Sistemas de gestión de baterías
Llega el BMS inteligente
Los sistemas de gestión de baterías están experimentando una transformación significativa, según revela Peter Donaldson
Durante décadas, el sistema de gestión de baterías (BMS) cumplió una función relativamente sencilla: proteger la batería de operar fuera de sus límites seguros, estimar su nivel de carga y garantizar que el vehículo pudiera arrancar y detenerse de manera fiable. Estas funciones eran deterministas, se basaban en reglas y, lo más importante, eran completamente comprensibles para los ingenieros que las diseñaron. Cada decisión podía rastrearse hasta una entrada específica, un umbral definido o un modelo calibrado. Sin embargo, hoy en día las cosas se han vuelto significativamente más complejas que eso.
La batería ha evolucionado de ser un componente pasivo de almacenamiento de energía a un activo activo que genera datos. El BMS está pasando de ser un controlador orientado a la seguridad a un sistema operativo inteligente capaz de realizar predicciones, adaptaciones y optimizaciones económicas. Esta transformación está impulsada por tres fuerzas convergentes: la complejidad de las químicas modernas de las baterías, la proliferación de la conectividad y el cómputo en la nube, y el creciente reconocimiento de que la inteligencia de las baterías representa un valor económico significativo.
No obstante, esta evolución plantea desafíos de ingeniería muy complejos. Una industria basada en la seguridad determinística ahora debe lidiar con la naturaleza probabilística de la IA. Se enfrenta a la tarea de equilibrar las exigencias computacionales de los modelos físicos de alta fidelidad con los requisitos de escalabilidad de las flotas globales. También debe garantizar que la batería siga siendo segura cuando está desconectada de la nube. Además, debe diseñar sistemas capaces de adaptarse a químicas de baterías que aún no se han implementado ni siquiera están completamente desarrolladas.
La IA como herramienta de mejora, no de reemplazo
El consenso más destacado que surge en la industria es que la IA no puede —y no debería— reemplazar las funciones de seguridad determinísticas. Cada líder de ingeniería entrevistado enfatizó que las decisiones críticas para la seguridad deben seguir siendo rastreables, verificables y, en última instancia, comprensibles para los ingenieros responsables de ellas.
Esta posición refleja una comprensión madura tanto de las capacidades como de las limitaciones de la IA. El aprendizaje automático destaca en la identificación de patrones en datos complejos y de alta dimensión. Puede extraer información de condiciones operativas que resultan difíciles de modelar a partir de principios básicos. Se puede adaptar a nuevos datos y mejorar con el tiempo. Pero también es opaco, propenso a comportamientos inesperados cuando se le presentan condiciones fuera de su distribución de entrenamiento —el conjunto de datos del comportamiento histórico de las baterías en términos de curvas de voltaje, fluctuaciones de temperatura, cargas de corriente, patrones de envejecimiento, etc., que se le proporcionan a la IA— y es fundamentalmente de naturaleza probabilística.
La cultura de seguridad de la industria automotriz, basada en décadas de experiencia con ISO 26262 y procesos de verificación rigurosos, no está preparada para aceptar resultados que no puedan rastrearse hasta causas deterministas.
La solución que está surgiendo en toda la industria es una arquitectura híbrida. Los modelos basados en la física —fundamentados en el conocimiento electroquímico y validados mediante pruebas extensivas— constituyen la base para las funciones de seguridad esenciales. La IA funciona como una capa de mejora, mejorando la calidad de las predicciones para fenómenos complejos como el envejecimiento, la degradación y la detección de anomalías. Es crucial que cada resultado generado por la IA se verifique contra las restricciones físicas y los modelos deterministas para garantizar su plausibilidad.
Este enfoque es especialmente valioso para las químicas de baterías modernas. Las celdas de fosfato de hierro y litio, por ejemplo, con sus curvas de voltaje característicamente planas, plantean desafíos significativos para la estimación convencional del SoC. El aprendizaje automático puede extraer información de los patrones operativos históricos que es difícil capturar únicamente con enfoques convencionales. Sin embargo, los resultados del AI se validan continuamente contra la comprensión física, lo que impide que el modelo genere resultados imposibles.
