مقالة منهجية

سير عمل قابل للتكرار للتعلم العميق للتنبؤ بأداء بطاريات ليثيوم-أيون باستخدام بيانات الدورات متعددة القنوات

DOI:

10.3791/71903

⸱

أغسطس 14, 2026

 , 
1Faculty of Science, Department of Physics, Southern University of Science and Technology, 2Homerton College, University of Cambridge

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول سير عمل قابل للتكرار للتعلم العميق باستخدام بيانات الدوران متعدد القنوات وميزات هندسية للتنبؤ بحالة الصحة، والعمر النافع المتبقي، وأداء تخزين الطاقة لبطارية ليثيوم-أيون.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقدم هذا البروتوكول سير عمل قابلاً للتكرار يعتمد على التعلم العميق للتنبؤ بأداء بطاريات ليثيوم-أيون باستخدام بيانات دورات متعددة القنوات. ولمعالجة القصور في النماذج الحالية المعتمدة على البيانات فيما يتعلق بتكامل المعلومات من مصادر متعددة وتمثيل الميزات، تستخدم هذه الطريقة خمس مجموعات بيانات عامة للبطاريات. وتشمل المدخلات إشارات التشغيل الخام، بما في ذلك الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، والكفاءة الكولومبية وكفاءة الطاقة، بالإضافة إلى ميزات هندسية مثل السعة المتزايدة، والجهد التفاضلي، وإنتاجية الطاقة. ويفصل البروتوكول إجراءات المعالجة المسبقة الموحدة لبناء موترات زمنية على مستوى البطارية عبر نوافذ ملاحظة متعددة. ولتحسين قابلية التكرار، يقيم سير العمل بنيات الشبكات العصبية المرشحة، بما في ذلك الشبكات العصبية العميقة، والشبكات العصبية التلافيفية (CNNs)، وشبكات الذاكرة القصيرة المدى الطويلة (LSTM)، ونظام CNN–LSTM، والنماذج القائمة على المحولات (transformer)، وذلك باستخدام بذور عشوائية ثابتة، وعمليات تقييم متكررة، وتتبع للبيئة البرمجية. وأظهرت النتائج الممثلة أن بنية CNN–LSTM مع البيانات متعددة القنوات المدمجة والميزات الهندسية حققت أداءً تنبؤياً جيداً من بين النماذج التي تم تقييمها. حيث حقق التكوين المختار متوسط خطأ مطلق قدره 0.024 وقيمة R2 بلغت 0.955 لتقدير حالة الصحة (state-of-health)، مع الحفاظ على أداء تنبؤي عالٍ لتقدير العمر النافع المتبقي والطاقة القابلة للتفريغ. كما أثبتت تحليلات الاستئصال والمتانة مساهمة تكامل الميزات متعددة القنوات واستقرار سير العمل المرتكز على قابلية التكرار عبر التقييمات المتكررة. توفر هذه المنهجية الموحدة إطاراً قابلاً للتكرار لإدارة دورة حياة البطارية والنمذجة التنبؤية تحت ظروف تشغيل متنوعة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعد بطاريات ليثيوم-أيون مركزية في التحول العالمي نحو الطاقة المتجددة نظرًا لكثافة طاقتها العالية، وعمر دورتها الممتد، ومعدلات التفريغ الذاتي المنخفضة في تطبيقات تتراوح من الإلكترونيات المحمولة إلى أنظمة تخزين الطاقة على نطاق الشبكة. ومع ذلك، يؤدي التشغيل المطول حتمًا إلى تدهور تدريجي في السعة وزيادة في المقاومة الداخلية1. وهذا التراجع في الأداء لا يقلل من الجدوى الاقتصادية فحسب، بل يؤدي أيضًا إلى مخاطر سلامة شديدة، بما في ذلك الهروب الحراري. ومع استمرار تسارع نشر أنظمة تخزين الطاقة واسعة النطاق، أصبحت إدارة دورة حياة البطارية معقدة بشكل متزايد2. وتعتبر بروتوكولات المراقبة القائمة على العتبات التقليدية والفحص اليدوي غير كافية لبيئات التشغيل الديناميكية3. علاوة على ذلك، فإن الاعتماد على معلمة واحدة غير كافٍ للتنبؤ الدقيق بحالة الصحة (SOH) للبطارية أو العمر النافع المتبقي (RUL) في ظل تقلب معدلات الشحن والتفريغ، ودرجات الحرارة المحيطة، وتغيرات جهد التفريغ4. ورغم أن سير العمل الحالي قد تم التحقق من صحته بشكل أساسي باستخدام مجموعات بيانات دورية مضبوطة مختبريًا، فإن البنية متعددة القنوات وإطار النمذجة الزمنية قد يدعمان التكيف المستقبلي مع ظروف التشغيل الديناميكية التي تواجه تطبيقات المركبات الكهربائية والبيئات البيئية المتغيرة.

يعد تدهور البطارية عملية كهروكيميائية غير خطية ومعقدة للغاية، تحركها زيادة طبقة الواجهة البينية للإلكتروليت الصلب، وفقدان الليثيوم النشط، والتدهور الهيكلي لمواد القطب الكهربائي. تاريخياً، اعتمد تقدير الحالة على نماذج الدوائر المكافئة أو المعادلات التفاضلية الجزئية (PDEs) الفيزيائية-الكهروكيميائية5. ورغم أن هذه النماذج الفيزيائية توفر رؤى ميكانيكية قيمة، إلا أنها تعاني من عبء حسابي كبير وتحديات في تحديد المعاملات عند معالجة الإشارات المقترنة متعددة القنوات. وبناءً على ذلك، فإن تنفيذها في الوقت الفعلي ضمن أنظمة إدارة البطارية (BMSs) المدمجة يواجه قيوداً شديدة بسبب حركية الانتشار المعقدة والتقلبات البيئية تحت ظروف التفريغ عالية المعدل6. وفي المقابل، يركز سير عمل التعلم العميق (DL) المقترح معظم الطلب الحسابي في مرحلة التدريب غير المتصلة بالإنترنت، بينما يقوم النموذج المدرب بعملية استدلال سريعة نسبياً أثناء التشغيل. لذا، قد يدعم هذا الإطار التنفيذ المستقبلي في أنظمة إدارة البطارية (BMSs) محدودة الموارد وبيئات الحوسبة الطرفية.

في الآونة الأخيرة، برزت نهج التعلم العميق (DL) المعتمدة على البيانات كأدوات قوية نظرًا لقدراتها الاستثنائية في الملاءمة غير الخطية. ومع ذلك، تظهر منهجيات التعلم العميق الحالية قصورين رئيسيين؛ أولاً، تعتمد العديد من النهج بشكل أساسي على منحنيات تدهور سعة واحدة أو عتبات محددة لجهد التفريغ، بينما تتجاهل الارتباطات الزمانية والمكانية المتأصلة بين استجابات الدورات متعددة القنوات، مثل الجهد والتيار ودرجة الحرارة. ويقلل هذا القصور من متانة النموذج في ظل سيناريوهات التشغيل متعددة الظروف7. وقد أظهرت الدراسات السابقة أن إهمال الحالات الحرارية أثناء العمليات المعقدة يمكن أن يسرع من تراكم أخطاء التنبؤ8,9. ثانيًا، يوجد تحدٍ مستمر في قابلية التكرار في تعلم الآلة (ML) التطبيقي؛ حيث تؤدي الاختلافات في الظروف التجريبية، ومسارات المعالجة المسبقة غير الموصوفة بشكل كافٍ، والمعاملات الفائقة للشبكة العصبية المختارة عشوائيًا، في كثير من الأحيان إلى فشل النماذج التي كانت متينة في الأصل أثناء التحقق من صحة مجموعة البيانات المتقاطعة10. ولتقليل مخاطر تسرب المعلومات أثناء المعالجة المسبقة والتنبؤ بالدورات المبكرة، يشتق سير العمل المقترح عوامل قياس التطبيع وخطوط الأساس للميزات الهندسية حصريًا من مجموعات بيانات التدريب قبل التحقق الخارجي والتقييم المتقاطع لمجموعات البيانات.

لمعالجة هذه الثغرات الحرجة، يهدف هذا البروتوكول بشكل عام إلى تقديم سير عمل مؤتمت وعالي القابلية للتكرار باستخدام التعلم العميق (DL) للتنبؤ بأداء تخزين الطاقة في بطاريات ليثيوم-أيون باستخدام بيانات الدورات متعددة القنوات. وتعتمد الفلسفة الكامنة وراء هذه الطريقة على الالتقاط الصريح للاعتماديات طويلة المدى والمعقدة المرتبطة بتدهور البطارية من خلال دمج بيانات السلاسل الزمنية متعددة الأنماط ضمن بنية شبكة عصبية عالية الأبعاد. وتتمثل الميزة الرئيسية لهذا البروتوكول مقارنة بالنهج الحالية القائمة على الفيزياء والتعلم العميق في التقييس الشامل، الذي يؤسس مسار عمل متكامل يمتد من المعالجة المسبقة للإشارات الخام، وهندسة الميزات، وتدريب النموذج، وصولاً إلى تقييم عدم اليقين. وعلى الرغم من أن بنيات الشبكات العصبية الهجينة قد تم بحثها سابقاً، إلا أن سير العمل الحالي يركز على التكامل المعياري متعدد القنوات من خلال مواءمة متغيرات الدورات الكهروكيميائية مع ميزات التدهور المهندسة ضمن إطار تدريبي يركز على القابلية للتكرار. وبخلاف العديد من سير العمل المبلغ عنها سابقاً، يتضمن هذا البروتوكول تكوينات معيارية للمعاملات، وبذور عشوائية ثابتة، وتشغيلات تقييم متكررة، وتتبعاً شاملاً للبيئة لتحسين القابلية للتكرار عبر مجموعات بيانات البطاريات وبيئات المختبرات غير المتجانسة. بالإضافة إلى ذلك، يقارن سير العمل بشكل منهجي بين بنيات متعددة للشبكات العصبية لتقييم استقرار التنبؤ والأداء عبر تكوينات إدخال مختلفة. وضمن مجموعات البيانات والإعدادات التجريبية التي تم تقييمها، أظهرت بنية الشبكة العصبية التلافيفية والذاكرة قصيرة المدى المطولة (CNN–LSTM) أداءً تنبؤياً واعداً مقارنة بنماذج CNN المنفردة والنماذج القائمة على المحولات (transformer-based) التي خضعت للتقييم، وذلك من خلال الجمع بين استخراج الميزات المحلية ونمذجة التسلسلات الزمنية طويلة المدى مع الحفاظ على تعقيد حسابي متوسط. ويعد هذا البروتوكول مناسباً جداً للباحثين والمهندسين الذين يسعون إلى تطوير نماذج تنبؤية قابلة للتكرار ومتكيفة مع البيئة لإدارة دورة حياة البطارية.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم تكن الموافقة الأخلاقية المؤسسية مطلوبة لهذه الدراسة لأن البحث استخدم حصرياً مجموعات بيانات دورات بطارية ليثيوم-أيون المتاحة للعموم، ولم يتضمن مشاركين بشريين، أو حيوانات تجارب، أو عينات بيولوجية.

