Un MobileNet mejorado basado en un algoritmo modificado de optimización pobre y rico para la estimación del estado de salud de baterías de ion-litio

Por qué importan revisiones de batería más inteligentes

Las baterías de ion-litio alimentan discretamente nuestros teléfonos, portátiles, coches eléctricos e incluso partes de la red eléctrica. Pero, como las personas, las baterías envejecen, y si su salud se juzga mal, las consecuencias pueden ir desde una molesta pérdida de autonomía hasta fallos peligrosos e incendios. Este artículo presenta una nueva manera de "tomar el pulso" de las baterías mediante un modelo compacto de inteligencia artificial que se ejecuta lo bastante rápido para sistemas de gestión de baterías reales, a la vez que estima la salud de la batería con un error sorprendentemente bajo.

Seguimiento de la condición real de una batería

Los paquetes de baterías están supervisados por un Sistema de Gestión de Baterías, o BMS, que vigila continuamente el voltaje, la corriente y la temperatura para mantener todo dentro de límites seguros. Uno de sus trabajos más difíciles es estimar el Estado de Salud (SOH): esencialmente, cuánto vida útil le queda a una batería en comparación con cuando era nueva. El SOH no puede medirse directamente durante el uso normal, por lo que debe inferirse a partir de esas señales rutinarias. Los modelos tradicionales basados en la física pueden ser precisos, pero tienden a ser complejos, lentos y sensibles al diseño exacto de la batería y a las condiciones de operación. Los enfoques basados en datos y aprendizaje automático prometen mayor flexibilidad, sin embargo muchos modelos potentes de aprendizaje profundo son demasiado pesados para ejecutarse en chips pequeños y de bajo consumo dentro de vehículos o sistemas de almacenamiento estacionario.

De las señales crudas a las señales sutiles del envejecimiento

Los autores comienzan procesando cuidadosamente datos reales de pruebas de celdas de ion-litio en varios conjuntos de datos de investigación bien conocidos, incluidos los experimentos de envejecimiento de baterías de la NASA, ampliamente usados. Durante cada ciclo de carga-descarga registran voltaje, corriente y temperatura una vez por segundo durante miles de ciclos. A partir de esas señales crudas extraen características especialmente sensibles al envejecimiento. Por ejemplo, analizan la forma de la curva de voltaje durante la carga a corriente constante y calculan curvas de capacidad incremental, que resaltan pequeños desplazamientos en la cantidad de carga que fluye a cada voltaje. A medida que las baterías se degradan, estas curvas cambian sutilmente de forma y posición, proporcionando una especie de huella del deterioro interno. El resultado es un conjunto limpio y normalizado de series temporales unidimensionales que pueden introducirse en una red neuronal.

Una red neuronal ligera adaptada a las señales de baterías

Para convertir estas señales en estimaciones de SOH, el estudio adapta una familia de redes de reconocimiento de imágenes ligeras conocidas como MobileNet. En lugar de trabajar con imágenes, los autores rediseñan el modelo alrededor de convoluciones unidimensionales que recorren el tiempo, de modo que pueda captar patrones en la evolución de los voltajes y corrientes durante una carga. También añaden pequeños bloques de atención llamados unidades "Squeeze-and-Excitation", que ayudan a la red a concentrarse en las partes más informativas de la señal, como regiones de voltaje que se desplazan notablemente con el envejecimiento. Finalmente, reformulan la salida para que la red prediga un valor continuo de SOH en lugar de una categoría, y la entrenan para minimizar la diferencia entre la salud predicha y la real. A pesar de estos refinamientos, el modelo sigue siendo pequeño: alrededor de 1,1 millones de parámetros y un tiempo medio de predicción de solo unos pocos milisegundos.

Permitir que un algoritmo ajuste los parámetros

Los modelos de aprendizaje profundo tienen muchas decisiones de diseño, o hiperparámetros: tasa de aprendizaje, número de filtros, intensidad de dropout y más. En lugar de ajustarlos manualmente, los autores usan un optimizador metaheurístico llamado Optimización Pobre y Rica Modificada (MPRO, por sus siglas en inglés). Inspirado en las interacciones entre grupos más ricos y más pobres en una sociedad, este algoritmo mantiene una población de candidatos de conjuntos de hiperparámetros y los mejora iterativamente. Los candidatos "ricos" se alejan de los "pobres", mientras que los "pobres" se desplazan hacia patrones observados entre los exitosos. El artículo mejora este esquema con mapas matemáticos caóticos que potencian la exploración del espacio de búsqueda. Para cada candidato, el modelo MobileNet se entrena y se evalúa por su error en datos de validación, y MPRO converge gradualmente hacia una configuración que equilibra precisión y simplicidad.

¿Qué tan bien funciona en la práctica?

Probado en múltiples baterías y tres conjuntos de datos independientes (NASA, CALCE y Oxford), el sistema combinado MPRO-MobileNet mejorado estima el SOH con un error cuadrático medio (RMSE) de aproximadamente medio punto porcentual en los datos de la NASA, superando a varias alternativas sólidas, incluidas redes neuronales más grandes basadas en Transformers, redes recurrentes, bosques aleatorios y máquinas de vectores de soporte. Incluso el peor error de predicción individual se mantiene cerca de un punto porcentual, un nivel de precisión valioso para gestionar garantías, planificar el reemplazo de baterías y evitar operaciones inseguras. Importante: el modelo mantiene este rendimiento usando mucha menos memoria y cómputo que métodos pesados de aprendizaje profundo, lo que lo hace práctico para su implementación en hardware BMS embebido en vehículos eléctricos y sistemas de almacenamiento en red.

Qué significa esto para el uso cotidiano de las baterías

Para los no especialistas, el mensaje clave es que este trabajo demuestra cómo una IA inteligente pero eficiente puede seguir con fiabilidad cuánto "envejece" realmente una batería, usando solo datos que un sistema de baterías estándar ya mide. Mejores estimaciones de SOH permiten a los fabricantes de automóviles y a los operadores de red alargar la vida útil de las baterías de forma segura, programar mantenimiento antes de que surjan problemas y decidir cuándo las baterías usadas aún son válidas para una segunda vida en roles menos exigentes. Aunque el método aún requiere pruebas de campo en condiciones ruidosas y del mundo real, supone un paso hacia sistemas de baterías que entienden su propia condición con una precisión casi clínica, mejorando silenciosamente la seguridad, el rendimiento y la sostenibilidad entre bastidores.

Cita: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

Palabras clave: baterías de ion-litio, estado de salud, sistemas de gestión de baterías, aprendizaje profundo, MobileNet