הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

תהליך עבודה הניתן לשחזור של למידה עמוקה לחיזוי ביצועים של סוללות ליתיום-יון באמצעות נתוני מחזורי טעינה רב-ערוציים

54 צפיות

⸱

DOI:

10.3791/71903

⸱

14 באוגוסט 2026

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

במאמר זה

סיכום

פרוטוקול זה מציג תהליך עבודה הדיר של למידה עמוקה, המשתמש בנתוני מחזורים רב-ערוציים ובמאפיינים מהונדסים כדי לנבא את מצב הבריאות (state of health), את חיי המדף השימושיים הנותרים ואת ביצועי אגירת האנרגיה של סוללת ליתיום-יון.

תקציר

פרוטוקול זה מציג זרימת עבודה הניתנת לשחזור המבוססת על למידה עמוקה לחיזוי ביצועי סוללות ליתיום-יון באמצעות נתוני מחזורים רב-ערוציים. כדי להתמודד עם מגבלות במודלים קיימים מונחי נתונים הנוגעים לאינטגרציה של מידע ממקורות מרובים וייצוג מאפיינים, השיטה משתמשת בחמישה מאגרי נתונים זמינים של סוללות. הקלטים כוללים אותים תפעוליים גולמיים, הכוללים מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית, ונצילות קולומבית ואנרגטית, יחד עם מאפיינים הנדסיים כגון קיבולת רגילית (incremental capacity), מתח דיפרנציאלי ותפוקת אנרגיה. הפרוטוקול מפרט נהלי עיבוד מקדים סטנדרטיים לבניית טנזורים זמניים ברמת הסוללה על פני חלונות תצפית מרובים. כדי לשפר את יכולת השחזור, זרימת העבודה מעריכה ארכיטקטורות מועמדות של רשתות עצביות, כולל רשתות עצביות עמוקות, רשתות קונבולוציה (CNNs), רשתות זיכרון לטווח קצר ארוך (LSTM), CNN–LSTM ומודלים מבוססי Transformer, תוך שימוש בזרעים אקראיים קבועים, הרצות הערכה חוזרות ומעקב אחר הסביבה. תוצאות מייצגות הראו כי ארכיטקטורת CNN–LSTM עם נתונים רב-ערוציים משולבים ומאפיינים הנדסיים השיגה ביצועי חיזוי חיוביים בין המודלים שהוערכו. התצורה שנבחרה השיגה טעות מוחלטת ממוצעת של 0.024 וערך R2 של 0.955 עבור הערכת מצב הבריאות (state-of-health), תוך שמירה על ביצועי חיזוי גבוהים עבור הערכת חיי שימוש שנותרו ואנרגיה הניתנת לפריקה. ניתוחי אבלציה ובדיקת חוסן הדגימו עוד את התרומה של אינטגרציית מאפיינים רב-ערוצית ואת היציבות של זרימת העבודה הממוקדת בשחזור לאורך הערכות חוזרות. מתודולוגיה סטנדרטית זו מספקת מסגרת הניתנת לשחזור לניהול מחזור חיי סוללה ומידול חיזויי תחת תנאי הפעלה מגוונים.

מבוא

סוללות ליתיום-יון הן מרכזיות במעבר הגלובלי לעבר אנרגיה מתחדשת בשל צפיפות האנרגיה הגבוהה שלהן, אורך חיי מחזור ממושך ושיעורי פריקה עצמית נמוכים ביישומים הנעים מאלקטרוניקה ניידת ועד למערכות אחסון אנרגיה בקנה מידה של רשת חשמלית. עם זאת, פעולה ממושכת מובילה בהכרח לדעיקה הדרגתית של הקיבולת ולעלייה בהתנגדות הפנימית1. ירידה זו בביצועים אינה רק מפחיתה את הכדאיות הכלכלית, אלא גם מציגה סיכוני בטיחות חמורים, כולל בריחה תרמית (thermal runaway). ככל שהפריסה של מערכות אחסון אנרגיה בקנה מידה גדול ממשיכה להאיץ, ניהול מחזור החיים של הסוללה הפך למורכב יותר ויותר2. פרוטוקולי ניטור מבוססי סף ובדיקות ידניות אינם מספיקים עבור סביבות עבודה דינמיות3. יתרה מכך, הסתמכות על פרמטר בודד אינה מספקת לחיזוי מדויק של מצב הבריאות (SOH) של הסוללה או של אורך החיים השימושי הנותר (RUL) תחת שיעורי טעינה-פריקה משתנים, טמפרטורות סביבה ותנודות במתח הפריקה4. למרות שזרימת העבודה הנוכחית תוקפה בעיקר באמצעות מערכי נתונים של מחזורים מבוקרים במעבדה, הארכיטקטורה הרב-ערוצית ומסגרת המידול הזמני עשויות לתמוך בהתאמה עתידית לתנאי הפעלה דינמיים הנפגשים ביישומים של רכבים חשמליים ובסביבות סביבתיות משתנות.