El principio de ingeniería es claro: la confianza se construye a través de la verificación, la trazabilidad y la posibilidad de auditar las decisiones. Las arquitecturas más exitosas serán aquellas en las que la ciencia de datos y la física de las baterías se complementen entre sí, en lugar de competir. Las decisiones críticas desde el punto de vista de la seguridad seguirán basándose en modelos explicables y fundamentados en principios físicos, mientras que la contribución de la IA se centra en el diagnóstico predictivo y el aprendizaje de las flotas.
Una jerarquía de modelos
El concepto de gemelo digital se ha vuelto omnipresente en las discusiones sobre la gestión de baterías, pero a menudo se malinterpreta. Los líderes de la industria son cada vez más claros al indicar que un gemelo digital no es un único modelo, sino una jerarquía de modelos que operan en diferentes niveles de fidelidad y complejidad computacional.
A nivel del vehículo, el BMS utiliza modelos a bordo eficientes optimizados para operar en tiempo real. Estos modelos deben proporcionar estimaciones precisas del SoC, SoH, el estado de funcionamiento y el estado de energía, operando al mismo tiempo dentro de los estrictos límites computacionales de los microcontroladores automotrices.
Paralelamente, los gemelos de batería basados en la nube aprovechan los datos de la flota, modelos electroquímicos sofisticados y técnicas de aprendizaje automático para analizar las tendencias de degradación, los patrones de uso y el comportamiento anormal. El entorno en la nube ofrece la escalabilidad necesaria para procesar datos de miles o millones de baterías conectadas simultáneamente.
El desafío ingenieril crítico es la sincronización entre estas capas. Las informaciones generadas en la nube —parámetros de calibración mejorados, modelos de envejecimiento actualizados, información de mantenimiento predictivo— deben transformarse en inteligencia accionable que pueda transferirse de vuelta al vehículo. Esto requiere una atención cuidadosa a los formatos de datos, los procesos de validación y el momento de las actualizaciones.
Un cuello de botella especialmente importante al pasar de gemelos a nivel de modelo a gemelos a nivel de paquete es la calidad y la observabilidad de los datos. Un gemelo a nivel de celda puede centrarse en el comportamiento de una celda individual bajo condiciones de laboratorio cuidadosamente controladas. Un gemelo a nivel de paquete debe representar con precisión miles de variables interactivas que operan en condiciones del mundo real altamente dinámicas.
La solución adoptada por las principales organizaciones de ingeniería es una estrategia de modelado jerárquico. En lugar de intentar modelar cada fenómeno físico al más alto nivel de detalle, combinan selectivamente modelos de alta fidelidad cuando es necesario con modelos de orden reducido en aquellos casos donde la escalabilidad es más importante. La validación es igualmente crucial: un gemelo digital solo tiene el mismo valor que su correlación con la realidad, y requiere una gran inversión en pruebas de caracterización, metodologías de tipo “célula en bucle”, pruebas con hardware en bucle y validación de datos de flotas.
La visión para el futuro es una en la que los gemelos digitales serán sistemas que aprenden continuamente y mejoran a lo largo de toda la vida útil de la batería. La optimización de las baterías no se detendrá al inicio de su producción, sino que se convertirá en un proceso de ingeniería continuo, posibilitado por un ecosistema conectado de inteligencia integrada y aprendizaje basado en la nube.
Seguridad en un mundo conectado
La integración de la inteligencia basada en la nube plantea una pregunta fundamental: ¿qué sucede cuando la nube no está disponible? La latencia de red, la pérdida de conectividad o los incidentes de ciberseguridad podrían poner en riesgo las funciones que dependen de la nube.
La respuesta de la industria es inequívoca. Las funciones críticas para la seguridad deben permanecer completamente integradas en el dispositivo y nunca deben depender de la conectividad externa.
Este principio impulsa una separación clara de la arquitectura. El BMS integrado y determinista es responsable del control en tiempo real y de la seguridad funcional: control de contactores, protección térmica, monitoreo del aislamiento, limitación de potencia y gestión de fallos.
La inteligencia en la nube cumple una función diferente. Mejora los diagnósticos, optimiza las predicciones de degradación, permite el aprendizaje a partir de flotas completas y genera oportunidades para la optimización del ciclo de vida. Estas funciones pueden soportar retrasos en la comunicación, ya que son de carácter consultivo y no críticas para la seguridad.
