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 اعتمد حصرياً على مجموعات بيانات عامة ومتاحة لدورات شحن وتفريغ بطاريات ليثيوم-أيون، ولم يتضمن مشاركين بشريين أو حيوانات تجارب أو عينات بيولوجية.

1. الحصول على البيانات وتنظيمها

  1.  الحصول على مجموعات بيانات دورات 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 المستودعات المؤسسية مفتوحة الوصول الخاصة بها أو عبر روابط معرف الكائن الرقمي (DOI) للحفاظ على اتساق إصدارات مجموعة 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 ضمن الدورة الواحدة، ومن تسجيل كل من مراحل 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 قنوات الحالة الإلزامية هذه من سير عمل التحليل، لأن دمج الميزات متعدد القنوات اللاحق يتطلب مجموعة كاملة من متغيرات الإدخال الفيزيائية.
    2. أزل الدورات التي تحتوي على سجلات غير مكتملة، أو طوابع زمنية غير متسقة، أو إجراءات اختبار غير محددة، أو شروط إنهاء شحن وتفريغ غير واضحة. حدد الدورات الشاذة على أنها 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. إنشاء قاعدة بيانات زمنية للبطاريات
    1. نظم سجلات الدورات المحتفظ بها زمنياً لإنشاء قاعدة بيانات سلاسل زمنية على مستوى البطارية.
    2. خزن مجموعات البيانات المعالجة باستخدام صيغة البيانات الهرمية الإصدار 5 (HDF5). حافظ على بنية دليل قياسية منظمة حسب مصدر مجموعة البيانات، والنظام الكيميائي، ومعرف خلية البطارية الفردي.
    3. خصص 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 المتسلسلة من بطارية فيزيائية واحدة حصرياً ضمن مجموعة فرعية واحدة من البيانات.
      ​ملاحظة: احتفظ بمجموعات البيانات الخام الأصلية بشكل منفصل قبل إجراء المعالجة المسبقة، أو التطبيع، أو إعادة أخذ العينات، أو هندسة الميزات.
  4. تحديد نوافذ الملاحظة
    1. أنشئ نوافذ ملاحظة متعددة القنوات باستخدام أول 50 دورة، وأول 100 دورة، وأول 20% من إجمالي دورة حياة البطارية. احسب حد الـ 20% من دورة الحياة عن طريق ضرب إجمالي عمر الدورات قبل تدهور السعة في نهاية العمر في 0.2.
    2. قم بمحاذاة قياسات الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، والكفاءة ضمن كل نافذة ملاحظة قبل بناء الموتر (tensor).
    3. صيغ بنية الإدخال النهائية كـ موتر ثلاثي الأبعاد يتكون من طول نافذة الملاحظة، و128 نقطة أخذ عينات مقننة داخل الدورة، ومجموعة الميزات المرتبة متعددة القنوات.

