Estimación Dinámica del Estado para el Sistema de Frenos Avanzado de Vehículos Eléctricos Mediante Redes Neuronales Recurrentes Profundas

La estimación de estado dinámica es de considerable importancia para el monitoreo del sistema, control avanzado y gestión de energía de vehículos electrificados (EVs). Entre los estados dinámicos de varios sistemas del vehículo, la presión de freno es un estado clave que refleja la intención de frenado y maniobra de un conductor y está altamente correlacionado con la seguridad y el rendimiento energético de un EV. Por ello, vale la pena formular un algoritmo de estimación de alta precisión para la presión de freno para identificar mejor la intención de frenado de un conductor y mejorar aún más el multiperformance de los EVs. En este artículo, se desarrolla un modelo integrado de series temporales (TSM) basado en redes neuronales recurrentes profundas (RNN) con unidades de memoria a largo y corto plazo (LSTM) para la estimación dinámica de la presión de freno de los EVs. Se recopilan datos de conducción naturalista utilizando un vehículo eléctrico real bajo escenarios de ciclo de conducción estándar. Las señales de los estados del vehículo y del sistema se miden utilizando el bus de red de área de control (CAN) y se preprocesan para el entrenamiento y la predicción del modelo. A continuación, se construye un modelo LSTM-RNN multivariante en tiempo real para la estimación de presión de freno basado en el modelo de estimación de velocidad integrado. El esquema en tiempo real estima de manera iterativa la velocidad futura y combina esta señal con otros estados del vehículo para estimar un valor preciso de la presión de frenado. El enfoque TSM integrado propuesto se compara con varios métodos de referencia existentes para demostrar la ventaja del método. Los resultados de las pruebas indican que el método TSM integrado propuesto puede lograr una predicción multietapa más confiable con una mayor precisión en comparación con la de otros métodos, lo que demuestra la viabilidad y efectividad del enfoque propuesto.