⚡ electrical engineering

Energy-efficient torque allocation for straight-line driving of electric vehicles based on pseudoconvex polynomials

تقترح هذه الورقة استراتيجية لتخصيص عزم الدوران بكفاءة في استهلاك الطاقة للمركبات الكهربائية متعددة المحركات، والتي تقرب فواقد المحرك باستخدام كثيرات حدود شبه محدبة موجبة ورتيبة عبر برمجة مجموع المربعات، مما يتيح تحسيناً قوياً وفي الوقت الفعلي لتقليل استهلاك البطارية أثناء القيادة في خط مستقيم.

المؤلفون الأصليون: Josip Kir Hromatko, Šandor Ileš, Branimir Škugor, Joško Deur

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Josip Kir Hromatko, Šandor Ileš, Branimir Škugor, Joško Deur

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: مشكلة "العمل الجماعي"

تخيل أنك تقود سيارة كهربائية تحتوي على أربعة محركات مستقلة (محرك لكل عجلة). تريد القيادة من النقطة (أ) إلى النقطة (ب) باستخدام أقل قدر ممكن من طاقة البطارية.

مهمة كمبيوتر السيارة صعبة: عليه أن يقرر كمية الطاقة التي يجب إرسالها إلى كل عجلة من العجلات الأربع.

هل يجب أن تدور العجلات الأربع بنفس القوة؟
هل يجب أن تقوم العجلات الأمامية بمعظم العمل؟
هل يجب أن تتولى العجلات الخلفية القيادة؟

تسمى عملية اتخاذ القرار هذه "توزيع عزم الدوران" (Torque Allocation). إذا أخطأ الكمبيوتر في التقدير، فستستهلك السيارة طاقة زائدة. وإذا أصاب، فستحصل على مسافات أطول من شحنة واحدة.

التحدي: "الخريطة الفوضوية"

لاتخاذ القرار الصحيح، يحتاج الكمبيوتر إلى معرفة مقدار الطاقة التي يهدرها كل محرك بدقة. يطلق المهندسون على هذا المفهوم اسم "خريطة الفقد" (Loss Map).

ومع ذلك، فإن البيانات في العالم الحقيقي فوضوية. الأمر يشبه محاولة رسم خط سلس عبر سحابة من النقاط المبعثرة والمشوشة.

الرياضيات البسيطة (مثل الخط المستقيم) ليست دقيقة بما يكفي.
الرياضيات المعقدة (مثل المنحنيات عالية الدرجة المتعرجة) تناسب النقاط بشكل مثالي، لكنها غالبًا ما تصبح "مجنونة" في الفراغات بينها، مما يخلق "نتوءات" غير واقعية حيث يهدر المحرك فجأة طاقة لسبب غير موجود. يُسمى هذا "الفرط في التخصيص" (Overfitting).

الحل: "الرباط المطاطي الذكي" (كثيرات الحدود شبه المحدبة - Pseudoconvex Polynomials)

ابتكر مؤلفو هذه الورقة البحثية طريقة ذكية لرسم ذلك الخط السلس. لقد استخدموا نوعًا خاصًا من الرياضيات يسمى "كثيرات الحدود شبه المحدبة".

فكر في "كثيرة الحدود" كأنها رباط مطاطي مرن.

المشكلة: إذا قمت بمط الرباط المطاطي ليصيب كل نقطة بيانات، فقد يلتوي وينحني بجنون، مما يخلق حلقات وانخفاضات لا معنى لها فيزيائيًا (مثل أن يصبح المحرك أكثر كفاءة كلما ضغطت عليه بقوة أكبر، وهو أمر مستحيل).
الحل: أضاف المؤلفون "حواجز حماية" للرباط المطاطي. لقد أجبروا الرياضيات على الالتزام بقاعدتين بسيطتين:
1. يجب أن يصعد دائمًا: كلما ضغطت على المحرك بقوة أكبر، يجب أن يستهلك طاقة أكثر (الرتابة - Monotonicity).
2. يجب أن يكون سلسًا: لا توجد انخفاضات أو حلقات غريبة.

استخدموا تقنية تسمى "برمجة مجموع المربعات" (Sum of Squares) لبناء هذه الحواجز. تخيل هذا كأداة سحرية تفحص الرباط المطاطي وتقول: "لا، هذا المنحنى يبدو غريبًا. أصلحه بحيث يصعد بسلاسة فقط".