Algunas organizaciones perfeccionan aún más este enfoque al tratar con escepticismo adecuado los parámetros y actualizaciones provenientes de la nube. Las actualizaciones solo se aceptan después de realizar verificaciones de autenticidad, integridad, versión y plausibilidad. Hasta que estas verificaciones den positivo, la configuración local validada sigue en vigor.
Adaptación a entornos diversos
La electrificación se está expandiendo más allá de los vehículos de pasajeros hacia el transporte comercial, las aplicaciones marítimas y la aviación. Cada entorno plantea desafíos únicos que el BMS debe abordar.
El desafío fundamental es que la física de las baterías se mantiene igual mientras las condiciones de operación cambian drásticamente. En las aplicaciones automotrices, las principales preocupaciones son las variaciones de temperatura, las cargas mecánicas, el envejecimiento y las condiciones de uso intensivo. En la aviación, los cambios rápidos de altitud afectan el comportamiento térmico, la eficacia del enfriamiento y los fenómenos relacionados con la presión. Los efectos de la radiación también son críticos a gran altitud, siendo un riesgo específico el que representa un evento único capaz de dañar la electrónica del BMS. La comprensión de los impactos de la radiación en las químicas de litio-ion proviene de las aplicaciones espaciales, pero se necesita más estudio en relación con la aviación. En las aplicaciones marinas, la exposición al agua salada introduce riesgos adicionales relacionados con la corrosión, el monitoreo del aislamiento y la fiabilidad a largo plazo.
La respuesta a esta diversidad es un enfoque modular. Los mismos algoritmos básicos de baterías pueden adaptarse mediante procesos de calibración y validación específicos para cada aplicación. Esto permite a las organizaciones de ingeniería brindar soporte a vehículos de pasajeros, vehículos comerciales, sistemas de almacenamiento estacionarios, aplicaciones marinas y plataformas aeroespaciales, manteniendo al mismo tiempo una base tecnológica común.
La gestión térmica se presenta como un diferenciador particularmente importante. Las baterías futuras requerirán modelos de predicción térmica cada vez más sofisticados, capaces de detectar puntos calientes locales, riesgos de propagación térmica y condiciones operativas anormales antes de que se conviertan en problemas de seguridad. Esto es especialmente crítico en las aplicaciones aeronáuticas, donde la eficacia del enfriamiento varía con la altitud y donde las limitaciones de peso restringen las opciones de gestión térmica.
La diagnóstica es igualmente importante. A medida que los grupos de baterías se integran más estructuralmente y resultan más difíciles de acceder, la detección temprana de anomalías y las capacidades de mantenimiento predictivo se vuelven esenciales. El BMS debe poder identificar problemas en desarrollo sin realizar inspecciones físicas.
La evolución hacia aplicaciones diversas impulsa al BMS hacia una supervisión aún más basada en modelos.
Restricciones informáticas, soluciones arquitectónicas
Las demandas computacionales de las funciones modernas de BMS están creciendo rápidamente. Los ingenieros de baterías tienen requisitos ambiciosos en materia de diagnóstico, estimación del estado, ciberseguridad, predicción térmica, detección de anomalías y conectividad de flotas. Todas estas funciones deben ejecutarse dentro de estrictas limitaciones automotrices en cuanto a potencia de procesamiento, memoria, costo, consumo energético y seguridad.
La restricción más severa suele encontrarse en los bordes del conjunto de baterías, donde modelos electroquímicos avanzados, sistemas de observación, herramientas de diagnóstico e inferencia por IA deben funcionar en tiempo real dentro de presupuestos fijos.
La solución no consiste simplemente en trasladar todo a la nube. Los ingenieros deben asignar cuidadosamente las funciones a lo largo del espectro computacional, utilizando modelos de orden reducido, simplificando las componentes no lineales, reduciendo las dimensiones y programando las funciones a diferentes ritmos.
El costo y el consumo de energía siguen siendo las principales limitaciones en el diseño de hardware, afectando directamente la cantidad de memoria y potencia de cálculo disponible dentro del BMS. La ejecución en tiempo real constituye el segundo gran cuello de botella. Las funciones críticas para la seguridad requieren un monitoreo continuo y determinista, lo que implica gestionar múltiples tareas e interrupciones simultáneamente. La arquitectura de software debe priorizar las tareas en función de la potencia de cálculo y los núcleos disponibles.
