Localização de falhas por circuito aberto em sistemas de carregamento simultâneo de baterias baseados em conversor dual active bridge usando classificação multilabel

Por que carregamento inteligente precisa de detecção de falhas inteligente

À medida que veículos elétricos se tornam mais comuns, estações de recarga devem carregar com segurança muitas baterias ao mesmo tempo sem desperdiçar energia ou danificar equipamentos caros. Este estudo mostra como o reconhecimento moderno de padrões pode detectar falhas elétricas sutis em um tipo de carregador rápido e compacto antes que evoluam para falhas graves, usando apenas sinais de tensão e um modelo computacional treinado.

Como um conversor carrega duas baterias ao mesmo tempo

Carregadores modernos de alta potência frequentemente usam um dispositivo chamado conversor dual active bridge para transferir energia entre uma fonte em corrente contínua e múltiplas baterias. No projeto de três portas estudado aqui, um lado do conversor alimenta duas portas de bateria separadas através de um transformador de alta frequência compartilhado. Grupos de chaves eletrônicas ligam e desligam em padrões temporizados com precisão para que ambas as baterias possam ser carregadas a partir do mesmo link enquanto permanecem eletricamente isoladas por segurança.

Por que falhas de chave aberta são difíceis de detectar

Essas chaves eletrônicas podem falhar de diferentes formas. Quando uma chave fica permanentemente aberta, o conversor frequentemente continua operando, mas correntes e tensões ficam desequilibradas e podem forçar outras partes até ocorrer uma segunda falha mais danosa. Como as três portas estão magneticamente conectadas, um problema em uma ponte pode se propagar para as outras. Métodos tradicionais de detecção de falhas ou exigem modelos de circuito muito precisos ou apresentam dificuldade quando a carga varia ou quando atrasos de controle distorcem as formas de onda. Eles também normalmente assumem apenas uma falha por vez, embora falhas combinadas sejam comuns em hardware multiporta.

Transformando flutuações de tensão em imagens para uma rede neural

Para enfrentar esse desafio, os autores medem tensões nos pontos médios de cada perna de chave, seis pontos no total que são especialmente sensíveis ao comportamento de cada par de chaves. Eles convertem esses traçados rápidos de tensão em imagens tempo–frequência usando uma ferramenta matemática semelhante a um espectrograma musical. Cada imagem mostra como a intensidade de diferentes componentes de frequência varia ao longo de uma janela de tempo curta. As seis imagens dos seis sensores são então empilhadas como canais de cor em uma foto, criando uma imagem rica que codifica como um dado padrão de falha distorce o comportamento do conversor em todo o sistema.

Ensinando o modelo a reconhecer muitas falhas ao mesmo tempo

A equipe adapta uma rede conhecida de reconhecimento de imagens, a ResNet‑18, de modo que, em vez de escolher uma única categoria de falha, ela possa marcar qualquer combinação das doze chaves como defeituosas simultaneamente. Eles constroem um grande conjunto de dados simulado que cobre todos os casos de uma ou duas chaves abertas, uma variedade de níveis de carga das baterias e muitos instantes diferentes em que as falhas aparecem dentro do ciclo de comutação. Treinamento e testes em pontos de operação não vistos mostram que o modelo detecta e localiza corretamente as falhas com escores F1 acima de 99%, e ele até lida com combinações não vistas de três chaves com cerca de 85% de precisão. Em comparação com um classificador de rótulo único mais convencional, o desenho multilabel captura falhas simultâneas de forma mais confiável e com melhor equilíbrio entre todas as chaves.

Robusto a ruído, atrasos e menos sensores

Sistemas reais raramente se comportam exatamente como simulações ideais, por isso os autores também testam como o método se mantém quando as condições são menos perfeitas. Eles introduzem atrasos realistas entre os sinais de controle das chaves, adicionam ruído elétrico às medições de tensão e então removem parte dos sensores. O modelo mantém alta precisão nesses testes, mantendo escores F1 acima de 93% mesmo em qualidade de sinal relativamente baixa e acima de 92% ao usar apenas dois sensores. Uma análise de tempo mostra que, na forma atual em software, o diagnóstico completo desde a captura dos dados até a decisão leva cerca de 0,14 segundos, velocidade suficiente para monitoramento de saúde online em sistemas de carregamento.

O que isso significa para futuros sistemas de carregamento

Em termos simples, este trabalho mostra que, ao transformar flutuações brutas de tensão em imagens e alimentá‑las a uma rede neural cuidadosamente projetada, um carregador multiporta de baterias pode não apenas detectar que algo está errado, mas também identificar rapidamente quais chaves são afetadas, mesmo quando várias falham simultaneamente. A abordagem permanece confiável sob medições ruidosas, com atrasos ou reduzidas e roda rápido o suficiente para uso prático, sugerindo um caminho promissor rumo a estações de recarga mais seguras e resilientes para a crescente frota de veículos elétricos.

Citação: 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

Palavras-chave: dual active bridge, carregamento de baterias, diagnóstico de falhas, aprendizado profundo, conversores de potência