1. جمع البيانات وتنظيمها

  1.  الحصول على مجموعات بيانات الدورات متعددة القنوات
    1. قم بتنزيل مجموعات بيانات دورات بطاريات الليثيوم-أيون من مستودعات البطاريات المتاحة علنًا والتي تحتوي على سجلات دورات الشحن والتفريغ. احصل على مجموعات بيانات CALCE وSANYO وPANASONIC وKOKAM وGOTION مباشرة من مستودعات الوصول المفتوح المؤسسية الخاصة بها أو عبر روابط معرفات الكائنات الرقمية لضمان اتساق إصدارات مجموعات البيانات.
    2. اختر عينات البطاريات التي تحتوي على أعداد دورات كاملة، وقياسات السعة، ومنحنى شحن وتفريغ مستمر واحد على الأقل. تحقق من الاستمرارية من خلال التأكد من عدم حدوث أي انقطاع يتجاوز ساعتين خلال الدورة الواحدة، وأن مراحل التيار الثابت والجهد الثابت مسجلة بالكامل.
  2. تصفية سجلات الدورات الخام
    1. قم بتصفية سجلات الدورات الخام للاحتفاظ بالعينات التي تحتوي على قياسات درجة الحرارة، والمقاومة الداخلية، والكفاءة الكولومبية، وكفاءة الطاقة. استبعد خلايا البطاريات التي تفتقر إلى هذه القنوات الإلزامية للحالة من سير عمل التحليل، لأن دمج الميزات متعدد القنوات اللاحق يتطلب مجموعة كاملة من متغيرات الإدخال الفيزيائية.
    2. قم بإزالة الدورات التي تحتوي على سجلات غير كاملة، أو طوابع زمنية غير متسقة، أو إجراءات اختبار غير محددة، أو شروط إنهاء شحن وتفريغ غير واضحة. عَرِّف الدورات الشاذة بأنها تلك التي تظهر انخفاضات مفاجئة في السعة تتجاوز 5% بين الدورات المتجاورة، أو قياسات جهد خارج نطاق التشغيل الخاص بالكيمياء المستخدمة، أو فترات زمنية غير رتيبة.
  3. بناء قاعدة بيانات زمنية للبطاريات
    1. نظم سجلات الدورات المحتفظ بها زمنياً لبناء قاعدة بيانات السلاسل الزمنية على مستوى البطارية.
    2. خزن مجموعات البيانات المعالجة باستخدام تنسيق البيانات الهرمي الإصدار 5 (HDF5). حافظ على هيكل دليل قياسي منظم حسب مصدر مجموعة البيانات، والنظام الكيميائي، والمعرف الخاص بكل خلية بطارية.
    3. خصص معرفات فريدة لكل خلية بطارية قبل تقسيم مجموعة البيانات. نفذ عملية التجميع بناءً على معرف خلية البطارية أثناء تقسيم بيانات التدريب والاختبار لضمان بقاء جميع الدورات المتتابعة لبطارية فيزيائية واحدة حصرياً ضمن مجموعة فرعية واحدة من البيانات.
      ​ملاحظة: حافظ على مجموعات البيانات الخام الأصلية بشكل منفصل قبل إجراء المعالجة المسبقة، أو التسوية، أو إعادة أخذ العينات، أو هندسة الميزات.
  4. تحديد نوافذ الملاحظة
    1. قم ببناء نوافذ ملاحظة متعددة القنوات باستخدام أول 50 دورة، وأول 100 دورة، وأول 20% من إجمالي دورة حياة البطارية. احسب عتبة الـ 20% من دورة الحياة عن طريق ضرب إجمالي عمر الدورات قبل تدهور السعة في نهاية العمر الافتراضي في 0.2.
    2. قم بمحاذاة قياسات الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، والكفاءة داخل كل نافذة ملاحظة قبل بناء الموتر (tensor).
    3. نسق هيكل الإدخال النهائي كموتر ثلاثي الأبعاد يتكون من طول نافذة الملاحظة، و128 نقطة أخذ عينات قياسية داخل الدورة، ومجموعة الميزات المرتبة متعددة القنوات.

2. المعالجة المسبقة للبيانات وهندسة الميزات

  1. المعالجة المسبقة لبيانات الدورات الخام
    1. إجراء معالجة مسبقة موحدة على مجموعات بيانات الدورات الخام لتوحيد جودة البيانات عبر جميع مصادر البطاريات. يتم تنفيذ كافة إجراءات المعالجة المسبقة والمزامنة والتوحيد باستخدام Python 3.10 مع مكتبة Pandas لمعالجة السلاسل الزمنية ومكتبة SciPy للاستكمال العددي.
    2. إزالة القيم المتطرفة، والكشف عن القيم المفقودة، ومعايرة الطوابع الزمنية، وتحديد مراحل الشحن والتفريغ، وتوحيد ترددات أخذ العينات قبل التحليل اللاحق. يتم تطبيق طريقة عتبة Z-score المعدلة مع معيار رفض أكبر من 3.0 للكشف عن الشذوذ.
    3. الكشف عن القيم المفقودة تلقائياً باستخدام تحديد علامة NaN عبر جميع المصفوفات العددية. يتم التمييز بين مرحلتي الشحن والتفريغ وفقاً لقطبية التيار عن طريق تعيين قيم التيار الموجبة لدورات الشحن وقيم التيار السالبة لدورات التفريغ.
    4. إعادة بناء مقاطع الإشارات المفقودة باستخدام متعددات حدود هيرميت الاستكمال التكعيبية المجزأة للحفاظ على الديناميكيات الزمنية الكهروكيميائية أثناء محاذاة انتقال المرحلة.
  2. إعادة أخذ عينات منحنيات الدورات
    1. إعادة أخذ عينات منحنيات الدورات عند اكتشاف تغيرات في كثافة أخذ العينات أو انزياح في الإشارة عبر مجموعات البيانات. يتم تفعيل إعادة أخذ العينات التلقائي كلما انحرف الفاصل الزمني بين القياسات المتتالية بأكثر من 10% بالنسبة لمتوسط تردد أخذ العينات في مرحلة الدورة المقابلة.
    2. توحيد عدد نقاط أخذ العينات داخل كل دورة لتقليل التباين في التسجيل الخاص بالمنصة. يتم إسقاط جميع التسلسلات الزمنية على شبكة مكانية ثابتة باستخدام الاستكمال الخطي أحادي البعد.
    3. ضغط أو توسيع كل ملف تعريف للشحن والتفريغ إلى 128 نقطة أخذ عينات متساوية المسافات تماماً قبل بناء الموتّر.
  3. تطبيع المتغيرات المستمرة
    1. تطبيع جميع المتغيرات المستمرة قبل تدريب النموذج لتحقيق استقرار تقارب الشبكة وتقليل الانحياز المرتبط بالمقياس. يتم تطبيق قياس Min-Max لتحويل جميع المتغيرات المستمرة إلى نطاق عددي بين 0 و 1.
    2. حساب جميع معاملات التطبيع حصرياً من مجموعة بيانات التدريب. يتم تطبيق معاملات القياس المجمدة على مجموعات بيانات التحقق والاختبار لتقليل مخاطر تسرب البيانات الزمنية الأمامية أثناء التنبؤ بالدورات المبكرة.
  4. بناء موتّرات إدخال متعددة القنوات
    1. تقسيم سجلات الدورات المستمرة لكل بطارية إلى مقاطع زمنية ثابتة الطول. يتم هيكلة المقاطع الزمنية وفقاً لنوافذ الملاحظة المحددة مسبقاً والتي تقابل أول 50 دورة، أو أول 100 دورة، أو أول 20% من دورة حياة البطارية.
    2. محاذاة قياسات الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، والكفاءة داخل كل مقطع زمني قبل بناء الموتّر.
    3. دمج مصفوفات الميزات المحاذات في موتّر ثلاثي الأبعاد بتنسيق (N × 128 × C)، حيث تمثل N طول نافذة الملاحظة، و 128 تشير إلى نقاط أخذ العينات الموحدة داخل الدورة، وتمثل C العدد الإجمالي لقنوات الميزات الفيزيائية والهندسية.
  5. استخراج الميزات الهندسية
    1. استخراج الميزات الكهروكيميائية الهندسية من إشارات الدورات الخام لتحسين تحديد أنماط التدهور. يتم حساب ميزات السعة التزايدية والجهد التفاضلي عن طريق حساب dQ/dV و dV/dQ عبر شبكة أخذ العينات الموحدة.
    2. تطبيق ترشيح Savitzky–Golay لإنتاج منحنيات سعة تزايدية وجهد تفاضلي ملساء.
    3. استخراج مؤشرات التدهور بما في ذلك إزاحات جهد الذروة، وفروق جهد انتقال المرحلة، وتغيرات تدفق الطاقة من دورة إلى أخرى من الميزات الكهروكيميائية المرشحة.

