يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

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

54 مشاهدة

⸱

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

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

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

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

لم يتطلب هذا البحث موافقة أخلاقية مؤسسية لأن الدراسة اعتمدت حصرياً على مجموعات بيانات عامة ومتاحة لدورات شحن وتفريغ بطاريات الليثيوم-أيون، ولم تتضمن مشاركين بشريين أو حيوانات تجارب أو عينات بيولوجية.

1. الحصول على البيانات وتنظيمها

  1.  الحصول على مجموعات بيانات الدورات متعددة القنوات
    1. قم بتنزيل مجموعات بيانات دورات بطاريات ليثيوم-أيون من مستودعات البطاريات المتاحة للعامة والتي تحتوي على سجلات دورات الشحن والتفريغ. احصل على مجموعات بيانات CALCE وSANYO وPANASONIC وKOKAM وGOTION مباشرة من المستودعات المؤسسية ذات الوصول المفتوح الخاصة بها أو من خلال روابط معرف الكائن الرقمي للحفاظ على 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 الساعتين ضمن الدورة الواحدة، ومن تسجيل مرحلتي التيار الثابت والجهد الثابت بشكل كامل.
  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. يتم تعريف 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 فواصل زمنية غير رتيبة في الطوابع الزمنية.
  3. بناء قاعدة بيانات زمنية للبطاريات
    1. نظم سجلات الدورات المستبقاة ترتيباً زمنياً لبناء قاعدة بيانات للسلاسل الزمنية على مستوى البطارية.
    2. قم بتخزين مجموعات البيانات المعالجة باستخدام تنسيق البيانات الهرمي الإصدار 5 (HDF5). حافظ على هيكل دليل معياري منظم حسب مصدر مجموعة البيانات، والنظام الكيميائي، والمعرف الخاص بكل خلية بطارية.
    3. قم بتعيين معرفات فريدة لخلايا البطاريات الفردية قبل تقسيم مجموعة البيانات. طبق التجميع بناءً على معرف خلية البطارية أثناء تقسيم بيانات التدريب والاختبار لضمان بقاء جميع الدورات المتتالية من بطارية فيزيائية واحدة حصرياً ضمن مجموعة فرعية واحدة من مجموعة البيانات.
      ملاحظة: احتفظ بمجموعات 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 10 دورة، وأول 20% من إجمالي دورة حياة البطارية. احسب عتبة 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 ضمن كل نافذة ملاحظة قبل بناء الموتر (tensor).
    3. قم بتنسيق هيكل الإدخال النهائي كموتر ثلاثي الأبعاد يتكون من طول نافذة الملاحظة، و128 نقطة أخذ عينات معيارية 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. تنفيذ كافة إجراءات المعالجة المسبقة والمزامنة والتوحيد باستخدام Python 3.10 مع مكتبة Pandas لمعالجة السلاسل الزمنية وSciPy للاستكمال العددي.
    2. إزالة القيم المتطرفة، واكتشاف القيم المفقودة، ومعايرة الطوابع الزمنية، وتحديد مراحل الشحن والتفريغ، وتوحيد ترددات أخذ العينات قبل التحليل اللاحق. تطبيق طريقة عتبة Z-score المعدلة معيار رفض أكبر من 3.0 للكشف عن الشذوذ.
