Nuovo algoritmo rivoluziona il monitoraggio termico dei moduli di potenza per auto elettriche
Il settore automobilistico è in piena transizione verso l’elettrificazione, e con essa cresce l’importanza di garantire non solo prestazioni elevate, ma anche una durata e una affidabilità senza precedenti per i componenti chiave del powertrain. Tra questi, i moduli di potenza, cuore pulsante dell’inverter che controlla il motore elettrico, sono sottoposti a condizioni operative estreme. Ogni accelerazione, ogni frenata rigenerativa, genera un’ondata di calore all’interno del chip semiconduttore, seguita da un rapido raffreddamento. Questi cicli termici ripetuti, noti come stress termomeccanico, sono la principale causa di invecchiamento e, in ultima analisi, di guasto di questi costosi e critici componenti. Finora, la valutazione di questo stress si basava su analisi postuma, condotte offline dopo il test, un approccio che non permette un intervento tempestivo né una manutenzione predittiva efficace.
Oggi, un team di ricerca pionieristico composto da Xiang Enyao, Lu Yiping, Luo Haoze e Yang Huan dell’Università di Zhejiang, in collaborazione con Wang Haibing e Ruan Ou di Viridi E-Mobility Technology (Ningbo) Co., Ltd., ha cambiato le carte in tavola. Nel loro studio pubblicato sulla prestigiosa rivista Proceedings of the CSEE, hanno presentato un metodo innovativo che permette l’estrazione in tempo reale, direttamente durante la guida, dello stress termico accumulato dai moduli di potenza. Questo avanzato algoritmo non solo colma un importante vuoto tecnologico, ma apre la strada a una nuova era di veicoli elettrici più intelligenti, più sicuri e con una vita utile più lunga.
La sfida principale nel monitoraggio dello stress termico risiede nell’analisi del profilo di temperatura del giunzione (junction temperature, Tj), ovvero la temperatura effettiva del chip semiconduttore all’interno del modulo. Per quantificare il danno da fatica, gli ingegneri utilizzano un metodo consolidato chiamato “rainflow counting” (conteggio a flusso di pioggia). Questo algoritmo trasforma il complesso e irregolare profilo di temperatura in una serie di cicli di stress completi e semicicli, ciascuno con una specifica ampiezza (differenza di temperatura) e temperatura media. Questi dati sono poi inseriti in modelli di vita utile per prevedere quando il modulo potrebbe guastarsi. Tuttavia, il metodo standard è offline: richiede l’intera cronologia della temperatura per essere analizzata in blocco, rendendolo inutilizzabile per un monitoraggio continuo e in tempo reale all’interno di un veicolo, dove le risorse di calcolo e di memoria sono limitate.
Il team cinese ha affrontato questo problema con un approccio elegante e altamente efficiente, basato su tre pilastri fondamentali: un filtro adattivo, un algoritmo di conteggio ottimizzato e una strategia di memorizzazione intelligente. La prima innovazione è un filtro a finestra variabile. Non tutte le fluttuazioni di temperatura sono ugualmente dannose. Piccoli cambiamenti o rumore di misurazione possono falsare il conteggio. Il nuovo algoritmo risolve questo problema rendendo il filtro “intelligente”. La sua sensibilità, o larghezza della finestra, si adatta dinamicamente allo stato di salute del modulo. Questo stato viene monitorato attraverso la resistenza termica tra il chip e il contenitore (Zth(j-c)), un parametro che aumenta man mano che si formano microfessure nella saldatura. In una fase iniziale, quando il modulo è nuovo e robusto, il filtro è più ampio, ignorando cicli di stress minori. Con l’invecchiamento, il filtro si restringe, diventando più sensibile anche a piccoli cicli che ora rappresentano una minaccia crescente. Questa capacità di adattamento non solo migliora la precisione, ma elimina anche il rumore, ottimizzando l’intero processo.
Il cuore del sistema è un algoritmo di conteggio “rainflow” migliorato, progettato per operare in tempo reale. A differenza dei metodi tradizionali che richiedono l’intera storia dei dati, questo algoritmo si concentra esclusivamente sui punti estremi (picchi e valli) del profilo di temperatura. Ogni volta che viene identificato un nuovo punto estremo, l’algoritmo esamina i tre punti più recenti memorizzati. Con semplici operazioni matematiche, confronta le ampiezze tra questi punti. Se il ciclo più recente è più piccolo di quello precedente, si chiude un ciclo completo di stress, che viene immediatamente registrato. Questo approccio, basato sul principio dei “tre punti e doppio intervallo”, è estremamente leggero dal punto di vista computazionale. Può essere eseguito su microcontrollori standard presenti nei sistemi di controllo del veicolo, senza appesantire il sistema o richiedere hardware aggiuntivo. I test di simulazione hanno dimostrato che questo metodo in tempo reale produce risultati identici al gold standard offline, catturando ogni singolo ciclo senza omissioni, superando nettamente altri algoritmi in tempo reale esistenti che hanno mostrato un tasso di errore significativo.
Il terzo pilastro è la gestione dei dati. Memorizzare ogni singolo ciclo con la sua ampiezza e temperatura media esatta genererebbe una quantità di dati enorme, impraticabile per un sistema embedded. La soluzione del team è la “normalizzazione discreta”. I cicli di stress vengono raggruppati in categorie predefinite. Ad esempio, invece di memorizzare un ciclo con un’ampiezza di 21,81°C, viene assegnato a una categoria “20-25°C”. Lo stesso vale per la temperatura media. Questo processo di raggruppamento riduce drasticamente le dimensioni dei dati, trasformando un flusso continuo di informazioni in una tabella compatta di conteggi per categoria. Questa efficienza è fondamentale per il “calcolo edge”, dove i dati vengono elaborati direttamente sul veicolo, e rappresenta un passo cruciale verso un sistema di monitoraggio a basso costo e ad alta scalabilità.
