El Centro Tecnológico CTC ha desarrollado un gemelo digital de alta precisión para predecir la vida útil de las baterías de los vehículos eléctricos. Este avance tecnológico, enmarcado dentro del proyecto BATeCHAIN y desarrollado en colaboración con el clúster GIRA, permite predecir el Estado de Salud (SoH) y la Vida Útil Remanente (RUL) de las baterías utilizando únicamente datos operativos. El modelo predictivo definido por el centro cántabro ha logrado reducir el margen de error relativo al 1,3 % en la estimación del estado de salud de las celdas. Un hito que valida la eficacia de la inteligencia artificial en la optimización industrial y corrobora el expertise de CTC en este tipo de proyectos.
Para alcanzar este nivel de precisión, el equipo de investigadores del área de Industria y Energía de CTC ha diseñado un framework (marco de trabajo) modular que extrae información directamente de las señales habituales del sistema de gestión de la batería (BMS), como son la tensión, la corriente y la temperatura.
Estos indicadores básicos se procesan mediante modelos avanzados de deep learning. Una combinación tecnológica que permite al sistema «aprender» los patrones de degradación y anticipar con exactitud cuánto tiempo de vida útil le queda a la batería, sin necesidad de ensayos destructivos o paralizaciones operativas.
La robustez de esta metodología ha sido comprobada de forma exhaustiva sobre 320 celdas provenientes de tres bases de datos internacionales independientes. Además de la precisión del 1,3 % en la estimación del SoH, el sistema destaca por su excepcional capacidad de adaptación o generalización. Los investigadores de CTC han determinado que, con un entrenamiento de tan solo 10 ciclos de carga de un conjunto de baterías completamente nuevo, la herramienta es capaz de predecir su comportamiento con un margen de error del 3,3 % al 3,7 %. Toda esta compleja arquitectura predictiva se ha materializado en un prototipo funcional de gemelo digital —una réplica virtual exacta del comportamiento físico de la batería— que incluye paneles de visualización interactiva para facilitar la toma de decisiones en la industria de la automoción.
Este hito tecnológico en el sector terrestre es el resultado de una evolución estratégica fundamentada en la experiencia de CTC en el ámbito espacial. La trayectoria del Centro en la aplicación de IA a sistemas de almacenamiento comenzó con el proyecto ESA ACCELERATE, orientado a desarrollar ensayos acelerados para validar baterías de ion-litio en misiones satelitales. Mediante técnicas de machine learning y espectroscopía, el equipo logró predecir la degradación de las celdas de las baterías de ion litio y reducir los tiempos de ensayo tradicionales en un 92 %. Dicho de otra forma, se pasa de campañas de 11 meses de pruebas a apenas 6 semanas, con un error máximo del 3,03 %. Estos resultados pioneros serán presentados oficialmente por CTC en la 14th European Space Power Conference (ESPC 2026) que se celebrará en octubre en Portugal.
La hoja de ruta de CTC en investigación espacial se complementa con dos iniciativas impulsadas por la Agencia Espacial Europea. Por un lado, el proyecto ESA METHOD (2024-2026) trabaja en acelerar el ciclo de innovación de celdas comerciales para uso espacial. Por otro, el proyecto RAMBLER module se centra en el diseño de IA de muy baja exigencia computacional, adaptada a las estrictas limitaciones de memoria de plataformas satelitales, que permite monitorizar el estado de la batería a bordo y en tiempo real.
Con esta trayectoria, que abarca desde los exigentes entornos aeroespaciales hasta la competitividad de la automoción terrestre, el Centro Tecnológico CTC reafirma sus capacidades para aportar proyectos de transferencia tecnológica que permitan evolucionar a diferentes sectores. En un contexto en donde la innovación es la única vía real para competir en mercados globales, CTC transforma el conocimiento avanzado en soluciones prácticas, rentables y de alto valor añadido que garantizan la sostenibilidad industrial.