התדרדרות סוללה היא תהליך אלקטרוכימי לא לינארי ומורכב ביותר, המונע על ידי צמיחת השכבה המבודדת של האלקטרוליט המוצק (solid electrolyte interphase), אובדן ליתיום פעיל והידרדרות מבנית של חומרי האלקטרודה. מבחינה היסטורית, הערכת מצב הסוללה התבססה על מודלים של מעגלים שקולים או על משוואות דיפרנציאליות חלקיות (PDEs) אלקטרוכימיות-פיזיקליות5. אף על פי שמודלים פיזיקליים אלו מספקים תובנות מכניסטיות בעלות ערך, הם סובלים מעומס חישובי ניכר ומאתגרים בזיהוי פרמטרים בעת עיבוד אותות מצומדים רב-ערוציים. כתוצאה מכך, יישומם בזמן אמת במערכות ניהול סוללה (BMSs) משובצות מוגבל מאוד בשל קינטיקת דיפוזיה מורכבת ושונות סביבתית בתנאי פריקה בקצב גבוה6. בניגוד לכך, זרימת העבודה המוצעת המבוססת על למידה עמוקה (DL) מרכזת את מרבית הדרישה החישובית בשלב האימון במצב לא מקוון (offline), בעוד שהמודל המאומן מבצע הסקה מהירה יחסית במהלך הפריסה. לכן, מסגרת זו עשויה לתמוך ביישום עתידי במערכות BMS עם משאבים מוגבלים ובסביבות מחשוב קצה (edge-computing).

לאחרונה, גישות למידה עמוקה (DL) מונחות-נתונים התגלו ככלים עוצמתיים בשל יכולות התאמה לא-ליניאריות יוצאות דופן. עם זאת, למתודולוגיות DL קיימות יש שתי מגבלות עיקריות. ראשית, גישות רבות מסתמכות בעיקר על עקומות דעיכת קיבול בודדות או על ספי שהתמך ספציפיים של מתח פריקה, תוך התעלמות מהמתאמים המרחביים-זמניים (spatiotemporal) המובנים בין תגובות מחזוריות רב-ערוציות, כגון מתח, זרם וטמפרטורה. מגבלה זו מפחיתה את חסון המודל בתרחישי הפעלה תחת תנאים מרובים7. מחקרים קודמים הראו כי התעלמות ממצבים תרמיים במהלך פעולות מורכבות עלולה להאיץ את הצטברותם של שגיאות חיזוי8,9. שנית, קיים אתגר מתמשך של הדירות (reproducibility) בלמידה ממוחשבת (ML) יישומית. שינויים בתנאי הניסוי, תהליכי עיבוד מקדים שאינם מתוארים מספיק, והיפר-פרמטרים של רשתות עצביות שנבחרו באופן שרירותי, גורמים לעיתים קרובות למודלים שבאופן אחר היו חסונים להיכשל במהלך תיקוף בין-מאגרי נתונים (cross-dataset validation)10. כדי להפחית את הסיכון לדליפת מידע במהלך העיבוד המקדימ וחיזוי מחזורים מוקדמים, זרימת העבודה המוצעת גוזרת את מקדמי קנה המידה לנורמליזציה ואת קווי הבסיס של תכונות מהונדסות (engineered-feature baselines) אך ורק ממאגרי נתוני האימון, לפני תיקוף חיצוני והערכה בין-מאגרית.

כדי להתגבר על פערים קריטיים אלו, המטרה הכללית של פרוטוקול זה היא להציג תהליך עבודה (workflow) אוטומטי ובעל הדירות גבוהה של למידה עמוקה (DL) לניבוי ביצועי אגירת אנרגיה של סוללות ליתיום-יון באמצעות נתוני מחזורי טעינה-פריקה רב-ערוציים. הרציונל מאחורי שיטה זו הוא ללכוד באופן מפורש את התלויות ארוכות הטווח המורכבות הקשורות לבלאי הסוללה, וזאת על ידי שילוב נתוני סדרות עתיות חוצות-מודליות בתוך ארכיטקטורה של רשת עצבית רב-ממדית. יתרון מרכזי של פרוטוקול זה על פני גישות קיימות מבוססות פיזיקה או DL הוא הסטנדרטיזציה ההוליסטית שלו, המבססת צינור עיבוד (pipeline) מלא המקיף עיבוד מקדים של אותות גולמיים, הנדסת מאפיינים, אימון מודלים והערכת אי-ודאות. למרות שארכיטקטורות היברידיות של רשתות עצביות נחקרו בעבר, תהליך העבודה הנוכחי מדגיש שילוב רב-ערוצי סטנדרטי על ידי סנכרון משתני מחזור אלקטרוכימיים עם מאפייני בלאי מהונדסים בתוך מסגרת אימון ממוקדת-הדירות. בניגוד לתהליכי עבודה רבים שדווחו בעבר, פרוטוקול זה משלב הגדרות פרמטרים סטנדרטיות, זרעי אקראיות (random seeds) קבועים, הרצות הערכה חוזרות ומעקב סביבתי מקיף כדי לשפר את ההדירות על פני מאגרי נתונים של סוללות וסביבות מעבדה הטרוגניות. בנוסף, תהליך העבודה משווה באופן שיטתי מספר ארכיטקטורות של רשתות עצביות כדי להעריך את יציבות הניבוי והביצועים תחת תצורות קלט שונות. בתוך מאגרי הנתונים וההגדרות הניסיוניות שנבחנו, ארכיטקטורת רשת עצבית קונבולוציונית עם זיכרון לטווח קצר-ארוך (CNN–LSTM) הראתה ביצועי ניבוי חיוביים ביחס למודלים של CNN עצמאיים ומודלים מבוססי transformer שנבחנו, וזאת על ידי שילוב של חילוץ מאפיינים מקומיים עם מידול רצפים זמניים ארוכי-טווח תוך שמירה על מורכבות חישובית מתונה. פרוטוקול זה מתאים לחוקרים ומהנדסים המבקשים לפתח מודלים חזויים, הדירים ומותאמי-סביבה לניהול מחזור החיים של סוללות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

אישור אתי מוסדי לא היה נדרש למחקר זה, כיוון שהמחקר השתמש באופן בלעדי במערכי נתונים נגישים לציבור של מחזורי סוללות ליתיום-יון ולא כלל משתפים אנושיים, נבדקים מהחי או דגימות ביולוגיות.

