Inventos patentados en España.

Inventos patentados en España.

Inventos patentados en España en los últimos 80 años. Clasificación Internacional de Patentes CIP 2013.

METODO DE MANTENIMIENTO PREDICTIVO DE BATERIAS.

Patente de Invención. Resumen:

Método de mantenimiento predictivo de baterías, especialmente de baterías cuya vida media sea relativamente larga y que se encuentren instaladas en entornos cuya temperatura no esté controlada, de forma que se pueda determinar con garantías el tiempo de vida útil remanente de las mismas basado en, una vez establecidos los criterios de aceptación y rechazo de una batería, conocer cuánto tiempo tardará en llegar a los valores críticos de funcionamiento partiendo de un estado conocido para así poder establecer un plan de mantenimiento predictivo que garantice que la vida útil

(L) de la batería es mayor que el periodo de inspección establecido.

Solicitante: METRO DE MADRID, S.A..

Nacionalidad solicitante: España.

Provincia: MADRID.

Inventor/es: SANCHO DE MINGO,CARLOS, GARCIA SAN ANDRES,MARIA ANTONIA, GONZALEZ FERNANDEZ,FRANCISCO J, MUÑOZ CONDES,PILAR, GOMEZ PARRA,MIGUEL.

Fecha de Solicitud: 17 de Junio de 2009.

Fecha de Publicación de la Concesión: 1 de Junio de 2011.

Fecha de Concesión: 20 de Mayo de 2011.

Clasificación Internacional de Patentes: G01R31/36V3, G01R31/36V6.

Clasificación PCT: G01R31/36 (.Aparatos para el ensayo del estado eléctrico de acumuladores o baterías, p. ej. de la capacidad o de las condiciones de carga (acumuladores combinados con dispositivos de medida, ensayo o indicación de estado H 01 M 10/48; circuitos para la carga o la depolarización de baterías o para alimentar cargas por baterías H 02 J 7/00) [3]).

Volver al resumen de la patente.

METODO DE MANTENIMIENTO PREDICTIVO DE BATERIAS.
Descripción:

Método de mantenimiento predictivo de baterías.

Objeto de la invención

La presente solicitud de Patente de Invención tiene por objeto, como su propio nombre indica, el establecimiento de un método de mantenimiento predictivo de baterías, especialmente de baterías cuya vida media sea relativamente larga y que se encuentren instaladas en entornos cuya temperatura no esté controlada, de forma que se pueda determinar con garantías el tiempo de vida útil remanente de las mismas.

Más concretamente, el método de la presente invención se basa en, una vez establecidos los criterios de aceptación y rechazo de una batería, conocer cuánto tiempo tardará en llegar a los valores críticos de funcionamiento partiendo de un estado conocido para así poder establecer un plan de mantenimiento predictivo.

Antecedentes de la invención

Actualmente, el uso de baterías está ampliamente extendido, utilizándose éstas en innumerables aplicaciones y sectores de la técnica en donde es necesario asegurar la operación de equipos eléctricos críticos tanto en entornos estáticos controlados, como por ejemplo instalaciones industriales de generación eléctrica, sistemas telefónicos, servicios de emergencia, respaldo de sistemas informáticos, etc., como en entornos dinámicos en donde las condiciones de trabajo y la problemática asociada a dichas condiciones difieren sustancialmente de una aplicación estacionaria, como sucede por ejemplo en el entorno ferroviario, en donde las baterías se utilizan para aportar la energía de servicio mínima necesaria ante un fallo en el funcionamiento de los equipos de alimentación principales.

Aunque son conocidos en el estado de la técnica métodos para realizar el diagnóstico puntual de las baterías a partir de un parámetro crítico, como por ejemplo la impedancia, no se conocen metodologías de mantenimiento predictivo capaces de prever la evolución en el tiempo de dicho parámetro crítico. Dicho de otra forma, no se conocen procedimientos de mantenimiento predictivo capaces de estimar qué valor de aceptación - rechazo de la batería debe fijarse para asegurar que dentro de un periodo fijo de tiempo la batería no va estar funcionando en una determinada zona crítica, especialmente para los casos en los que dichas baterías cuentan con una vida media relativamente larga, de 5 o más años, y que se encuentren instaladas en entornos cuya temperatura no esté controlada.