    3. اكتشاف القيم المفقودة تلقائيًا باستخدام تحديد علامة NaN عبر جميع المصفوفات العددية. التمييز بين مراحل الشحن والتفريغ وفقًا لقطبية التيار من خلال تعيين قيم تيار موجبة لدورات الشحن وقيم تيار سالبة لدورات التفريغ.
    4. إعادة بناء مقاطع الإشارات المفقودة باستخدام متعددات حدود هيرميت التكعيبية المجزأة (piecewise cubic Hermite interpolating polynomials) للحفاظ على الديناميكيات الزمنية الكهروكيميائية أثناء محاذاة انتقال المرحلة.
  2. إعادة أخذ عينات منحنيات الدورات
    1. إعادة أخذ عينات منحنيات الدورات عند اكتشاف تباينات في كثافة أخذ العينات أو انحراف الإشارة عبر مجموعات البيانات. تفعيل إعادة أخذ العينات التلقائية كلما انحرف الفاصل الزمني بين القياسات المتتالية بنسبة تزيد عن 10% بالنسبة لمتوسط تردد أخذ العينات لمرحلة الدورة المقابلة.
    2. توحيد عدد نقاط أخذ العينات ضمن كل دورة لتقليل التباين في التسجيل الخاص بالمنصة. تعيين جميع التسلسلات الزمنية على شبكة مكانية ثابتة باستخدام الاستكمال الخطي أحادي البعد.
    3. ضغط أو توسيع كل ملف تعريف شحن-تفريغ إلى 128 نقطة أخذ عينات متساوية المسافات بالضبط قبل بناء الموتر (tensor).
  3. تطبيع المتغيرات المستمرة
    1. تطبيع جميع المتغيرات المستمرة قبل تدريب النموذج لتحقيق استقرار تقارب الشبكة وتقليل الانحياز المرتبط بالمقياس. تطبيق تحجيم Min-Max لتحويل جميع المتغيرات المستمرة إلى نطاق عددي بين 0 و1.
    2. حساب جميع معاملات التطبيع حصريًا من مجموعة بيانات التدريب. تطبيق معاملات التحجيم المجمدة على مجموعات بيانات التحقق والاختبار لتقليل مخاطر تسرب البيانات الزمنية الأمامي أثناء التنبؤ بالدورات المبكرة.
  4. بناء موترات الإدخال متعددة القنوات
    1. تقسيم سجلات الدورات المستمرة لكل بطارية إلى مقاطع زمنية ثابتة الطول. هيكلة المقاطع الزمنية وفقًا لنوافذ المراقبة المحددة مسبقًا والمقابلة لأول 50 دورة، أو أول 10 دورة، أو أول 20% من دورة حياة البطارية.
    2. محاذاة قياسات الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، والكفاءة ضمن كل مقطع زمني قبل بناء الموتر.
    3. دمج مصفوفات السمات المحاذات في موتر ثلاثي الأبعاد بتنسيق (N × 128 × C)، حيث تمثل N طول نافذة المراقبة، و128 تشير إلى نقاط أخذ العينات الموحدة داخل الدورة، وC تمثل العدد الإجمالي لقنوات السمات الفيزيائية والهندسية.
  5. استخراج السمات الهندسية
    1. استخراج السمات الكهروكيميائية الهندسية من إشارات الدورات الخام لتحسين تحديد أنماط التدهور. حساب سمات السعة المتزايدة والجهد التفاضلي عن طريق حساب dQ/dV وdV/dQ عبر شبكة أخذ العينات الموحدة.
    2. تطبيق ترشيح Savitzky–Golay لإنشاء منحنيات سعة متزايدة وجهد تفاضلي ملساء.
    3. استخراج مؤشرات التدهور بما في ذلك إزاحات جهد الذروة، وفروق جهد انتقال المرحلة، وتغيرات إنتاجية الطاقة من دورة إلى أخرى من السمات الكهروكيميائية المفلترة.

