Um Modelo Híbrido de Autoencoder Profundo-Floresta Aleatória para Detecção de Falhas por Curto-Circuito Interno em Baterias de Lítio-Íon de Veículos Elétricos de Duas Rodas

Com a crescente adoção de veículos elétricos de duas rodas, há uma necessidade crítica de sistemas de detecção de falhas confiáveis e em tempo real para garantir a segurança e longevidade das baterias de lítio-íon. Este artigo propõe uma estrutura híbrida de detecção de anomalias que integra um Autoencoder de Reconstrução Profunda com um classificador de Floresta Aleatória (RF) para identificar falhas de curto-circuito interno em pacotes de baterias de lítio-íon. O sistema é modelado em uma configuração de bateria modular inspirada em um scooter elétrico comercial e é simulado sob condições de condução e térmicas realistas usando MATLAB/Simulink. O autoencoder aprende o comportamento normal da bateria e gera erros de reconstrução, que, combinados com dados brutos de sensores, são utilizados pelo classificador de Floresta Aleatória para detectar anomalias. O modelo híbrido proposto é contrastado com os métodos convencionais de detecção de anomalias, como Floresta de Isolamento, Máquina de Vetores de Suporte de Uma Classe (SVM), Fator de Outlier Local (LOF) (baseado em densidade) e Regressão Logística (LR). A estrutura abrange uma variedade de severidades de falha. A detecção precoce de falhas confiáveis (R fault = 2.0 Ω, desvio de temperatura < 5 K acima da linha de base) e falhas moderadas (R fault = 0.5 Ω, desvio de temperatura 5 -- 15 K) constituem os principais desafios de diagnóstico, pois os indicadores eletro-térmicos são fracos e podem ser facilmente mascarados por variações normais de operação. Uma condição severa de curto-circuito (R fault = 0.005 Ω) também é incluída como um caso de validação de limite para garantir que a estrutura permaneça robusta em todo o espectro de níveis de severidade de falhas. Os resultados indicam uma taxa de detecção de 99%, uma taxa de precisão de 98% e um alto nível de robustez em níveis baixos e altos de falhas. Esses resultados enfatizam o fato de que o modelo pode ser implementado em tempo real nos sistemas de gerenciamento de baterias de veículos elétricos de duas rodas.