3. بناء وتدريب نموذج التعلم العميق (DL)

  1. بناء نماذج التنبؤ المرشحة
    1. بناء إطار عمل موحد للتدريب والتقييم لجميع نماذج التنبؤ الموضحة في الشكل 1A. تنفيذ سير عمل التعلم العميق (DL) باستخدام إصدار PyTorch 2.0 أو إصدار أحدث.
    2. تنفيذ سير عمل التدريب باستخدام برمجيات Python نمطية لتحميل البيانات، وتهيئة النموذج، والتحسين، والتقييم.
    3. تجهيز نماذج خط الأساس للتعلم الآلي (ML) التقليدية، بما في ذلك نماذج الانحدار الخطي (linear regression)، والغابة العشوائية (random forest)، ونماذج أشجار القرار المعززة بالتدرج (gradient-boosted decision-tree). تهيئة نموذج الغابة العشوائية بـ 100 شجرة وعمق أقصى يبلغ 10.
    4. تهيئة إطار عمل أشجار القرار المعززة بالتدرج باستخدام معدل تعلم يبلغ 0.1 وعمق أقصى للشجرة يبلغ 5 من خلال مكتبة Scikit-learn.
    5. تجهيز بنيات التعلم العميق المرشحة، بما في ذلك الموحد المتعدد الطبقات (multilayer perceptron)، والشبكة العصبية التلافيفية أحادية البعد (one-dimensional CNN)، وشبكة LSTM، ونموذج CNN–LSTM، والنماذج القائمة على المحولات (transformer-based models).
    6. توحيد المعلمات الفائقة (hyperparameters) الأساسية عبر جميع بنيات التعلم العميق بتطبيق محسن AdamW، ودوال تنشيط Gaussian error linear unit، وبُعد خفي يبلغ 128، ومعدل إسقاط (dropout rate) يبلغ 0.2.
  2. تهيئة بنية CNN–LSTM
    1. تهيئة بنية CNN–LSTM لدمج معلومات الدورات متعددة القنوات من موترات الإدخال (الشكل 1B). بناء البنية الهجينة عن طريق ربط مستخلص الميزات التلافيفي بطبقتين متكررتين متراكمتين تحتوي كل منهما على 128 وحدة خفية.
    2. إنهاء البنية باستخدام ثلاثة رؤوس انحدار متصلة بالكامل ومتوازية للتنبؤ المتزامن بكل من حالة الصحة (SOH)، والعمر التشغيلي المتبقي (RUL)، والطاقة القابلة للتفريغ.
    3. معالجة موترات الإدخال متعددة القنوات من خلال ثلاث طبقات تلافيفية أحادية البعد متتالية بأحجام نواة (kernel sizes) تبلغ 3 و 5 و 7 لاستخراج ميزات موضعية متعددة المقاييس.
    4. تطبيق تسوية الدفعات (batch normalization) بعد كل طبقة تلافيفية لتحسين استقرار التدرج أثناء التحسين.
    5. إعادة تشكيل خرائط الميزات التلافيفية إلى تسلسلات زمنية مستمرة قبل نمذجة التسلسل.
    6. تغذية التسلسلات الزمنية المرمزة في طبقات متكررة متراكمة لالتقاط تبعيات التدهور طويلة المدى عبر نوافذ المراقبة المحددة مسبقًا.
  3. تقسيم مجموعات البيانات لتدريب النموذج
    1. تقسيم مجموعات بيانات خلايا البطاريات المعالجة إلى مجموعات فرعية للتدريب والتحقق والاختبار بنسبة 70:15:15. تنفيذ تقسيم مجموعة البيانات باستخدام قيمة بذرة عشوائية ثابتة تبلغ 42.
    2. تطبيق أخذ العينات الطبقية بناءً على كيمياء البطارية للحفاظ على توزيعات تدهور متوازنة عبر جميع المجموعات الفرعية لمجموعة البيانات.
    3. إجراء تقسيم مجموعة البيانات بدقة على مستوى خلية البطارية بدلاً من عشوائية الدورات الفردية للحفاظ على مسارات التدهور التسلسلية.
    4. الاحتفاظ بكل خلية بطارية كوحدة غير قابلة للتجزئة أثناء التقسيم لمنع تسرب المعلومات بين مجموعات البيانات.
    5. التحقق من عزل مجموعة البيانات برمجياً عن طريق حساب التقاطع لمعرفات خلايا البطاريات عبر المجموعات الفرعية للتدريب والتحقق والاختبار والتأكد من عدم وجود تداخل.
    6. تجميع مجموعة بيانات اختبار خارجية باستخدام مجموعة بيانات GOTION الكاملة لبطاريات ليثيوم حديد فوسفات (LFP) للتقييم خارج نطاق التوزيع (out-of-distribution evaluation) وتقييم التعميم عبر مجموعات البيانات.
    7. إتاحة الكود المصدري، وملفات تهيئة البيئة، وتقسيمات مجموعة البيانات المعالجة بشكل عام من خلال مستودع GitHub مخصص لدعم الشفافية المنهجية وقابلية التكرار.
  4. بدء تدريب النموذج
    1. ضبط دالة خسارة الانحدار على متوسط مربع الخطأ (mean squared error) قبل التدريب. حساب هدف التدريب العالمي عن طريق تجميع قيم الخسارة من كل هدف تنبؤ باستخدام أوزان متساوية.
    2. ضبط معدل التعلم الأولي على 1 × 10−3 واختيار حجم دفعة (batch size) يبلغ 32 أو 64 وفقاً لحجم مجموعة البيانات.
    3. استخدام حجم دفعة يبلغ 64 لمجموعات البيانات التي تحتوي على أكثر من 5,000 دورة لتحسين الاستفادة من الأجهزة. استخدام حجم دفعة يبلغ 32 لمجموعات البيانات الأصغر لتحسين استقرار التحسين.
      ملاحظة: اختر هذه المعلمات الفائقة من خلال تقييم البحث الشبكي (grid-search) الأولي لتحقيق التوازن بين سرعة التقارب واستقرار التدرج عبر نوافذ المراقبة المختلفة.
  5. تطبيق ضوابط التدريب
    1. تطبيق مجدول ديناميكي لمعدل التعلم بناءً على تغيرات خسارة التحقق. تقليل معدل التعلم بمعامل 0.5 إذا فشلت خسارة التحقق في التحسن على مدار 5 حقب (epochs) متتالية.
    2. الحفاظ على حد أدنى لمعدل التعلم يبلغ 1 × 10−5 أثناء التحسين.
    3. إيقاف تدريب النموذج بعد حد أقصى يبلغ 100 حقبة لتقليل الإفراط في الضبط (overfitting).
    4. تطبيق الإيقاف المبكر إذا لم تنخفض خسارة التحقق على مدار 15 حقبة متتالية. استعادة أوزان النموذج المقابلة لتكرار التحقق الأفضل أداءً.
  6. الحفاظ على سجلات قابلية التكرار
    1. ضبط قيمة بذرة عشوائية ثابتة تبلغ 42 قبل تهيئة النموذج وتدريبه.
    2. تطبيق البذرة العشوائية الثابتة باستمرار عبر وحدة Python العشوائية، وNumPy، والخلفية البرمجية لـ PyTorch مع تعطيل عمليات CUDA غير الحتمية.
    3. تسجيل البيئة البرمجية، وإصدارات التبعيات، وإعدادات المعلمات، وتقسيمات البيانات، ومخرجات التدريب لكل تشغيل تجريبي.
    4. تنفيذ جميع سير عمل التعلم العميق باستخدام Ubuntu 22.04 مع تسريع CUDA 11.8 على محطة عمل مجهزة بوحدة معالجة رسومات NVIDIA RTX 3090 أو أجهزة مكافئة.

figure-protocol-1
الشكل 1. سير عمل قابل للتكرار باستخدام التعلم العميق (DL) للتنبؤ بأداء بطاريات ليثيوم أيون متعددة القنوات. (A) سير عمل قابل للتكرار من البداية إلى النهاية يوضح الحصول على البيانات متعددة القنوات، والمعالجة المسبقة الموحدة، وبناء الموتر (tensor)، وتدريب النموذج، والتنبؤ بمؤشرات أداء البطارية. وتشمل ضوابط قابلية التكرار بذوراً عشوائية ثابتة، وعمليات تدريب متكررة، وتتبع المعلمات، وتسجيل البيئة. (B) بنية هجينة من CNN–LSTM تُستخدم لاستخراج الميزات متعددة القنوات، ونمذجة التسلسل الزمني، ودمج الميزات، والتنبؤ بحالة الصحة (SOH)، والعمر النافع المتبقي (RUL)، والطاقة القابلة للتفريغ. (C) مسار التقييم والنشر الذي يوضح فحص النماذج المرشحة، وتقييم المتانة، وتحسين المعلمات الفائقة، واختيار النموذج النهائي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