2. معالجة البيانات مسبقاً 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 جميع إجراءات المعالجة المسبقة والمزامنة والتوحيد باستخدام Python 3.10 مع مكتبة Pandas لمعالجة السلاسل الزمنية وSciPy للاستيفاء العددي.
    2. إزالة القيم المتطرفة، ورصد 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. رصد القيم المفقودة تلقائيًا باستخدام تحديد علامة NaN عبر جميع المصفوفات العددية. يتم التمييز بين مرحلتي الشحن والتفريغ وفقًا لقطبية التيار من خلال تعيين قيم تيار موجبة لدورات الشحن وقيم تيار سالبة لدورات التفريغ.
    4. إعادة بناء مقاطع الإشارة المفقودة باستخدام متعددات حدود هيرميت الاستيفائية التكعيبية المجزأة للحفاظ على الديناميكيات الزمنية الكهروكيميائية أثناء محاذاة الانتقال بين المراحل.
  2. إعادة أخذ عينات منحنيات الدورات
    1. إعادة أخذ عينات منحنيات الدورات عند اكتشاف تغيرات في كثافة أخذ العينات أو انزياح الإشارة عبر مجموعات البيانات. يتم تفعيل إعادة أخذ العينات التلقائية عندما ينحرف الفاصل الزمني بين القياسات المتتالية بنسبة تزيد عن 10% بالنسبة لمتوسط تردد أخذ العينات لمرحلة الدورة المقابلة.
    2. توحيد عدد نقاط أخذ العينات داخل كل دورة لتقليل التباين في التسجيل الخاص بكل منصة. يتم إسقاط جميع التسلسلات الزمنية على شبكة مكانية ثابتة باستخدام الاستيفاء الخطي أحادي البعد.
    3. ضغط أو توسيع كل ملف تعريف للشحن والتفريغ إلى 128 نقطة أخذ عينات متساوية المسافات بالضبط قبل بناء الموتر (tensor).
  3. تطبيع المتغيرات المستمرة
    1. تطبيع جميع المتغيرات المستمرة قبل تدريب النموذج لاستقرار 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 حصريًا 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 موترات إدخال متعددة القنوات
    1. تقسيم سجلات الدورات المستمرة لكل بطارية إلى مقاطع زمنية ثابتة الطول. يتم هيكلة المقاطع الزمنية وفقًا لنوافذ الملاحظة المحددة مسبقًا 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 الموتر.
    3. دمج مصفوفات الميزات المحاذات في موتر ثلاثي الأبعاد بتنسيق (N × 128 × C)، حيث تمثل N طول نافذة الملاحظة، وتدل 128 على 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 التحلل. يتم حساب ميزات السعة المتزايدة والجهد التفاضلي عن طريق حساب dQ/dV و dV/dQ عبر شبكة أخذ العينات الموحدة.
    2. تطبيق ترشيح Savitzky–Golay لإنشاء منحنيات ملساء للسعة المتزايدة والجهد التفاضلي.
    3. استخراج مؤشرات التحلل بما في ذلك إزاحات جهد الذروة، وفروق جهد الانتقال بين المراحل، وتغيرات إنتاجية الطاقة من دورة إلى أخرى من الميزات الكهروكيميائية المفلترة.

