Learning para desarrollar una estrategia de control de un sistema de postratamiento de gases de escape. Después de crear un modelo detallado de la planta en Simulink, formado por el motor y el sistema de gases de escape, el equipo de trabajo utilizó Reinforcement Learning Toolbox para prototipar y optimizar agentes de RL que toman decisiones de control en tiempo real en función del estado actual del sistema.
“Reinforcement Learning Toolbox redujo considerablemente el plazo de desarrollo. Nos ayudó a realizar prototipado y generar agentes de Reinforcement Learning con rapidez”.
Aspectos clave
- Aplique métodos de control avanzado cuando el problema de control esté dominado por restricciones, escenarios repetidos o condiciones de funcionamiento cambiantes, y Reinforcement Learning cuando los parámetros acoplados hagan poco práctico derivar analíticamente una estrategia óptima, como en calibración de emisiones o gestión energética.
- Entrene agentes de RL con un modelo de planta de Simulink validado, y luego evalúe la política aprendida con simulación en escritorio y de software-in-the-loop antes de llevarla a hardware.
Los vehículos eléctricos generan grandes volúmenes de datos de funcionamiento de baterías, motores, inversores y sistemas térmicos. Cada uno de estos subsistemas se degrada con el tiempo: las celdas de batería pierden capacidad o desarrollan condiciones que provocan degradación de la batería o embalamiento térmico, los rodamientos de motores se desgastan y la electrónica de potencia experimenta fatiga térmica. Los patrones de degradación suelen poder detectarse en los datos de sensores mucho antes de que un componente falle. La detección de anomalías basada en IA identifica desviaciones respecto al comportamiento esperado que ningún sensor detectaría de forma aislada, a menudo como patrones multivariantes entre señales correlacionadas, como tensión y corriente de celdas junto con temperatura. La estimación de vida útil restante (RUL) predice cuándo será necesario realizar mantenimiento, lo que permite planificarlo en función del estado en lugar de realizar intervenciones a intervalos fijos.
Estas prestaciones se pueden desplegar en distintos puntos de la cadena de tareas de datos. Los modelos basados en edge se ejecutan directamente en sistemas a bordo del vehículo y procesan datos de sensores localmente para detectar fallos en tiempo real. Los modelos basados en la nube agregan datos de flotas para realizar análisis más profundos, detectar tendencias y volver a entrenar modelos. Algunos sistemas combinan ambos enfoques: los modelos edge detectan anomalías y extraen características de a bordo, y luego transmiten datos de características comprimidos a la nube para análisis en nivel de flota y estimación de RUL. Los modelos alojados en la nube también pueden adaptarse incrementalmente a medida que la flota se deteriora, para actualizar la definición de “normal” conforme los sistemas se degradan progresivamente durante su vida útil.
La mayoría de los modelos de detección de anomalías se entrenan solo con datos de funcionamiento normal; es decir, que aprenden cómo es un comportamiento correcto e identifican desviaciones sin necesidad de ejemplos etiquetados de todos los posibles modos de fallo. Este enfoque no supervisado evita una dificultad persistente: los vehículos se diseñan para no fallar, por lo que los conjuntos de datos de fallos del mundo real son pequeños y están desequilibrados. Cuando se necesitan datos de fallos etiquetados para estimación de RUL o clasificación de fallos, gemelos digitales creados en Simscape pueden simular escenarios de degradación y condiciones de fallo, y generar datos de entrenamiento sintéticos que complementan las limitadas observaciones del mundo real.
Tata Consultancy Services (TCS) desarrolló una arquitectura de Machine Learning distribuida para mantenimiento predictivo de vehículos y desplegó modelos de IA en sistemas edge a bordo y en infraestructura de nube de Microsoft Azure. El sistema procesa datos de múltiples subsistemas de propulsión, y detecta anomalías, clasifica tipos de fallos y extrae características de diagnóstico de datos de series temporales de sensores.
El equipo de trabajo de TCS utilizó la app Diagnostic Feature Designer de Predictive Maintenance Toolbox™ para extraer y clasificar características de señales de sensores sin procesar, y luego entrenó modelos de clasificación y regresión con Statistics and Machine Learning Toolbox. Los modelos desplegados en edge realizan una detección inicial de anomalías en el vehículo, lo que reduce el volumen de datos transmitidos a la nube. Los modelos alojados en la nube se encargan de la agregación en nivel de flota y de análisis con más alta carga computacional.
MATLAB integra de manera fluida toda la cadena de tareas de Machine Learning: desde sistemas a bordo hasta en la nube.
Diagrama que muestra el flujo de trabajo de TCS para crear modelos y algoritmos a partir de datos archivados empleando MATLAB y Simulink hasta el despliegue de estos algoritmos en sistemas edge y en modelos alojados en la nube con Docker. (Imagen cortesía de Tata Consultancy Services)
Esta arquitectura reduce los costes de cálculo en la nube procesando datos localmente cuando es posible, al tiempo que mantiene la capacidad de realizar reconocimiento de patrones en toda la flota en la nube. TCS desplegó los componentes de la nube sirviéndose de MATLAB Production Server™ en Azure, con interfaces web creadas con MATLAB Web App Server™.