Los algoritmos avanzados, como los estimadores de estado o los modelos de gemelo digital, superan rápidamente los límites computacionales típicos de un microcontrolador estándar en BMS. Esto ha dado lugar a una tendencia creciente hacia la distribución de la carga de trabajo: las funciones críticas para la seguridad permanecen dentro del BMS, mientras que los algoritmos complejos se ejecutan en microprocesadores de alto rendimiento.
La ciberseguridad añade otra capa de demanda. La comunicación segura, el cifrado, la autenticación y los mecanismos de actualización consumen recursos adicionales y deben tenerse en cuenta desde temprano en el diseño del hardware para evitar una obsolescencia rápida de la plataforma.
A nivel de semiconductores, varias tendencias se están convergiendo para abordar estos desafíos. La seguridad funcional se está mejorando mediante un mayor uso del procesamiento sincronizado, los diagnósticos de hardware, las memorias protegidas y la supervisión independiente. La ciberseguridad se está abordando a través de módulos de seguridad de hardware, arranque seguro, almacenamiento protegido de claves y actualizaciones de software autenticadas. Las arquitecturas de cómputo heterogéneas combinan núcleos de seguridad de propósito general con aceleradores matemáticos y vectoriales dedicados, de modo que el control basado en modelos y la inteligencia artificial puedan ejecutarse localmente de manera determinista.
La eficiencia energética también es crucial. El BMS debe mantenerse alerta durante la conducción, la carga, el almacenamiento y los períodos prolongados de estacionamiento. Esto requiere una atención cuidadosa al consumo de energía en todas estas etapas.
La tendencia arquitectónica apunta hacia un conjunto de chips y un ecosistema de software coordinados, en lugar de optimizar cada componente por separado.
Prepararse para lo desconocido
Las químicas de las baterías están evolucionando rápidamente. El fosfato de hierro y litio, las químicas con alto contenido de níquel y las futuras baterías de estado sólido presentan comportamientos fundamentalmente diferentes. La industria no puede permitirse rediseñar todo el BMS para cada nueva química.
La solución es una arquitectura modular para las funciones básicas de la batería. El objetivo es mantener estable el marco de software mientras se adapta el comportamiento de la batería a través de modelos, calibración y parametrización.
En lugar de crear software separado para cada tipo de química, las organizaciones líderes utilizan una arquitectura de plataforma común con modelos de batería adaptables y flujos de trabajo de calibración. Este enfoque permite que la misma estructura de software fundamental respalde múltiples tecnologías de celdas manteniendo una alta precisión.
Esta separación se logra mediante límites arquitectónicos claros. Los servicios de la plataforma —adquisición de mediciones, diagnóstico, comunicación, mecanismos de seguridad, manejo de datos no volátiles y programación— permanecen comunes en todos los tipos de química. Los modelos dependientes de la química —mapas de voltaje en circuito abierto, parámetros de impedancia, comportamiento térmico, modelos de envejecimiento y límites operativos— se encapsulan como componentes calibrados.
Se puede introducir una nueva química validando y liberando el conjunto correspondiente de modelos y parámetros, en lugar de rediseñar toda la plataforma de software. El margen de capacidad del hardware es igualmente importante, ya que las químicas más sofisticadas pueden requerir modelos de orden superior o no lineales.
El enfoque independiente de la química específica no implica ignorarla. Cada conjunto de parámetros, estimador y límite debe seguir validándose para la celda concreta, el diseño del paquete y el perfil de la misión. La arquitectura permite la adaptación, mientras que una ingeniería rigurosa garantiza la corrección.
BMS como creador de valor
Historicamente, el BMS se diseñó para maximizar la seguridad y la vida útil. Estos objetivos siguen siendo esenciales, pero ahora los operadores esperan que las baterías contribuyan activamente a la creación de valor durante todo su ciclo de vida.
La operación vehículo-a-red (V2G) es un ejemplo contundente. Un BMS que comprende el estado de la batería con alta precisión puede optimizar las decisiones de carga y descarga en función tanto de la demanda de la red como del estado de salud de la batería. El objetivo es obtener ingresos adicionales sin acelerar su degradación.