3. بناء وتدريب نموذج التعلم العميق

  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 سكربتات Python نمطية لتحميل البيانات، وتهيئة النموذج، والتحسين، والتقييم.
    3. إعداد نماذج خط الأساس لتعلم الآلة (ML) التقليدية، بما في ذلك الانحدار الخطي، والغابة العشوائية، ونماذج أشجار القرار المعززة بالتدرج. تكوين نموذج الغابة العشوائية بـ 100 شجرة وعمق أقصى يبلغ 10.
    4. تكوين إطار عمل أشجار القرار المعززة بالتدرج باستخدام معدل تعلم قدره 0.1 وعمق شجرة أقصى يبلغ 5 من خلال مكتبة Scikit-learn.
    5. إعداد بنيات التعلم العميق (DL) المرشحة، بما في ذلك البيرسيبترون متعدد الطبقات، والشبكة العصبية التلافيفية (CNN) أحادية البعد، وشبكة LSTM، ونموذج CNN–LSTM، والنماذج القائمة على المحولات (transformer).
    6. توحيد المعلمات الفائقة (hyperparameters) الأساسية عبر جميع بنيات التعلم العميق بتطبيق محسن AdamW، ودوال تنشيط Gaussian error linear unit، وبُعد خفي قدره 128، ومعدل إسقاط (dropout) يبلغ 0.2.
  2. تكوين بنية CNN–LSTM
    1. تكوين بنية CNN–LSTM لدمج معلومات الدورات متعددة القنوات من الموترات المدخلة (الشكل 1B). بناء البنية الهجينة عن طريق ربط مستخرج الميزات التلافيفية بطبقتين متكررتين متراصتين تحتوي كل منهما على 128 وحدة خفية.
    2. إنهاء البنية باستخدام ثلاثة رؤوس انحدار متصلة بالكامل ومتوازية للتنبؤ المتزامن بكل من SOH وRUL والطاقة القابلة للتفريغ.
    3. معالجة الموترات المدخلة متعددة القنوات عبر ثلاث طبقات تلافيفية أحادية البعد متتالية بأحجام نواة (kernel sizes) تبلغ 3 و5 و7 لاستخراج ميزات موضعية متعددة المقاييس.
    4. تطبيق تسوية الدفعة (batch normalization) بعد كل طبقة تلافيفية لتحسين استقرار التدرج أثناء التحسين.
    5. إعادة تشكيل الخرائط التلافيفية للميزات 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 GOTION الكاملة لفوسفات حديد الليثيوم (LFP) للتقييم خارج التوزيع (out-of-distribution) وتقييم التعميم عبر مجموعات البيانات.
    7. إتاحة الكود المصدري، وملفات تكوين البيئة، وتقسيمات مجموعة البيانات المعالجة للعامة من خلال مستودع GitHub مخصص لدعم الشفافية المنهجية وقابلية التكرار.
  4. تهيئة تدريب النموذج
    1. ضبط دالة خسارة الانحدار لتكون متوسط مربع الخطأ قبل التدريب. حساب هدف التدريب العام عن طريق تجميع قيم الخسارة من كل هدف تنبؤ باستخدام وزن متساوٍ.
    2. ضبط معدل التعلم الأولي على 1 × 10−3 واختيار حجم دفعة يبلغ 32 أو 64 وفقاً لحجم مجموعة البيانات.
    3. استخدام حجم دفعة قدره 64 لمجموعات البيانات التي تحتوي على أكثر من 5,000 دورة لتحسين استفادة العتاد. استخدام حجم دفعة قدره 32 لمجموعات البيانات الأصغر لتحسين استقرار التحسين.
      ملاحظة: اختيار هذه المعلمات الفائقة من خلال تقييم البحث الشبكي (grid-search) الأولي للموازنة بين سرعة التقارب واستقرار التدرج عبر نوافذ المراقبة المختلفة.
  5. تطبيق ضوابط التدريب
    1. تطبيق جدولة ديناميكية 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 يبلغ 100 حقبة لتقليل الإفراط في التناسب (overfitting).
    4. تطبيق الإيقاف المبكر إذا لم تنخفض خسارة التحقق على مدار 15 حقبة متتالية. استعادة أوزان النموذج المقابلة للتكرار الأفضل أداءً في التحقق.
  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 Python random وNumPy والخلفية البرمجية لـ PyTorch مع تعطيل عمليات CUDA غير الحتمية.
    3. تسجيل بيئة البرمجيات، 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 رسوميات NVIDIA RTX 3090 أو عتاد مكافئ.