4. تقييم النموذج والتنبؤ بالهدف

  1. توليد تنبؤات النموذج
    1. معالجة مجموعات بيانات مجموعة الاختبار المستهدفة من خلال كل نموذج مدرب. يتم تحميل مجموعات بيانات الاختبار التي تمت معالجتها مسبقاً كموتّرات PyTorch متسلسلة قبل مرحلة الاستدلال.
    2. تنفيذ تمريرة الاستدلال الأمامية باستخدام مدير سياق لتعطيل التدرج (gradient-disabling context manager) لمنع تحديثات المعلمات غير المقصودة أثناء التقييم.
    3. توليد تنبؤات متزامنة لكل مؤشر أداء باستخدام رؤوس الانحدار المدربة.
    4. استخراج المخرجات المتزامنة من رؤوس الانحدار الثلاثة المتوازية المهيأة للتنبؤ بكل من SOH وRUL والطاقة القابلة للتفريغ.
  2. حساب أهداف التنبؤ
    1. حساب SOH من خلال مقارنة السعة المتاحة الحالية بسعة البطارية الأولية.
    2. تعريف سعة البطارية الأولية بأنها أقصى سعة تفريغ تم تسجيلها خلال أول ثلاث دورات تثبيت.
    3. حساب SOH كنسبة بين سعة الدورة الحالية والخط المرجعي للسعة الأولية المحددة.
    4. تقدير RUL من خلال تحديد العتبة التشغيلية التي تتوقف عندها سعة البطارية المستقرة.
    5. تعريف نهاية العمر الافتراضي بأنها رقم الدورة التي تنخفض عندها سعة البطارية بشكل غير قابل للاسترداد إلى أقل من 80% من السعة المقدرة الاسمية.
    6. حساب RUL كعدد الدورات المتبقية من نقطة الملاحظة الحالية إلى عتبة نهاية العمر الافتراضي المحددة.
    7. التنبؤ بالطاقة القابلة للتفريغ من ظروف التفريغ المسجلة.
    8. حساب الحقيقة الأرضية (ground-truth) للطاقة القابلة للتفريغ عن طريق التكامل العددي لحاصل ضرب جهد التفريغ وتيار التفريغ عبر فترة التفريغ باستخدام طريقة تكامل شبه المنحرف.
  3. تقييم أداء التنبؤ
    1. حساب متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المئوي المطلق (MAPE)، ومعامل التحديد (R2) لكل هدف تنبؤ.
    2. حساب جميع مقاييس التقييم باستخدام وحدة مقاييس Scikit-learn مع صيغ إحصائية معيارية.
    3. تطبيق حسابات مقاييس متطابقة عبر جميع النماذج ومجموعات البيانات وتكوينات الإدخال للحفاظ على اتساق التقييم.
    4. تجميع جميع مقاييس الأداء عبر عينات البطارية المجمعة ضمن مجموعة بيانات الاختبار المستقلة لتقييم التعميم العام للنموذج.
  4. إعداد تقارير الأداء الطبقية
    1. حساب المتوسط والانحراف المعياري لكل مقياس تقييم عبر التشغيلات التجريبية المتكررة.
    2. اشتقاق القياسات الإحصائية المذكورة في التقارير من خمس عمليات تهيئة مستقلة للنموذج.
    3. ذكر فترات الثقة 95% جنباً إلى جنب مع متوسطات مقاييس الأداء لتحديد عدم اليقين التنبؤي كمياً.
    4. مقارنة أداء النموذج عبر أطوال مختلفة لنوافذ الملاحظة وتكوينات قنوات الإدخال.
    5. تصنيف التحليل المقارن باستخدام نوافذ ملاحظة تقابل 50 دورة، و100 دورة، و200 دورة.
    6. تقييم أداء التنبؤ عبر تكوينات إدخال متعددة تتراوح من مدخلات السعة فقط إلى تكامل الموتّرات متعدد القنوات الكامل. يرجى الرجوع إلى الشكل 1C للاطلاع على سير عمل التقييم، وفحص المتانة، واختيار النشر.

5. تحليل القابلية للتكرار، والمتانة، والحساسية

  1. التحقق من قابلية التكرار والمتانة
    1. الحفاظ على تقسيمات بيانات وسير عمل لمعالجة مسبقة وإجراءات تجريبية متطابقة عبر جميع تقييمات قابلية التكرار الموضحة في الشكل 2A.
    2. حساب معامل الاختلاف لمقاييس التقييم الأساسية عبر التجارب المكررة لتقييم اتساق قابلية التكرار.
    3. تكرار جميع إجراءات التقييم باستخدام نفس سير عمل التدريب والاختبار الموحد.
    4. تهيئة كل تقييم مكرر باستخدام أوزان شبكة عشوائية مع الحفاظ على نفس إجراءات تحميل البيانات وتبديلها الحتمية.
  2. إجراء تجارب تدريب مكررة
    1. تدريب نماذج التنبؤ بشكل متكرر تحت ظروف تجريبية متطابقة باستخدام قيم بذور عشوائية ثابتة ومحددة مسبقاً لضمان تهيئة متكررة للأوزان.
    2. إجراء خمس عمليات تدريب مستقلة باستخدام تقسيمات متطابقة لمجموعة البيانات لتقليل التباين الناتج عن البيانات.
    3. حساب مقاييس الأداء النهائية عن طريق حساب متوسط مقاييس التقييم التي تم الحصول عليها من عمليات التدريب الخمس المكررة.
    4. تجميع مقاييس المتانة النهائية باستخدام درجات التقييم المتوسطة بدلاً من دمج موترات التنبؤ الخام.
  3. تقييم حساسية المعلمات الفائقة
    1. تعديل معدل التعلم، وحجم الدفعة، وأبعاد الطبقة المخفية، ونسبة الإسقاط بشكل فردي أثناء تحليل الحساسية.
    2. تقييم معدلات تعلم تتراوح من 1 × 10−4 إلى 1 × 10−2، وأحجام دفعات تتراوح من 32 إلى 128، وأبعاد مخفية تتراوح من 32 إلى 256، ونسب إسقاط تتراوح من 0.1 إلى 0.5.
    3. تسجيل التغييرات المقابلة في دقة التنبؤ بعد كل تعديل للمعلمات الفائقة.
    4. قياس تباين أداء التنبؤ باستخدام RMSE و R2.
  4. إجراء تحليل استئصال الميزات
    1. إزالة قنوات إدخال مختارة، بما في ذلك درجة الحرارة والمقاومة الداخلية ومتجهات الميزات الهندسية، من تدفق الإدخال متعدد القنوات.
    2. إجراء استئصال للميزات باستخدام استراتيجية استبعاد ميزة واحدة (leave-one-out) عن طريق إزالة مجموعة ميزة واحدة في كل مرة مع الحفاظ على بنية الإدخال متعدد القنوات المتبقية.
    3. مقارنة أداء التنبؤ الناتج بعد كل تجربة إزالة ميزات لتقييم مساهمة مجموعات الميزات الفردية في استقرار النموذج ودقته.
    4. قياس المساهمة النسبية لكل مجموعة ميزات عن طريق حساب نسبة الزيادة في متوسط الخطأ المطلق بالنسبة لنموذج الأساس متعدد القنوات المتكامل بالكامل. ارجع إلى الشكل 2B للاطلاع على سير عمل تقييم المتانة وتحليل الحساسية.

figure-protocol-2
الشكل 2. سير عمل المعالجة المسبقة الموحد، وتقييم المتانة، وتحليل الحساسية. (A) سير عمل المعالجة المسبق الموحد متعدد القنوات والذي يوضح معالجة إشارات الدورات الخام، ومعايرة الطابع الزمني، وإزالة القيم المتطرفة، وإعادة أخذ العينات، والتطبيع، ومحاذاة القنوات، وبناء الموتر. وتقارن استراتيجيات تمثيل المدخلات بين المدخلات أحادية القناة، والمدخلات الخام متعددة القنوات، والمدخلات متعددة القنوات مدمجة مع الميزات المهندسة. (B) مسار تحليل المتانة والحساسية الذي يوضح الاضطراب المنهجي للمعلمات الفائقة، وتقييم التشغيل المتكرر، وتحليل استئصال الميزات، والتحقق المتقاطع، والتحقق الخارجي لسير عمل CNN–LSTM. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

إشارات التدوير متعددة القنوات وتوزيع البيانات

تم تحليل إشارات الدورات متعددة القنوات وتوزيعات الأداء لتوصيف سلوك الاستجابة للدورات في بطاريات أيونات الليثيوم. اعتمدت الدراسة على خمس مجموعات بيانات لبطاريات أيونات الليثيوم تمثل أنظمة كيميائية متعددة، بما في ذلك أكسيد ليثيوم كوبالت (LCO)، وأكسيد نيكل كوبالت ألومنيوم (NCA)، وأكسيد نيكل منغنيز كوبالت (NMC)، وLFP (Table 1). تم دمج متغيرات الدورات الأساسية، بما في ذلك الجهد والتيار والسعة ودرجة الحرارة والمقاومة الداخلية والكفاءة الكولومبية أو كفاءة الطاقة، مع ميزات هندسية مثل خصائص السعة المتزايدة والجهد التفاضلي لإنشاء إطار توصيف متعدد القنوات. وأظهرت مخططات السعة-الجهد وتوزيعات SOH لمجموعة بيانات CALCE (Figure 3A)، ومخططات متوسط الجهد وتوزيعات SOH لمجموعة بيانات SANYO (Figure 3B)، ومسارات التقادم لمجموعة بيانات PANASONIC (Figure 3C)، والخرائط الحرارية لتطور الجهد لمجموعة بيانات KOKAM (Figure 3D)، ومخططات توزيع الجهد لمجموعة بيانات GOTION (Figure 3E) سلوكيات تدهور متميزة عبر الكيمياءات المختلفة للبطاريات التي تم تقييمها. على سبيل المثال، أظهرت مجموعة بيانات GOTION IFP20100140A خصائص جهد شبيهة بالدرجات ترتبط عادةً بأنظمة LFP، بينما أظهرت مجموعة بيانات PANASONIC NCR18650BD تدهوراً تدريجياً في السعة مصحوباً بانزياحات في مخطط الجهد أثناء الدورات طويلة المدى.