1. רכישת נתונים וארגונם

  1. רכישת סטים של נתוני מחזורי טעינה רב-ערוציים
    1. הורד סטים של נתוני מחזורי טעינה של סוללות ליתיום-יון ממאגרי סוללות הזמינים לציבור המכילים רשומות של מחזורי טעינה-פריקה. רכוש את סטי הנתונים של CALCE, SANYO, PANASONIC, KOKAM ו-GOTION ישירות ממאגרי הגישה הפתוחה המוסדיים שלהם או דרך קישורי מזהה אובייקט דיגיטלי (DOI) כדי לשמור על עקביות גרסאות הנתונים.
    2. בחר דגימות סוללה המכילות מספרי מחזורים מלאים, מדידות קיבולת ופחות מעקומת טעינה-פריקה רציפה אחת לפחות. וודא את הרציפות על ידי אישור שלא התרחשה הפסקה העולה על שעתיים בתוך מחזור בודד וכי שני השלבים, זרם קבוע ומתח קבוע, תועדו במלואם.
  2. סינון רשומות מחזוריות גולמיות
    1. סנן את רשומות המחזוריות הגולמיות כדי לשמור דגימות המכילות מדידות של טמפרטורה, התנגדות פנימית, יעילות קולומבית ויעילות אנרגטית. החרג מהתהליך הניתוחי תאי סוללה שחסרים בהם ערוצי מצב חובה אלו, כיוון שמיזוג מאפיינים רב-ערוצי מאוחר יותר דורש סט מלא של משתני קלט פיזיים.
    2. הסר מחזורים המכילים רשומות לא מלאות, חותמות זמן שאינן עקביות, נהלי בדיקה לא מוגדרים או תנאי סיום טעינה-פריקה לא ברורים. הגדר מחזורים חריגים ככאלה המציגים ירידות קיבולת פתאומיות העולות על 5% בין מחזורים סמוכים, מדידות מתח מחוץ לטווח התפעולי הספציפי לכימיה, או מרווחי חותמות זמן שאינם מונוטוניים.
  3. בניית מסד נתונים זמני לסוללות
    1. ארגן את רשומות המחזוריות שנשמרו באופן כרונולוגי כדי לבנות מסד נתונים של סדרות זמן ברמת הסוללה.
    2. אחסן את סטי הנתונים המעובדים באמצעות Hierarchical Data Format version 5 (HDF5). שמור על מבנה ספריות סטנדרטי המאורגן לפי מקור סטי הנתונים, המערכת הכימית ומזהה תא סוללה בודד.
    3. הקצה מזהים ייחודיים לתאי סוללה בודדים לפני חלוקת סטי הנתונים. יישם קיבוץ המבוס על מזהה תא הסוללה במהלך פיצול נתוני אימון-בדיקה כדי להבטיח שכל המחזורים הרצופים מסוללה פיזית אחת יישארו באופן בלעדי בתוך תת-ערכה אחת של מסד הנתונים.
      הערה: שמור את סטי הנתונים הגולמיים המקוריים בנפרד לפני עיבוד מקדמי, נורמליזציה, דגימה מחדש או הנדסת מאפיינים.
  4. הגדרת חלונות תצפית
    1. בנה חלונות תצפית רב-ערוציים באמצעות 50 המחזורים הראשונים, 10 המחזורים הראשונים ו-20% הראשונים מכלל מחזור החיים של הסוללה. חשב את סף 20% ממחזור החיים על ידי הכפלת אורך חיי המחזור הכולל לפני דגראדציית קיבולת של סוף החיים ב-0.2.
    2. יישר מדידות מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית ויעילות בתוך כל חלון תצפית לפני בניית הטנזור.
    3. עצב את מבנה הקלט הסופי כטנזור תלת-מדי המורכב מאורך חלון התצפית, 128 נקודות דגימה סטנדרטיות בתוך המחזור וסט מאפיינים רב-ערוצי מסודר.

