💻 computer science

Deploying machine learning for remaining useful life prediction of lithium-ion batteries on Coral Dev Board

Este artículo evalúa y compara el rendimiento de los modelos Random Forest, XGBoost y Redes Convolucionales Temporales para predecir la vida útil remanente de las baterías de iones de litio, demostrando su despliegue práctico y efectividad en la Coral Dev Board para el mantenimiento predictivo en vehículos eléctricos.

Autores originales: Mariem Boujneh, Nesrine Majdoub, Taoufik Ladhari, Ali Serdar Atalay, Anis Sakly

Publicado 2026-09-11

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mariem Boujneh, Nesrine Majdoub, Taoufik Ladhari, Ali Serdar Atalay, Anis Sakly

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Los vehículos eléctricos y los sistemas de almacenamiento de energía renovable dependen en gran medida de un componente único y crítico: la batería de iones de litio. Estas fuentes de energía no son infinitas; como cualquier pieza mecánica, se desgastan con el tiempo, perdiendo la capacidad de retener una carga completa. Para mantener estos sistemas funcionando de forma segura y eficiente, los ingenieros necesitan saber exactamente cuánta vida le queda a una batería antes de que falle. Este concepto se conoce como "vida útil restante". Es distinto de simplemente comprobar cuánta carga queda en un momento específico; en su lugar, es una predicción de cuántos ciclos de carga más puede soportar una batería antes de que su capacidad caiga por debajo de un límite utilizable. Predecir esta vida útil es difícil porque las baterías se degradan de formas complejas y no lineales que dependen de la temperatura, la velocidad de carga y el historial de uso. Sin predicciones precisas, los usuarios corren el riesgo de sufrir fallos repentinos, mientras que los fabricantes podrían reemplazar las baterías demasiado pronto, desperdiciando recursos.

Un equipo de investigadores de la Escuela Nacional de Ingeniería de Túnez y de la Empresa Estonia ha abordado este desafío probando si programas informáticos avanzados pueden predecir la vida útil de la batería directamente en dispositivos pequeños y portátiles. Se centraron en tres tipos diferentes de algoritmos de aprendizaje automático —sistemas informáticos que aprenden de los datos en lugar de seguir reglas rígidas y preescritas—. El primero, llamado Random Forest (Bosque Aleatorio), funciona como un comité de tomadores de decisiones, donde cada uno hace una suposición y luego se promedia el resultado. El segundo, XGBoost, construye una secuencia de modelos donde cada uno nuevo intenta corregir los errores del anterior. El tercero, una Red Convolucional Temporal, está diseñada específicamente para comprender patrones que se desarrollan a lo largo del tiempo, como el lento declive de la salud de una batería. Los investigadores querían ver cuál de estos métodos era el mejor para pronosticar la vida útil de la batería y, crucialmente, si podían ejecutarse de manera eficiente en un hardware llamado Coral Dev Board. Esta placa es una pequeña computadora equipada con un chip especializado diseñado para ejecutar modelos de inteligencia artificial de forma rápida y con muy poca energía, lo que la hace ideal para su uso dentro de vehículos o equipos remotos donde la computación en la nube no es una opción.

Para entrenar estos modelos informáticos, el equipo utilizó datos del mundo real recopilados de veinte vehículos eléctricos durante un periodo de veintinueve meses. Todos estos coches eran del mismo modelo y estaban equipados con paquetes de baterías de iones de litio que fueron monitoreados continuamente. Los datos registraron cada detalle del proceso de carga, incluyendo el voltaje, la corriente que fluye hacia la batería, la temperatura de las celdas y la capacidad total disponible. Debido a que los datos brutos de los sensores a menudo contienen lagunas o errores, los investigadores primero limpiaron y suavizaron la información, llenando los valores faltantes y eliminando el ruido para crear una imagen clara de cómo envejecieron las baterías. Luego calcularon la vida útil restante para cada punto de datos, creando un objetivo para que los modelos informáticos aprendieran de él. El conjunto de datos se dividió de modo que los modelos pudieran aprender del ochenta por ciento de los datos y luego ser probados con el veinte por ciento restante para ver qué tan bien se desempeñaban con información nueva y no vista.

Los investigadores desplegaron los tres algoritmos en la Coral Dev Board para medir no solo su precisión, sino también su consumo de energía y velocidad. Los resultados mostraron un claro compromiso entre complejidad y rendimiento. La Red Convolucional Temporal, a pesar de estar diseñada para datos basados en el tiempo, tuvo dificultades para generalizar sus hallazgos. Aunque produjo tasas de error muy bajas para predicciones específicas a corto plazo, su capacidad general para predecir la tendencia general de la degradación de la batería fue deficiente, lo que resultó en una puntuación que indicaba que se desempeñó no mejor que el azar para el conjunto de datos más amplio. También consumió la menor cantidad de energía, pero su inconsistencia la hizo poco fiable para esta tarea específica. El algoritmo Random Forest, conocido por su capacidad para explicar qué factores son más importantes, funcionó mejor que la red de aprendizaje profundo, pero aun así se quedó atrás en precisión. También requirió más energía para ejecutarse, lo que lo hace menos adecuado para dispositivos de borde alimentados por batería.