معرف مجموعة البياناتنوع البطارية / الطرازالكيمياءتنسيقعدد الخلاياإجمالي الدورات التي تم تحليلهاالنوافذ المستخدمة في بداية الدورةنقاط أخذ العينات لكل دورةقنوات الدورات الأساسيةقنوات حالة إضافيةالميزات المشتقةأهداف التنبؤ
مجموعة البيانات رقم 1بطارية CALCE LCOأوليمبوس (LCO)كيس384,216أول 50، أول 100، أول 20% من العمر الافتراضي128الجهد الكهربائي، التيار، الزمن، السعةدرجة الحرارة، المقاومة الداخليةdQ/dV، dV/dQ، مدة الشحن، طاقة التفريغحالة الصحة (SOH)، العمر التشغيلي المتبقي (RUL)، الطاقة القابلة للتفريغ
مجموعة البيانات رقم 2SANYO UR18650Eتحليل المكونات الرئيسيةأسطوانية 18650242,487أول 50، أول 100، أول 20% من العمر الافتراضي128الجهد، التيار، الزمن، السعةدرجة الحرارة، الكفاءة الكولوميةdQ/dV، ميل هضبة الجهد، كفاءة الطاقةحالة الصحة، العمر التشغيلي المتبقي، الطاقة القابلة للتفريغ
مجموعة البيانات رقم 3PANASONIC NCR18650BDNCAأسطوانية 18650425,134أول 50، أول 100، أول 20% من العمر التشغيلي128الجهد الكهربائي، التيار، الزمن، السعةدرجة الحرارة، المقاومة الداخلية، الكفاءة الكولومبيةdQ/dV، dV/dQ، مدة الشحن، الإنتاجية الطاقيةحالة الصحة (SOH)، العمر التشغيلي المتبقي (RUL)، الطاقة القابلة للتفريغ
مجموعة البيانات رقم 4KOKAM SLPB533459H4NMCكيس191,968أول 50، أول 100، أول 20% من العمر التشغيلي128الجهد، التيار، الزمن، السعةدرجة الحرارة، المقاومة الداخليةdQ/dV، مدة التفريغ، منحدر الجهدحالة الصحة (SOH)، العمر التشغيلي المتبقي (RUL)، الطاقة القابلة للتفريغ
مجموعة البيانات رقم 5GOTION IFP20100140Aجهد المجال المحليمنشوري576,482أول 50، أول 100، أول 20% من العمر الافتراضي128الجهد الكهربائي، التيار، الزمن، السعةدرجة الحرارة، المقاومة الداخلية، كفاءة الطاقةdQ/dV، مدة الثبات، طاقة الشحن/التفريغحالة الصحة، العمر التشغيلي المتبقي، الطاقة القابلة للتفريغ

الجدول 1: خصائص مجموعات بيانات بطاريات ليثيوم-أيون، ومتغيرات الدورات متعددة القنوات، والميزات المهندسة، وأهداف التنبؤ المستخدمة في سير عمل التعلم العميق القابل للتكرار. يلخص الجدول مجموعات بيانات بطاريات ليثيوم-أيون المضمنة في هذه الدراسة، بما في ذلك كيمياء البطارية، وتنسيق الخلية، وعدد الخلايا، وإجمالي الدورات التي تم تحليلها، ونوافذ الملاحظة، وكثافة أخذ العينات، ومتغيرات الدورات متعددة القنوات، والميزات الكهروكيميائية المهندسة، وأهداف التنبؤ المستخدمة لتطوير النموذج وتقييمه. الاختصارات: SOH = حالة الصحة؛ RUL = العمر النافع المتبقي؛ LCO = أكسيد ليثيوم كوبالت؛ NCA = أكسيد نيكل كوبالت ألومنيوم؛ NMC = أكسيد نيكل منغنيز كوبالت؛ LFP = فوسفات حديد الليثيوم.

figure-results-1
الشكل 3. نماذج دورات متعددة القنوات وتوزيعات الحالة الصحية للبطارية عبر مجموعات بيانات بطاريات الليثيوم أيون. (أ) نماذج السعة والجهد وتوزيعات SOH لمجموعة بيانات أكسيد ليثيوم كوبالت من CALCE. (ب) نماذج متوسط الجهد وتوزيعات SOH لمجموعة بيانات أكسيد نيكل كوبالت ألومنيوم من SANYO. (ج) مسارات التقادم وتوزيعات SOH التراكمية لمجموعة بيانات أكسيد نيكل كوبالت ألومنيوم من PANASONIC. (د) خرائط حرارية لتطور الجهد وتوزيعات عينات SOH لمجموعة بيانات أكسيد نيكل منغنيز كوبالت من KOKAM. (هـ) نماذج توزيع الجهد والعلاقات بين SOH والمقاومة الداخلية لمجموعة بيانات فوسفات حديد الليثيوم من GOTION. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الأداء التنبئي العام لتخزين الطاقة

أظهر سير العمل المقترح أخطاء تنبؤ منخفضة وأداءً تنبؤياً متسقاً في جميع مهام التقييم (الجدول 2). وبالنسبة لتقدير حالة الصحة (SOH)، حقق النموذج متوسط خطأ مطلق (MAE) قدره 0.021 في مجموعة بيانات التحقق و0.024 في مجموعة بيانات الاختبار، مع قيم R2 مقابلة بلغت 0.962 و0.955 على التوالي. وتشير هذه النتائج إلى أداء تنبؤي مستقر لتقدير صحة البطارية بشكل مستمر تحت الظروف التي تم تقييمها. كما أظهر سير العمل قدرة تنبؤية موثوقة لتقدير العمر النافع المتبقي (RUL) والطاقة القابلة للتفريغ، حيث حقق قيم R2 في مجموعة بيانات الاختبار بلغت 0.927 و0.941 على التوالي. ولمزيد من التقييم لاستقرار التنبؤ، تم حساب جميع مقاييس الأداء عبر خمس عمليات تهيئة مستقلة للنموذج باستخدام تقسيمات متطابقة لمجموعة البيانات. وظلت قيم الانحرافات المعيارية ومعاملات التباين الناتجة منخفضة عبر التقييمات المتكررة، مما يشير إلى حساسية محدودة للتهيئة العشوائية وسلوك تنبؤي مستقر تحت ظروف التدريب المتكررة. بالإضافة إلى ذلك، أظهرت فترات الثقة بنسبة 95% تباينًا ضيقًا عبر التشغيلات المتكررة، مما يدعم متانة وقابلية تكرار سير العمل متعدد القنوات المقترح.

مهمة التنبؤتقسيم مجموعة البياناتمتوسط الخطأ المطلقجذر متوسط مربع الخطأمتوسط نسبة الخطأ المطلق (%)R²
تقدير حالة الصحة (SOH)التحقق من الصحة0.0210.0292.470.962
تقدير حالة الصحة (SOH)اختبار0.0240.0332.830.955
التنبؤ بالعمر التشغيلي المتبقيالتحقق من الصلاحية18.625.98.740.938
التنبؤ بالعمر التشغيلي المتبقي (RUL)اختبار21.429.79.630.927
التنبؤ بالطاقة القابلة للتفريغالتحقق من الصلاحية0.0870.1213.180.948
التنبؤ بالطاقة القابلة للتفريغاختبار0.0940.1293.560.941

الجدول 2: أداء التنبؤ لسير عمل التعلم العميق (DL) القابل للتكرار لتقدير أداء بطارية ليثيوم-أيون عبر مجموعات بيانات التحقق والاختبار. يلخص الجدول أداء التنبؤ لسير العمل المقترح لتقدير حالة الصحة (SOH)، والتنبؤ بالعمر النافع المتبقي (RUL)، والتنبؤ بالطاقة القابلة للتفريغ باستخدام مجموعات بيانات التحقق والاختبار. تشمل مقاييس الأداء متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: SOH = حالة الصحة؛ RUL = العمر النافع المتبقي؛ MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط النسبة المئوية للخطأ المطلق.

مقارنة الأداء عبر بنيات التعلم العميق (DL)

أظهر التقييم عبر بنى الشبكات وتكوينات المدخلات المختلفة تباينًا ملحوظًا في أداء التنبؤ (الجدول 3). تظهر توزيعات RMSE قبل وبعد اختيار البنية بناءً على قابلية التكرار في الشكل 4A. أنتجت بنية الشبكة العصبية العميقة قيم MAE و RMSE أعلى نسبيًا مقارنة بالبنى القائمة على التسلسل والبنى الهجينة. وتلخص المقارنات عبر تكوينات المدخلات متعددة القنوات المختلفة في الشكل 4B. وأظهرت النماذج التي تدمج كلاً من استخراج الميزات المحلية والنمذجة الزمنية عبر الدورات دقة تنبؤية محسنة في ظل الظروف التي تم تقييمها. كما تجمعت النماذج التي أظهرت تباينًا أقل في التنبؤ عمومًا عند درجات متوسط أداء أعلى مع انحرافات معيارية منخفضة (الشكل 4C). وتوضح العلاقات بين متوسط الأداء والانحراف المعياري عبر تكوينات المدخلات التي تم تقييمها في الشكل 4D. ومن بين التكوينات المختبرة، حققت بنية CNN–LSTM أدنى قيمة MAE (0.024) وأعلى قيمة R2 (0.955) ضمن مجموعات البيانات وإعدادات التجارب التي تم تقييمها. بالإضافة إلى ذلك، أدى دمج الميزات الهندسية مع المدخلات كاملة القنوات إلى خفض MAE إلى 0.022 مع قيمة R2 بلغت 0.961، بينما أظهرت المدخلات المعتمدة على السعة فقط انخفاضًا في أداء التنبؤ.