Por ejemplo, dado que la vida media estimada por los fabricantes de baterías de tracción ferroviarias es de al menos 10 años, para realizar un estudio completo de mantenimiento predictivo sería deseable utilizar al menos la información durante todos esos años. Esto serviría para conocer en detalle la evolución de los valores del parámetro crítico (impedancia de módulo, impedancia de vaso u otros) de un parque de baterías.

Sin embargo, en la práctica generalmente no se dispone de plazos tan amplios para estudios de sistemas como el planteado, por lo que se hace necesaria la toma de muestras en un periodo de tiempo mucho más corto para su posterior extrapolación en el tiempo.

Esto presenta un serio inconveniente, pues los parámetros factibles de ser escogidos como representativos del estado de las baterías suelen tener un comportamiento errático si se consideran en el corto plazo. Sin embargo, el estudio de esos mismos parámetros en plazos de tiempo del orden de la vida útil prevista de la batería presenta tendencias claramente definidas.

El comportamiento pseudo-aleatorio de la impedancia en el corto plazo hace que cualquier extrapolación realizada a partir de datos tomados en intervalos de tiempo reducidos lleve asociada un error que puede ser importante, siendo a todas luces inadmisible para la implantación de un sistema de mantenimiento predictivo.

En otras palabras, la extrapolación del valor de Z en el tiempo sería una función con un coeficiente de correlación R2 muy bajo, lo que impide tratar el problema de una forma determinista, consistente en encontrar la función de impedancia frente al tiempo (Z = f(t)).

Descripción de la invención

El método para el mantenimiento predictivo de baterías de la invención que a continuación se describe resuelve los inconvenientes antes señalados, pues proporciona un sistema eficaz y fiable para el diagnóstico en el tiempo del estado de baterías cuya vida media sea relativamente larga y que se encuentren instaladas en entornos cuya temperatura no esté controlada, es decir, un método capaz de asegurar que una batería dada por buena aguante en óptimas condiciones hasta la próxima revisión.

De forma general, el método de mantenimiento predictivo de baterías de la presente invención se basa en los siguientes pasos:

1º. Definir, para un periodo de revisión determinado, los valores de aceptación/rechazo para saber si el elemento revisado debe ser intervenido o no.

2º. Establecer una tendencia para elemento revisado, que permita establecer el periodo de tiempo máximo previsto para realizar la siguiente revisión antes de que se alcance el valor de rechazo.

3º. Finalmente, para cada aplicación de la batería se determinarán a partir de la información obtenida de los dos primeros los plazos de mantenimiento óptimos.

Para el caso de la presente invención, dichos valores de aceptación/rechazo se basan en los valores de impedancia, que podría ser tanto de vaso como de módulo, por lo que el parámetro crítico o la variable de diagnosis será dicha impedancia.

Como ya se explicó en el apartado anterior, no se puede tratar el problema de una forma determinista, pues no se puede encontrar ninguna función de impedancia de módulo frente al tiempo (Z = f(t)) con un ajuste lo suficientemente bueno.

Para evitar ese importante inconveniente en la presente invención se plantea un método de mantenimiento predictivo basado en la evaluación de la variación de la impedancia en el tiempo.

Sin embargo, tampoco es posible hallar una función determinista de la evolución de la variación de impedancia, ya que dichas variaciones de impedancia en el tiempo pasan por las mismas dificultades que los valores discretos de la impedancia. Es decir, si se trabaja con periodos muy cortos en comparación con la vida media de las baterías, se introducen variaciones muy acusadas en los valores de las variaciones de impedancia.

Esto obliga a realizar un cambio de planteamiento que posibilite la obtención de un método de mantenimiento predictivo fiable.

Dicho cambio de planteamiento se basa en el hecho de que para la implantación de un método de mantenimiento predictivo no se necesita conocer con exactitud la vida útil (L) remanente de la batería en cualquier instante de tiempo, sino que es suficiente con garantizar que dicha vida útil (L) es mayor que el periodo de inspección establecido.

Así, utilizando la impedancia como parámetro crítico y sabiendo que la impedancia tiende a ser creciente en el tiempo, se podrá fijar un valor crítico (Zcrit) por debajo del cual se pueda garantizar un funcionamiento óptimo de la batería.