El rendimiento más destacado fue el del algoritmo XGBoost. Este método logró la mayor precisión general, prediciendo correctamente la vida restante de las baterías con el menor error promedio. Equilibró una alta precisión con un uso moderado de energía, consumiendo significativamente menos potencia que el modelo Random Forest mientras mantenía una fuerte capacidad para detectar los complejos patrones no lineales del envejecimiento de las baterías. Los investigadores encontraron que este algoritmo era particularmente efectivo para manejar los datos desordenados del mundo real de los vehículos eléctricos sin necesidad de los pesados recursos computacionales de un servidor grande. Al ejecutar con éxito este modelo en la Coral Dev Board, el equipo demostró que el mantenimiento predictivo sofisticado es posible directamente en el dispositivo. Esto significa que, en el futuro, los vehículos eléctricos podrían potencialmente monitorear su propia salud de batería en tiempo real, alertando a los conductores sobre las necesidades de mantenimiento antes de que ocurra un fallo, todo ello sin necesidad de enviar datos a una nube distante. El estudio concluye que, si bien las redes de aprendizaje profundo muestran potencial, los algoritmos más simples y bien ajustados, como XGBoost, son actualmente la opción más práctica y fiable para desplegar el monitoreo de la salud de la batería en hardware pequeño y de bajo consumo energético.

Resumen Técnico: Despliegue de Aprendizaje Automático para la Predicción de la Vida Útil Remanente de Baterías de Iones de Litio en la Placa de Desarrollo Coral

Declaración del Problema
Las baterías de iones de litio son críticas para el almacenamiento de energía renovable y los vehículos eléctricos (VE), pero su degradación a lo largo del tiempo requiere un monitoreo preciso para garantizar la seguridad y la fiabilidad. Métricas clave como el Estado de Salud (SOH) y la Vida Útil Remanente (RUL) son esenciales para optimizar la utilización de la batería y planificar el mantenimiento. Aunque existen enfoques basados en modelos (por ejemplo, modelos electroquímicos o de circuitos equivalentes), estos suelen tener dificultades con la complejidad de la estimación en tiempo real o carecen de la capacidad de representar respuestas dinámicas a través de diversas condiciones de trabajo. En consecuencia, se observa un cambio hacia técnicas de aprendizaje automático (ML) basadas en datos. Sin embargo, un desafío significativo persiste en el despliegue de estos complejos modelos de ML en dispositivos de borde (edge) con recursos limitados para permitir el pronóstico de la salud de la batería en tiempo real y a bordo, sin depender de recursos en la nube.

Metodología
Este estudio propone un marco de trabajo basado en datos para predecir la RUL de baterías de iones de litio utilizando tres algoritmos de ML distintos: Random Forest (RF), XGBoost y Redes Tensoriales Convolucionales (TCN).

Conjunto de Datos: La investigación utiliza datos de carga del mundo real de 20 vehículos eléctricos BAIC EU500 equipados con paquetes de baterías de iones de litio CATL, recolectados durante aproximadamente 29 meses. El conjunto de datos incluye características como el Estado de Carga (SOC), voltaje del paquete, corriente de carga, extremos de voltaje de la celda, temperatura y capacidad disponible.
Preprocesamiento: Los datos brutos de los sensores fueron sometidos a una limpieza rigurosa para eliminar duplicados y valores atípicos, con valores faltantes imputados mediante interpolación. Se aplicó un filtro Savitzky-Golay para suavizar el ruido de alta frecuencia. Crucialmente, la variable objetivo de la RUL no estaba disponible directamente; fue diseñada mediante la fórmula $RUL = (C_{disponible} - C_{EOL}) / (C_{inicial} - C_{EOL})$ , donde $C_{inicial}$ es la capacidad inicial nominal (1200 Ah) y $C_{EOL}$ es el umbral de fin de vida útil (70% de la capacidad inicial). Los datos se normalizaron mediante el escalado Min-Max. Para los modelos de aprendizaje profundo, particularmente TCN, los datos se segmentaron en secuencias superpuestas utilizando ventanas deslizantes para capturar la evolución temporal, mientras que los modelos basados en árboles (RF y XGBoost) utilizaron los datos procesados sin este paso específico de generación de secuencias.
Algoritmos:
- Random Forest (RF): Un ensamble de árboles de decisión que agrega salidas de regresión para mejorar la robustez y manejar correlaciones no lineales.
- XGBoost: Un algoritmo de potenciación de gradiente que utiliza regularización (L1/L2) y procesamiento paralelo para optimizar una función objetivo, diseñado para manejar datos faltantes y prevenir el sobreajuste.
- Redes Tensoriales Convolucionales (TCN): Una arquitectura de aprendizaje profundo que emplea convoluciones causales y dilatadas para capturar dependencias temporales de largo alcance manteniendo una estricta causalidad y permitiendo el entrenamiento paralelo.
Plataforma de Despliegue: Todos los modelos fueron desplegados en la Google Coral Dev Board, un dispositivo de computación de borde que cuenta con un CPU NXP i.MX 8M y una unidad de procesamiento tensorial (TPU) de Google Edge dedicada, capaz de hasta 4 TOPS. Los modelos fueron convertidos al formato TensorFlow Lite para aprovechar la aceleración de hardware para una inferencia eficiente.