HL Mando desarrolló un sistema “Smart Lab” que combina bancos de pruebas conectados y supervisión de IoT con mantenimiento predictivo basado en IA para equipos de prueba de componentes de vehículos autónomos, como sistemas de dirección y frenado X-by-wire. Recopilar datos sobre vida útil y degradación de vehículos reales llevaría años, por lo que el equipo de trabajo implementó pruebas de vida útil aceleradas en bancos de pruebas internos personalizados, sometiendo los componentes a carga y descarga en ciclos de trabajo controlados correlacionados con el kilometraje real.
Gemelos digitales de Simscape de los componentes de los bancos de pruebas permitieron desarrollar algoritmos de control y proporcionaron una ruta de datos virtuales paralela para simulación y ajuste junto con datos de prueba reales. Ordenadores edge extraen características de datos de los bancos de pruebas en tiempo real y entrenan modelos de IA, mientras una plataforma web creada con MATLAB Production Server muestra supervisión de condiciones y estimaciones de RUL en tiempo real. El equipo de trabajo aplicó análisis basado en IA para modelos de similitud y degradación, y métodos de física de fallos (regla de Miner) para modelos de supervivencia cuando se disponía de conocimiento de ingeniería sobre mecanismos de fatiga.
Flujo de trabajo de HL Mando para desarrollar estimación de RUL basada en IA con Predictive Maintenance Toolbox. (Imagen cortesía de HL Mando)
Aspectos clave
- Ejecute detección de anomalías en edge para detectar fallos en tiempo real, y en la nube para realizar análisis en nivel de flota y estimar la vida útil restante, utilizando la app Diagnostic Feature Designer para extraer automáticamente características de datos de sensores sin procesar.
- Cuando los datos reales sobre fallos son escasos, complételos con datos sintéticos generados a partir de modelos físicos de Simscape. Después, escale los modelos resultantes para su uso en producción mediante MATLAB Production Server y MATLAB Web App Server.
Entrenar una red neuronal que funciona bien en una estación de trabajo no garantiza que se ejecutará en hardware embebido de automoción ni que se comportará correctamente en todas las condiciones de funcionamiento. El paso de red entrenada a despliegue embebido requiere compresión, verificación y generación de código, aplicando verificación iterativamente en cada etapa.
El flujo de trabajo de despliegue embebido comienza con la compresión del modelo de IA empleando técnicas como cuantización, proyección y poda, lo que reduce el consumo de memoria y aumenta el rendimiento de la inferencia. A continuación, se simula el algoritmo de IA comprimido dentro de un modelo de sistema de Simulink y se prueba la integración con los componentes circundantes antes de la aplicación en hardware.
Después, se genera código C/C++ optimizado para el hardware objetivo. A lo largo de todo este proceso, la verificación confirma que la compresión y cuantización no han degradado el comportamiento del modelo más allá de límites aceptables. Deep Learning Toolbox, Fixed-Point Designer™ y Embedded Coder permiten utilizar este flujo de trabajo en MATLAB y Simulink.
Muchos equipos de trabajo de automoción también parten de modelos entrenados en marcos de código abierto como PyTorch. Estos modelos se pueden importar en MATLAB y Deep Learning Toolbox para compresión, integración en Simulink, verificación y despliegue. Para modelos más grandes o con capas no estándar que no resulta práctico importar, los flujos de trabajo de generación de código pueden ofrecer otra ruta desde modelos entrenados en PyTorch hasta código C/C++ desplegable.
A medida que los modelos de IA se incorporan a sistemas de automoción críticos en materia de seguridad, como gestión de baterías y control de motores, la verificación debe ir más allá de la precisión con datos de prueba. No está garantizado que una red neuronal se comporte correctamente ante entradas adversarias, condiciones de funcionamiento fuera de distribución o casos límite no representados en el conjunto de entrenamiento. Estándares de automoción como ISO/PAS 8800 ayudan a los equipos de ingeniería a formular argumentos de aseguramiento de la seguridad que abordan estos riesgos.
El proceso de desarrollo en forma de W adapta el modelo en V tradicional a componentes de IA incorporando actividades de verificación específicas de Machine Learning. Actividades como pruebas de solidez ante perturbaciones de entrada, detección fuera de distribución, verificación de propiedades de la red y análisis de explicabilidad pueden verificar que el comportamiento del modelo se ajusta a la intención de ingeniería. Este proceso se aplica en cada etapa del ciclo de IA, desde el entrenamiento inicial del modelo hasta su compresión, generación de código y despliegue.
AI Verification Library for Deep Learning Toolbox permite utilizar este flujo de trabajo con prestaciones para:
- Verificación de solidez: Pruebe la sensibilidad del modelo de IA ante perturbaciones de entrada y ejemplos antagónicos. Estime límites de resultados para confirmar que cambios pequeños en las entradas no producen errores de predicción grandes e inesperados.
- Supervisión en tiempo de ejecución: Cree discriminadores de distribución que detectan cuándo los modelos desplegados reciben entradas fuera de su distribución de entrenamiento, lo que permite al sistema identificar predicciones inciertas o recurrir a algoritmos convencionales.