figure-protocol-1
الشكل 1. سير عمل قابل للتكرار للتعلم العميق (DL) للتنبؤ بأداء بطاريات ليثيوم-أيون متعددة القنوات. (أ) سير عمل قابل للتكرار من البداية إلى النهاية يوضح اكتساب البيانات متعددة القنوات، والمعالجة المسبقة الموحدة، وبناء الموترات (tensors)، وتدريب النموذج، والتنبؤ بمؤشرات أداء البطارية. تشمل ضوابط القابلية للتكرار بذوراً عشوائية ثابتة، وعمليات تدريب متكررة، وتتبع المعاملات، وتسجيل البيئة. (ب) بنية هجينة من CNN–LSTM تُستخدم لاستخراج الميزات متعددة القنوات، ونمذجة التسلسلات الزمنية، ودمج الميزات، والتنبؤ بحالة الصحة (SOH)، والعمر النافع المتبقي (RUL)، والطاقة القابلة للتفريغ. (ج) مسار التقييم والنشر الذي يوضح فحص النماذج المرشحة، وتقييم المتانة، وتحسين المعاملات الفائقة (hyperparameter optimization)، 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 بطاريات الاختبار المستهدفة عبر كل نموذج مدرب. يتم تحميل مجموعات بيانات الاختبار التي تمت معالجتها مسبقاً كموترات PyTorch متسلسلة قبل عملية الاستدلال.
    2. تنفيذ عملية الاستدلال الأمامي باستخدام مدير سياق لتعطيل التدرج 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 أول ثلاث دورات تثبيت.
    3. حساب SOH كنسبة بين سعة الدورة الحالية وخط الأساس لسعة البدء المحددة.
    4. تقدير RUL من خلال تحديد العتبة التشغيلية التي تتوقف عندها سعة البطارية المستقرة.
    5. تعريف نهاية العمر بأنها رقم الدورة التي تنخفض عندها سعة البطارية بشكل غير قابل للاسترجاع إلى أقل من 80% من السعة الاسمية المقدرة.
    6. حساب RUL كعدد الدورات المتبقية من نقطة الرصد الحالية إلى عتبة نهاية العمر المحددة.
    7. التنبؤ بالطاقة القابلة للتفريغ من ظروف التفريغ المسجلة.
    8. حساب الطاقة القابلة للتفريغ الحقيقية عن طريق التكامل العددي لحاصل ضرب جهد التفريغ وتيار التفريغ عبر فترة التفريغ باستخدام طريقة تكامل شبه المنحرف.
  3. تقييم الأداء التنبؤي
    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 ذات الصيغ الإحصائية الموحدة.
    3. تطبيق حسابات مقاييس متطابقة عبر جميع النماذج ومجموعات البيانات وتكوينات المدخلات للحفاظ على اتساق التقييم.
    4. تجميع كافة 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 عمليات التشغيل التجريبية المتكررة.
    2. اشتقاق المقاييس الإحصائية المذكورة من خمس عمليات تهيئة مستقلة للنموذج.
    3. تقديم فترات ثقة 95% إلى جانب مقاييس الأداء المتوسطة لتحديد عدم اليقين التنبؤي.
    4. مقارنة أداء النموذج عبر أطوال مختلفة لنوافذ الرصد وتكوينات قنوات الإدخال.
    5. تصنيف التحليل المقارن باستخدام نوافذ رصد تقابل 50 دورة، و100 دورة، و200 دورة.
    6. تقييم الأداء التنبؤي عبر تكوينات مدخلات متعددة تتراوح من المدخلات القائمة على السعة فقط إلى التكامل الكامل للموترات متعددة القنوات. يرجى الرجوع إلى الشكل 1C لمعرفة سير عمل التقييم، وفحص المتانة، واختيار النشر.

5. تحليل القابلية للتكرار، والمتانة، والحساسية

  1. التحقق من القابلية للتكرار والمتانة
    1. الحفاظ على تقسيمات البيانات، وسير عمل المعالجة المسبقة، والإجراءات التجريبية المتطابقة عبر جميع تقييمات القابلية للتكرار الموضحة في الشكل 2A.
    2. حساب معامل الاختلاف لمقاييس التقييم الأساسية عبر التجارب المتكررة لتقييم اتساق القابلية للتكرار.
    3. تكرار جميع إجراءات التقييم باستخدام نفس سير عمل التدريب والاختبار الموحد.
    4. بدء كل تقييم مكرر باستخدام أوزان شبكية 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 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 المتكررة.
    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، وبُعد 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 للمعلمات الفائقة.
    4. تحديد تباين أداء التنبؤ كمياً باستخدام RMSE و R2.
  4. إجراء تحليل استئصال الميزات
    1. إزالة قنوات إدخال مختارة، بما في ذلك درجة الحرارة، والمقاومة الداخلية، وموجهات 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 ميزة لتقييم مساهمة مجموعات الميزات الفردية في استقرار النموذج ودقته.
    4. تحديد المساهمة النسبية لكل مجموعة ميزات كمياً عن طريق حساب النسبة المئوية للزيادة في متوسط الخطأ المطلق بالنسبة للنموذج المرجعي متعدد القنوات المتكامل بالكامل. يرجى الرجوع إلى الشكل 2B للاطلاع على سير عمل تقييم المتانة وتحليل الحساسية.

