Caracterización híbrida de un dispositivo cosechador de energía

Resumen

En la actualidad, la obtención de modelos matemáticos para representar sistemas mecánicos es un área de gran interés en la ingeniería. La identificación de sistemas es el campo que se encarga de obtener estos modelos matemáticos aplicando métodos estadísticos a datos obtenidos de sistemas reales. Un sistema mecánico puede modelarse mediante ecuaciones diferenciales de segundo orden siguiendo las leyes de la física. Dichos modelos dependen de una serie de parámetros que pueden ser difíciles de medir o desconocidos. La obtención del valor óptimo de estos parámetros se denomina “estimación de parámetros” y ha sido ampliamente utilizada en distintas áreas de la ingeniería mecánica. Sin embargo, no siempre se tiene un modelo físico o no es suficientemente preciso. En dicho caso, no sólo deben estimarse los parámetros del sistema si no que se debe modelar el propio sistema, pasando a ser un problema de “identificación de sistemas”. Existen multitud de técnicas en este ámbito, siendo los modelos obtenidos de “caja negra”, es decir, los modelos son puramente matemáticos y no provienen de leyes físicas. En este ámbito, el auge de la inteligencia artificial ha supuesto una revolución, apareciendo multitud de nuevas técnicas. Entre ellas, se encuentran técnicas que combinan física con redes neuronales, buscando obtener modelos más precisos y que además sean interpretables.

En este trabajo, se propone una nueva técnica híbrida que combina la física conocida del modelo con redes neuronales para caracterizar (identificar) un dispositivo cosechador de energía. Este dispositivo tiene como objetivo convertir la energía mecánica (vibraciones) en energía eléctrica. Concretamente, la idea es colocar el cosechador en una torre de aerogenerador y obtener la energía necesaria para alimentar los sensores para realizar la monitorización de la estructura. El cosechador de energía está compuesto por tres palas con sus respectivos imanes, que giran dentro de una carcasa que alberga un bobinado. De esta forma, las palas del cosechador se moverán al vibrar el aparato y harán variar el campo magnético generándose energía eléctrica en las bobinas.

El modelado del dispositivo puede realizarse mediante la segunda ley de Newton, pero la fuerza de repulsión que aparece entre las palas debido al campo magnético es altamente no lineal y resulta muy complicada de modelar mediante leyes físicas. Por lo tanto, se propone una metodología híbrida para realizar el modelado del cosechador en la que se combinan las leyes de la física, para los términos inerciales y disipativos (mecánico y eléctrico) y una red neuronal para el término magnético. En primer lugar, se han ajustado los parámetros del modelo en base a una serie de datos de entrenamiento que consisten en señales reales de posición, velocidad, aceleración y excitación externa provenientes de ensayos en un banco de pruebas. Posteriormente, se ha validado el modelo con datos que no se habían utilizado para entrenar.

Una vez ajustado el modelo, se ha utilizado para llevar a cabo simulaciones en el tiempo de forma que puede estimarse la potencia generada ante una excitación arbitraria. Además, se ha comprobado que pueden variarse los parámetros físicos del modelo permitiendo ajustarlos convenientemente para optimizar la extracción de energía del dispositivo. En definitiva, se obtiene un modelo preciso, físicamente interpretable, optimizable y con posibilidad de simularse que permite hacer frente a las desventajas del modelado basado en física y de caja negra.