Se define ΔZ(t) como la variación de impedancia que experimenta una batería en el plazo de t meses.

Se define ΔZmax(t) como el valor supremo de todos los posibles valores de ΔZ(t); es decir:

ΔZmax(t) = sup[ΔZ(t)]

De acuerdo a las definiciones anteriores, una batería con impedancia Z permanecerá durante un tiempo t en buenas condiciones de funcionamiento siempre y cuando se verifique:

Z + ΔZmax(t) < Zcrit

El problema se reduce a calcular la variable ΔZmax(t).

Dado que no se puede demostrar que ΔZ(t) esté acotada superiormente, se supondrá con carácter general que no existe dicha acotación. Esto implica que no existe el valor supremo, y por tanto ΔZmax(t) quedaría indefinida.

Sin embargo se puede utilizar una muy buena aproximación, intentando encontrar un valor, que denominaremos max(t), tal que se verifique ΔZ(t) < max(t) con probabilidad del 99%.

Si se eligen aleatoriamente N valores de la variable ΔZ(t) se obtendrá una colección de valores ΔZ(t)1, ΔZ(t)2, ΔZ(t)3, ..., ΔZ(t)N.

Se define la función S(N):


Los valores obtenidos de la función S(N) será la variación acumulada de impedancia en un periodo de N•t meses.

Se establece como hipótesis que para una determinada batería, ΔZ(t) es independiente de su estado.

Esta hipótesis es cada vez más aproximada a la realidad a medida que la relación t/L sea más pequeña, es decir, que el periodo del ciclo de seguimiento sea lo más pequeño posible en comparación con la vida útil de la batería. En efecto, como ya se ha expuesto anteriormente, la impedancia sigue una tendencia ascendente y no lineal si se consideran plazos de tiempo del orden de la vida útil de la batería. Sin embargo, si se estudian plazos de tiempo mucho más reducidos aparecen sobre la tendencia de la impedancia efectos de dientes de sierra que obligan a la consideración de una componente pseudo-aleatoria en la medición de la impedancia. La presencia de esta componente implica la independencia de las observaciones, y por ende, del valor ΔZ(t).

Asumida la hipótesis de independencia anterior, mediante un método matemático se simulará cuál es el comportamiento de la variable SN definida anteriormente en un número lo suficientemente grande de experimentos. Los sucesivos resultados de todos y cada uno de esos experimentos se distribuirán de acuerdo a una distribución normal, porque la función resultado obtenida es la suma de elementos independientes, tal y como indica el Teorema Central del Límite.

Una vez caracterizada la distribución de SN, se buscará un valor tal que el X% de los valores, sea inferior al que se ha obtenido. Sólo se necesitará realizar un contraste sobre la función normal obtenida y buscar el valor que consigue superar ese X% de los valores.

Si se fija un valor para X del 99%, se obtendrá como resultado del contraste el valor del parámetro max(t), que es precisamente la aproximación que se buscaba.

Descripción de los dibujos

Para complementar la descripción que se está realizando y con objeto de ayudar a una mejor comprensión de las características de la invención, de acuerdo con un ejemplo preferente de realización práctica de la misma, se acompaña como parte integrante de dicha descripción un juego de dibujos en donde con carácter ilustrativo y no limitativo, se ha representado lo siguiente:

Figura 1a.- Muestra una gráfica en donde se muestran diferentes medidas reales de impedancia de módulo de una batería real.

Figura 1b.- Muestra otra gráfica similar a la de la figura 1 para otra batería.

Figura 1c.- Muestra una gráfica con el cálculo de la variación mensual de la impedancia de los módulos de la figura 1a denominados 2-0200 y 2-0201:

Figura 2.- Muestra un gráfico de Caja y Bigotes para eliminar datos atípicos de las muestras en estudio.

Figura 3.- Muestra un histograma de la variación mensual de la impedancia de módulo ΔZM.

Figura 4.- Muestra los valores de ΔZM para distintos percentiles.

Figura 5.- Muestra el ajuste del histograma de la figura 2 a la curva teórica de la distribución normal.

Figura 6.- Muestra el histograma para la variación de Z en 18 meses.

Figura 7.- Muestra una gráfica de la variación de la impedancia frente al tiempo.