2. עיבוד מקדים של נתונים והנדסת מאפיינים

  1. עיבוד מקדמי של נתוני מחזוריות גולמיים
    1. בצע עיבוד מקדמי אחיד על מערכי נתוני המחזוריות הגולמיים כדי להקטין את השונות באיכות הנתונים בין כל מקורות הסוללות. בצע את כל הליפוצעים של העיבוד המקדמי, הסנכרון והסטנדרטיזציה באמצעות Python 3.10 עם ספריית Pandas למניפולציה של סדרות זמן ו-SciPy עבור אינטרפולציה מספרית.
    2. הסר ערכים חריגים, זהה ערכים חסרים, כייל חתימות זמן, זהה שלבי טעינה-פריקה ונרמל תדרי דגימה לפני ניתוחים המשכיים. החל שיטה של סף Z-score שונה עם קריטריון דחייה הגדול מ-3.0 לזיהוי חריגות.
    3. זהה ערכים חסרים באופן אוטומטי באמצעות זיהוי דגלי NaN בכל המערכים המספריים. הבחן בין שלבי טעינה לפריקה בהתאם לקוטביות הזרם, על ידי שיוך ערכי זרם חיוביים למחזורי טעינה וערכי זרם שליליים למחזורי פריקה.
    4. שחזר מקטעי אות חסרים באמצעות פולינומי אינטרפולציית הרמיט קוביים חלקיים כדי לשמר את הדינמיקה האלקטרוכימית הזמנית במהלך יישור מעברי השלבים.
  2. דגימה מחדש של עקומות מחזוריות
    1. בצע דגימה מחדש של עקומות המחזוריות כאשר מזוהים שינויים בצפיפות הדגימה או סחיפת אות בין מערכי נתונים. הפעל דגימה מחדש אוטומטית בכל פעם שהרווח בין מדידות עוקבות חורג ביותר מ-10% ביחס לתדר הדגימה החציוני שלב המחזוריות התואם.
    2. הפוך את מספר נקודות הדגימה בתוך כל מחזור לסטנדרטי כדי להפחית שונות בהקלטה התלויה בפלטפורמה. מיפה את כל הרצפים הזמניים על גבי רשת מרחבית קבועה באמצעות אינטרפולציה ליניארית חד-מדית.
    3. דחוס או הרחב כל פרופיל טעינה-פריקה ל-128 נקודות דגימה שוות-מרחק בדיוק לפני בניית הטנזור.
  3. נרמול משתנים רציפים
    1. נרמל את כל המשתנים הרציפים לפני אימון המודל כדי לייצב את התבדרות הרשת ולהפחית הטיות הקשורות לקנה מידה. החל סקיילינג Min-Max כדי להמיר את כל המשתנים הרציפים לטווח מספרי שבין 0 ל-1.
    2. חשב את כל פרמטרי הנרמול אך ורק מתוך מערך נתוני האימון. החל את פרמטרי הסקיילינג הקפואים על מערכי נתוני התיקוף והבדיקה כדי להפחית את הסיכון לדליפת נתונים זמנית קדימה במהלך חיזוי מחזורים מוקדמים.
  4. בניית טנזורי קלט רב-ערוציים
    1. חלק את רשומות המחזוריות הרציפות עבור כל סוללה למקטעים זמניים באורך קבוע. מבנה את המקטעים הזמניים בהתאם לחלונות התצפית שהוגדרו מראש, המתאימים ל-50 המחזורים הראשונים, 10 המחזורים הראשונים, או ל-20% הראשונים של מחזור החיים של הסוללה.
    2. יישר מדידות של מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית ונצילות בתוך כל מקטע זמני לפני בניית הטנזור.
    3. שר את מטריצות התכונות המיושרות לטנזור תלת-מדי בפורמט (N × 128 × C), כאשר N מייצג את אורך חלון התצפית, 128 מציין את נקודות הדגימה הסטנדרטיות בתוך המחזור, ו-C מייצג את המספר הכולל של ערוצי התכונות הפיזיים וההנדסיים.
  5. חילוץ תכונות הנדסיות
    1. חלץ תכונות אלקטרוכימיות הנדסיות מאות המחזוריות הגולמיים כדי לשפר את זיהוי דפוסי הדגראדציה. חשב תכונות של קיבולת תגית (incremental-capacity) ומתח דיפרנציאלי על ידי חישוב dQ/dV ו-dV/dQ על פני רשת הדגימה הסטנדרטית.
    2. החל סינון Savitzky–Golay כדי להפיק עקומות חלקות של קיבולת תגית ומתח דיפרנציאלי.
    3. חלץ אינדיקטורים לדגראדציה, כולל הסטות במתח השיא, הפרשי מתח במעברי שלבים ושינויים במעבר האנרגיה ממחזור למחזור, מתוך התכונות האלקטרוכימיות המסוננות.

