⚡ electrical engineering

Modeling of Non-linear Dynamics of Lithium-ion Batteries via Delay-Embedded Dynamic Mode Decomposition

تقترح هذه الورقة نهجاً للنمذجة القائمة على البيانات باستخدام تفكيك النمط الديناميكي المدمج بالتأخير مع التحكم (DMDc)، والذي يلتقط بفعالية الديناميكيات غير الخطية لبطاريات الليثيوم أيون للتنبؤ بالجهد عبر مختلف حالات الشحن ومستويات التقادم باستخدام بيانات الجهد والتيار فقط من اختبارات تفريغ النبضات (HPPC).

المؤلفون الأصليون: Khalid Mahmud Labib, Shabbir Ahmed

نُشر 2026-02-25

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Khalid Mahmud Labib, Shabbir Ahmed

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: التنبؤ بمستقبل البطارية

تخيل أنك تحاول التنبؤ بكيفية قيادة سيارة بعد عشر سنوات من الآن. يمكنك محاولة فهم كل مسمار ومكبس وتفاعل كيميائي داخل المحرك (وهذا يشبه النماذج القائمة على الفيزياء التي يستخدمها العلماء عادةً). أو يمكنك ببساطة مراقبة كيفية قيادة السيارة اليوم، وغداً، والأسبوع المقبل، واستخدام ذلك النمط لتخمين كيف ستقود في المستقبل (وهذا هو النهج القائم على البيانات الذي يتبعه هذا البحث).

يحاول مؤلفو هذا البحث حل مشكلة معقدة: بطاريات الليثيوم أيون فوضوية. فمع تقدمها في العمر، تصبح أضعف، ويصبح سلوكها غير خطي (بمعنى أن التغيير الصغير في المدخلات لا يؤدي دائماً إلى تغيير صغير ومتوقع في المخرجات).

هدفهم؟ بناء "كرة بلورية" يمكنها التنبؤ بجهد البطارية (كمية الطاقة المتبقية فيها) باستخدام بيانات بسيطة فقط: الجهد والتيار. يريدون القيام بذلك دون الحاجة إلى شهادة دكتوراه في الكيمياء لفهم المواد الداخلية للبطارية.

المشكلة في الطرق القديمة

نهج "الدائرة": تعامل النماذج التقليدية البطارية كأنها دائرة كهربائية بسيطة تحتوي على مقاومات ومكثفات. الأمر يشبه محاولة وصف ارتجال موسيقى جاز معقدة عن طريق عدّ النوتات الموسيقية فقط. هذا يعمل بشكل جيد مع الألحان البسيطة، ولكن عندما تشيخ البطارية وتبدأ في التصرف بغرابة، ينهار هذا النموذج.
نهج "الصندوق الأسود": تستخدم بعض الأساليب الحديثة التعلم الآلي الثقيل. هي تشبه "كرة رقم 8 السحرية": تعطيك الإجابة الصحيحة، لكن ليس لديك أدنى فكرة عن سبب تلك الإجابة. وهي صعبة الثقة في الأنظمة الحساسة للسلامة (مثل السيارات الكهربائية).

الحل: لقطات "السفر عبر الزمن" (التضمين المتأخر - Delay Embedding)

استخدم المؤلفون حيلة ذكية تسمى تحلل النمط الديناميكي بالتضمين المتأخر (Delay-Embedded DMD).

التشبيه: دفتر الصور المتحركة (Flipbook)
تخيل أن لديك صورة واحدة لعداء. لا يمكنك معرفة ما إذا كان يتسارع، أو يتباطأ، أو يتعثر بمجرد النظر إلى صورة ثابتة واحدة.

طريقة DMD القياسية: تحاول تخمين المستقبل بناءً على تلك الصورة الواحدة.
حيلة المؤلفين (التضمين المتأخر): بدلاً من صورة واحدة، يأخذون "دفتر صور متحركة" لآخر 1,810 إطاراً من حركة العداء. من خلال تكديس هذه اللحظات الماضية معاً، يستطيع الكمبيوتر "رؤية" الزخم، وخطوة المشي، والاتجاه.

في البحث، أخذوا تاريخ جهد البطارية ووضعوه فوق بعضه البعض مثل برج من الكتل (مصفوفة هانكل - Hankel Matrix). هذا يحول خطاً بسيطاً من بيانات الجهد إلى شكل ثلاثي الأبعاد معقد يكشف الأنماط الخفية لكيفية تحرك البطارية عبر الزمن.