Figura 8.- Muestra una gráfica de la predicción de vida útil para un módulo.

Figura 9.- Muestra las curvas de vida de baterías de PB aportadas por el fabricante.

Figura 10.- Muestra un flujograma del proceso completo de diagnosis de la presente invención que asegure la supervivencia de una batería hasta la siguiente revisión.

Figura 11.- Muestra el flujograma del proceso completo de diagnosis de la figura anterior para el ejemplo de realización concreto descrito.

Realización preferente de la invención

Según una posible realización práctica del método de mantenimiento predictivo de baterías de la invención, aplicado al ámbito ferroviario, cuando el parámetro crítico o variable de diagnosis escogida es, por ejemplo, la impedancia de módulo, se tiene que los pasos o etapas de implementación son las siguientes:

1. Realizar mediciones de impedancia de módulo interna (ZM) sobre un conjunto suficiente de módulos (en general entre 25 y 50) en el tiempo.

2. Elegir el parámetro representativo de la tendencia de la impedancia de módulo. Para este caso se fijará el valor del parámetro t = 1, es decir, se utilizará la variación mensual de la impedancia de módulo (ΔZM).

Estas medidas se realizarán sobre las baterías y módulos de ensayo a lo largo de un ciclo nominal de revisión, según el plan actual de mantenimiento. Para el presente caso dicho ciclo de revisión para seguimiento de las medidas es de un año, valor mínimo aconsejable.

3. Una vez recogidos los valores de la variación de impedancia de módulo en un tiempo t determinado, será necesario tratar la muestra. Para ello, podrán utilizarse diferentes herramientas:

a. Aplicar inferencia estadística de forma que se asocie una función de distribución a los datos obtenidos mediante estimadores de máxima verosimilitud o cualquier método estadístico equivalente, y realizar los contrastes de hipótesis para hallar el valor crítico de diagnosis para el plazo establecido; o b. En el caso de que no pueda asociarse el modelo a ninguna distribución conocida será necesario aplicar otros métodos no paramétricos que no suponen conocida la distribución de la variación de impedancia. Una herramienta ejemplo de aplicación para estos casos será el método de Montecarlo que es un procedimiento general para seleccionar muestras de cualquier población de la que se conozca su función de probabilidad. 4. Por cualquiera de los métodos anteriormente indicados a), b) u otros, se determinará el valor crítico de la impedancia de módulo para un periodo de revisión de la variable de diagnosis establecida, utilizándose los recursos matemáticos adecuados que permitan diagnosticar las baterías a corto, medio y largo plazo, obteniéndose finalmente la ecuación prevista de evolución de la impedancia de módulo.

Así, para un estudio de tendencia concreto realizado sobre baterías de Plomo - ácido, se parte de, por ejemplo, una serie de baterías en donde se miden los valores de impedancia de módulo en diferentes intervalos de tiempo de forma que para cada batería se disponga de entre 2 y 9 medidas.

Así, para este ejemplo de realización de la invención, se establece como hipótesis válida que el periodo entre revisiones modulares se establece en 18 meses y que el máximo periodo transcurrido entre la primera medida y la última medida es de 13 meses.

En la figura 1a se muestran diferentes medidas reales de impedancia de módulo de una batería real como las indicadas de Plomo - ácido, en donde se aprecian claramente las dificultades que tiene el estudio de tendencia. En el eje horizontal se muestra el número de serie de cada uno de los módulos y en el vertical el valor de la impedancia corregida. Así, puede apreciarse que para un módulo dado existen pequeñas variaciones hacia arriba o hacia abajo de una medida a la siguiente.

Otro ejemplo con otra batería puede encontrarse en la figura 1b, en donde se observa que, si se tienen en cuenta periodos de tiempo pequeños (por ejemplo, en un margen de solo 5 meses) la impedancia puede no aumentar e incluso disminuir levemente.

Como ya se explicó en los anteriores apartados, la existencia de estas anomalías a corto plazo hace prácticamente imposible establecer una función que relacione el valor de impedancia con el tiempo. Al no tener datos en plazos de tiempo más dilatados, la opción que se plantea es, estudiar no el valor de la impedancia en sí mismo, sino el de la variación temporal (por ejemplo mensual) de la impedancia.