3. בנייה ואימון של מודל DL

  1. בניית מודלי חיזוי מועמדים
    1. בנו מסגרת סטנדרטית לאימון ולהערכה עבור כל מודלי החיזוי המוצגים ב-איור 1A. יישמו את זרימת העבודה של ה-DL באמצעות PyTorch גרסה 2.0 ומעלה.
    2. הריצו את זרימת העבודה של האימון באמצעות סקריפטים מודולריים של Python לטעינת נתונים, אתחול המודל, אופטימיזציה והערכה.
    3. הכינו מודלי בסיס (baseline) של ML מסורתי, הכוללים רגרסיה ליניארית, יער אקראי (random forest) ומודלים של עצי החלטה עם הגברה מדורגת (gradient-boosted decision-tree). הגדירו את מודל היער האקראי עם 10 עצים ועומק מקסימלי של 10.
    4. הגדירו את מסגרת עצי ההחלטה עם ההגברה המדורגת באמצעות קצב למידה של 0.1 ועומק עץ מקסימלי של 5 דרך ספריית Scikit-learn.
    5. הכינו ארכיטקטורות מועמדות של DL, הכוללות פרספטרון רב-שכבתי (multilayer perceptron), CNN חד-מדי, רשת LSTM, CNN–LSTM ומודלים מבוססי Transformer.
    6. סטנדרטו את ההיפר-פרמטרים המרכזיים בכל ארכיטקטורות ה-DL על ידי החלת אופטימיזציית AdamW, פונקציות הפעלה מסוג Gaussian error linear unit, מממד נסתר של 128 וקצב dropout של 0.2.
  2. הגדרת ארכיטקטורת CNN–LSTM
    1. הגדירו את ארכיטקטורת ה-CNN–LSTM למיזוג מידע מחזורי רב-ערוצי מתוך הטנזורים של הקלט (איור 1B). בנו את הארכיטקטורה ההיברידית על ידי שרשור מחלץ התכונות הקונבולוציוני לשתי שכבות רקורסיביות מוערמות המכילות 128 יחידות נסתרות כל אחת.
    2. סיימו את הארכיטקטורה באמצעות שלושה ראשי רגרסיה במקביל המחוברים באופן מלא לחיזוי סימולטני של SOH, RUL ואנרגיה ניתנת לפריקה.
    3. עבדו את טנזורי הקלט הרב-ערוציים דרך שלוש שכבות קונבולוציוניות חד-מדיות עוקבות עם גדלי גרעין (kernel sizes) של 3, 5 ו-7 כדי לחלץ תכונות מקומיות רב-קנה-מידה.
    4. החילו נרמול אצוות (batch normalization) לאחר כל שכבה קונבולוציונית כדי לשפר את יציבות הגרדיאנט במהלך האופטימיזציה.
    5. שנו את צורת מפות התכונות הקונבולוציוניות לרצפים זמניים רציפים לפני מידול הרצפים.
    6. הזינו את הרצפים הזמניים המקודדים לשכבות רקורסיביות מוערמות כדי ללכוד תלויות דה-גרדציה ארוכות-טווח לאורך חלונות התצפית שהוגדרו מראש.
  3. חלוקת מערכי נתונים לאימון המודל
    1. חלקו את מערכי הנתונים המעובדים של תאי הסוללה לתתי-קבוצות של אימון, תיקוף ובדיקה ביחס של 70:15:15. בצעו את פיצול מערך הנתונים באמצעות ערך גרעין אקראי קבוע של 42.
    2. החילו דגימה שכבתית (stratified sampling) המבוססת על כימיית הסוללה כדי לשמור על התפלגויות דה-גרדציה מאוזנות בכל תתי-קבוצות הנתונים.
    3. בצעו חלוקה של מערך הנתונים אך ורק ברמת תא הסוללה ולא באמצעות רנדומיזציה של מחזורים בודדים, וזאת כדי לשמר מסלולי דה-גרדציה סדרתיים.
    4. שמרו על כל תאי סוללה כיחידה שאינה ניתנת לפיצול במהלך החלוקה כדי למנוע זליגת מידע בין מערכי הנתונים.
    5. אששו תכניתית את בידוד מערכי הנתונים על ידי חישוב החיתוך של מזהי תאי הסוללה בין תתי-הקבוצות של האימון, התיקוף והבדיקה ואישור שאין חפיפה.
    6. השלימו מערך נתונים חיצוני לבדיקה באמצעות מערך הנתונים המלא של GOTION לליתיום ברזל פוספט (LFP) לצורך הערכה מחוץ להתפלגות (out-of-distribution) ובחינת הכללה בין מערכי נתונים.
    7. הפכו את קוד המקור, קבצי הגדרת הסביבה ואת חלוקות מערך הנתונים המעובדות לזמינים באופן פומבי דרך מאגר GitHub ייעודי כדי לתמוך בשקיפות מתודולוגית ובשחזור.
  4. אתחול אימון המודל
    1. הגדירו את פונקציית ההפסד של הרגרסיה כטעות ריבועית ממוצעת (mean squared error) לפני האימון. חשבו את יעד האימון הגלובלי על ידי אגרגציה של ערכי ההפסד מכל יעד חיזוי באמצעות שקלול שווה.
    2. הגדירו את קצב הלמידה הראשוני ל-1 × 10−3 ובחרו גודל אצווה (batch size) של 32 או 64 בהתאם לגודל מערך הנתונים.
    3. השתמשו בגודל אצווה של 64 עבור מערכי נתונים המכילים יותר מ-5,0 מחזורים כדי לשפר את ניצול החומרה. השתמשו בגודל אצווה של 32 עבור מערכי נתונים קטנים יותר כדי לשפר את יציבות האופטימיזציה.
      הערה: בחרו היפר-פרמטרים אלו באמצעות הערכת חיפוש רשת (grid-search) ראשונית כדי לאזן בין מהירות התבסות (convergence) ליציבות הגרדיאנט בחלונות תצפית שונים.
  5. החלת בקרות אימון
    1. החילו מתאם קצב למידה דינמי המבוס על שינויים בהפסד התיקוף. הפחיתו את קצב הלמידה בפקטור של 0.5 אם הפסד התיקוף אינו משתפר במשך 5 תקופות (epochs) רצופות.
    2. שמרו על סף קצב למידה מינימלי של 1 × 10−5 במהלך האופטימיזציה.
    3. עצרו את אימון המודל לאחר מקסימום של 10 תקופות כדי להפחית התאמת-יתר (overfitting).
    4. החילו עצירה מוקדמת (early stopping) אם הפסד התיקוף אינו יורד במשך 15 תקופות רצופות. שחזרו את משקולות המודל המתאימות לאיטרציית התיקוף בעלת הביצועים הטובים ביותר.
  6. שמירת רישומי שחזור
    1. הגדירו ערך גרעין אקראי קבוע של 42 לפני אתחול המודל ואימונו.
    2. החילו את הגרעין האקראי הקבוע באופן עקבי במודול random של Python, ב-NumPy ובצד השרת של PyTorch, תוך ביטול פעולות CUDA שאינן דטרמיניסטיות.
    3. תעדו את סביבת התוכנה, גרסאות התלויות, הגדרות הפרמטרים, חלוקות הנתונים ופלט האימון עבור כל הרצה ניסיונית.
    4. הריצו את כל זרימות עבודת ה-DL באמצעות Ubuntu 22.04 עם האצת CUDA 11.8 בתחנת עבודה המצוידת ביחידת עיבוד גרפית NVIDIA RTX 3090 או חומרה שוות ערך.

