O Dr. Santos Gracia Villar, presidente da Fundação Universitária Iberoamericana (FUNIBER), participa num estudo que analisa e propõe abordagens baseadas na aprendizagem automática e na aprendizagem profunda para reforçar a deteção precoce de avarias em veículos de energia nova.
A transição para um transporte mais limpo tornou-se uma prioridade global, impulsionada pela necessidade de reduzir a pegada de carbono e avançar para fontes de energia sustentáveis. Neste contexto, os veículos de energia nova (VNE) — como os veículos elétricos, os híbridos plug-in e os de célula de combustível de hidrogénio — ganham destaque como alternativa aos automóveis a combustão. No entanto, a sua adoção em massa ainda enfrenta desafios técnicos e operacionais, especialmente relacionados com o desempenho das baterias, a disponibilidade de infraestruturas de carregamento e a fiabilidade dos sistemas eletrónicos em condições reais de utilização.
Em linha com estes desafios, o estudo, intitulado «Enhancing fault detection in new energy vehicles via novel ensemble approach», centra-se na forma como a análise de grandes volumes de dados sensoriais — recolhidos durante o funcionamento do veículo — pode contribuir para antecipar falhas, otimizar a gestão do estado da bateria e melhorar o consumo energético em tempo real. Estas capacidades são fundamentais para reduzir os tempos de inatividade, evitar reparações dispendiosas e aumentar a confiança do utilizador nas tecnologias de mobilidade sustentável.
Uma das principais contribuições do trabalho é a proposta de um quadro integral de deteção de falhas que combina modelos tradicionais de aprendizagem automática com arquiteturas avançadas de aprendizagem profunda. Entre os modelos avaliados incluem-se abordagens como regressão logística, classificador passivo-agressivo, classificador Ridge e perceptrón, juntamente com técnicas de aprendizagem profunda como redes neurais convolucionais (CNN), redes neurais artificiais (ANN) e unidades recorrentes com portas (GRU), especialmente adequadas para dados sequenciais.
Um modelo híbrido para melhorar a precisão e a interpretabilidade
O estudo introduz, além disso, um modelo conjunto denominado GRULogX, que integra as unidades recorrentes com portas com regressão logística. Esta combinação procura aproveitar, por um lado, a capacidade das unidades recorrentes com portas para extrair padrões temporais em séries temporais e, por outro, a interpretação probabilística que a regressão logística oferece. Para validar o seu desempenho, a equipa utilizou um conjunto de dados reais de diagnóstico de falhas, o que permite aproximar os resultados de cenários de aplicação prática.
Entre os modelos avaliados, a abordagem proposta GRULogX destaca-se por atingir uma precisão de 99%, além de apresentar valores elevados de precisão e exaustividade. Este desenho de modelos reforça a deteção precoce de falhas, facilitando estratégias de manutenção preditiva e contribuindo para melhorar a disponibilidade e a segurança dos veículos elétricos. Em termos mais amplos, estes avanços estão em sintonia com a necessidade de apoiar soluções de transporte limpo, reduzindo interrupções operacionais e custos associados a falhas não detetadas atempadamente.
Se quiser saber mais sobre este estudo, clique aqui.
Para ler mais investigações, consulte o repositório da UNEATLANTICO.
A Fundação Universitária Iberoamericana (FUNIBER) oferece bolsas de estudo para programas de mestrado na área da tecnologia, como o Mestrado em Gestão Estratégica em Engenharia de Software. Este programa visa formar especialistas capazes de integrar tecnologias avançadas, como a aprendizagem automática e o desenvolvimento de software, na estratégia empresarial, contribuindo para melhorar processos críticos como a deteção precoce de falhas, a eficiência operacional e a tomada de decisões baseada em dados.
Dê o próximo passo na sua carreira profissional. Inscreva-se neste mestrado e torne-se protagonista da inovação tecnológica do futuro.