figure-protocol-2
الشكل 2. سير العمل الموحد للمعالجة المسبقة، وتقييم المتانة، وتحليل الحساسية. (أ) سير عمل المعالجة المسبقة الموحد متعدد القنوات والذي يوضح معالجة إشارات الدوران الخام، ومعايرة الطوابع الزمنية، وإزالة القيم المتطرفة، وإعادة أخذ العينات، والتطبيع، ومحاذاة القنوات، وبناء الموتر. تقارن استراتيجيات تمثيل المدخلات بين المدخلات أحادية القناة، والمدخلات الخام متعددة القنوات، والمدخلات متعددة القنوات مدمجة مع الميزات الهندسية. (ب) 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 التمثيلية لتوصيف سلوك استجابة الدورات في بطاريات ليثيوم-أيون. استخدمت الدراسة خمس مجموعات بيانات لبطاريات ليثيوم-أيون تمثل أنظمة كيميائية متعددة، بما في ذلك أكسيد ليثيوم كوبالت (LCO)، وأكسيد نيكل كوبالت ألومنيوم (NCA)، وأكسيد نيكل منجنيز كوبالت (NMC)، وLFP (Table 1). وتم دمج متغيرات الدورات الأساسية، بما في ذلك الجهد، والتيار، والسعة، ودرجة الحرارة، والمقاومة الداخلية، وكفاءة كولوم أو كفاءة الطاقة، مع سمات هندسية مثل خصائص السعة المتزايدة والجهد التفاضلي لإنشاء إطار توصيف متعدد القنوات. وأظهرت ملفات السعة-الجهد وتوزيعات SOH لمجموعة بيانات CALCE (Figure 3A)، وملفات 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)، وملفات توزيع الجهد لمجموعة بيانات GOTION (Figure 3E) سلوكيات تدهور متميزة عبر كيميائيات البطاريات التي تم تقييمها. فعلى سبيل المثال، أظهرت مجموعة بيانات GOTION IFP20100140A خصائص جهد شبيهة بالدرج ترتبط عادةً بأنظمة LFP، بينما أظهرت مجموعة بيانات PANASONIC NCR18650BD تدهوراً تدريجياً في السعة مصحوباً بإزاحات في ملف الجهد أثناء الدورات طويلة المدى.

معرف مجموعة البياناتنوع / طراز البطاريةالكيمياءالشكلعدد الخلاياإجمالي الدورات التي تم تحليلهانوافذ الدورات المبكرة المستخدمةنقاط أخذ العينات لكل دورةقنوات الدورات الأساسيةقنوات الحالة الإضافيةالميزات المشتقةأهداف التنبؤ
مجموعة البيانات #1بطارية CALCE LCOLCOكيسية384,216أول 50، أول 100، أول 20% من العمر128الجهد، التيار، الوقت، السعةدرجة الحرارة، المقاومة الداخليةdQ/dV, dV/dQ، مدة الشحن، طاقة التفريغSOH, RUL، الطاقة القابلة للتفريغ
مجموعة البيانات #2SANYO UR18650ENCAأسطوانية 18650242,487أول 50، أول 100، أول 20% من العمر128الجهد، التيار، الوقت، السعةدرجة الحرارة، الكفاءة الكولومبيةdQ/dV، ميل هضبة الجهد، كفاءة الطاقةSOH, RUL، الطاقة القابلة للتفريغ
مجموعة البيانات #3PANASONIC NCR18650BDNCAأسطوانية 18650425,134أول 50، أول 100، أول 20% من العمر128الجهد، التيار، الوقت، السعةدرجة الحرارة، المقاومة الداخلية، الكفاءة الكولومبيةdQ/dV, dV/dQ، مدة الشحن، إنتاجية الطاقةSOH, RUL، الطاقة القابلة للتفريغ
مجموعة البيانات #4KOKAM SLPB533459H4NMCكيسية191,968أول 50، أول 100، أول 20% من العمر128الجهد، التيار، الوقت، السعةدرجة الحرارة، المقاومة الداخليةdQ/dV، مدة التفريغ، ميل الجهدSOH, RUL، الطاقة القابلة للتفريغ
مجموعة البيانات #5GOTION IFP20100140ALFPمنشورية576,482أول 50، أول 100، أول 20% من العمر128الجهد، التيار، الوقت، السعةدرجة الحرارة، المقاومة الداخلية، كفاءة الطاقةdQ/dV، مدة الهضبة، طاقة الشحن/التفريغSOH, RUL، 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 المدرجة 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 منجنيز كوبالت؛ LFP = فوسفات حديد الليثيوم.