- Explicabilidad: Visualice qué entradas determinan las predicciones del modelo utilizando técnicas como Grad-CAM y D-RISE.
- Deep Learning con restricciones: Integre restricciones específicas del dominio en el entrenamiento de redes para imponer límites físicos o de seguridad por diseño, en lugar de depender únicamente de verificación posterior al entrenamiento.
Mercedes-Benz Research & Development India (MBRDI) desarrolló un sensor virtual a bordo para estimar el caudal másico de aire del interior del vehículo en tiempo real para lograr confort térmico, regulación de humedad y control de calidad del aire. Un enfoque anterior basado en la nube introducía latencia, costes por ancho de banda y problemas de privacidad. El equipo de trabajo necesitaba que el modelo de IA se ejecutara directamente en la ECU del vehículo.
La red entrenada original era demasiado grande para el hardware objetivo. MBRDI aplicó proyección de redes neuronales, una técnica de compresión que identifica y elimina neuronas redundantes al tiempo que mantiene la precisión de la predicción de la red. Después de la compresión, el equipo aplicó cuantización de 8 bits utilizando Fixed-Point Designer, y convirtió los pesos y activaciones restantes de punto flotante de 32 bits a enteros de 8 bits. Luego, Embedded Coder generó código C/C++ a partir del modelo comprimido y cuantizado para desplegarlo en la ECU.
Flujo de trabajo de IA embebida de Mercedes-Benz que muestra el progreso desde una red neuronal entrenada, pasando por proyección de redes neuronales (compresión), cuantización de 8 bits (Fixed-Point Designer) y generación de código C/C++ (Embedded Coder), hasta el despliegue en ECU. (Imagen cortesía de Mercedes-Benz Research & Development India)
Resultado: el sensor virtual redujo el error medio absoluto en un 50% respecto al modelo anterior basado en la física, mientras que el uso de RAM en la ECU objetivo solo aumentó un 1%. El modelo se ejecuta íntegramente a bordo sin necesidad de conexión a la nube.
“Con las soluciones de herramientas de Deep Learning Toolbox, el tiempo total de desarrollo se ha reducido significativamente”.
Mercedes-Benz desplegó una red neuronal profunda para estimar directamente la presión en cilindro en una ECU de sistema de propulsión de producción, un microcontrolador que no admite operaciones en punto flotante ni marcos de Deep Learning estándar. El equipo de trabajo entrenó una LSTM cuantizada con la librería QKeras de Python, y luego importó la red en MATLAB con Deep Learning Toolbox. Fixed-Point Designer convirtió el modelo de representación en punto flotante a punto fijo, y el equipo verificó la precisión en Simulink antes de entregarlo para su integración en la ECU.
El flujo de trabajo automatizado supuso una mejora de la velocidad de desarrollo de un 600% respecto al proceso manual anterior de conversión a punto fijo, que requería semanas de trabajo y era propenso a errores de transcripción. La cadena de tareas se ha adaptado a dos controladores de sistema de propulsión distintos y se ha ampliado a otras arquitecturas de redes neuronales, incluyendo GRU y redes totalmente conectadas.
“Con Deep Learning Toolbox y Fixed-Point Designer, multiplicamos aproximadamente por seis la velocidad de desarrollo respecto a nuestro proceso manual anterior”.
Aspectos clave
- Prepare modelos de IA entrenados para despliegue embebido importando redes desde MATLAB o marcos externos (Python, QKeras, TensorFlow™), comprimiéndolas con proyección o poda, y cuantizándolas como representaciones de 8 bits o punto fijo para reducir uso de memoria y tiempo de ejecución.
- Valide los modelos comparando los modelos comprimidos y cuantizados con el original en Simulink, evaluando el comportamiento ante condiciones antagónicas y fuera de distribución, y aplicando supervisión en tiempo de ejecución antes de generar código C/C++ de producción con Embedded Coder.
Las técnicas descritas en este white paper, a saber, modelos de orden reducido, identificación de sistemas, sensores virtuales, Reinforcement Learning y detección de anomalías, se integran en el diseño basado en modelos desde modelado de planta hasta diseño de control y despliegue. Los equipos de ingeniería pueden entrenar modelos de IA directamente en MATLAB y Simulink o importar redes entrenadas en TensorFlow, PyTorch y otros marcos de código abierto. Independientemente del origen de un modelo, MATLAB y Simulink ofrecen un flujo de trabajo unificado para compresión de modelos, verificación y generación de código para ECU de producción.
Los casos prácticos de este white paper demuestran que la IA para desarrollo de vehículos electrificados ya se utiliza en programas de producción actualmente. Los equipos de trabajo han logrado simulaciones 800 veces más rápidas, flujos de trabajo de despliegue un 600% más rápidos y estrategias de control que superan a la calibración manual. Estos resultados están al alcance de equipos de ingeniería que utilizan diseño basado en modelos dentro de sus flujos de trabajo existentes, con una ruta clara desde el modelo entrenado hasta código verificado y desplegado.