لماذا يهم هذا: "شرطي المرور"

بمجرد أن يمتلك الكمبيوتر هذه الخريطة المثالية والسلسة والواقعية لكيفية هدر الطاقة في المحركات، يمكنه العمل مثل شرطي مرور ذكي.

عندما تضغط على دواسة الوقود، يحسب الكمبيوتر فورًا: "حسنًا، لتحريك هذه السيارة الآن بأقل قدر من استنزاف البطارية، يجب أن أرسل 60% من الطاقة للعجلات الأمامية و40% للخلف".

نظرًا لأن رياضياتهم نظيفة ومتوقعة للغاية، يمكن للكمبيوتر حل هذا اللغز لحظيًا (في أجزاء من الثانية)، حتى أثناء قيادتك للسيارة. وهذا يسمح للسيارة بالتكيف مع التغييرات في الوقت الفعلي، على عكس الطرق القديمة التي كانت تعتمد على "كتيبات قواعد" جاهزة لا تستطيع التعامل مع المواقف الجديدة بشكل جيد.

النتائج: توفير بضع قطرات من الوقود

اختبر الباحثون طريقتهم على سيارة محاكية باستخدام طرق قيادة قياسية (مثل القيادة في المدينة أو القيادة على الطرق السريعة).

المعيار المرجعي: قارنوا طريقتهم بـ "البحث الشبكي" (Grid Search)، وهو ما يشبه تجربة كل تركيبة ممكنة لتوزيع الطاقة لإيجاد الأفضل على الإطلاق. هذه الطريقة دقيقة جدًا ولكنها تستغرق وقتًا طويلاً (بطيئة جدًا بالنسبة لسيارة حقيقية).
النتيجة: كانت طريقة "الرباط المطاطي الذكي" جيدة تقريبًا مثل الطريقة المثالية البطيئة.
- استخدمت طاقة أكثر بنسبة 1.5% فقط مقارنة بالطريقة المثالية.
- في العالم الحقيقي، هذا فرق ضئيل جدًا. إنه يشبه الفرق بين قيادة 300 ميل أو 295 ميلاً بخزان وقود كامل.
- المقايضة: ستفقد جزءًا ضئيلًا من المدى، لكنك ستكتسب القدرة على حساب الإجابة لحظيًا على شريحة كمبيوتر السيارة.

الملخص

تتعلق هذه الورقة البحثية بتعليم كمبيوتر السيارة كيف يكون مدير طاقة أفضل.

المشكلة: بيانات المحرك الحقيقية فوضوية، والرياضيات المعقدة قد ترتبك.
الحيلة: استخدام أداة رياضية خاصة (مجموع المربعات) لإجبار الرياضيات على البقاء واقعية وسلسة، مثل رباط مطاطي لا يمكنه الالتواء في عقد.
الفائدة: يمكن للسيارة الآن حساب الطريقة الأكثر كفاءة في استهلاك الطاقة في الوقت الفعلي، مما يوفر عمر البطارية دون الحاجة إلى كمبيوتر خارق على متنها.

إنه تعديل بسيط في الرياضيات، لكنه يساعد السيارات الكهربائية على القيادة لمسافات أطر قليلاً مع كل شحنة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "توزيع عزم الدوران الموفر للطاقة للقيادة في خط مستقيم للمركبات الكهربائية بناءً على كثيرات الحدود شبه المحدبة."

1. بيان المشكلة

تتناول الورقة البحثية تحدي تقليل استهلاك طاقة البطارية في المركبات الكهربائية (EVs) المزودة بعدة محركات مستقلة (تحديداً تكوين رباعي المحركات) أثناء القيادة في خط مستقيم.

المشكلة الجوهرية: بينما يمكن لعمليات التحسين غير المتزامنة (offline optimization) إنشاء جداول بحث أو قواعد لتوزيع عزم الدوران، إلا أنها تفتقر إلى القدرة على التكيف مع تغير بارامترات المركبة، أو الظروف البيئية، أو القيود في الوقت الفعلي (مثل تغير حدود عزم الدوران أو متطلبات الراحة).
تحدي التحسين: يتطلب التحسين المتزامن (online optimization) (مثل التحكم التنبئي بالنماذج - MPC) نماذج خسائر دقيقة. ومع ذلك، فإن عمليات الاسترخاء المحدبة (convex relaxations) القياسية غالباً ما تؤدي إلى أخطاء نمذجة كبيرة، بينما النماذج غير المحدبة (مثل كثيرات الحدود عالية الرتبة أو الشبكات العصبية) تخاطر بالوقوع في نهايات صغرى محلية أو الإفراط في ملاءمة البيانات المشوشة (overfitting)، مما يجعل التحسين العالمي في الوقت الفعلي أمراً صعباً.
الهدف: تطوير استراتيجية توزيع عزم دوران فعالة حسابياً، قابلة للتنفيذ في الوقت الفعلي، وتعتمد على نمذجة دقيقة لخسائر المحرك، مع ضمان الوصول إلى الحل الأمثل العالمي (أو القريب من العالمي)، والحفاظ على المتانة ضد البيانات المتفرقة أو المشوشة.