الفئةالنموذج / تكوين المدخلاتMAERMSEMAPE (%)R²
بنية التعلم العميقDNN0.0310.0423.580.928
CNN0.0270.0373.140.941
LSTM0.0260.0363.050.944
CNN–LSTM0.0240.0332.810.955
Transformer0.0250.0342.890.951
تكوين المدخلاتالسعة فقط0.0340.0463.920.916
الجهد + التيار0.0290.0393.290.936
مدخلات متعددة القنوات كاملة0.0240.0332.830.955
متعددة القنوات + ميزات هندسية0.0220.0312.610.961

الجدول 3: مقارنة أداء التنبؤ عبر بنيات التعلم العميق وتكوينات المدخلات. يقارن الجدول أداء التنبؤ لبنيات التعلم العميق وتكوينات المدخلات المختلفة المستخدمة في سير العمل القابل للتكرار متعدد القنوات. تشمل مقاييس الأداء متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: DNN = الشبكة العصبية العميقة؛ CNN = الشبكة العصبية التلافيفية؛ LSTM = الذاكرة طويلة قصيرة المدى؛ MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط النسبة المئوية للخطأ المطلق.

figure-results-2
الشكل 4. مقارنة تعتمد على القابلية للتكرار لبنيات النماذج وتكوينات المدخلات. (A) توزيعات جذر متوسط مربع الخطأ قبل وبعد اختيار البنية بناءً على القابلية للتكرار. (B) توزيعات جذر متوسط مربع الخطأ عبر تكوينات مدخلات مختلفة قبل وبعد اختيار النموذج المستقر. (C) مقارنة بين متوسط الأداء والانحراف المعياري لبنيات النماذج المرشحة، حيث يشير اللون إلى جذر متوسط مربع الخطأ وتشير الدوائر المفتوحة إلى النماذج المستقرة المختارة. (D) مقارنة بين متوسط الأداء والانحراف المعياري لتكوينات المدخلات، حيث يشير اللون إلى جذر متوسط مربع الخطأ وتشير الدوائر المفتوحة إلى التكوينات المثلى المختارة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

توزيع الخطأ وتقييم الاتساق

تم تحليل توزيعات الخطأ المطلق لتقييم استقرار التنبؤ عبر خطوط الأساس التقليدية لتعلم الآلة (ML) وبنيات التعلم العميق (DL). أظهرت خطوط أساس تعلم الآلة التقليدية توزيعات خطأ أوسع وذيولاً ممتدة للأخطاء العالية، مما يشير إلى انخفاض الاستقرار في مهام التنبؤ بأنماط التحلل المعقدة. ومن بين نماذج التعلم العميق التي تم تقييمها، أظهرت بنية CNN–LSTM توزيعات خطأ أضيق نسبياً وذيولاً أقصر للأخطاء العالية، مما يشير إلى تحسن في تكامل استخراج الميزات المحلية ونمذجة التسلسل الزمني (الشكل 5). وقد ارتبط دمج المتغيرات المتعلقة بدرجة الحرارة، والمقاومة الداخلية، والكفاءة بانخفاضات تدريجية في تشتت خطأ التنبؤ عبر مجموعات البيانات التي تم تقييمها.

figure-results-3
الشكل 5. توزيعات الخطأ المطلق لنماذج تعلم الآلة (ML) التقليدية ونماذج التعلم العميق (DL) متعددة القنوات. توضح مخططات الكمان مقارنة لتوزيع أخطاء التنبؤ المطلقة عبر النماذج المرجعية لتعلم الآلة التقليدية، وبنى التعلم العميق، وتكوينات المدخلات متعددة القنوات. تشير الخطوط السوداء إلى متوسط الخطأ المطلق، بينما تشير الخطوط الملونة إلى المتوسط ± الانحراف المعياري. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

قابلية التكرار والمتانة عبر سيناريوهات التحقق

حافظ سير العمل على أداء تنبؤي ثابت عبر دورات التدريب المتكررة واستراتيجيات التحقق المتعددة (الجدول 4). وقد أنتجت الدورات المتكررة التي أجريت باستخدام تقسيمات بيانات ثابتة وتهيئة بذور عشوائية ثابتة مقاييس أداء مستقرة، حيث ظلت قيم R2 باستمرار فوق 0.95 مع انحرافات معيارية منخفضة في MAE. كما أظهر التقييم الإضافي باستخدام التحقق المتقاطع خماسي الطيات (five-fold cross-validation) ومجموعات بيانات التحقق الخارجية تباينًا محدودًا في الأداء عبر الظروف التجريبية المتكررة. وقد اعتمدت مرحلة التحقق الخارجي حصريًا على مجموعة بيانات GOTION، والتي ظلت مستبعدة تمامًا من إجراءات تدريب النموذج وتحسين المعلمات الفائقة (hyperparameter optimization). ونظرًا لأن مجموعة البيانات هذه تمثل كيمياء LFP وتكوين خلايا منشورية (prismatic-cell) متميزين، فقد وفر التقييم الخارجي تقديرًا صارمًا لقدرة التعميم عبر مجموعات البيانات المختلفة تحت ظروف كهرومغناطيسية وهيكلية غير متجانسة. بالإضافة إلى ذلك، أظهرت تحليلات معامل الاختلاف وتقييمات الدورات المتكررة تشتتًا تنبؤيًا منخفضًا عبر التجارب المستقلة، مما يدعم قوة وقابلية تكرار سير العمل متعدد القنوات المقترح.

إعدادات التحققمقياس الأداءالمتوسطالانحراف المعياري (SD)الحد الأدنىالحد الأقصىمعامل الاختلاف (%)
عمليات تشغيل مكررة مع تقسيم ثابت للبيانات (n = 5)MAE0.0230.00210.0210.0269.13
RMSE0.0320.00280.0290.0368.75
MAPE (%)2.760.242.483.118.7
R²0.9570.0060.9490.9640.63
عمليات تشغيل مكررة باستخدام بذور عشوائية مختلفة (n = 5)MAE0.0240.00240.0210.02710
RMSE0.0330.00310.0290.0379.39
MAPE (%)2.840.272.523.199.51
R²0.9540.0070.9460.9620.73
التحقق المتقاطع خماسي الطياتMAE0.0250.0030.0220.02912
RMSE0.0340.00340.030.03910
MAPE (%)2.950.312.573.4110.51
R²0.9510.0090.940.9610.95
التحقق الخارجيMAE0.0270.00320.0230.03111.85
RMSE0.0370.00380.0320.04210.27
MAPE (%)3.180.352.763.6711.01
R²0.9440.0110.9310.9561.17

الجدول 4: تحليل قابلية التكرار والمتانة لسير عمل التعلم العميق (DL) متعدد القنوات المقترح عبر عمليات تدريب متكررة واستراتيجيات تحقق مختلفة. يلخص الجدول أداء قابلية التكرار والمتانة لسير العمل المقترح في ظل عمليات تشغيل متكررة بتقسيمات بيانات ثابتة، وعمليات تشغيل متكررة ببذور عشوائية مختلفة، والتحقق المتقاطع خماسي الطيات، والتحقق الخارجي. تشمل مقاييس الأداء متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، ومعامل التحديد (R2)، والانحراف المعياري (SD)، ومعامل الاختلاف. الاختصارات: MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط النسبة المئوية للخطأ المطلق؛ SD = الانحراف المعياري.

حساسية المعلمات الفائقة واستئصال الميزات

أظهر تحليل حساسية المعلمات الفائقة أن أداء التنبؤ تباين باختلاف أحجام نافذة المراقبة، ودوال التنشيط، وأحجام الأبعاد الخفية، وأعماق نموذج التسلسل. ويظهر تأثير حجم نافذة المراقبة على توزيعات خطأ التنبؤ في الشكل 6A. وفي ظل الظروف التي تم تقييمها، ارتبطت نوافذ المراقبة التي تتراوح بين 100 و 200 دورة بأخطاء تنبؤ أقل، بينما أظهرت نوافذ المراقبة الأطول تحسناً متناقصاً في دقة التنبؤ. وتلخص الشكل 6B تباين التنبؤ المعتمد على دالة التنشيط؛ حيث أظهرت دوال تنشيط الوحدة الخطية المصححة (ReLU) ووحدة الخطأ الغاوسية الخطية (GELU) أخطاء تنبؤ أقل مقارنة بدوال التنشيط البديلة في ظل الظروف التي تم تقييمها. كما يوضح الشكل 6C حساسية أداء التنبؤ لحجم البعد الخفي وعمق نموذج التسلسل. وقد ارتبطت الأبعاد الخفية بقيمة 128 وطبقتين إلى ثلاث طبقات لنماذج التسلسل بتحسن في أداء التنبؤ، بينما ارتبطت البنيات الضحلة والأبعاد الخفية المختزلة بزيادة خطأ التنبؤ. علاوة على ذلك، أظهر تحليل استئصال الميزات أن إزالة الميزات الهندسية أو المتغيرات المتعلقة بالكفاءة أدى إلى زيادة متوسط الخطأ المطلق (MAE) مقارنة بالتكوين متعدد القنوات الكامل (الجدول 5)، مما يشير إلى أن المدخلات متعددة القنوات المجمعة والميزات الكهروكيميائية الهندسية ساهمت في تحسين أداء التنبؤ.