figure-results-1
شكل 3. ملفات تعريف دورات متعددة القنوات وتوزيعات حالة صحة البطارية عبر مجموعات بيانات بطاريات الليثيوم-أيون. (A) ملفات تعريف السعة-الجهد وتوزيعات SOH لمجموعة بيانات أكسيد ليثيوم كوبالت من CALCE. (B) ملفات تعريف متوسط الجهد وتوزيعات SOH لمجموعة بيانات أكسيد النيكل كوبالت ألومنيوم من SANYO. (C) مسارات التقادم وتوزيعات SOH التراكمية لمجموعة بيانات أكسيد النيكل كوبالت ألومنيوم من PANASONIC. (D) خرائط حرارية لتطور الجهد وتوزيعات عينات SOH لمجموعة بيانات أكسيد النيكل منجنيز كوبالت من KOKAM. (E) ملفات تعريف توزيع الجهد وعلاقات SOH مقابل المقاومة الداخلية لمجموعة بيانات فوسفات حديد الليثيوم من GOTION. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الأداء التنبؤي العام لتخزين الطاقة

أظهر سير العمل المقترح أخطاء تنبؤ منخفضة وأداءً تنبؤياً متسقاً في جميع مهام التقييم (الجدول 2). وبالنسبة لتقدير 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. وتشير هذه النتائج إلى أداء تنبؤي مستقر للتقدير المستمر لصحة البطارية في ظل الظروف التي تم تقييمها. كما أظهر سير العمل قدرة تنبؤية موثوقة لتقدير RUL والطاقة القابلة للتفريغ، حيث حقق قيم R2 في مجموعة بيانات الاختبار بلغت 0.927 و0.941 على التوالي. ولتحديد مدى استقرار التنبؤ بشكل أكبر، 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 في ظل ظروف التدريب المتكررة. بالإضافة إلى ذلك، أظهرت فترات الثقة 95% تبايناً ضيقاً عبر التشغيلات المتكررة، مما يدعم متانة وقابلية تكرار سير العمل متعدد القنوات المقترح.

مهمة التنبؤتقسيم مجموعة البياناتMAERMSEMAPE (%)R²
تقدير SOHالتحقق0.0210.0292.470.962
تقدير SOHالاختبار0.0240.0332.830.955
التنبؤ بـ RULالتحقق18.625.98.740.938
التنبؤ بـ RULالاختبار21.429.79.630.927
التنبؤ بالطاقة القابلة للتفريغالتحقق0.0870.1213.180.948
التنبؤ بالطاقة القابلة للتفريغالاختبار0.0940.1293.560.941

الجدول 2: أداء التنبؤ لسير عمل التعلم العميق 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 نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: SOH = حالة الصحة؛ RUL = العمر النافع المتبقي؛ MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط نسبة الخطأ المطلق.