2. المنهجية

يجمع النهج المقترح بين برمجة مجموع المربعات (Sum of Squares - SOS) وانحدار كثيرات الحدود شبه المحدبة (pseudoconvex polynomial regression) لإنشاء نموذج خسارة قوي، والذي يُستخدم لاحقاً في إطار تحسين غير خطي مقيد.

أ. نمذجة خسائر المحرك عبر كثيرات الحدود شبه المحدبة

التقريب بكثيرات الحدود: بدلاً من استخدام كثيرات حدود تكعيبية بسيطة أو جداول بحث، يقوم المؤلفون بتقريب خسائر المحرك ( $P_{loss}$ ) كدالة لعزم الدوران ( $\tau$ ) باستخدام كثيرات حدود ذات رتب أعلى.
قيود التحدب الشبهي (Pseudoconvexity): لضمان أن يكون مشهد التحسين (optimization landscape) منضبطاً، يفرض المؤلفون أن تكون دالة الخسارة شبه محدبة (pseudoconvex). بالنسبة لدالة أحادية المتغير، يعني هذا أن الدالة تزداد رتيباً لـ $x > x^*$ (حيث $x^*$ هو المقلل العالمي). وبما أن خسائر المحرك تزداد مع عزم الدوران، يتم تقييد الدالة لتكون متزايدة رتيباً لعزوم الدوران غير السالبة.
صياغة مجموع المربعات (SOS): إن فرض الرتابة على كثيرات حدود ذات رتب عشوائية هو أمر صعب رياضياً. يستخدم المؤلفون برمجة SOS لاسترخاء شرط عدم السالبية لمشتق كثير الحدود.
- يتم استبدال الشرط $p'(x) \geq 0$ بمتطلب أن يكون $p'(x)$ قابلاً للتمثيل كمجموع مربعات (أو أن يكون $p'(x) - x \cdot s(x)$ عبارة عن SOS للفترة $[0, \infty)$ ).
- يحول هذا عملية الملاءمة (fitting) إلى برنامج مسألة برمجة شبه محددة (SDP)، والتي يمكن حلها بكفاءة باستخدام برامج حل حديثة (مثل MOSEK عبر YALMIP).
الفوائد: تضمن هذه الطريقة الخصائص الفيزيائية لدالة الخسارة (الإيجابية والرتابة) حتى مع وجود بيانات تجريبية مشوشة أو متفرقة، مما يمنع السلوك "التذبذبي" الذي يظهر غالباً في ملاءمة كثيرات الحدود عالية الرتبة غير المقيدة.

ب. استراتيجية توزيع عزم الدوران

صياغة المشكلة: يتم نمذجة المركبة بأربعة محركات مستقلة. بالنسبة للقيادة في خط مستقيم، يُفترض أن يكون التقسيم الأمثل بين اليمين واليسار متساوياً، مما يقلل المشكلة إلى إيجاد نسبة التوزيع الأمثل لعزم الدوران بين الأمام والخلف ( $\sigma$ ).
التحسين: الهدف هو تقليل إجمالي خسائر منظومة الدفع:
$\min_{\sigma} P_{loss,f}(\sigma \cdot \tau_{ref}) + P_{loss,r}((1-\sigma) \cdot \tau_{ref})$
طرق الحل:
1. المحلل القائم على التدرج (Gradient-Based Solver): يتم حل المشكلة كمسألة تحسين غير خطية مقيدة باستخدام المحلل Fatrop.
2. نهج KKT: في الحالات التي تكون فيها دالة التكلفة عبارة عن كثير حدود، يستخدم المؤلفون شروط كاروش-كون-تاوكر (KKT). من خلال إيجاد جذور كثير حدود التدرج، يمكنهم تحديد جميع النهايات الصغرى المحلية المحتملة واختيار النهاية الصغرى العالمية، مما يتجنب الحلول دون المثالية الشائعة في الطرق القائمة على التدرج ذات التهيئة العشوائية.

