El Dr. Santos Gracia Villar, investigador de la Universidad Internacional Iberoamericana (UNIB) participa en un estudio que revisa y propone enfoques basados en aprendizaje automático y aprendizaje profundo para fortalecer la detección temprana de fallos en vehículos de nueva energía.
La transición hacia un transporte más limpio se ha convertido en una prioridad global, impulsada por la necesidad de reducir la huella de carbono y avanzar hacia fuentes de energía sostenibles. En este contexto, los vehículos de nueva energía (VNE) —como los vehículos eléctricos, los híbridos enchufables y los de pila de combustible de hidrógeno— ganan protagonismo como alternativa a los automóviles de combustión. Sin embargo, su adopción masiva aún enfrenta retos técnicos y operativos, especialmente vinculados al rendimiento de las baterías, la disponibilidad de infraestructura de carga y la fiabilidad de los sistemas electrónicos en condiciones reales de uso.
En línea con estos desafíos, el estudio, que se titula «Enhancing fault detection in new energy vehicles via novel ensemble approach», pone el foco en cómo el análisis de grandes volúmenes de datos sensoriales —recopilados durante el funcionamiento del vehículo— puede contribuir a anticipar fallas, optimizar la gestión del estado de la batería y mejorar el consumo energético en tiempo real. Estas capacidades resultan clave para reducir tiempos de inactividad, prevenir reparaciones costosas y elevar la confianza del usuario en tecnologías de movilidad sostenible.
Uno de los aportes centrales del trabajo es la propuesta de un marco integral de detección de fallos que combina modelos tradicionales de aprendizaje automático con arquitecturas avanzadas de aprendizaje profundo. Entre los modelos evaluados se incluyen enfoques como regresión logística, clasificador pasivo-agresivo, clasificador Ridge y perceptrón, junto con técnicas de aprendizaje profundo como redes neuronales convolucionales (CNN), redes neuronales artificiales (ANN) y unidades recurrentes con compuertas (GRU), especialmente adecuadas para datos secuenciales.
Un modelo híbrido para mejorar precisión e interpretabilidad
El estudio introduce, además, un modelo de conjunto denominado GRULogX, que integra las unidades recurrentes con compuertas con regresión logística. Esta combinación busca aprovechar, por un lado, la capacidad de las unidades recurrentes con compuertas para extraer patrones temporales en series de tiempo y, por otro, la interpretación probabilística que ofrece la regresión logística. Para validar su desempeño, el equipo empleó un conjunto de datos real de diagnóstico de fallas, lo que permite aproximar los resultados a escenarios de aplicación práctica.
Entre los modelos evaluados, el enfoque propuesto GRULogX destaca por alcanzar un 99 % de precisión, además de reportar altos valores de precisión y exhaustividad. Este diseño de modelos fortalece la detección temprana de fallas, facilitando estrategias de mantenimiento predictivo y contribuyendo a mejorar la disponibilidad y seguridad de los vehículos electrónicos. En términos más amplios, estos avances se alinean con la necesidad de apoyar soluciones de transporte limpio, reduciendo interrupciones operativas y costos asociados a fallas no detectadas a tiempo.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNIB.
La Universidad Internacional Iberoamericana (UNIB) ofrece programas de estudio de maestría en el área de tecnología, como la Maestría en Dirección Estratégica con Especialidad en Tecnologías de la Información. Está maestría está diseñada para los profesionales que buscan liderar la integración de las Tecnologías de la Información (TI) en las estrategias empresariales. Proporciona las herramientas necesarias para alinear las NTIC con los objetivos organizacionales, fomentando la innovación y la competitividad en un entorno empresarial en constante evolución. Inscríbete en este programa y conviértete en un líder en la transformación digital de las organizaciones.