Localizzazione di guasti a circuito aperto in sistemi di ricarica simultanea basati su dual active bridge mediante classificazione multilabel

Perché la ricarica intelligente ha bisogno di rilevamento guasti intelligente

Con l’aumento della diffusione dei veicoli elettrici, le stazioni di ricarica devono poter caricare in sicurezza molte batterie contemporaneamente senza sprechi energetici o danni ad hardware costoso. Questo studio mostra come il riconoscimento di pattern moderno possa individuare guasti elettrici sottili in un tipo di caricatore rapido e compatto prima che degenerino in guasti gravi, usando solo segnali di tensione e un modello informatico allenato.

Come un convertitore ricarica due batterie contemporaneamente

I caricabatterie ad alta potenza moderni spesso fanno affidamento su un dispositivo chiamato convertitore dual active bridge per trasferire energia tra una sorgente in corrente continua e più batterie. Nel progetto a tre porte studiato qui, un lato del convertitore alimenta due porte batteria separate attraverso un trasformatore ad alta frequenza condiviso. Gruppi di interruttori elettronici si accendono e spengono con schemi temporali accurati in modo che entrambe le batterie possano essere caricate dallo stesso collegamento mantenendo l’isolamento elettrico per la sicurezza.

Perché i guasti per interruttore aperto sono difficili da cogliere

Questi interruttori elettronici possono guastarsi in modi diversi. Quando uno switch resta aperto, il convertitore spesso continua a funzionare, ma correnti e tensioni diventano sbilanciate e possono sollecitare altre parti fino a causare un secondo guasto più dannoso. Poiché le tre porte sono legate magneticamente, un problema in un ponte può propagarsi agli altri. I metodi tradizionali di rilevamento richiedono o modelli di circuito molto precisi oppure falliscono quando il carico cambia o quando i ritardi di controllo distorcono le forme d’onda. Inoltre di solito assumono la presenza di un solo guasto alla volta, mentre nei sistemi multiporta i guasti combinati sono comuni.

Trasformare i ripple di tensione in immagini per una rete neurale

Per affrontare questa sfida, gli autori misurano le tensioni nei punti medi di ciascuna gamba dello switch, sei punti in totale particolarmente sensibili al comportamento di ogni coppia di switch. Convertono queste tracce di tensione ad alta velocità in immagini tempo–frequenza utilizzando uno strumento matematico simile a uno spettrogramma musicale. Ogni immagine mostra come l’intensità delle componenti di frequenza varia in un breve intervallo temporale. Le sei immagini provenienti dai sei sensori vengono quindi impilate come i canali colore in una foto, creando un’immagine ricca che codifica come un dato pattern di guasto altera il comportamento del convertitore sull’intero sistema.

Addestrare il modello a riconoscere molti guasti contemporaneamente

Il team adatta una rete di riconoscimento di immagini nota, ResNet‑18, in modo che invece di scegliere una singola categoria di guasto possa segnalare qualsiasi combinazione dei dodici switch come difettosa contemporaneamente. Costruiscono un ampio dataset simulato che copre tutti i casi di singolo e doppio interruttore aperto, una gamma di livelli di carica delle batterie e molti istanti diversi in cui i guasti possono apparire all’interno del ciclo di commutazione. L’addestramento e il test su punti operativi non visti mostrano che il modello rileva e individua correttamente i guasti con F1 score superiori al 99%, e gestisce persino combinazioni di tre switch non viste durante l’addestramento con circa l’85% di accuratezza. Rispetto a un classificatore tradizionale a etichetta singola, il design multilabel cattura i guasti simultanei in modo più affidabile e con un bilanciamento migliore su tutti gli switch.

Robusto rispetto a rumore, ritardi e meno sensori

I sistemi reali raramente si comportano esattamente come le simulazioni ideali, quindi gli autori testano anche come il metodo regge in condizioni meno perfette. Introducono ritardi realistici tra i segnali di controllo degli switch, aggiungono rumore elettrico alle misurazioni di tensione e poi rimuovono alcuni sensori. Il modello mantiene un’alta accuratezza attraverso questi test, mantenendo F1 score sopra il 93% anche a qualità del segnale relativamente bassa e oltre il 92% usando soltanto due sensori. Un’analisi temporale mostra che, nella forma software attuale, la diagnosi completa dalla cattura dei dati alla decisione richiede circa 0,14 secondi, abbastanza veloce per il monitoraggio di salute online nei sistemi di ricarica.

Cosa significa questo per i futuri sistemi di ricarica

In termini semplici, questo lavoro dimostra che trasformando i ripple di tensione grezzi in immagini e fornendoli a una rete neurale progettata con cura, un caricatore multiporta può non solo rilevare che qualcosa sta andando storto, ma anche identificare rapidamente quali switch sono coinvolti, anche quando diversi guastano insieme. L’approccio rimane affidabile in presenza di misurazioni rumorose, ritardate o ridotte e gira abbastanza velocemente per un uso pratico, suggerendo una strada promettente verso stazioni di ricarica più sicure e resilienti per la crescente flotta di veicoli elettrici.

Citazione: 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

Parole chiave: dual active bridge, ricarica batteria, diagnosi dei guasti, deep learning, convertitori di potenza