T12-F01 · Sistema Autónomo de Gestión de Salud Energética en el Borde (Edge-BMS)
Código original: P-01
Condiciones: Validación técnica de la CPU/RAM disponible en los BMS actuales y aseguramiento de acceso a datasets de telemetría real.
1. Identificación de la propuesta
- Código
P-01
- Nombre de la propuesta
Sistema Autónomo de Gestión de Salud Energética en el Borde (Edge-BMS)
- Origen
Publicación o comunicación de una empresa del sector
- Línea estratégica
Arquitecturas Edge-to-Cloud y procesamiento distribuido
- Dominio
Aéreo
- Tipo de uso
Defensa
- Fecha de análisis
22/05/2024
- Responsable de la ficha
Pipeline automático - pendiente de asignación
- Estado
En análisis
2. Problema concreto
- Descripción
Los UAV (Vehículos Aéreos No Tripulados) dependen actualmente de la computación en la nube para estimar el SoH (State of Health — medida de la condición actual de la batería comparada con una nueva) y el RUL (Remaining Useful Life — tiempo o ciclos restantes antes del fallo). En entornos DDIL (comunicaciones denegadas, degradadas, intermitentes o limitadas), esta dependencia impide que el sistema proporcione diagnósticos energéticos locales, afectando la seguridad del vuelo y la planificación de misiones.
- Consecuencia principal
Incremento del riesgo de fallos críticos durante el vuelo y posible pérdida total de la aeronave por falta de predicciones fiables de autonomía restante.
- Usuario afectado
Operador
- Criticidad
Alta
- Frecuencia estimada
Continua
- Entorno de aparición
Degradado
3. Ejemplo operativo y evidencia
4. Solución propuesta
- Descripción de la solución
Implementación de un módulo de software embebido (Edge-BMS) que desplace la capacidad analítica al borde (edge computing — procesamiento cerca de la fuente), utilizando un motor híbrido de modelos físicos y aprendizaje automático optimizado.
- Datos de entrada
Series temporales de corriente, voltaje, temperatura interna y ciclos de carga/descarga previos procedentes del hardware de la batería.
- Procesamiento principal
Combinación de un modelo electroquímico simplificado (circuito equivalente) con una red neuronal ligera mediante TinyML (aprendizaje automático para microcontroladores), aplicando cuantización de modelos para reducir el consumo de memoria y CPU.
- Resultado / salida
Estimaciones locales de SoH y RUL, alertas de estado de batería autónomas y resúmenes de salud para sincronización diferida.
- Sistema, arquitectura e integración
Integración en el bus de datos del BMS (Battery Management System) y enlace con el controlador de vuelo del UAV.
- Funcionamiento resumido
1. Entrada: Captura de telemetría de batería. 2. Procesamiento: Inferencia híbrida local (Física + TinyML). 3. Resultado: Generación de alertas de salud y autonomía. 4. Integración: Notificación al controlador de vuelo y sincronización asíncrona con mando.
- Componentes funcionales
- Capa de Adquisición de Telemetría
- Motor de Estimación Híbrido (TinyML + ECM)
- Módulo de Decisión Local
- Sincronizador Diferido de Datos
5. Aportaciones concretas de SIXTEMA
6. Capacidades reales que respaldan la propuesta
- Capacidad real
IA y Soporte a la Decisión
- Proyecto / experiencia
Sistemas de detección de anomalías e identificación de patrones
- Qué demuestra
Capacidad para implementar lógica de alertas y recomendaciones automatizadas, base necesaria para el Módulo de Decisión Local del Edge-BMS
- Nivel evidencia
Alta
- Capacidad real
Arquitecturas Escalables Cloud-Native
- Proyecto / experiencia
Infraestructura para despliegue de servicios operativos en entornos distribuidos
- Qué demuestra
Experiencia en el diseño de sistemas que permiten la sincronización de datos y el intercambio seguro, aplicable a la Sincronización Diferida del sistema propuesto
- Nivel evidencia
Alta
7. Capacidades futuras o en evolución
- Capacidad futura
Arquitecturas Edge-Cloud Federadas en entornos denegados
- Proyecto / iniciativa
Desarrollo de procesamiento en el extremo de la red (Edge) con resiliencia ante comunicaciones degradadas o jamming
- Estado
En curso
- Resultado esperado
Permitirá ejecutar la inferencia de TinyML directamente en el hardware del UAV, eliminando la dependencia de la nube en entornos DDIL (comunicaciones denegadas, degradadas, intermitentes o limitadas)
8. Tecnología involucrada
- Capa / función
Inferencia en el Borde
- Tecnología / patrón
TinyML (aprendizaje automático para microcontroladores con recursos extremadamente limitados)
- Situación en SIXTEMA
Por incorporar
- Responsable / socio
Equipo interno / Socio especialista
- Capa / función
Optimización de Modelos
- Tecnología / patrón
Cuantización de modelos (reducción de precisión de pesos para minimizar consumo de memoria y CPU)
- Situación en SIXTEMA
Por incorporar
- Responsable / socio
Equipo interno / Socio especialista
- Capa / función
Modelado Físico
- Tecnología / patrón
Modelos de Circuito Equivalente (ECM) para estimación electroquímica
- Situación en SIXTEMA
Pendiente de validar
- Responsable / socio
Socio especialista en energía/electroquímica
- Capa / función
Arquitectura de Datos
- Tecnología / patrón
Edge-Cloud Federada
- Situación en SIXTEMA
Disponible parcialmente
- Responsable / socio
Equipo interno
9. Encaje con programas y marcos europeos
- Programa europeo
EDF
- Convocatoria / topic
Pendiente de búsqueda
- Marco / estándar prioritario
Nube Táctica e Inteligencia de Datos
- Valoración del encaje
Alto
- Justificación
La propuesta se alinea con las prioridades del EDF en superioridad de la información y nube táctica, desplazando el análisis al borde para operar en entornos denegados.
