Il dott. Santos Gracia Villar, presidente della Fondazione Universitaria Iberoamericana (FUNIBER), partecipa a uno studio che esamina e propone approcci basati sull’apprendimento automatico e sull’apprendimento profondo per potenziare il rilevamento precoce dei guasti nei veicoli a nuova energia.
La transizione verso un trasporto più pulito è diventata una priorità globale, spinta dalla necessità di ridurre l’impronta di carbonio e di avanzare verso fonti energetiche sostenibili. In questo contesto, i veicoli a nuova energia (VNE) —come i veicoli elettrici, gli ibridi plug-in e quelli a celle a combustibile a idrogeno— stanno acquisendo sempre più importanza come alternativa alle automobili a combustione. Tuttavia, la loro adozione su larga scala deve ancora affrontare sfide tecniche e operative, legate in particolare alle prestazioni delle batterie, alla disponibilità di infrastrutture di ricarica e all’affidabilità dei sistemi elettronici in condizioni reali di utilizzo.
In linea con queste sfide, lo studio, intitolato «Enhancing fault detection in new energy vehicles via novel ensemble approach», si concentra su come l’analisi di grandi volumi di dati sensoriali — raccolti durante il funzionamento del veicolo — possa contribuire ad anticipare i guasti, ottimizzare la gestione dello stato della batteria e migliorare il consumo energetico in tempo reale. Queste capacità sono fondamentali per ridurre i tempi di inattività, prevenire costose riparazioni e aumentare la fiducia degli utenti nelle tecnologie di mobilità sostenibile.
Uno dei contributi centrali del lavoro è la proposta di un quadro integrale di rilevamento dei guasti che combina modelli tradizionali di apprendimento automatico con architetture avanzate di deep learning. Tra i modelli valutati figurano approcci quali la regressione logistica, il classificatore passivo-aggressivo, il classificatore Ridge e il percettrone, insieme a tecniche di deep learning quali le reti neurali convoluzionali (CNN), le reti neurali artificiali (ANN) e le unità ricorrenti con gate (GRU), particolarmente adatte ai dati sequenziali.
Un modello ibrido per migliorare precisione e interpretabilità
Lo studio introduce inoltre un modello composito denominato GRULogX, che integra le unità ricorrenti con gate con la regressione logistica. Questa combinazione mira a sfruttare, da un lato, la capacità delle unità ricorrenti con gate di estrarre modelli temporali nelle serie temporali e, dall’altro, l’interpretazione probabilistica offerta dalla regressione logistica. Per convalidarne le prestazioni, il team ha utilizzato un set di dati reali di diagnostica dei guasti, il che consente di avvicinare i risultati a scenari di applicazione pratica.
Tra i modelli valutati, l’approccio proposto GRULogX si distingue per aver raggiunto una precisione del 99%, oltre a riportare alti valori di precisione e completezza. Questa progettazione di modelli rafforza la rilevazione precoce dei guasti, facilitando le strategie di manutenzione predittiva e contribuendo a migliorare la disponibilità e la sicurezza dei veicoli elettrici. In termini più ampi, questi progressi sono in linea con la necessità di sostenere soluzioni di trasporto pulito, riducendo le interruzioni operative e i costi associati a guasti non rilevati in tempo.
Se vuoi saperne di più su questo studio, clicca qui.
Per leggere altre ricerche, consulta l’archivio di UNEATLANTICO.
La Fondazione Universitaria Iberoamericana (FUNIBER) offre borse di studio per frequentare programmi di master nel settore della tecnologia, come il Master in Gestione Strategica dell’Ingegneria del Software. Questo programma è orientato alla formazione di esperti in grado di integrare tecnologie avanzate, come l’apprendimento automatico e lo sviluppo di software, nella strategia aziendale, contribuendo a migliorare processi critici quali l’individuazione precoce dei guasti, l’efficienza operativa e il processo decisionale basato sui dati.
Fai il passo successivo nella tua carriera professionale. Iscriviti a questo master e diventa protagonista dell’innovazione tecnologica del futuro.