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 PyTorch الإصدار 2.0 أو أعلى.
    2. تنفيذ سير عمل التدريب باستخدام برامج Python نمطية لتحميل البيانات، وتهيئة النموذج، والتحسين، والتقييم.
    3. تجهيز نماذج التعلم الآلي (ML) التقليدية المرجعية بما في ذلك الانحدار الخطي، والغابة العشوائية، ونماذج أشجار القرار المعززة بالتدرج. تهيئة نموذج الغابة العشوائية بـ 10 شجرة وعمق أقصى يبلغ 10.
    4. تهيئة إطار عمل أشجار القرار المعززة بالتدرج باستخدام معدل تعلم 0.1 وعمق شجرة أقصى يبلغ 5 من خلال مكتبة Scikit-learn.
    5. تجهيز بنيات التعلم العميق (DL) المرشحة بما في ذلك البيرسيبترون متعدد الطبقات، والشبكات العصبية التلافيفية (CNN) أحادية الأبعاد، وشبكة LSTM، ونموذج CNN–LSTM، والنماذج القائمة على المحولات (Transformer).
    6. توحيد المعلمات التشعبية الأساسية عبر جميع بنيات التعلم العميق (DL) من خلال تطبيق محسن AdamW، ودوال تنشيط وحدة الخطأ الغاوسية الخطية (GELU)، وبعد خفي يبلغ 128، ومعدل إسقاط (dropout) قدره 0.2.
  2. تهيئة بنية CNN–LSTM
    1. تهيئة بنية CNN–LSTM لدمج معلومات الدورات متعددة القنوات من الموتّرات المدخلة (الشكل 1B). بناء البنية الهجينة عن طريق ربط مستخرج السمات التلافيفي بطبقتين متكررتين متراصتين تحتوي كل منهما على 128 وحدة خفية.
    2. إنهاء البنية باستخدام ثلاثة رؤوس انحدار متصلة بالكامل ومتوازية للتنبؤ المتزامن بـ SOH، وRUL، والطاقة القابلة للتفريغ.
    3. معالجة الموتّرات المدخلة متعددة القنوات عبر ثلاث طبقات تلافيفية أحادية الأبعاد متتالية بأحجام نواة 3 و5 و7 لاستخراج سمات محلية متعددة المقاييس.
    4. تطبيق تطبيع الدفعة (batch normalization) بعد كل طبقة تلافيفية لتحسين استقرار التدرج أثناء التحسين.
    5. إعادة تشكيل خرائط السمات التلافيفية إلى تسلسلات زمنية مستمرة قبل نمذجة التسلسل.
    6. تغذية التسلسلات الزمنية المشفرة في الطبقات المتكررة المتراصة لالتقاط اعتمادات التدهور طويلة المدى عبر نوافذ المراقبة المحددة مسبقاً.
  3. تقسيم مجموعات البيانات لتدريب النموذج
    1. تقسيم مجموعات بيانات خلايا البطارية المعالجة إلى مجموعات فرعية للتدريب والتحقق والاختبار بنسبة 70:15:15. تنفيذ تقسيم مجموعة البيانات باستخدام قيمة بذرة عشوائية ثابتة قدرها 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 تقاطع معرفات خلايا البطارية عبر المجموعات الفرعية للتدريب والتحقق والاختبار والتأكد من عدم وجود تداخل.
    6. تجميع مجموعة بيانات اختبار خارجية باستخدام مجموعة بيانات فوسفات الحديد والليثيوم (LFP) الكاملة من GOTION لتقييم خارج التوزيع وتقدير التعميم عبر مجموعات البيانات.
    7. إتاحة الكود المصدري، وملفات تهيئة البيئة، وأقسام مجموعة البيانات المعالجة للجمهور من خلال مستودع GitHub مخصص لدعم الشفافية المنهجية وقابلية التكرار.
  4. بدء تدريب النموذج
    1. ضبط دالة خسارة الانحدار على متوسط مربع الخطأ 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 32 أو 64 وفقاً لحجم مجموعة البيانات.
    3. استخدام حجم دفعة 64 لمجموعات البيانات التي تحتوي على أكثر من 5,0 دورة لتحسين الاستفادة من الأجهزة. استخدام حجم دفعة 32 لمجموعات البيانات الأصغر لتحسين استقرار التحسين.
      ملاحظة: اختر هذه المعلمات التشعبية من خلال تقييم البحث الشبكي (grid-search) الأولي لموازنة 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 لعتبة معدل التعلم يبلغ 1 × 10−5 أثناء التحسين.
    3. إيقاف تدريب النموذج بعد حد أقصى قدره 10 حقبة لتقليل الإفراط في التخصيص (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 قدرها 42 قبل تهيئة النموذج وتدريبه.
    2. تطبيق البذرة العشوائية الثابتة باستمرار عبر وحدة random في Python، وNumPy، والواجهة الخلفية لـ PyTorch مع تعطيل عمليات CUDA غير الحتمية.
    3. تسجيل بيئة البرامج، وإصدارات التبعيات، وإعدادات المعلمات، وأقسام البيانات، ومخرجات التدريب لكل تشغيل تجريبي.
    4. تنفيذ جميع سير عمل التعلم العميق (DL) باستخدام Ubuntu 22.04 مع تسريع CUDA 1.8 على محطة عمل مجهزة بوحدة معالجة رسومات NVIDIA RTX 3090 أو أجهزة مكافئة.

