Health inference and diagnostic architecture based on bayesian filtering and maximum likelihood estimation for electromobility and structural engineering

Abstract

Este trabajo presenta una nueva arquitectura basada en filtrado Bayesiano para sistemas de monitoreo de salud, que compensa condiciones ambientales y operacionales reales (EOVs). La arquitectura combina datos operativos, conocimiento fenomenológico y experto para mejorar la fiabilidad de los indicadores de salud (HIs) en componentes críticos. Se aplica en dos casos de estudio: monitoreo de baterías de ion-litio (LIBs) en vehículos eléctricos y aspas de turbinas eólicas (WTBs).

Para las LIBs, se desarrolla un módulo de extracción de características basado en el modelo equivalente de Thévenin, que permite estimar el estado de salud usando señales de corriente y voltaje, compensando EOVs. En las WTBs, se implementa un módulo adaptativo de compensación de temperatura y un modelo estocástico de degradación, que modela incertidumbre mediante una caracterización probabilística de sus parámetros.

Ambas implementaciones fueron validadas con datos reales. Para las LIBs, se usaron datos que simulan perfiles de conducción urbana, y para las WTBs, el sistema fue probado en condiciones operativas realistas. Los resultados demuestran que la arquitectura compensa las EOVs, mejorando la precisión de los HIs y la robustez del sistema de monitoreo. El trabajo futuro se enfocará en extender esta metodología a otras aplicaciones industriales e integrar capacidades de mantenimiento predictivo.

This work proposes a novel Bayesian filtering-based architecture for health monitoring systems capable of compensating environmental and operational variables (EOVs). The architecture fuses operational data, phenomenological insights, and expert knowledge to improve the reliability of health indicators (HIs) in critical components. The applicability of the architecture is demonstrated in two case studies: lithium-ion batteries (LIBs) in electric vehicles (EVs) and wind turbine blades (WTBs). For LIBs, a feature extraction module based on Thévenin battery model is developed, estimating the state of health (SoH) using current and voltage signals while compensating for internal impedance and environmental factors. In the WTB application, an adaptive temperature compensation module is implemented, and a stochastic degradation model is proposed, capturing the effects of vibration energy. The model incorporates uncertainties in the degradation process using Markov Chain Monte Carlo methods. Both implementations were validated with real datasets. In the LIB case, the validation process used a dataset that emulates urban driving profiles, while the WTB model was tested under standard environmental conditions. Results demonstrate that the proposed architecture effectively compensates for EOVs, improving HI estimation accuracy and the monitoring system robustness. Future work will focus on extending this approach to other industrial applications and integrating predictive maintenance capabilities.