Contribuciones Clave

Comparativa de Despliegue en el Borde: El estudio proporciona un análisis comparativo directo de RF, XGBoost y TCN específicamente dentro de las restricciones de un dispositivo de borde (Coral Dev Board), evaluando no solo la precisión, sino también el consumo de energía y la velocidad de inferencia.
Inferencia Acelerada por Hardware: Demuestra la viabilidad de ejecutar la predicción de RUL basada en ML localmente en el hardware de un VE, reduciendo la latencia y la sobrecarga de energía asociada con el procesamiento en la nube.
Benchmarking de Rendimiento: La investigación establece una línea base para los compromisos entre la precisión predictiva (MSE, RMSE, MAE, $R^2$ ) y la eficiencia computacional (consumo de energía) para diferentes arquitecturas de ML en el monitoreo de la salud de la batería.

Resultos Experimentales
Los modelos fueron evaluados utilizando el Error Absoluto Medio (MAE), la Raíz del Error Cuadrático Medio (RMSE), el Error Cuadrático Medio (MSE), el Coeficiente de Determinación ( $R^2$ ) y el consumo de energía.

XGBoost: Logró el mejor rendimiento general con el MAE más bajo (0.1600) y un RMSE competitivo (0.4243), resultando en el puntaje $R^2$ más alto de 0.65. Demostró un consumo de energía equilibrado de 83.6%, lo que lo convierte en la estrategia más efectiva para las restricciones específicas de la Coral Dev Board.
Random Forest: Mostró un rendimiento moderado con un $R^2$ de 0.50 y valores de error más altos (MAE 0.3500). Exhibió el mayor consumo de energía (89.1%), lo que sugiere que puede ser menos adecuado para aplicaciones de borde con recursos limitados en comparación con XGBoost.
TCN: Mostró resultados mixtos. Aunque logró el MSE más bajo (0.1432) y el RMSE más bajo (0.3784), sufrió de un MAE alto (0.5394) y un puntaje $R^2$ negativo (-0.002). Los autores atribuyen esta inestabilidad al diseño de red poco profundo requerido para ajustarse a los límites de recursos de la Coral Dev Board y la escasez de datos. Sin embargo, fue el más eficiente energéticamente (72.1%).

Significancia y Reivindicaciones
El artículo afirma que XGBoost es el enfoque más prometedor para la predicción de RUL en tiempo real en hardware de borde como la Coral Dev Board, ya que ofrece el equilibrio más confiable entre la precisión de la predicción y la eficiencia del procesamiento. Si bien las TCN tienen potencial para el modelado de series temporales, el estudio concluye que su implementación en el borde requiere actualmente mayor optimización (por ejemplo, técnicas híbridas o estructuras más profundas) para superar la inestabilidad. El trabajo respalda el desarrollo del mantenimiento predictivo en la industria de las baterías al validar que el pronóstico de salud basado en ML efectivo puede ejecutarse directamente en dispositivos embebidos de baja potencia, permitiendo así sistemas de gestión de baterías localizados y en tiempo real.

Direcciones Futuras
Los autores sugieren que la investigación futura debería centrarse en:

Investigar métodos sofisticados de descomposición híbrida y extracción de características para mejorar el rendimiento de las TCN en dispositivos de borde.
Explorar topologías de redes neuronales más profundas combinadas con aprendizaje por transferencia para mejorar la generalización a través de diferentes tipos de baterías.
Reducir aún más la latencia y el consumo de energía mediante optimizaciones de cuantización de modelos y poda (pruning) específicamente para el flujo de despliegue en la Coral Dev Board.

Más como este