L’efficacia del metodo non si limita alla teoria. Il team ha condotto un esperimento reale su un’automobile di serie, installando il loro algoritmo nel microcontrollore del veicolo. Durante un percorso di prova di 26 chilometri che includeva traffico urbano, autostrada e strade di montagna, il sistema ha elaborato in tempo reale i dati di temperatura provenienti dal sensore NTC (Negative Temperature Coefficient) integrato nel modulo di potenza. Al termine del test, i dati di danno cumulativo calcolati in tempo reale sono stati confrontati con l’analisi offline del medesimo profilo di temperatura. Il risultato è stato straordinario: l’errore era inferiore all’1%. Questa precisione quasi perfetta in condizioni di guida reali dimostra che il sistema è non solo teoricamente solido, ma anche robusto e affidabile in campo.
L’esperimento ha fornito anche preziose intuizioni sulle diverse modalità di guida. Le salite e discese ripide hanno mostrato picchi acuti nell’accumulo di danno, direttamente correlati ai rapidi cambiamenti di temperatura durante l’accelerazione e la frenata rigenerativa. La guida in autostrada, nonostante le alte velocità, ha generato meno stress termico grazie a condizioni operative più stabili. La guida urbana, con i suoi continui avviamenti e arresti, ha causato un accumulo costante di piccoli cicli di stress che, nel lungo periodo, possono essere altrettanto dannosi. Questi dati offrono ai costruttori automobilistici un quadro senza precedenti dell’impatto reale delle condizioni di utilizzo sulla durata dei componenti.
Un aspetto cruciale investigato è stato l’effetto del periodo di campionamento della temperatura sulla precisione del calcolo del danno. Il team ha testato intervalli di campionamento da 20 millisecondi a 5 secondi. Hanno scoperto che intervalli compresi tra 20 ms e 500 ms avevano un impatto minimo sulla precisione, con errori inferiori all’1%. Oltre il secondo, tuttavia, l’errore aumentava rapidamente, raggiungendo quasi il 60% a 5 secondi. La ragione è semplice: intervalli di campionamento troppo lunghi possono perdere picchi di temperatura molto rapidi, tipici delle manovre di accelerazione, portando a un conteggio sottostimato dei cicli di stress. La conclusione è chiara: un periodo di campionamento di 500 ms rappresenta il punto ottimale di equilibrio tra la precisione richiesta e la capacità di calcolo disponibile, rendendolo ideale per una valutazione della affidabilità in tempo reale.
Le implicazioni di questa ricerca sono di vasta portata. Per i costruttori di automobili, questa tecnologia è la chiave per la manutenzione predittiva. Immaginate un veicolo che avvisa il conducente o il centro assistenza quando un modulo di potenza si sta avvicinando alla fine della sua vita utile, consentendo una sostituzione pianificata prima che si verifichi un guasto costoso e potenzialmente pericoloso. Per le flotte di veicoli commerciali, l’analisi aggregata dei dati di stress potrebbe essere utilizzata per ottimizzare le abitudini di guida e le rotte, massimizzando la vita utile dei veicoli e riducendo i costi operativi. I dati potrebbero anche alimentare modelli di “gemello digitale” per simulazioni di vita utile basate su scenari di utilizzo reali.
Un grande vantaggio di questo sistema è la sua compatibilità con l’hardware esistente. Sfrutta i sensori NTC già presenti nella maggior parte dei moduli di potenza, eliminando la necessità di sensori aggiuntivi costosi. Il suo basso consumo computazionale significa che può essere eseguito su microcontrollori standard, rendendolo una soluzione altamente scalabile, adatta sia ai veicoli di lusso che ai modelli di massa.
Questo progetto è un esempio perfetto di sinergia tra ricerca accademica e applicazione industriale. L’Università di Zhejiang ha fornito l’eccellenza scientifica in elettronica di potenza e algoritmi, mentre Viridi E-Mobility Technology ha portato l’esperienza pratica nell’integrazione di sistemi nei veicoli reali. Questa collaborazione ha garantito che l’innovazione fosse non solo scientificamente rigorosa, ma anche tecnicamente realizzabile e pronta per il mercato. Il sostegno di programmi di ricerca provinciali e municipali sottolinea l’importanza strategica di questa tecnologia per il posizionamento della Cina nella leadership globale della mobilità elettrica.
In sintesi, il lavoro di Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing e Ruan Ou rappresenta un salto di qualità fondamentale. Trasformando un’analisi di fatica offline in un sistema di monitoraggio in tempo reale, hanno dotato il veicolo elettrico di una nuova forma di autoconsapevolezza. Questo algoritmo non promette solo veicoli più affidabili e sicuri, ma contribuisce anche alla sostenibilità estendendo la vita utile dei componenti critici. Con la sua elevata precisione, il basso costo e la facilità di integrazione, questo metodo è destinato a diventare uno standard di settore, gettando le basi per la prossima generazione di veicoli elettrici intelligenti, resilienti e più efficienti.
Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing, Ruan Ou, Università di Zhejiang e Viridi E-Mobility Technology (Ningbo) Co., Ltd., Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231914