Predictive eBoost, projecte per millorar els motors i les bateries dels vehicles elèctrics del futur

RODIN: Mètodes robustos d’inferència estadística, integritat de les dades i gestió de la interferència en xarxes de comunicació i aplicacions 5G
abril 22, 2022
Spectral confocal microscope
BIOPHOCH: Tecnologies fotòniques i machine learning per millorar el diagnòstic de malalties visuals, neurològiques i hematològiques
abril 8, 2022
21/04/2021

L’inLab FIB, el laboratori d’innovació i recerca de la Facultat d’Informàtica de Barcelona, de la Universitat Politècnica de Catalunya (UPC) col·labora amb SEAT i el Volkswagen Group Innovation (Wolfsburg, Alemanya) en el projecte Predictive eBoost.

Aquest projecte posa el focus en dissenyar noves estratègies, basades en algoritmes de machine learning i en l’anàlisi de dades, per millorar l’eficiència i el rendiment dels motors i les bateries dels vehicles elèctrics.

Quines són les estratègies actuals?

Les bateries dels vehicles elèctrics són cada vegada més potents i tenen més autonomia, però també necessiten una gestió tèrmica adient. Les estratègies actuals només tenen en compte la temperatura dels components del vehicle per decidir quan refredar-los o escalfar-los.

Dades i machine learning com a vies de millora

L’enfocament de Predictive eBoost consisteix a fer servir informació del trajecte del vehicle, com el pendent de la via o la velocitat de circulació, per decidir quan activar la refrigeració de la bateria i, així, poder millorar les estratègies actuals. Aquest model d’aprenentatge automàtic permetrà assolir uns millors criteris d’eficiència i de consum.

Per què un vehicle hauria d’invertir energia a refredar la bateria, si en pocs minuts trobarà un pendent prolongat en el qual es podrà refredar sola? Si es pogués saber que s’apropa una acceleració important, no seria millor preparar el vehicle amb antelació per mitigar l’esforç que haurà de fer? Aquestes, entre d’altres, són algunes de les preguntes a les quals es busca donar resposta en aquest projecte.

Tenir en compte no només la temperatura dels components del vehicle, sinó també el seu estat, el de l’entorn i el del trajecte, permet optimitzar el rendiment i el consum de la bateria per tal d’augmentar la seva autonomia i vida útil, i minimitzar l’impacte mediambiental. En aquest sentit, els resultats d’aquest projecte suposaran un pas endavant important en la implantació del vehicle elèctric, ja que permetran allargar la distància recorreguda sense necessitat d’aturar-se, alhora que proporcionaran una experiència de conducció més satisfactòria.

Signatura de l’acord de col·laboració i configuració de l’equip R+D



La recerca està encapçalada pel Dr. Gerhard Lux, de SEAT, i per Marc Duevel, de Volkswagen Group Innovation, i compta amb el lideratge, per part de la Universitat Politècnica de Catalunya · BarcelonaTech (UPC) del professor Ernest Teniente, director de l’inLab FIB de la UPC.


Projectes Relacionats