Diagnóstico del estado de salud y pronóstico de la vida útil remanente en baterías de iones de litio utilizando regresión de procesos gaussianos

Abstract

La presente investigación se centró en el análisis de la gestión y mantenimiento durante el ciclo de vida de las baterías de iones de litio ubicadas dentro del avión de pasajeros B787-8 con el objetivo de mejorar la estrategia de gestión de mantenimiento de la flota de aviones de la Aerolínea Avianca Perú. Se evaluó el mantenimiento de las baterías de iones de litio usadas como fuente de suministro eléctrico confiable y de último recurso durante eventos en vuelo. Para la investigación fueron tomadas algunas curvas de indicadores de salud tales como: el voltaje, la temperatura y la capacidad, siendo esta última la que mostró un desgaste lineal y un comportamiento de degradación continua durante el ciclo de vida de la batería la cual se usó para determinar el diagnóstico del estado de salud y el pronóstico de la vida útil remanente. Para cumplir con los objetivos de la investigación se utilizó una herramienta de aprendizaje automático supervisado adecuado para solucionar problemas de regresión en datos no paramétricos llamado Regresión de Procesos Gaussianos. Esta arquitectura de la Inteligencia Artificial proporcionó valores predictivos para la toma de decisiones en la Gestión del Mantenimiento. Se utilizó la base de datos de las baterías de iones de litio B0005, publicadas del repositorio de la NASA (2007) del Centro de Investigación Ames, Moffet Field, para el desarrollo de la investigación debido que contiene la misma tecnología de diseño y estructura utilizadas en la flota de aviones B787-8 de la Aerolínea Avianca Perú. Por último, se analizó y calculó económicamente el proyecto y fue obtenida una utilidad de $841,840. Por otro lado, el retorno de inversión y el periodo de retorno del capital fueron de 439% y 6 meses respectivamente lo cual determinó al proyecto viable. A partir de esta investigación y el modelo obtenido, fueron propuestos nuevas estrategias de mantenimiento basado en condición para las baterías de iones de litio y otros componentes del avión que sufren desgaste atípico y reducción de su rendimiento por el dinamismo de su operación.

The present research focuses on the analysis of the forecast of the condition and the management of the life cycle of the lithium-ion batteries, located inside the B787-8 passenger aircraft to improve the maintenance management strategy of the aircraft fleet of Avianca Peru Airline. The maintenance of lithium-ion batteries used as a reliable and last resort power source during in-flight events was evaluated. For the research, some health indicator curves were taken such as: voltage, temperature and capacity, the latter being the one that showed linear wear and continuous degradation behavior during the life cycle of the battery which was used. to determine the diagnosis of the state of health and the prognosis of the remaining useful life. To meet the objectives of the research, a supervised machine learning tool suitable for solving regression problems in non-parametric data called Gaussian Process Regression was used. This architecture of Artificial Intelligence provided predictive values for decision making in Maintenance Management. The database of lithium-ion batteries B0005, published from the NASA repository (2007) of the Ames Research Center, Moffet Field, was used for the development of the research because it contains the same design and structure technology used. in the fleet of B787-8 aircraft of Avianca Peru Airline. Finally, the project and implementation were economically analyzed and a profit of $841,840 was obtained. On the other hand, the return on investment and the return on capital period were 439% and 6 months respectively, which made the project viable. Based on this research and the model obtained, new maintenance strategies based on condition were proposed for lithium-ion batteries and other aircraft components that suffer atypical wear and tear and reduced performance due to the dynamism of their operation.