KAN-Therm: A Lightweight Battery Thermal Model Using Kolmogorov-Arnold Network

ملخص تقني: KAN-Therm

بيان المشكلة

تعد التشغيل الموثوق لبطاريات الليثيوم أيون أمراً بالغ الأهمية للسلامة وطول العمر، لا سيالما في التطبيقات الحساسة للسلامة مثل المركبات الكهربائية والشبكات الذكية. ويتمثل التحدي الرئيسي في التقدير الدقيق لدرجة حرارة قلب البطارية في الوقت الفعلي، وهي قيمة لا يمكن قياسها مباشرة. وبينما توجد نماذج عالية الدقة قائمة على الفيزياء (مثل مراقب H∞، ومرشحات كالمان)، إلا أنها تعاني من متطلبات حسابية عالية، وصعوبات في تحديد المعلمات، وضعف في القابلية للملاحظة، مما يجعلها غير مناسبة لأنظمة إدارة البطارية (BMS) الفيزيائية محدودة الموارد. ومن ناحية أخرى، فإن النهج القائمة على البيانات الموجودة (مثل MLPs وLSTMs وXGBoost) توفر تقديراً أسرع، ولكنها غالباً ما تتطلب عبئاً كبيراً في الذاكرة والموارد الحسابية لتخزين هياكل الشبكات المعقدة، مما يخلق مقايضة بين الدقة وقابلية النشر على الأجهزة المدمجة.

المنهجية

يقترح المؤلفون KAN-Therm، وهو نموذج حراري خفيف الوزن يعتمد على البيانات ومبني على شبكات كولموغوروف-أرنولد (KANs) لتقدير درجة حرارة قلب خلية بطارية أسطوانية.

1. الأساس النظري

على عكس الشبكات العصبية متعددة الطبقات (MLPs) التقليدية التي تستخدم دالات تنشيط غير خطية ثابتة مع أوزان خطية قابلة للتعلم، تستبدل شبكات KAN الأوزان القياسية بـ دالات أحادية المتغير قابلة للتعلم (يتم تمثيلها بواسطة B-splines) على الحواف. هذا الهيكل يستند إلى مبرهنة تمثيل كولموغوروف-أرنولد، مما يسمح للشبكة بالتقاط العلاقات غير الخطية المعقدة بعدد أقل من المعلمات وتعزيز القدرة على التفسير.

2. توليد البيانات

تم توليد بيانات التدريب والتحقق باستخدام نموذج بارامتر مجمع للحرارة لخلية بطارية أسطوانية من نوع LiFePO4–LiC6 بسعة 2.3 أمبير ساعة. يحاكي النموذج ديناميكيات درجة حرارة القلب ($T_1$)، ودرجة حرارة السطح ($T_2$)، ودرجة حرارة المبرد ($T_\infty$) تحت ظروف متنوعة:

• المدخلات: التيار المطبق ($I$)، قدرة التبريد ($\dot{Q}_c$)، درجة حرارة المبرد ($T_\infty$)، ودرجة حرارة السطح ($T_2$).
• السيناريوهات: تم جمع البيانات من دورات قيادة UDDS وUS06 وVEIL2NREL، بالإضافة إلى ملفات شحن التيار المستمر (CC) التي تتراوح من 0.9C إلى 10C.
• الضجيج: تمت إضافة ضجيج مستشعر واقعي (ضجيج غاوسي بـ $\sigma=0.015K$ لدرجة الحرارة و $\sigma=0.006A$ للتيار) لمحاكاة القياسات الفيزيائية.

3. بنية النموذج والتدريب

• الهيكل: يستخدم نموذج KAN-Therm بنية مدمجة تتكون من طبقة مدخلات بـ 4 عقد، وطبقة مخفية بعقدة واحدة، وطبقة مخرجات بعقدة واحدة (التكوين [[4, 1, 1]]).
• تحسين المعلمات الفائقة: تم إجراء بحث شبكي شامل لتحديد الإعدادات المثلى، بما في ذلك رتبة الـ spline ($k=3$)، وفترات الشبكة ($G=2$)، وعقوبات التناثر ($\lambda, \nu_1, \nu_2$)، ودورات التدريب (70).
• دالة الخسارة: يقلل هدف التدريب من مزيج من متوسط خطأ التنبؤ التربيعي ومعاملات التنظيم (L1-norm وself-entropy) لفرض ندرة النموذج وتماسكه.
• النماذج المرجعية: تمت مقارنة النموذج مع أربعة معايير متطورة هي: MLP وRNN وLSTM وXGBoost، والتي تم ضبطها جميعها عبر البحث الشبكي.