figure-results-4
الشكل 6. حساسية أداء التنبؤ لتغير المعلمات الفائقة. (A) تأثير حجم نافذة الإدخال على توزيع خطأ التنبؤ. (B) تأثير اختيار دالة التنشيط على توزيع خطأ التنبؤ. (C) خريطة حرارية توضح حساسية التنبؤ لحجم البعد الخفي وعدد طبقات نموذج التسلسل. تشير الخطوط السوداء إلى متوسط الخطأ المطلق، وتشير الخطوط الملونة إلى المتوسط ± الانحراف المعياري حيثما ينطبق ذلك. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الفئةالإعدادMAERMSEMAPE (%)R²
حجم نافذة الإدخال20 دورة0.0310.0433.740.927
50 دورة0.0260.0363.080.944
100 دورة0.0230.0322.710.957
150 دورة0.0220.0312.630.96
200 دورة0.0220.0312.590.961
250 دورة0.0230.0322.670.958
300 دورة0.0240.0332.790.955
دالة التنشيطReLU0.0230.0322.740.957
GELU0.0220.0312.610.961
Tanh0.0260.0363.050.946
Sigmoid0.0340.0473.960.918
البعد الخفي / القنوات لكل طبقة320.0280.0393.220.939
640.0240.0332.810.954
1280.0220.0312.580.961
2560.0230.0322.690.958
عدد طبقات نمذجة التسلسل10.0270.0383.140.942
20.0230.0322.730.956
30.0220.0312.60.961
40.0240.0342.860.952
استئصال الميزاتقنوات متعددة كاملة + ميزات هندسية0.0220.0312.610.961
بدون ميزات هندسية0.0240.0332.840.955
بدون درجة الحرارة0.0250.0342.930.951
بدون المقاومة الداخلية0.0260.0353.010.949
بدون المتغيرات المتعلقة بالكفاءة0.0250.0342.950.95
الجهد + التيار فقط0.0290.0393.290.936
السعة فقط0.0340.0463.920.916

الجدول 5: تحليل الحساسية لأداء النموذج في ظل إعدادات مختلفة للمعلمات الفائقة وتكوينات استئصال الميزات. يلخص الجدول آثار حجم نافذة الإدخال، ودالة التنشيط، وحجم البعد الخفي، وعمق نموذج التسلسل، واستراتيجيات استئصال الميزات على أداء التنبؤ ضمن سير عمل التعلم العميق متعدد القنوات المقترح. تشمل مقاييس الأداء متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط نسبة الخطأ المطلق؛ ReLU = وحدة خطية موزونة؛ GELU = وحدة خطية للخطأ الغاوسي.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أظهر سير عمل التعلم العميق (DL) القابل للتكرار والموصوف في هذا البروتوكول تنبؤاً دقيقاً بأداء بطارية أيونات الليثيوم باستخدام بيانات الدورات متعددة القنوات. وقد حقق سير العمل متوسط خطأ مطلق (MAE) في الاختبار قدره 0.024 وقيمة R2 تبلغ 0.955 لتقدير حالة الصحة (SOH) في ظل الظروف التجريبية التي تم تقييمها، مما يدعم فائدته المحتملة في تطبيقات إدارة دورة حياة البطارية ومراقبة تخزين الطاقة11,12,13.

تتمثل الميزة الرئيسية لهذا البروتوكول في تقليل التعقيد الحسابي مقارنة بنماذج المعادلات التفاضلية الجزئية (PDE) الكهروكيميائية-الفيزيائية التقليدية5. ورغم أن النهج القائم على الفيزياء يوفر رؤية ميكانيكية لتدهور البطارية، إلا أنه غالباً ما يواجه تحديات في تحديد المعلمات في ظل ظروف التفريغ بمعدل مرتفع وبيئات التشغيل متعددة القنوات. وفي المقابل، فإن سير العمل الحالي القائم على البيانات ينمذج سلوك التدهور غير الخطي مباشرة من بيانات الدورات دون الحاجة إلى توصيف فيزيائي صريح لكيمياء الخلية14. وضمن مجموعات البيانات والإعدادات التجريبية التي تم تقييمها، أظهرت بنية CNN–LSTM أداءً تنبؤياً محسناً مقارنة بنماذج CNN و LSTM المستقلة ونماذج المحولات (transformer) التي تم تقييمها. وقد أثبتت الدراسات الحديثة فعالية بنيات المحولات في التنبؤ بالتدهور مع تقدير عدم اليقين15، فضلاً عن قدرة شبكات CNN على التنبؤ بأعطال البطارية مع الحفاظ على الخصوصية باستخدام بيانات شحن غير متجانسة16. ومع ذلك، تم إعطاء الأولوية لبنية CNN–LSTM في سير العمل الحالي لأنها قدمت مزيجاً متوازناً من دقة التنبؤ والكفاءة الحسابية واستقرار التدريب في ظل الظروف المختبرية التي تم تقييمها. حيث قامت الطبقات الالتفافية باستخراج السمات المورفولوجية الموضعية من منحنيات الدورات، بينما قامت طبقات LSTM بنمذجة التبعيات الزمنية طويلة المدى عبر أنماط الدورات المتكررة17,18. ورغم أن البنية الهجينة تزيد من تعقيد النموذج مقارنة بهياكل الشبكة الواحدة، إلا أن المتطلبات الحسابية ظلت متوافقة مع سيناريوهات النشر العملية لأنظمة إدارة البطاريات في ظل الظروف التجريبية التي تم تقييمها. ونظراً لأن معظم التكلفة الحسابية تحدث أثناء تدريب النموذج في وضع عدم الاتصال (offline)، تظل مرحلة الاستنتاج خفيفة نسبياً، مما يدعم جدوى التنبؤ الفوري على المتن ومراقبة حالة البطارية على مستوى الحافة دون الاعتماد المستمر على الحسابات السحابية.

يعتمد أداء هذا البروتوكول بشكل قوي على عدة خطوات حاسمة في المعالجة المسبقة وتكوين المدخلات. أولاً، تعد إجراءات محاذاة التسلسلات وإعادة أخذ العينات الصارمة (الخطوة 2.2) ضرورية للحفاظ على العلاقات الزمنية بين إشارات الدورات متعددة القنوات. وقد ارتبطت التسلسلات متعددة القنوات غير المتسقة بانخفاض الاستقرار التنبؤي وزيادة خطأ النموذج خلال التقييمات الأولية. ثانياً، ساهم دمج السمات الكهركيميائية المهندسة، مثل خصائص الجهد التفاضلي، مع إشارات الدورات الخام في تحسين الأداء التنبؤي. وقد أظهر تحليل استئصال السمات قيم خطأ مطلق متوسط أقل عند الاحتفاظ بالسمات المهندسة جنباً إلى جنب مع متغيرات درجة الحرارة والمقاومة الداخلية19. بالإضافة إلى ذلك، أدى الجمع بين الواصفات الكهركيميائية المهندسة والسمات الزمنية متعددة القنوات إلى تحسين قدرة النموذج على رصد أنماط التحلل المعقدة عبر ظروف تشغيل متنوعة20,21,22. وكان من أهم الضمانات المنهجية المطبقة في هذه الدراسة هو العزل الصارم لعوامل قياس التطبيع وخطوط الأساس لهندسة السمات؛ حيث تم اشتقاق جميع معاملات التطبيع الإحصائي وحسابات السمات المهندسة حصرياً من مجموعة بيانات التدريب قبل تطبيقها على مجموعات بيانات التحقق والاختبار. وقد قلل هذا الإجراء من مخاطر تسرب المعلومات أثناء التنبؤ بالدورات المبكرة والتقييم عبر مجموعات البيانات، مما أدى إلى تحسين موثوقية وقابلية تكرار سير العمل التنبؤي.

عند تنفيذ هذا البروتوكول أو تعديله، قد تحدث حالات من عدم استقرار التدريب أو مشكلات متعلقة بالتدرج أثناء تحسين نموذج CNN–LSTM. قد تشير دوال الخسارة التي تفشل في التقارب أو تولد قيم NaN إلى حدوث انفجار في التدرج (gradient explosion) ضمن طبقات نمذجة التسلسل المتكررة. في هذه الحالات، يمكن أن يؤدي قص التدرج (gradient clipping)، أو خفض معدل التعلم الأولي من 1 × 10−3 إلى 1 × 10−4، أو زيادة حجم الدفعة (batch size) بشكل معتدل إلى تحسين استقرار التدريب من خلال تنعيم تحديثات التدرج. بالإضافة إلى ذلك، ارتبطت دوال التنشيط ReLU وGELU بتحسين انتشار التدرج مقارنة بدوال تنشيط sigmoid أو الظل الزائدي (hyperbolic tangent) أثناء نمذجة التسلسلات الزمنية العميقة. وبناءً على ذلك، قد تساعد تحليلات حساسية المعلمات الفائقة (hyperparameter-sensitivity analyses) المعروضة في هذه الدراسة الباحثين في تحسين استقرار سير العمل والأداء التنبؤي في ظل ظروف تدريب مختلفة23.