مخطط سير العمل المتكامل لبنية CNN-LSTM لتحليل التعلم العميق متعدد القنوات.
الشكل 1سير عمل قابل للتكرار للتعلم العميق (DL) للتنبؤ بأداء بطاريات ليثيوم-أيون متعددة القنوات. (Aسير عمل قابل للتكرار من البداية إلى النهاية يوضح عملية الحصول على البيانات متعددة القنوات، والمعالجة المسبقة الموحدة، وبناء الموتّر، وتدريب النموذج، والتنبؤ بمؤشرات أداء البطارية. وتشمل ضوابط القابلية للتكرار استخدام بذور عشوائية ثابتة، وعمليات تدريب متكررة، وتتبع المعلمات، وتسجيل البيئة.Bبنية هجينة من الشبكات العصبية التلافيفية والذاكرة الطويلة قصيرة المدى (CNN–LSTM) تُستخدم لاستخراج الميزات متعددة القنوات، ونمذجة التسلسلات الزمنية، ودمج الميزات، والتنبؤ بحالة الصحة (SOH)، والعمر النافع المتبقي (RUL)، والطاقة القابلة للتفريغ.سيخط أنابيب 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 بطارية الاختبار المستهدفة من خلال كل نموذج مدرب. يتم تحميل مجموعات بيانات الاختبار المعالجة مسبقاً كمصفوفات PyTorch المتسلسلة قبل عملية الاستنتاج.
    2. تنفيذ مرحلة الاستنتاج الأمامي 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 مع سعة البطارية الأولية.
    2. تعريف سعة البطارية الأولية بأنها أقصى سعة تفريغ تم تسجيلها خلال دورات الاستقرار الثلاث الأولى.
    3. حساب SOH كنسبة بين سعة الدورة الحالية والخط المرجعي للسعة الأولية المحددة.
    4. تقدير RUL من خلال تحديد عتبة التشغيل 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 الرصد الحالية إلى عتبة نهاية العمر الافتراضي المحددة.
    7. التنبؤ بالطاقة القابلة للتفريغ من ظروف التفريغ المسجلة.
    8. حساب الطاقة القابلة للتفريغ الفعلية (ground-truth) عن طريق التكامل العددي لحاصل ضرب جهد التفريغ وتيار التفريغ عبر فترة التفريغ باستخدام طريقة التكامل شبه المنحرف.
  3. تقييم أداء التنبؤ
    1. حساب متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ 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 المدخلات للحفاظ على اتساق التقييم.
    4. تجميع جميع مقاييس الأداء عبر عينات البطاريات المجمعة ضمن مجموعة بيانات الاختبار المستقلة لتقييم تعميم النموذج بشكل عام.
  4. تقرير الأداء الطبقي
    1. حساب المتوسط والانحراف المعياري لكل مقياس تقييم عبر جولات تجريبية متكررة.
    2. اشتقاق القياسات الإحصائية المبلغ عنها من خمس عمليات تهيئة مستقلة للنموذج.
    3. الإبلاغ عن فترات الثقة 95% جنباً إلى جنب مع مقاييس الأداء المتوسطة لقياس عدم اليقين التنبؤي.
    4. مقارنة أداء النموذج عبر أطوال مختلفة لنوافذ الرصد وتكوينات قنوات الإدخال.
    5. تصنيف التحليل المقارن باستخدام نوافذ رصد تتوافق مع 50 دورة، و10 دورة، و20 دورة.
    6. تقييم أداء التنبؤ عبر تكوينات مدخلات متعددة تتراوح من المدخلات المقتصرة على السعة فقط إلى تكامل مصفوفات متعددة القنوات الكاملة. يرجى الرجوع إلى الشكل 1C للاطلاع على سير عمل التقييم، وفحص المتانة، واختيار النشر.