Dicho valor de variación mensual de impedancia para cada módulo puede calcularse como la pendiente de la recta de regresión de los valores de impedancia frente al tiempo. Como ejemplo se muestra en la figura 1c el cálculo de la variación mensual para los módulos de la figura 1a denominados 2-0200 y 2-0201:

Para esos casos se obtiene que la pendiente del módulo 2-200 es 0,2472 y la del módulo 2-0201 es 0,0352. Esto significa, por ejemplo, que en promedio la impedancia del módulo 2-0200 aumentará 0,2472 mΩ al mes.

Repitiendo esta operación para todos los módulos se obtendrá un valor de variación de impedancia característico de cada módulo. Ahora bien, este valor será más representativo de la realidad cuantos más datos se tengan de cada módulo.

Así, para el caso concreto en estudio y con el fin de evitar desvirtuar el estudio de tendencia sólo se utilizan aquellos módulos con 4 o más medidas disponibles, lo que arroja un número total de 73 módulos, de los cuales, con la aplicación de una herramienta para eliminar datos atípicos como puede ser el gráfico de Caja y Bigotes ("Box and Whisker") representado en la figura 2, quedan finalmente un total de 70 datos válidos.

De aquí en adelante se denominará ΔZM al valor de la variación mensual de la impedancia de módulo, expresado en mΩ/mes.

El siguiente paso es calcular la distribución estadística que caracteriza la magnitud ΔZM, lo cual se observa en la figura 3 a través del histograma de la variación mensual de la impedancia de módulo, en donde en la figura 4 se pueden ver los valores de ΔZM para distintos percentiles.

La función obtenida de dicho histograma se parece bastante a la distribución de una función normal. Para comprobar el ajuste real del histograma a la distribución normal se utilizan los contrastes de normalidad de Kolmogorov y el test de "Chi-cuadrado" o χ2 de Pearson, comparando así la función de distribución de la variación mensual empírica con la función de distribución normal.

Tras realizar los contrastes mencionados con un nivel de confianza del 95% sobre los datos empíricos disponibles no se puede rechazar la hipótesis de normalidad de la variable ΔZM.

En la figura 5 se muestra el ajuste del histograma de la muestra a la curva teórica de la distribución normal, de la que se deriva que la variación mensual de la impedancia se distribuye según una Normal de media -0,0095 y desviación típica 0,1926.

Así, se tiene que la función de distribución de probabilidad calculada para ΔZM en el caso anterior permite calcular para un solo mes cuál es la variación esperable del valor de la impedancia del módulo.

Sin embargo, para determinar cuál será la variación de impedancia esperada no de un mes al siguiente, sino en periodos más prolongados de 6, 12, 18 ó 24 meses se hace necesario recurrir a una herramienta matemática o método estadístico numérico capaz de aproximar expresiones matemáticas complejas y costosas de evaluar con exactitud como por ejemplo, el método de Montecarlo.

La aplicación del método de Montecarlo requiere que los datos utilizados como base para construir la simulación sean independientes entre sí, es decir, que si durante el proceso se ha seleccionado el dato i-ésimo esto no condicione futuras selecciones de datos.

Analizando los datos obtenidos de la medición de las baterías en ensayo se observa que para un módulo dado, sus valores de impedancia interna son independientes entre sí. Esto puede comprobarse con herramientas estadísticas tales como el test de rachas, que permite obtener el resultado de que no hay evidencia en los datos como para rechazar la hipótesis de independencia.

Así, asumiendo dicha hipótesis de independencia se puede utilizar el citado método de Montecarlo para simular cuál será el comportamiento de la impedancia en función de la variación mensual.

El método de Montecarlo consiste básicamente en calcular el resultado de un experimento, repetir dicho experimento N veces e intentar caracterizar el comportamiento de los N resultados obtenidos. En el presente caso, para estimar cuál será la variación de impedancia en distintos intervalos de tiempo se procede a elegir para cada periodo de forma aleatoria los valores mes a mes de la magnitud ΔZ a partir de su distribución estadística caracterizada en el apartado anterior. El valor de la variación de impedancia al cabo de un número N de meses será, evidentemente, la suma global de los n valores, a la que se llamará SN.