مقارنة الأداء عبر بنيات التعلم العميق (DL)

أظهر التقييم عبر بنيات شبكات وتكوينات مدخلات مختلفة تباينًا ملحوظًا في أداء التنبؤ (الجدول 3). وتظهر توزيعات RMSE قبل وبعد اختيار البنية القائم على القابلية للتكرار في الشكل 4A. أنتجت بنية الشبكة العصبية العميقة قيم MAE وRMSE أعلى نسبيًا مقارنة بالبنيات القائمة على التسلسل والبنيات 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. وبوجه عام، تجمعت النماذج التي أظهرت تباينًا أقل في التنبؤ 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 والإعدادات التجريبية التي تم تقييمها. بالإضافة إلى ذلك، أدى دمج الميزات المهندسة مع المدخلات الكاملة متعددة القنوات إلى خفض MAE إلى 0.022 مع قيمة R2 بلغت 0.961، بينما أظهرت المدخلات القائمة 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
قنوات متعددة + ميزات هندسية0.0220.0312.610.961

الجدول 3: مقارنة أداء التنبؤ عبر بنيات التعلم العميق (DL) وتكوينات الإدخال. يقارن الجدول أداء التنبؤ لبنيات مختلفة من التعلم العميق وتكوينات إدخال مستخدمة في سير العمل متعدد القنوات القابل للتكرار. تشمل مقاييس الأداء متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: DNN = الشبكة العصبية العميقة؛ CNN = الشبكة العصبية التلافيفية؛ LSTM = الذاكرة الطويلة قصيرة المدى؛ MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط نسبة الخطأ المطلق.

figure-results-2
الشكل 4. مقارنة قائمة على القابلية للتكرار بين بنيات النماذج وتكوينات المدخلات. (أ) توزيعات جذر متوسط مربع الخطأ قبل وبعد اختيار البنية القائم على القابلية للتكرار. (ب) توزيعات جذر متوسط مربع الخطأ عبر تكوينات مدخلات مختلفة قبل وبعد اختيار النموذج المستقر. (ج) مقارنة بين متوسط الأداء والانحراف المعياري لبنيات النماذج المرشحة، حيث يشير اللون إلى جذر متوسط مربع الخطأ وتشير الدوائر المفتوحة إلى النماذج المستقرة المختارة. (د) 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 الخطوط المرجعية لتعلم الآلة (ML) التقليدية وبنيات التعلم العميق (DL). وأظهرت الخطوط المرجعية لتعلم الآلة التقليدية توزيعات خطأ أوسع وذيولاً ممتدة للأخطاء العالية، مما يشير إلى انخفاض الاستقرار في مهام التنبؤ بأنماط التدهور 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 التسلسلات الزمنية (الشكل 5). وقد ارتبط دمج المتغيرات المتعلقة بدرجة الحرارة والمقاومة الداخلية والكفاءة بانخفاض تدريجي في تشتت خطأ التنبؤ عبر مجموعات البيانات التي تم تقييمها.

figure-results-3
الشكل 5. توزيعات الخطأ المطلق للنماذج المرجعية التقليدية لتعلم الآلة (ML) ونماذج التعلم العميق (DL) متعددة القنوات. مخططات الكمان التي تقارن توزيع أخطاء التنبؤ المطلقة عبر النماذج المرجعية التقليدية لتعلم الآلة، وبنيات التعلم العميق، وتكوينات الإدخال متعددة القنوات. تشير الخطوط السوداء إلى متوسط الخطأ المطلق، وتشير الخطوط الملونة إلى المتوسط ± الانحراف المعياري. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