على الرغم من أداء التنبؤ الذي تم تحقيقه في ظل الظروف التي تم تقييمها، فإن هذا البروتوكول يواجه عدة قيود. فقد تم التحقق من سير العمل الحالي بشكل أساسي باستخدام مجموعات بيانات دورات التيار الثابت/الجهد الثابت الخاضعة للرقابة المختبرية. وفي التطبيقات العملية للمركبات الكهربائية، تتعرض البطاريات لسلوك شحن وتفريغ عشوائي، وأنماط تشغيل متغيرة للمستخدم، وظروف بيئية متقلبة قد تغير خصائص التحلل. وفي ظل ظروف التشغيل الديناميكية هذه، قد تواجه نماذج البطاريات المعتمدة على البيانات سيناريوهات خارج نطاق التوزيع، حيث تؤدي مسارات التحلل أو الظروف البيئية التي لم يتم رصدها مسبقاً إلى تقليل موثوقية التنبؤ. ولتحسين المتانة في بيئات النشر العملية، قد تدمج التطبيقات المستقبلية لسير العمل هذا استراتيجيات تقدير عدم اليقين، مثل التعلم العميق الدليلي (evidential DL) أو أطر انحدار الكميات (quantile-regression)، لتوفير حدود ثقة معايرة بجانب تنبؤات حالة البطارية. بالإضافة إلى ذلك، قد تساعد مناهج تكيف النطاق (domain-adaptation) والتعلم الانتقالي في جسر فجوة التوزيع بين مسارات التحلل الناتجة مختبرياً وسلوك الدورات في العالم الحقيقي24. كما قد تدعم استراتيجيات التعلم الاتحادي (Federated-learning) أو التعلم الانتقالي الموزون ديناميكياً عمليات التدريب المسبق للنموذج باستخدام مجموعات بيانات مختبرية ضخمة، يليها ضبط دقيق باستخدام بيانات تشغيل محدودة من العالم الحقيقي مع الحفاظ على خصوصية بيانات المستخدم25. ورغم أن الإطار الحالي أظهر أداءً تنبؤياً مستقراً تحت ظروف مختبرية مضبوطة، إلا أن أنظمة إدارة البطاريات (BMSs) العملية في المركبات الكهربائية يجب أن تعمل تحت أنماط تحميل ديناميكية للغاية ودرجات حرارة بيئية متقلبة. ولذلك، قد تستفيد التعديلات المستقبلية لسير العمل هذا من دمج بيانات دورات القيادة الواقعية واستراتيجيات تحديث النموذج عبر الإنترنت لتحسين موثوقية التنبؤ أثناء النشر في العالم الحقيقي.

من خلال توحيد إجراءات تقسيم البيانات، والمعالجة المسبقة، واستخراج الميزات، وتهيئة البذور العشوائية، يعمل هذا البروتوكول على تحسين قابلية التكرار ضمن تدفقات عمل تعلم الآلة (ML) المطبقة على البطاريات26. إن استراتيجية دمج الميزات متعددة القنوات وإطار التدريب الذي يركز على قابلية التكرار والمقدمين هنا قد يدعمان التطوير المستقبلي لأنظمة إدارة البطاريات (BMSs) التنبؤية لتخزين الطاقة المتجددة، ومراقبة المركبات الكهربائية، وتقييم دورة حياة البطارية على المدى الطويل.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يصرح المؤلفون بعدم وجود أي مصالح مالية متنافسة أو تضارب في المصالح.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقر المؤلفون بالدعم المؤسسي المقدم من قسم الفيزياء في جامعة جنوب العلوم والتكنولوجيا وكلية هومرتون بجامعة كامبريدج، واللتين وفرتا البيئة الأكاديمية والموارد الحسابية اللازمة لهذا البحث. كما يشكر المؤلفون المؤسسات البحثية والمساهمين الذين أتاحوا مجموعات بيانات بطاريات الليثيوم أيون ذات الوصول المفتوح للعامة، بما في ذلك CALCE وSANYO وPANASONIC وKOKAM وGOTION، مما مكن من إجراء هذا التحليل الشامل متعدد القنوات.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
مجموعة بيانات بطاريات CALCEمركز هندسة دورة الحياة المتقدمة (CALCE)، جامعة ميريلاندhttps://calce.umd.edu/battery-dataمصدر بيانات دورات بطارية ليثيوم-أيون متعددة القنوات لتدريب النموذج والتحقق من صحته
مجموعة أدوات CUDA ToolkitNVIDIAالإصدار 11.8تسريع وحدة معالجة الرسوميات (GPU) لتدريب نماذج التعلم العميق (DL)
مجموعة بيانات GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2التحقق الخارجي وتحليل تدهور البطاريات متعددة القنوات
مجموعة بيانات KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1نمذجة تدهور البطاريات متعددة القنوات والتحقق من صحتها
Matplotlibفريق تطوير Matplotlibالإصدار 3.7.1تصوير أداء النموذج، وتحليل الحساسية، ونتائج إمكانية التكرار
NumPyمطورو NumPyالإصدار 1.24.3الحسابات العددية وبناء الموترات (tensors)
مجموعة بيانات PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1مصدر بيانات الدورات متعددة القنوات واستخراج الميزات الهندسية
Pandasمطورو Pandasالإصدار 2.0.3تنظيم البيانات، والمعالجة المسبقة، وإدارة البيانات الجدولية
PyTorchمؤسسة PyTorchالإصدار 2.0.1بناء وتدريب بنيات التعلم العميق، بما في ذلك نموذج CNN–LSTM
Pythonمؤسسة برمجيات بايثون (Python Software Foundation)الإصدار 3.10.12المعالجة المسبقة للبيانات، وهندسة الميزات، وتدريب النموذج وتقييمه
مجموعة بيانات SANYO UR18650Eمستودع بيانات التنبؤات التابع لناسا (NASA Prognostics Data Repository)https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/مصدر بيانات الدورات متعددة القنوات لتقييم إمكانية التكرار والتحقق من صحة النموذج
Scikit-learnمطورو Scikit-learnالإصدار 1.2.2تنفيذ النموذج المرجعي، وتقسيم مجموعة البيانات، وحساب مقاييس الأداء

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Lu J, Xiong R, Tian J. Deep learning to estimate lithium-ion battery state of health without additional degradation experiments. Nat Commun. 2023;14:2760.
  2. Zhang H, Li Y, Zheng S. Battery lifetime prediction across diverse ageing conditions with inter-cell deep learning. Nat Mach Intell. 2025;7:270–7.
  3. Zhang Y, et al. State-of-health estimation for lithium-ion batteries via incremental energy analysis and hybrid deep learning model. Batteries. 2025;11(6):217.
  4. Liu C, et al. Deep learning for state of health estimation of lithium-ion batteries in electric vehicles: A systematic review. Energies. 2025;18(6):1463.
  5. Chen C, Wei J, Li Z. Remaining useful life prediction for lithium-ion batteries based on a hybrid deep learning model. Processes. 2023;11(8):2333.
  6. Chen B, et al. Lithium-ion battery state of health estimation based on feature reconstruction and Transformer-GRU parallel architecture. Energies. 2025;18(5):1236.
  7. Zhao W, Ding W, Zhang S, Zhang Z. Enhancing lithium-ion battery lifespan early prediction using a multi-branch vision transformer model. Energy. 2024;302:131816.
  8. Hu J, et al. Early prediction of lithium-ion battery degradation with a generative pre-trained transformer. Nat Commun. 2026;17:126.
  9. Li Y, et al. Accurate and adaptive state of health estimation for lithium-ion battery based on patch learning framework. Measurement. 2025;250:117083.
  10. Geng M, et al. Interpretable deep learning with uncertainty quantification for lithium-ion battery SOH estimation. Energy. 2025;335:138027.
  11. Li Y, et al. State-of-health prediction of lithium-ion batteries using feature fusion and a hybrid neural network model. Energy. 2025;319:135163.
  12. Zhou J, et al. Deep learning estimation of state of health for lithium-ion batteries using multi-level fusion features of discharge curves. J Power Sources. 2025;653:237781.
  13. Wang Y, et al. A comprehensive review of machine learning-based state of health estimation for lithium-ion batteries: Data, features, algorithms, and future challenges. Renew Sustain Energy Rev. 2025;224:116125.
  14. Severson KA, et al. Data-driven prediction of battery cycle life before capacity degradation. Nat Energy. 2019;4(5):383–91.
  15. Wu R, et al. Confidence-aware quantile Transformer for reliable degradation prediction of battery energy storage systems. Reliab Eng Syst Saf. 2025;260:111019.
  16. Yang H, et al. Privacy-preserving collaborative battery fault warning for massive electric vehicles by heterogeneous data from charging stations. Nat Commun. 2026;17:974.
  17. Liu Y, et al. A hybrid deep learning approach for remaining useful life prediction of lithium-ion batteries based on discharging fragments. Appl Energy. 2024;358:122555.
  18. Bockrath S, Lorentz V, Pruckner M. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles. Appl Energy. 2023;329:120307.
  19. Zhang Z, et al. Multi-cycle charging information guided state of health estimation for lithium-ion batteries based on pre-trained large language model. Energy. 2024;313:133993.
  20. Li Z, Zhang X, Gao W. State of health estimation of lithium-ion battery during fast charging process based on BiLSTM-Transformer. Energy. 2024;311:133418.
  21. Bao X, et al. Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries. Energy. 2023;278:127734.
  22. He N, et al. Early prediction of battery lifetime based on graphical features and convolutional neural networks. Appl Energy. 2024;353:122048.
  23. Rieger LH, et al. Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory. Digit Discov. 2023;2(1):112–22.
  24. Li H, et al. A cross-material lithium-ion battery state of health estimation method based on three-stage domain adaptation. Energy. 2025;139376.
  25. Han T, et al. Source-free dynamic weighted federated transfer learning for state-of-health estimation of lithium-ion batteries with data privacy. IEEE Trans Power Electron. 2024;39(11):15085–100.
  26. Rhyu J, et al. Systematic feature design for cycle life prediction of lithium-ion batteries during formation. Joule. 2025;9(5):101884.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

مقالات ذات صلة