المساهمات الرئيسية

1. تطوير KAN-Therm: يقدم البحث بنية محددة قائمة على KAN مصممة خصيصاً لتقدير درجة حرارة قلب البطارية، مما يثبت أن دالات التنشيط القابلة للتعلم يمكنها نمذجة الديناميكيات الحرارية بكفاءة فائقة في عدد المعلمات.
2. التحسين لأنظمة BMS الفيزيائية: من خلال الضبط الدقيق للمعلمات الفائقة، حدد المؤلفون تكويناً يوازن بين الدقة والقيود الصارمة للذاكرة والحوسبة لأجهزة BMS الفيزيائية (مثل الأنظمة ذات ذاكرة FRAM المحدودة).
3. المقارنة الشاملة: توفر الدراسة مقارنة تفصيلية لـ KAN مع الشبكات العصبية التقليدية والنماذج القائمة على الأشجار عبر خمسة مقاييس: عدد المعلمات، وقت التقدير، وRMSE (التدريب، التحقق، والاختبار).

النتائج

أسفرت مقارنة الأداء على مجموعة بيانات الاختبار (التي تشمل تيارات ثابتة ودورات ديناميكية VEIL2NREL) عن النتائج التالية:

• كفاءة المعلمات: يعد KAN-Therm النموذج الأكثر إحكاماً، حيث يتطلب 25 معلمة قابلة للتعلم فقط. وهذا أقل بكثير من RNN (121)، وMLP (369)، وLSTM (877)، وXGBoost (6,000).
• السرعة الحسابية: حقق KAN-Therm أسرع وقت تقدير بلغ 0.0395 ميكروثانية لكل عينة. وكان أسرع بحوالي 21.7 مرة من RNN، و12.5 مرة من LSTM، و20.4 مرة من XGBoost. كما تفوق على نموذج التكامل العددي القائم على الفيزياء (1.3 ميكروثانية).
• الدقة:
  • خطأ RMSE للاختبار: حقق RNN أدنى RMSE للاختبار (0.0334 K)، يليه LSTM (0.0359 K). حقق KAN-Therm قيمة RMSE للاختبار بلغت 0.0477 K.
  • تحليل الخطأ: الفرق في RMSE بين أفضل RNN أداءً وKAN-Therm هو 0.0143 K، وهو ما يشير المؤلفون إلى أنه يقارب مستوى ضجيج المستشعر (0.015 K).
  • المقايضة: بينما يمتلك KAN-Therm قيمة RMSE أعلى قليلاً من RNN وLSTM، إلا أنه يقدم توازناً فائقاً بين الدقة والكفاءة. تبلغ النسبة النسبية للخطأ في KAN-Therm حوالي 0.0125%، وهي تعتبر كافية لتطبيقات السلامة اللاحقة.

الأهمية والادعاءات

يزعم البحث أن KAN-Therm يعالج بنجاح الثنائية بين دقة التقدير المطلوبة والواقعية العملية في إدارة البطارية. فمن خلال الاستفادة من كفاءة المعلمات والقدرة على التفسير لشبكات KAN، يوفر النموذج بديلاً خفيف الوزن مناسباً للنشر على أجهزة BMS الفيزيائية محدودة الموارد حيث تكون النماذج عالية الدقة مكلفة حسابياً للغاية، والشبكات العصبية القياسية كثيفة الذاكرة.

يؤكد المؤلفون أنه بينما لا يتفوق KAN-Therm بشكل صارم على RNNs في الدقة الخام، فإن تقليله الهائل في عدد المعلمات (أقل بنسبة 79.3% من RNN) ووقت الاستدلال (أسرع بـ 21.7 مرة) يجعله حلاً قابلاً للتوسع والعمل في الوقت الفعلي للمراقبة الحرارية في الأنظمة المدمجة الحساسة للسلامة. ويشير العمل إلى أن شبكات KAN يمكن أن تحل محل البنى الأكثر تعقيداً في السيناريوهات التي تكون فيها الموارد الحسابية محدودة.