תרשים זרימה מקצה לקצה של ארכיטקטורת CNN-LSTM לניתוח למידה עמוקה רב-ערוצית.
איור 1תהליך עבודה (workflow) הדיר למידה עמוקה (DL) לניבוי ביצועים של סוללות ליתיום-יון רב-ערוציות. (Aתהליך עבודה שחזר שנית (reproducible) מקצה לקצה, הממחיש רכישת נתונים רב-ערוצית, עיבוד מקדימה סטנדרטי, בניית טנזור, אימון מודל וניבוי מדדי ביצועים של סוללות. בקרות השחזור כוללות זרעים אקראיים (random seeds) קבועים, הרצות אימון חוזרות, מעקב אחר פרמטרים ותיעוד סביבה.Bארכיטקטורה היברידית מסוג CNN–LSTM המשמשת לחילוץ מאפיינים רב-ערוצי, מידול רצפים זמניים, היתוך מאפיינים וחיזוי של מצב הבריאות (SOH), חיי שימוש שנותרו (RUL) ואנרגיה ניתנת לפריקה.Cצינור הערכה ופריסה המציג סינון מודלים מועמדים, הערכת חוסן, אופטימיזציה של היפר-פרמטרים ובחירה סופית של מודל. אנא לחצו כאן כדי לצפות בגרסה גדולה יותר של דמות זו.

4. הערכת המודל וחיזוי יעדים

  1. הפקת תחזיות המודל
    1. עבד את מערכי הנתונים של סוללת הבדיקה (test-battery) דרך כל מודל מאומן. טען את מערכי נתוני הבדיקה שעברו עיבוד מוקדם כטנסורי PyTorch מסולסלים לפני שלב ההסקה (inference).
    2. בצע את מעבר ההסקה קדימה (forward inference pass) באמצעות מנהל הקשר המבטל גרדיאנטים, כדי למנוע עדכוני פרמטרים לא מכוונים במהלך ההערכה.
    3. הפק תחזיות מקביליות עבור כל מדד ביצועים באמצעות ראשי הרגרסיה (regression heads) המאומנים.
    4. חלץ פלטים סימולטניים משלושת ראשי הרגרסיה המקבילים שהוגדרו לחיזוי SOH, RUL ואנרגיה פריקה (dischargeable energy).
  2. חישוב יעדי התחזית
    1. חשב את ה-SOH על ידי השוואת הקיבולת הזמינה הנוכחית לקיבולת הסוללה ההתחלתית.
    2. הגדר את קיבולת הסוללה ההתחלתית כקיבולת הפריקה המקסימלית שנרשמה במהלך שלושת מחזורי הייצוב הראשונים.
    3. חשב את ה-SOH כיחס בין הקיבולת במחזור הנוכחי לבין בסיס הקיבולת ההתחלתית שנקבע.
    4. אמדג את ה-RUL על ידי זיהוי סף התפעול שבו הקיבולת היציבה של הסוללה פסקה.
    5. הגדר את סוף החיים (end of life) כמספר המחזור שבו קיבולת הסוללה יורדת באופן בלתי הפיך מתחת ל-80% מהקיבולת הנקובה.
    6. חשב את ה-RUL כמספר המחזורים שנותרו מנקודת התצפית הנוכחית ועד לסף סוף החיים שהוגדר.
    7. חזה את האנרגיה הפריקה מתוך תנאי הפריקה הרשומים.
    8. חשב את האנרגיה הפריקה של ערכי האמת (ground-truth) על ידי אינטגרציה נומרית של מכפלת מתח הפריקה וזרם הפריקה לאורך מרווח הפריקה, תוך שימוש בשיטת אינטגרציה טרפזית.
  3. הערכת ביצועי התחזית
    1. חשב את השגיאה המוחלטת הממוצעת (MAE), שורש ממוצע הריבועים של השגיאה (RMSE), שגיאת האחוזים המוחלטת הממוצעת (MAPE) ומקדם הקביעה (R2) עבור כל יעד תחזית.
    2. חשב את כל מדדי ההערכה באמצעות מודול המדדים של Scikit-learn עם ניסוחים סטטיסטיים סטנדרטיים.
    3. החל חישובי מדדים זהים על פני כל המודלים, מערכי הנתונים ותצורות הקלט כדי לשמור על עקביות ההערכה.
    4. רכז את כל מדדי הביצועים על פני דגימות הסוללה המאוגדות בתוך מערך נתוני הבדיקה העצמאי כדי להעריך את יכולת ההכללה הכללית של המודל.
  4. דיווח על ביצועים מרובי שכבות
    1. חשב את הממוצע ואת סטיית התקן עבור כל מדד הערכה לאורך הרצות ניסיוניות חוזרות.
    2. גזור את המדדים הסטטיסטיים המדווחים מחמש אתחולים עצמאיים של המודל.
    3. דווח על רווחי סמך של 95% יחד עם מדדי הביצועים הממוצעים כדי לכמת את אי-הוודאות של התחזית.
    4. השווה את ביצועי המודל בין אורכי חלונות תצפית ותצורות ערוצי קלט שונות.
    5. בצע חלוקה לשכבות (stratification) של הניתוח ההשוואתי באמצעות חלונות תצפית המתאימים ל-50 מחזורים, 10 מחזורים ו-20 מחזורים.
    6. הערך את ביצועי התחזית על פני תצורות קלט מרובות, החל מקלטים של קיבולת בלבד ועד לשילוב טנזורי רב-ערוצי מלא. עיין ב-איור 1C לצורך זרימת העבודה של ההערכה, סינון החסינות ובחירת הפריסה.