5. تحليل القابلية للتكرار والمتانة والحساسية

  1. التحقق من القابلية للتكرار والمتانة
    1. الحفاظ على تقسيمات بيانات متطابقة، وسير عمل للمعالجة المسبقة، وإجراءات تجريبية موحدة عبر جميع تقييمات القابلية للتكرار الموضحة في الشكل 2A.
    2. حساب معامل الاختلاف لمقاييس التقييم الأساسية عبر التجارب المتكررة لتقدير اتساق القابلية للتكرار.
    3. تكرار جميع إجراءات التقييم باستخدام نفس سير عمل التدريب والاختبار الموحد.
    4. بدء كل تقييم مكرر باستخدام أوزان شبكة عشوائية مع الحفاظ على نفس إجراءات تحميل البيانات وتبديلها الحتمية.
  2. إجراء تجارب تدريب متكررة
    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 مجموعة بيانات متطابقة لتقليل التباين الناتج عن البيانات.
    3. حساب مقاييس الأداء النهائية عن طريق حساب متوسط مقاييس التقييم التي تم الحصول عليها من عمليات التدريب الخمس المتكررة.
    4. تجميع مقاييس المتانة النهائية باستخدام درجات التقييم المتوسطة بدلاً من دمج موترات التنبؤ الخام.
  3. تقييم حساسية المعاملات الفائقة
    1. تعديل معدل التعلم، وحجم الدفعة، وأبعاد الطبقة الخفية، 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 خفية تتراوح من 32 إلى 256، ونسب إسقاط تتراوح من 0.1 إلى 0.5.
    3. تسجيل التغييرات المقابلة في دقة التنبؤ بعد كل تعديل للمعاملات الفائقة.
    4. تحديد التباين في أداء التنبؤ كمياً باستخدام RMSE و R2.
  4. إجراء تحليل استئصال الميزات
    1. إزالة قنوات إدخال مختارة، بما في ذلك درجة الحرارة، والمقاومة الداخلية، ومتجهات الميزات المهندسة، من تدفق الإدخال متعدد القنوات.
    2. إجراء استئصال الميزات باستخدام استراتيجية "ترك ميزة واحدة" (leave-one-out) عن طريق إزالة مجموعة ميزات واحدة في كل مرة مع الحفاظ على هيكل الإدخال متعدد القنوات المتبقي.
    3. مقارنة أداء التنبؤ الناتج بعد كل تجربة إزالة ميزات لتقييم مساهمة مجموعات الميزات الفردية في استقرار النموذج ودقته.
    4. تحديد المساهمة النسبية لكل مجموعة ميزات كمياً عن طريق حساب نسبة الزيادة في متوسط الخطأ المطلق بالنسبة لنموذج الأساس متعدد القنوات المتكامل كلياً. يرجى الرجوع إلى الشكل 2B لمعرفة سير عمل تقييم المتانة وتحليل الحساسية.

مخطط سير عمل المعالجة المسبقة متعدد القنوات ومخطط تحليل CNN-LSTM لتقييم تمثيل البيانات.
الشكل 2سير عمل معياري للمعالجة المسبقة، وتقييم المتانة، وتحليل الحساسية. (Aسير عمل معياري للمعالجة المسبقة متعددة القنوات يوضح معالجة إشارات التدوير الخام، ومعايرة الطابع الزمني، وإزالة القيم المتطرفة، وإعادة أخذ العينات، والتطبيع، ومحاذاة القنوات، وبناء الموتر. وتقارن استراتيجيات تمثيل المدخلات بين مدخلات القناة الواحدة، والمدخلات الخام متعددة القنوات، والمدخلات متعددة القنوات مدمجة مع الميزات المهندسة.Bمسار تحليل المتانة والحساسية الذي يوضح الاضطراب المنهجي للمعلمات التشعبية، وتقييم التشغيل المتكرر، وتحليل استئصال الميزات، والتحقق المتقاطع، والتحقق الخارجي لسير عمل CNN–LSTM. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

إشارات التدوير متعددة القنوات وتوزيع البيانات

تم تحليل إشارات الدورات متعددة القنوات وتوزيعات الأداء لتوصيف سلوك الاستجابة للدورات في بطاريات ليثيوم-أيون. استخدمت الدراسة خمس مجموعات بيانات لبطاريات ليثيوم-أيون تمثل أنظمة كيميائية متعددة، بما في ذلك أكسيد ليثيوم كوبالت (LCO)، وأكسيد النيكل والكوبالت والألومنيوم (NCA)، وأكسيد النيكل والمنغنيز والكوبالت (NMC)، وLFP (الجدول 1). تم دمج متغيرات الدورات الأساسية، بما في ذلك الجهد والتيار والسعة ودرجة الحرارة والمقاو...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

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

شكر وتقدير

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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

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

  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.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

الوسوم

تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.