- Fuente de referencia
financiacion.md (Propuesta)
10. Diferenciación aportada
- Diferenciador
Integración de inteligencia en el borde con arquitectura federada
- Por qué es relevante
Permite que el UAV sea autónomo en su diagnóstico energético sin perder la capacidad de sincronizar datos con el mando cuando la conectividad se restablece
- Evidencia
Capacidades en desarrollo de Arquitecturas Edge-Cloud Federadas
- Diferenciador
Enfoque de aplicación dual (Defensa + Protección Civil)
- Por qué es relevante
La capacidad de predecir la vida útil remanente (RUL) es crítica no solo en misiones tácticas, sino también en drones de extinción de incendios o rescate
- Evidencia
Estrategia de Transferencia Tecnológica Dual de SIXTEMA
11. Actores objetivo y vías de entrada
- Actor identificado
Airbus Defence and Space
- Necesidad / interés
Mejora del sostenimiento y seguridad de vuelo de sus plataformas de UAVs tácticos
- Vía de entrada
Consorcio
- Relación actual
Existente
- Actor identificado
Indra
- Necesidad / interés
Integración de capacidades de mantenimiento predictivo local en sus sistemas de mando y control
- Vía de entrada
Tier 2
- Relación actual
Sin relación
- Actor identificado
Ministerio de Defensa / DGAM
- Necesidad / interés
Reducción de la pérdida de activos y optimización del ciclo de vida de baterías en despliegues operativos
- Vía de entrada
Convocatoria
- Relación actual
Incipiente
12. Brechas y dependencias
- Brecha / dependencia
Desconocimiento de las especificaciones técnicas (CPU/RAM) del hardware actual del BMS (sistema de gestión de baterías)
- Impacto
Riesgo de inviabilidad técnica si el hardware no soporta la ejecución de inferencia TinyML
- Cómo cubrirla
Acceso a fichas técnicas de hardware o colaboración con integradores de plataforma (ej. Airbus, Indra)
- Responsable potencial
Socio integrador / Cliente institucional
- Brecha / dependencia
Falta de experiencia interna en modelado electroquímico especializado de baterías
- Impacto
Dependencia de terceros para la creación del modelo físico base (Circuito Equivalente)
- Cómo cubrirla
Contratación de consultoría especializada o alianza con centros tecnológicos/universidades
- Responsable potencial
Socio tecnológico / Centro de investigación
- Brecha / dependencia
Acceso a datasets reales de telemetría de baterías bajo ciclos de carga dinámica
- Impacto
Imposibilidad de entrenar y validar la precisión del modelo de TinyML frente a escenarios reales
- Cómo cubrirla
Acuerdos de intercambio de datos con operadores de UAVs o fabricantes
- Responsable potencial
Ministerio de Defensa / DGAM
13. Valoración final por criterios
| Criterio | Valoración | Justificación |
|---|---|---|
| Relevancia del problema | Alta | Impacta directamente en la seguridad del vuelo y la toma de decisiones go/no-go en entornos DDIL. |
| Calidad de la evidencia | Media | Consistente entre fuentes, aunque el registro carece de los metadatos detallados de las referencias. |
| Encaje con SIXTEMA | Alta | Alineado con la estrategia de Arquitecturas Edge-Cloud Federadas en entornos denegados. |
| Capacidades reales disponibles | Media | Fuerte en C2 y Edge, pero con brecha en el dominio electroquímico de baterías. |
| Diferenciación | Alta | Propone un enfoque híbrido (Físico + TinyML) optimizado para restricciones SWaP frente a modelos en la nube. |
| Encaje europeo | Alta | Alineado con prioridades del EDF en Nube Táctica e Inteligencia de Datos. |
| Actor o vía de entrada identificada | Media | Identificados integradores (Airbus, Indra) y organismos públicos, pero sin relación formal establecida. |
| Potencial dual | Alta | Transferible a drones de protección civil, incendios y otros activos tácticos autónomos. |
| Madurez preliminar | Baja | Estado 'Prototype'; requiere validación en hardware real bajo restricciones SWaP. |
| Cobertura brecha tecnológica | Alta | Resuelve la dependencia crítica de conectividad centralizada para el cálculo de SoH y RUL. |
| Autonomía respecto a socios | Media | Dependencia alta de los fabricantes del hardware del BMS para la integración final. |
| Viabilidad preliminar | Media | Técnicamente plausible mediante TinyML, condicionada a la capacidad del hardware existente. |
14. Decisión y conclusión final
- Resultado
Avanzar con condiciones
- Condiciones para avanzar
Validación técnica de la CPU/RAM disponible en los BMS actuales y aseguramiento de acceso a datasets de telemetría real.
- Validaciones pendientes
Confirmar si el hardware actual permite actualizaciones de firmware para ejecutar TinyML o requiere cambio físico; validar precisión del modelo ante climas extremos.
- Próximo hito
Búsqueda de socio tecnológico experto en electroquímica y contacto con integradores de plataforma para auditoría de hardware.
- Síntesis
Solución crítica para eliminar la dependencia de la nube en el cálculo de salud de baterías (SoH/RUL) de UAVs en entornos DDIL. Encaja perfectamente con la estrategia Edge de SIXTEMA y tiene alto potencial en fondos EDF. La viabilidad depende estrictamente de que el hardware del BMS soporte inferencia ligera (TinyML).
15. Fuentes y trazabilidad
Sin referencias registradas.Evidencias del clúster: ev_0001, ev_0002, ev_0006