5. ניתוח שחזור, חוסן ורגישות

  1. אימות שחזוריות וחסינות
    1. שמירה על חלוקות נתונים, זרימות עבודה של עיבוד מקדים והליכים ניסיוניים זהים בכל הערכות השחזוריות המוצגות ב-איור 2A.
    2. חישוב מקדם השונות עבור מדדי ההערכה הראשוניים לאורך ניסויים חוזרים כדי להעריך את עקביות השחזוריות.
    3. חזרה על כל הליכי ההערכה תוך שימוש באותה זרימת עבודה סטנדרטית של אימון ובדיקה.
    4. אתחול כל הערכה חוזרת באמצעות משקולות רשת אקראיות תוך שמירה על אותם הליכים דטרמיניסטיים של טעינת נתונים וערבוב (shuffling).
  2. ביצוע ניסויי אימון חוזרים
    1. אימון חוזר של מודלי החיזוי תחת תנאים ניסיוניים זהים תוך שימוש בערכי seed אקראיים קבועים שנקבעו מראש כדי להבטיח אתחול שחזור של המשקולות.
    2. ביצוע חמש הרצות אימון עצמאיות תוך שימוש בחלוקות מערך נתונים זהות כדי להפחית שונות הנובעת מהנתונים.
    3. חישוב מדדי הביצועים הסופיים על ידי מיצוע מדדי ההערכה שהתקבלו מחמש הרצות האימון החוזרות.
    4. אגרגציה של מדדי החסינות הסופיים באמצעות ציוני ההערכה הממוצעים, במקום שילוב של טנסורי חיזוי גולמיים.
  3. הערכת רגישות להיפר-פרמטרים
    1. שינוי קצב הלמידה, גודל האשורה (batch size), ממד השכבה החבויה ויחס ה-dropout באופן פרטני במהלך ניתוח הרגישות.
    2. הערכת קצבי למידה בטווח שבין 1 × 10−4 ל-1 × 10−2, גדלי אשורה בטווח שבין 32 ל-128, ממדים חבויים בטווח שבין 32 ל-256, ויחסי dropout בטווח שבין 0.1 ל-0.5.
    3. תיעוד השינויים התואמים בדיוק החיזוי לאחר כל התאמה של היפר-פרמטר.
    4. כימות השונות בביצועי החיזוי באמצעות RMSE ו-R2.
  4. ביצוע ניתוח השמטת מאפיינים (feature-ablation)
    1. הסרה של ערוצי קלט נבחרים, כולל טמפרטורה, התנגדות פנימית ווקטורים של מאפיינים הנדסיים, מזרם הקלט הרב-ערוצי.
    2. ביצוע השמטת מאפיינים באמצעות אסטרטגיית leave-one-out על ידי הסרת קבוצת מאפיינים אחת בכל פעם תוך שמירה על מבנה הקלט הרב-ערוצי הנותר.
    3. השוואת ביצועי החיזוי שנוצרו לאחר כל ניסוי של הסרת מאפיינים כדי להעריך את התרומה של קבוצות מאפיינים בודדות ליציבות ולדיוק המודל.
    4. כימות התרומה היחסית של כל קבוצת מאפיינים על ידי חישוב אחוז העלייה בטעות המוחלטת הממוצעת ביחס למודל הבסיס הרב-ערוצי המשולב במלואו. עיינו ב-איור 2B עבור זרימת העבודה של הערכת החסינות וניתוח הרגישות