Obviamente, si se repite el procedimiento de nuevo, la suma global será diferente. Es preciso repetir el experimento muchas veces para poder tener suficientes datos como para permitir la caracterización de la distribución estadística de la variable suma global.

Según una posible realización, se realiza una simulación por ordenador para este caso concreto (N=18), efectuándose 10.000 experimentos, obteniéndose que la variable S18 sigue una distribución normal de media -0,17507 y desviación típica 0,82128. De manera teórica, y como ya se ha expuesto anteriormente, en virtud del teorema central del límite ya podría demostrarse la Normalidad de la distribución de SN. Sin embargo para verificarlo se ha realizado el contraste χ2 sobre la distribución de S18 cuyo resultado impide holgadamente rechazar con nivel de confianza del 95% la hipótesis de normalidad para la variable SN.

Al igual que para la variación mensual de Z, se realizan los correspondientes contrastes de ajuste de la distribución S18 a la distribución normal tal y como puede verse en la figura 6. Se realizan también el contraste χ2, también denominado "Chi-cuadrado" y el denominado de "Shapiro-Wilks", que miden la discrepancia entre una distribución observada y otra teórica y ambos certifican que no se puede rechazar la hipótesis de normalidad para esta función.

La caracterización de la variable S18 permite encontrar un valor tal que sea sumamente probable que sean cuales sean las variaciones mensuales, la variación a lo largo de 18 meses sea menor que un determinado valor crítico. Para hallar este valor crítico basta con fijar el límite superior de un intervalo de confianza con un nivel de significación del X% en la distribución de la variable S18.

Dado que las baterías son sistemas que soportan equipos relacionados con la seguridad, se escogerá un valor para X del 99%. Esto implica que sólo un 1% de las baterías aumentarán su impedancia más de lo previsto y entrarán en zona de riesgo de fallo.

El resultado de esta operación arroja un valor de 1,73 mΩ.

En otras palabras, se puede esperar con una probabilidad del 99% que la impedancia no aumente más de 1,73 mΩ en 18 meses. Esto quiere decir que si se ha establecido el nivel crítico de aceptación-rechazo para la impedancia en un valor de 13,13 mΩ, si se quiere hacer una predicción hasta la siguiente revisión dentro de 18 meses, habrá que utilizar un valor crítico de: 13,13 - 1,73 = 11,40 mΩ.

Por tanto, si un módulo tiene hoy una impedancia de 11,40 mΩ, se puede afirmar con un 99% de probabilidad de acierto, que dentro de 18 meses la impedancia seguirá estando por debajo de valores críticos, lo que significa que casi con total probabilidad la batería podrá prestar servicio satisfactoriamente.

Si se repite la aplicación del método de Montecarlo para otros intervalos de tiempo diferentes a 18 meses, es posible obtener una curva que relacione el aumento máximo previsto de los valores de impedancia con el tiempo para el que se desea la predicción. Como es lógico, a medida que aumente el tiempo transcurrido el aumento de impedancia máximo esperado será mayor.

Se han hecho cálculos para 0, 6, 12, 18, 24, 30, 36 y 42 meses, hallándose una correlación entre cuál es el máximo aumento de impedancia esperable (St) y el plazo de tiempo (t) que se deje transcurrir. Dicha correlación resulta ser St(t) = 0,448•t0,458, con un R2 = 0,9977, resultados que pueden verse en la gráfica de la figura 7.

Esta ecuación aporta mucha información sobre el comportamiento de la impedancia a lo largo del tiempo. Para que un módulo pueda seguir prestando servicio con una alta fiabilidad es necesario que su impedancia Z cumpla que Z < Ztext{crítico}.

Si se pretende que un módulo siga útil dentro de un plazo de T meses, habrá que tener en cuenta el aumento del valor de la impedancia durante esos T meses. Si ST es ese aumento, se deberá cumplir para que la batería siga siendo funcional a los T meses que Z + ST < Ztext{crítico}, es decir, que debe verificarse la condición:


Desarrollando la expresión anterior se llega al resultado siguiente:


Es decir, dado un valor de impedancia medido Z, el tiempo máximo (en años) que se puede garantizar que el módulo sigue siendo válido viene dado por la expresión:


cuya representación gráfica puede verse en la figura 8.