La gestión del ciclo de vida de las baterías es otra área con oportunidades. Una estimación precisa del SoH brinda transparencia sobre el valor residual de la batería, lo cual es fundamental para los modelos de arrendamiento, su uso en aplicaciones secundarias, la gestión de garantías y las aplicaciones de almacenamiento de energía.
Las analíticas de baterías conectadas a la nube se vuelven particularmente importantes en este contexto. Los datos de las flotas permiten a los operadores comprender cómo envejecen las baterías, predecir las necesidades de mantenimiento y tomar decisiones económicas más acertadas. La inteligencia artificial amplía aún más estas posibilidades al identificar patrones de uso ocultos y transformarlos en recomendaciones operativas.
El futuro BMS será un sistema operativo inteligente para baterías que no solo protegerá las baterías y optimizará su rendimiento, sino que también ayudará a los clientes a maximizar el valor económico del activo durante todo su ciclo de vida. En la próxima década, la capacidad de rentabilizar la inteligencia de las baterías podría volverse tan importante como los métricos tradicionales de rendimiento de las baterías.
El camino a seguir
La transformación del BMS de un controlador de seguridad a un sistema operativo inteligente representa uno de los desafíos ingenieriles más importantes en la industria de la movilidad eléctrica. Requiere integrar disciplinas que tradicionalmente han funcionado de forma separada: la física de las baterías, la ingeniería de software, la ciencia de datos, la tecnología de semiconductores y los conocimientos específicos para cada aplicación.
Varios principios están surgiendo como esenciales para el éxito en esta transformación.
En primer lugar, la seguridad debe seguir siendo algo innegociable. La IA puede mejorar las capacidades de diagnóstico y predicción, pero las decisiones críticas en materia de seguridad deben seguir siendo deterministas, rastreables y verificables.
En segundo lugar, los gemelos digitales no son modelos únicos, sino jerarquías de modelos. El futuro es un ecosistema conectado de inteligencia a bordo y aprendizaje basado en la nube, no una simulación monolítica.
Tercero, la arquitectura es tan importante como la química. La capacidad de adaptarse a nuevas químicas, nuevas aplicaciones y nuevos paradigmas informáticos dependerá de arquitecturas modulares y escalables que separen los servicios de la plataforma de los modelos específicos para cada aplicación.
Cuarto, el hardware habilita al software. Una mejor detección, un mayor rendimiento informático y arquitecturas flexibles desbloquean nuevas capacidades del software. La innovación en hardware más valiosa es aquella que permite nuevas funciones.
Los ingenieros que diseñan estos sistemas se enfrentan a un complejo equilibrio, sopesando la precisión frente a la interpretabilidad, la intensidad computacional frente a la escalabilidad, la innovación frente a la validación y la riqueza de funciones frente al costo. Deben diseñar para químicas que aún no existen y aplicaciones que aún no se han imaginado.
Las organizaciones de ingeniería exitosas serán aquellas que abracen esta complejidad, creando sistemas que sean al mismo tiempo robustos y adaptables, seguros e inteligentes, deterministas y basados en datos. El futuro de la gestión de baterías no consiste en elegir entre la física y la IA o entre el cómputo a bordo y el en la nube. Se trata de combinarlos en arquitecturas que ofrezcan lo mejor de ambos mundos.
Agradecimientos
El autor desea agradecer a las siguientes personas por su ayuda con este artículo: expertos de AVL; Jaume Prat Terradas, director de ingeniería para movilidad eléctrica en Ficosa; y Mahmoud Ismail, director de marketing de aplicaciones – gestión de energía automotriz en Infineon Technologies AG.
Haga clic aquí para leer el último número de E-Mobility Engineering.
Algunos proveedores de sistemas de gestión de baterías
AVL
www.avl.com
BorgWarner
www.borgwarner.com
Bosch
www.bosch-mobility.com
CATL
www.catl.com
Eberspächer
www.eberspaecher.com
ElringKlinger
www.elringklinger.com
Ficosa
www.ficosa.com
Infineon Technologies
www.infineon.com
Leclanché
www.leclanche.com
Pulsetrain
www.pulsetrain.com
Potenza Technology