תרשים זרימה של עיבוד מקדים רב-ערוצי ודיאגרמת ניתוח CNN-LSTM להערכת ייצוג נתונים.
איור 2תהליכי עבודה סטנדרטיים לעיבוד מקדים, הערכת חוסן וניתוח רגישות. (Aתהליך עבודה סטנדרטי לעיבוד מקדים רב-ערוצי הממחיש עיבוד של אותי מחזוריות גולמיים, כיול חותמות זמן, הסרת חריגים, דגימה מחדש, נרמול, יישור ערוצים ובניית טנזור. אסטרטגיות ייצוג קלט משוות בין קלטים בערוץ בודד, קלטים גולמיים רב-ערוציים וקלטים רב-ערוציים המשולבים עם מאפיינים הנדסיים.B) צינור (pipeline) לבדיקת חוסן וניתוח רגישות, המציג הפרעה שיטתית של היפר-פרמטרים, הערכה של הרצות חוזרות, ניתוח השמטת מאפיינים (feature-ablation), תיקוף צולב ותיקוף חיצוני של זרימת העבודה של ה-CNN–LSTM. אנא לחצו כאן כדי להציג גרסה גדולה יותר של איור זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

אותות מחזור רב-ערוציים והפצת נתונים

אותות מחזוריים רב-ערוציים מייצגים והתפלגויות ביצועים נותחו כדי לאפיין את התנהגות התגובה למחזוריות של סוללות ליתיום-יון. במחקר נעשה שימוש בחמישה מאגרי נתונים של סוללות ליתיום-יון המייצגים מערכות כימיות מרובות, כולל ליתיום קובלט אוקסיד (LCO), ניקל קובלט אלומיניום אוקסיד (NCA), ניקל מנגנז קובלט אוקסיד (NMC), ו-LFP (Table 1). משתני מחזוריות מרכזיים, כולל מתח, זרם, קיבולת, טמפרטורה, התנגדות פנימית, ונצילות קולומבית או אנרגטית, שו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

תהליך העבודה של ה-DL הניתן לשחזור המתואר בפרוטוקול זה הדגים חיזוי מדויק של ביצועי סוללות ליתיום-יון באמצעות נתוני מחזוריות רב-ערוציים. תהליך העבודה השיג MAE של 0.024 במערך הבדיקה וערך R2 של 0.955 להערכת SOH תחת התנאים הניסיוניים שנבחנו, מה שמחזק את הפוטנציאל לשימוש בו ליישומים של ניהול מחזור חיי סוללה וניטור אגירת אנרגיה11,12,13.

יתרון מרכזי של פרוטוקול זה הוא ההפחתה במורכבות החישובית ביחס ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים כי אין ניגודי עניינים פיננסיים או קונפליקטים של אינטרסים.

תודות

המחברים מודים על התמיכה המוסדית שניתנה על ידי המחלקה לפיזיקה באוניברסיטת הדרום למדע וטכנולוגיה (Southern University of Science and Technology) ומכללת הומרטון (Homerton College), אוניברסיטת קיימברידג', אשר סיפקו את הסביבה האקדמית ואת המשאבים החישובים הדרושים למחקר זה. המחברים מודים גם למוסדות המחקר ולתורמים שסיפקו את מאגרי הנתונים של סוללות ליתיום-יון בגישה פתוחה, כולל CALCE, SANYO, PANASONIC, KOKAM ו-GOTION, ובכך אפשרו את הניתוח הרב-ערוצי המקיף הזה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
סט נתונים של סוללות CALCEהמרכז להנדסת מחזור חיים מתקדמת (CALCE), אוניברסיטת מרילנדhttps://calce.umd.edu/battery-dataמקור לנתוני מחזורי סוללות ליתיום-יון רב-ערוציים עבור אימון ותיקוף מודלים
CUDA ToolkitNVIDIAגרסה 11.8האצת GPU עבור אימון מודלי DL
סט נתונים GOTION IFP20100140AMendeley Datahttps://doi.org/10.17632/vpw4t7ytbx.2תיקוף חיצוני וניתוח דגראדציה רב-ערוצי של סוללות
סט נתונים KOKAM SLPB533459H4Mendeley Datahttps://doi.org/10.17632/7w4y4fzzbb.1מידול ותיקוף של דגראדציית סוללות רב-ערוצית
Matplotlibצוות הפיתוח של Matplotlibגרסה 3.7.1ויזואליזציה של ביצועי המודל, ניתוח רגישות ותוצאות שחזוריות
NumPyמפתחי NumPyגרסה 1.24.3חישוב נומרי ובניית טנזורים
סט נתונים PANASONIC NCR18650BDMendeley Datahttps://doi.org/10.17632/wykht8y7tg.1מקור לנתוני מחזור רב-ערוציים וחילוץ תכונות מהנדסות
Pandasמפתחי Pandasגרסה 2.0.3ארגון נתונים, עיבוד מקדים וניהול נתונים טבלאיים
PyTorchקרן PyTorchגרסה 2.0.1בנייה ואימון של ארכיטקטורות למידה עמוקה, כולל מודל CNN–LSTM
Pythonקרן התוכנה של Pythonגרסה 3.10.12עיבוד מקדים של נתונים, הנדסת תכונות, אימון מודלים והערכה
סט נתונים SANYO UR18650Eמאגר נתוני הפרוגנוסטיקה של NASAhttps://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/מקור לנתוני מחזור רב-ערוציים להערכת שחזוריות ותיקוף מודלים
Scikit-learnמפתחי Scikit-learnגרסה 1.2.2מימוש מודל בסיס, חלוקת סט נתונים וחישוב מדדי ביצועים

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

State Of Health
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.