3. المساهمات الرئيسية

تقريب الخسارة القائم على SOS: طريقة مبتكرة لملاءمة خصائص خسائر المحرك الكهربائي باستخدام كثيرات حدود ذات رتب عشوائية مقيدة بأن تكون موجبة ومتزايدة رتيباً عبر برمجة مجموع المربعات. هذا يسد الفجوة بين دقة النماذج عالية الرتبة ومتانة الطرق المحدبة.
توزيع عزم الدوران في الوقت الفعلي: استراتيجية توزيع تعتمد على التدرج تستخدم هذه النماذج شبه المحدبة، مما يسمح بالتنفيذ في الوقت الفعلي (حوالي 3 مللي ثانية) بما يتناسب مع التكامل مع أنظمة التحكم الأخرى في المركبة.
الأمثلية العالمية عبر KKT: إثبات أنه بالنسبة لكثيرات الحدود في دالة التكلفة، فإن استخدام شروط KKT لإيجاد الجذور يمكن أن يقضي بفعالية على النهايات الصغرى المحلية دون المثالية، مما يحسن الأداء بشكل كبير في السيناريوهات المعقدة (مثل المحركات غير المتساوية).
التعامل مع المحركات غير المتساوية: تم توسيع الإطار ليشمل منظومات الدفع التي تحتوي على محركات أمامية وخلفية مختلفة، وهو سيناريو غالباً ما تفشل فيه الاستراتيجيات القائمة على القواعد البسيطة.

4. النتائج

تم تقييم الطريقة على محاكاة معدلة لسيارة Chevrolet Volt EREV باستخدام دورات قيادة قياسية معتمدة (WLTP, UDDS, US06, HWFET, NEDC).

دقة الملاءمة: نجحت كثيرات الحدود شبه المحدبة (حتى الرتبة العاشرة) في التقاط خصائص خسائر المحرك دون التذبذبات التي تظهر في الملاءمة عالية الرتبة غير المقيدة، حتى مع البيانات منخفضة الدقة.
استهلاك الطاقة:
- المحركات المتساوية: أظهرت الطرق المقترحة عقوبة طاقة طفيفة (حوالي 1.0% – 1.8%) مقارنة بمعيار البحث الشبكي العالمي (grid-search).
- المحركات غير المتساوية: كانت العقوبة أعلى قليلاً بالنسبة لكثيرات الحدود غير المقيدة، لكنها ظلت منخفضة بالنسبة للنهج شبه المحدد.
- تعزيز KKT: عند استخدام طريقة البحث عن الجذور القائمة على KKT، انخفضت عقوبة استهلاك الطاقة بشكل كبير، خاصة للمحركات غير المتساوية (مما قلل الفجوة مع المعيار إلى أقل من 0.6%).
الكفاءة الحسابية: حقق المحلل القائم على التدرج متوسط وقت تنفيذ قدره ~3 مللي ثانية (بحد أقصى 15 مللي ثانية) على أجهزة الكمبيوتر القياسية، مما يؤكد جدوى التنفيذ في الوقت الفعلي لدورة تحكم مدتها ثانية واحدة.

5. الأهمية والخاتمة

تقدم هذه الورقة حلاً قوياً لـ "لعنة الأبعاد" وعدم التحدب في توزيع عزم دوران المركبات الكهربائية. من خلال الاستفادة من برمجة مجموع المربعات (SOS)، أنشأ المؤلفون نموذج خسارة يتسم بكونه قابلاً للمعالجة رياضياً (يضمن الرتابة والإيجابية) وفعالاً حسابياً.

تكمن الأهمية في القدرة على الانتقال من جداول البحث الثابتة المولدة مسبقاً (offline) نحو التحسين الديناميكي المتزامن (online) الذي يمكنه التكيف مع المتغيرات والقيود وتكوينات المركبة المختلفة في الوقت الفعلي. تُعتبر عقوبة الطاقة الصغيرة (زيادة بنسبة 1.5% في المتوسط) مقبولة بالنظر إلى المكاسب الكبيرة في المرونة، والقدرة على التكيف، والقدرة على التكامل مع أنظمة التحكم المتقدمة الأخرى في المركبة. كما يعمل استخدام شروط KKT على تحسين الحل، مما يوفر مساراً نحو الوصول إلى الحل الأمثل العالمي دون التكلفة الحسابية لعمليات البحث الشبكي الشاملة.