Esta expresión es el resultado de la aplicación del método sobre un tipo concreto de batería. El método es de aplicación absolutamente general, aunque los valores numéricos de los parámetros dependerán del tipo y modelo de batería objeto de estudio.

Conocido el valor de la impedancia de módulos nuevos, podrá estimarse cuál es la vida útil esperada.

Así, por ejemplo, tras medir aproximadamente 500 módulos nuevos se ha caracterizado la distribución de impedancia de un módulo nuevo, que se comporta como una Normal de media 8,34 y desviación típica 0,28.

Con esta distribución, el máximo valor de impedancia de una batería nueva (nivel de significación del 99%) es de 9 mΩ.

Esto implica que el tiempo de vida útil esperable para una batería nueva con una impedancia de 9 mΩ es de 12,5 años, un valor bastante razonable de acuerdo a la documentación del fabricante representada por la gráfica de la figura 9.

Por último, en las figuras 11 y 12 se muestran sendos flujogramas del proceso completo de diagnosis de la invención que asegure la supervivencia de una batería (con probabilidad 99%) hasta la siguiente revisión. Como puede verse en dichas figuras, al final del método de mantenimiento predictivo se llega bien a la conclusión de que el módulo de 15 la batería en estudio es útil o bien que está afectado, en cuyo caso se realizará una carga de igualación y de nuevo a la aplicación desde el comienzo del método de la invención.




Reivindicaciones:

1. Método de mantenimiento predictivo de baterías caracterizado porque, utilizando la impedancia de módulo (Z) como variable de diagnosis, comprende los siguientes pasos:

- Realizar mediciones de la impedancia de módulo (Z) sobre los módulos de una batería;

- Definir los valores de aceptación/rechazo (Zcrit) de la impedancia de módulo (Z) para saber si el módulo revisado debe ser intervenido o no;

- Medir durante t meses la impedancia de módulo (Z) para obtener su variación en el tiempo ΔZ(t) y establecer la tendencia en el tiempo de la impedancia de módulo (Z) que permite establecer el periodo de tiempo que tarda un módulo para alcanzar el valor de rechazo (Zcrit).

- Determinar, a partir de la información obtenida de los pasos anteriores, los plazos de mantenimiento que garanticen que la vida útil remanente (L) de la batería es mayor que el periodo de inspección establecido.

2. Método de mantenimiento predictivo de baterías según reivindicación primera, caracterizado porque la fijación de un valor crítico (Zcrit) por debajo del cual se puede garantizar el funcionamiento óptimo de la batería de impedancia Z durante un tiempo t comprende el cálculo de:

Z + ΔZmax(t) < Zcrit

en donde:

- ΔZ(t) es la variación de impedancia que experimenta una batería en el plazo de t meses; y

- ΔZmax(t) es el valor supremo de todos los posibles valores de ΔZ(t); es decir: ΔZmax(t) = sup[ΔZ(t)]

3. Método de mantenimiento predictivo de baterías según reivindicación 2, caracterizado porque el cálculo de ΔZmax(t) se obtiene calculando un valor aproximado de ΔZmax(t) denominado max(t), tal que se verifique ΔZ(t) < max(t) con una determinada probabilidad X%.

4. Método de mantenimiento predictivo de baterías según reivindicación 3, caracterizado porque comprende los pasos de:

- Obtención de la función S(N) como:


en donde la colección de valores ΔZ(t)1, ΔZ(t)2, ΔZ(t)3, ..., ΔZ(t)N se obtienen de elegir aleatoriamente N valores a partir de la distribución estadística de la variable ΔZ(t).

- Establecimiento como hipótesis de que, para una determinada batería, ΔZ(t) es independiente de su estado;

- Simulación mediante un método matemático de cuál es el comportamiento de la variable SN definida anteriormente en un número lo suficientemente grande de experimentos;

- Ajuste de la distribución de los sucesivos resultados de todos y cada uno de dichos experimentos de acuerdo a una distribución normal;

- Una vez caracterizada la distribución de SN, se buscará un valor tal que el X% de los valores, sea inferior al que se ha obtenido, obteniéndose como resultado el valor del parámetro max(t) buscado.






Acerca de · Contacto · Patentados.com desde 2007 hasta 2014 // Última actualización: 25/10/2014.