Localización de fallos de circuito abierto en sistemas de carga de baterías simultánea basados en puente activo dual mediante clasificación multilabel

Por qué la carga inteligente necesita detección de fallos inteligente

A medida que los vehículos eléctricos se generalizan, las estaciones de carga deben poder cargar de forma segura muchas baterías a la vez sin desperdiciar energía ni dañar hardware costoso. Este estudio muestra cómo el reconocimiento moderno de patrones puede detectar fallos eléctricos sutiles en un tipo de cargador rápido y compacto antes de que evolucionen a fallos graves, usando únicamente señales de voltaje y un modelo informático entrenado.

Cómo un convertidor carga dos baterías a la vez

Los cargadores modernos de alta potencia suelen recurrir a un dispositivo llamado convertidor de puente activo dual para transferir energía entre una fuente de corriente continua y varias baterías. En el diseño de tres puertos estudiado aquí, un lado del convertidor alimenta dos puertos de batería separados a través de un transformador de alta frecuencia compartido. Grupos de interruptores electrónicos se encienden y apagan en patrones temporizados cuidadosamente para que ambas baterías puedan cargarse desde el mismo enlace manteniendo el aislamiento eléctrico por seguridad.

Por qué los fallos por interruptor abierto son difíciles de detectar

Estos interruptores electrónicos pueden fallar de distintas maneras. Cuando un interruptor queda abierto, el convertidor suele seguir funcionando, pero las corrientes y voltajes se desbalancean y pueden someter a estrés a otras partes hasta que ocurre un segundo fallo más dañino. Debido a que los tres puertos están unidos magnéticamente, un problema en un puente puede propagarse a los demás. Los métodos tradicionales de detección de fallos requieren modelos de circuito muy precisos o fallan cuando cambia la carga o los retardos de control distorsionan las formas de onda. Además, normalmente suponen solo un fallo a la vez, aunque los fallos combinados son comunes en hardware multipuerto.

Convertir las ondulaciones de voltaje en imágenes para una red neuronal

Para abordar este reto, los autores miden los voltajes en los puntos medios de cada rama de interruptores, seis puntos en total que son especialmente sensibles al comportamiento de cada par de interruptores. Convierten estas trazas de voltaje rápidas en imágenes tiempo‑frecuencia mediante una herramienta matemática similar a un espectrograma musical. Cada imagen muestra cómo varía la intensidad de los distintos componentes de frecuencia en una breve ventana temporal. Las seis imágenes de los seis sensores se apilan luego como canales de color en una foto, creando una imagen rica que codifica cómo un patrón de fallo dado distorsiona el comportamiento del convertidor en todo el sistema.

Enseñar al modelo a reconocer muchos fallos a la vez

El equipo adapta una red de reconocimiento de imágenes conocida, ResNet‑18, de modo que, en lugar de escoger una única categoría de fallo, pueda marcar cualquier combinación de los doce interruptores como defectuosa al mismo tiempo. Construyen un gran conjunto de datos simulado que cubre todos los casos de uno y dos interruptores abiertos, una variedad de niveles de carga de batería y muchos instantes distintos en los que aparecen los fallos dentro del ciclo de conmutación. El entrenamiento y las pruebas en puntos de operación no vistos muestran que el modelo detecta y localiza correctamente los fallos con puntuaciones F1 superiores al 99 por ciento, e incluso maneja combinaciones no vistas de tres interruptores con alrededor del 85 por ciento de exactitud. En comparación con un clasificador de etiqueta única más convencional, el diseño multilabel captura fallos simultáneos de forma más fiable y con mejor equilibrio entre todos los interruptores.

Robusto frente a ruido, retardos y menos sensores

Los sistemas reales rara vez se comportan exactamente como las simulaciones ideales, por lo que los autores también prueban cómo aguanta el método cuando las condiciones son menos perfectas. Introducen retardos realistas entre las señales de control de los interruptores, añaden ruido eléctrico a las medidas de voltaje y después eliminan algunos de los sensores por completo. El modelo mantiene una alta precisión a través de estas pruebas, conservando puntuaciones F1 por encima del 93 por ciento incluso con calidad de señal relativamente baja y por encima del 92 por ciento al usar solo dos sensores. Un análisis de tiempos muestra que, en su forma actual de software, el diagnóstico completo desde la captura de datos hasta la decisión tarda aproximadamente 0,14 segundos, lo bastante rápido para monitorización de salud en línea en sistemas de carga.

Qué significa esto para futuros sistemas de carga

En términos sencillos, este trabajo demuestra que al convertir las ondulaciones de voltaje en imágenes y alimentarlas a una red neuronal diseñada con cuidado, un cargador multipuerto puede no solo detectar que algo va mal, sino también identificar rápidamente qué interruptores están afectados, incluso cuando varios fallan a la vez. El enfoque se mantiene fiable bajo mediciones ruidosas, retardadas o reducidas y se ejecuta con suficiente rapidez para uso práctico, lo que sugiere un camino prometedor hacia estaciones de carga más seguras y resilientes para la creciente flota de vehículos eléctricos.

Cita: El-Naeem, K.S.A., Nayel, M.A., Abdelrahem, M. et al. Open circuit fault localization in dual active bridge based simultaneous battery charging systems using multi label classification. Sci Rep 16, 15354 (2026). https://doi.org/10.1038/s41598-026-52101-w

Palabras clave: puente activo dual, carga de baterías, diagnóstico de fallos, aprendizaje profundo, convertidores de potencia