القابلية للتكرار والمتانة عبر سيناريوهات التحقق

حافظ سير العمل على أداء تنبؤي متسق عبر عمليات التدريب المتكررة واستراتيجيات التحقق المتعددة (الجدول 4). وقد أنتجت التشغيلات المتكررة التي أُجريت باستخدام تقسيمات بيانات ثابتة وتهيئة ثابتة للبذرة العشوائية مقاييس أداء مستقرة، حيث ظلت قيم R2 باستمرار فوق 0.95 مع انحرافات معيارية منخفضة في MAE. وأظهر التقييم الإضافي باستخدام التحقق المتقاطع خماسي الطيات (five-fold cross-validation) ومجموعات بيانات التحقق الخارجية تباينًا محدودًا في الأداء عبر الظروف التجريبية المتكررة. واعتمدت مرحلة التحقق الخارجي حصريًا على مجموعة بيانات GOTION، والتي ظلت مستبعدة تمامًا من إجراءات تدريب النموذج وتحسين المعاملات الفائقة. ونظرًا لأن مجموعة البيانات هذه تمثل كيمياء LFP متميزة وتكوين خلايا منشورية، فقد وفر التقييم الخارجي تقديرًا دقيقًا لقدرة التعميم عبر مجموعات البيانات المختلفة في ظل ظروف كهروكيميائية وهيكلية غير متجانسة. بالإضافة إلى ذلك، أظهرت تحليلات معامل الاختلاف وتقييمات التشغيل المتكرر تشتتًا تنبؤيًا منخفضًا عبر التجارب المستقلة، مما يدعم قوة وقابلية إعادة إنتاج سير العمل متعدد القنوات المقترح.

إعدادات التحققمقياس الأداءالمتوسطالانحراف المعياريالحد الأدنىالحد الأقصىمعامل الاختلاف (%)
تشغيلات مكررة بتقسيم بيانات ثابت (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
تشغيلات مكررة ببذور 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 القابلية للتكرار والمتانة لسير عمل التعلم العميق (DL) متعدد القنوات المقترح عبر عمليات تدريب متكررة واستراتيجيات تحقق مختلفة. يلخص الجدول أداء القابلية للتكرار 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 نسبة الخطأ المطلق (MAPE)، ومعامل التحديد (R2)، والانحراف المعياري (SD)، ومعامل الاختلاف. الاختصارات: MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط نسبة الخطأ المطلق؛ SD = الانحراف المعياري.

حساسية المعلمات الفائقة واستئصال الميزات

أظهر تحليل حساسية المعلمات الفائقة (Hyperparameter sensitivity analysis) أن أداء التنبؤ تباين باختلاف أحجام نوافذ الملاحظة، ودوال التنشيط، وأحجام الأبعاد الخفية، وأعماق نموذج التسلسل. ويوضح الشكل 6A تأثير حجم نافذة الملاحظة على توزيعات خطأ التنبؤ. وتحت الظروف التي تم تقييمها، ارتبطت نوافذ الملاحظة التي تتراوح بين 100 و200 دورة بأخطاء تنبؤ أقل، بينما أظهرت نوافذ الملاحظة الأطول تحسينات متناقصة في دقة التنبؤ. وتم تلخيص تباين التنبؤ المعتمد على دالة التنشيط في الشكل 6B؛ حيث أظهرت دوال التنشيط من نوع الوحدة الخطية المصححة (ReLU) ووحدة الخطأ الخطي الغاوسية (GELU) أخطاء تنبؤ أقل مقارنة بدوال التنشيط البديلة تحت 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 لنمذجة التسلسل بتحسن في أداء التنبؤ، بينما ارتبطت البنى الضحلة والأبعاد الخفية المختزلة بزيادة خطأ التنبؤ. وعلاوة على ذلك، أظهر تحليل استئصال الميزات (Feature-ablation analysis) 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 المدمجة والميزات الكهروكيميائية الهندسية قد 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 الميزاتمتعدد القنوات الكامل + الميزات المهندسة0.0220.0312.610.961
بدون الميزات المهندسة0.0240.0332.840.955
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 تحت إعدادات مختلفة للمعلمات الفائقة وتكوينات استئصال الميزات. يلخص الجدول تأثيرات 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 النسبة المئوية للخطأ المطلق (MAPE)، ومعامل التحديد (R2). الاختصارات: MAE = متوسط الخطأ المطلق؛ RMSE = جذر متوسط مربع الخطأ؛ MAPE = متوسط النسبة المئوية للخطأ المطلق؛ ReLU = الوحدة الخطية المعدلة؛ GELU = الوحدة الخطية لخطأ غاوس.

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