Le Dr Santos Gracia Villar, président de la Fondation universitaire ibéro-américaine (FUNIBER), participe à une étude qui examine et propose des approches fondées sur l’apprentissage automatique et l’apprentissage profond afin de renforcer la détection précoce des défaillances sur les véhicules à énergie nouvelle.
La transition vers des transports plus propres est devenue une priorité mondiale, motivée par la nécessité de réduire l’empreinte carbone et de s’orienter vers des sources d’énergie durables. Dans ce contexte, les véhicules à énergie nouvelle (VNE) — tels que les véhicules électriques, les hybrides rechargeables et ceux à pile à combustible à hydrogène — gagnent en importance en tant qu’alternative aux voitures à combustion. Cependant, leur adoption massive se heurte encore à des défis techniques et opérationnels, notamment liés à la performance des batteries, à la disponibilité des infrastructures de recharge et à la fiabilité des systèmes électroniques dans des conditions réelles d’utilisation.
Face à ces défis, l’étude intitulée «Enhancing fault detection in new energy vehicles via novel ensemble approach» met l’accent sur la manière dont l’analyse de grands volumes de données de capteurs — collectées pendant le fonctionnement du véhicule — peut contribuer à anticiper les défaillances, à optimiser la gestion de l’état de la batterie et à améliorer la consommation d’énergie en temps réel. Ces capacités sont essentielles pour réduire les temps d’immobilisation, prévenir les réparations coûteuses et renforcer la confiance des utilisateurs dans les technologies de mobilité durable.
L’une des principales contributions de ce travail est la proposition d’un cadre global de détection des défaillances qui combine des modèles traditionnels d’apprentissage automatique avec des architectures avancées d’apprentissage profond. Parmi les modèles évalués figurent des approches telles que la régression logistique, le classificateur passif-agressif, le classificateur Ridge et le perceptron, ainsi que des techniques d’apprentissage profond telles que les réseaux neuronaux convolutifs (CNN), les réseaux neuronaux artificiels (ANN) et les unités récurrentes à portes (GRU), particulièrement adaptées aux données séquentielles.
Un modèle hybride pour améliorer la précision et l’interprétabilité
L’étude présente également un modèle composite appelé GRULogX, qui intègre les unités récurrentes à portes (GRU) à la régression logistique. Cette combinaison vise à tirer parti, d’une part, de la capacité des unités récurrentes à portes à extraire des modèles temporels dans des séries chronologiques et, d’autre part, de l’interprétation probabiliste offerte par la régression logistique. Pour valider ses performances, l’équipe a utilisé un ensemble de données réelles de diagnostic de défaillances, ce qui permet d’approcher les résultats de scénarios d’application pratique.
Parmi les modèles évalués, l’approche proposée GRULogX se distingue en atteignant une précision de 99 %, tout en affichant des valeurs élevées de précision et d’exhaustivité. Cette conception de modèles renforce la détection précoce des défaillances, facilitant les stratégies de maintenance prédictive et contribuant à améliorer la disponibilité et la sécurité des véhicules électriques. Plus largement, ces avancées répondent à la nécessité de soutenir les solutions de transport propre, en réduisant les interruptions opérationnelles et les coûts associés aux défaillances non détectées à temps.
Si vous souhaitez en savoir plus sur cette étude, cliquez ici.
Pour consulter d’autres recherches, rendez-vous sur le référentiel de l’UNEATLANTICO.
La Fondation universitaire ibéro-américaine (FUNIBER) propose des bourses pour suivre des programmes de master dans le domaine de la technologie, comme le Master en gestion stratégique en génie logiciel. Ce programme vise à former des experts capables d’intégrer des technologies de pointe, telles que l’apprentissage automatique et le développement de logiciels, dans la stratégie d’entreprise, contribuant ainsi à améliorer des processus critiques tels que la détection précoce des défaillances, l’efficacité opérationnelle et la prise de décision basée sur les données.
Franchissez une nouvelle étape dans votre carrière professionnelle. Inscrivez-vous à ce master et devenez un acteur de l’innovation technologique de demain.