إضافة "عجلة القيادة" (التحكم)

قارنوا بين نموذجين:

DMD (المراقب السلبي): هذا النموذج يكتفي بمراقبة جهد البطارية ويحاول تخمين ما سيحدث بعد ذلك. الأمر يشبه مراقبة سيارة تنحدر من تلة وتخمين أين ستكون بعد 5 دقائق، متجاهلاً ما إذا كان السائق يضغط على دواسة الوقود أو الفرامل.
DMDc (السائق النشط): هذا النموذج أكثر ذكاءً. فهو ينظر إلى الجهد وأيضاً إلى التيار (الكهرباء المتدفقة للداخل أو الخارج). هو يعلم أنه إذا ضغطت على دواسة الوقود (شحن البطارية)، فإن الجهد يرتفع. وإذا ضغطت على الفرامل (تفريغ البطارية)، فإن الجهد ينخفض.

النتيجة: كان "السائق النشط" (DMDc) أفضل بكثير. فقد قدم تنبؤات بأقل قدر من الخطأ، بينما بدأ "المراقب السلبي" في الانحراف عن المسار بعد فترة من الوقت.

اختبار "التقدم في العمر"

الاختبار الحقيقي كان: هل يمكننا تدريب النموذج على بطارية جديدة تماماً واستخدامه للتنبؤ بكيفية سلوك بطارية قديمة ومرهقة؟

قاموا بتدريب النموذج على بيانات من بطارية جديدة وسليمة.
ثم تركوا البطارية تتقدم في العمر (قاموا بدورات شحن وتفريغ مئات الممرات حتى تدهورت).
ثم غدوا نفس النموذج ببيانات البطارية القديمة.

المفاجأة: على الرغم من أن البطارية أصبحت الآن قديمة ومتهالكة (مثل عداء يعاني من إصابة في الركبة)، إلا أن النموذج الذي تم تدريبه على البطارية السليمة استطاع لاحقاً التنبؤ بانخفاضات وارتفاعات الجهد بدقة مذهلة. لم يكن بحاجة لإعادة التدريب من الصفر؛ كان يحتاج فقط لمعرفة المدخلات الحالية.

لماذا هذا الأمر مهم؟

البساطة: لا تحتاج لمعرفة التركيب الكيميائي للبطارية. أنت فقط بحاجة لبيانات الجهد والتيار.
السرعة: التكلفة الحسابية منخفضة. يمكنه العمل على الكمبيوتر الصغير الموجود داخل السيارة الكهربائية (نظام إدارة البطارية - BMS) لمراقبة الحالة باستمرار.
الشفافية: على عكس الذكاء الاصطناعي "الأسود"، يعطيك هذا النموذج خريطة رياضية (المصفوفات A و B) تشرح كيف تتصرف البطارية. يمكنك رؤية "القواعد" التي تتبعها البطارية.

الخلاصة

اعتبر هذا البحث بمثابة تعليم الكمبيوتر كيفية "الاستماع" لنبض قلب البطارية. من خلال النظر إلى إيقاع الماضي (التضمين المتأخر) والاستماع إلى التعليمات التي يتم إعطاؤها (مدخلات التيار)، يمكن للكمبيوتر التنبؤ بالصحة المستقبلية للبطارية، حتى وهي تصبح قديمة ومتعبة. قد يؤدي هذا إلى سيارات كهربائية أكثر أماناً وهواتف تدوم لفترة أطول لأننا سنتمكن أخيراً من التنبؤ بالضبط متى أوشكت البطارية على الفشل.

ملخص تقني لورقة بحثية بعنوان: "نمذجة الديناميكيات غير الخطية لبطاريات الليثيوم-أيون عبر تحليل الأنماط الديناميكية الموزعة بدمج التأخير"

1. بيان المشكلة

تُظهر بطاريات الليثيوم-أيون ديناميكيات كهروكيميائية معقدة وغير خطية يصعب نمذجتها بدقة من أجل أنظمة إدارة البطارية (BMS) الفعالة. تواجه نماذج النمذجة الحالية قيودًا محددة:

النماذج القائمة على الفيزياء: تتطلب معرفة تفصيلية بالتركيب المادي الداخلي ومعادلات تفاضلية جزئية معقدة، مما يجعلها مكلفة حاسوبيًا.
نماذج الدوائر المكافئة (ECMs): رغم استخدامها الواسع، إلا أنها تعتمد على توبولوجيا دوائر مبسطة. وتتدهور دقتها مع تقادم البطارية وتتطلب توصيفًا دقيقًا للمتغيرات، وهو أمر حساس للضجيج والتدهور.
النماذج القائمة على البيانات (مثل تعلم الآلة): غالبًا ما تفتقر إلى القابلية للتفسير (تعمل كـ "صناديق سوداء") وقد تتطلب ميزات مشتقة مثل حالة الشحن (SoC) أو السعة، وهي أمور لا يمكن قياسها مباشرة ويجب تقديرها.
تحديد الهوية المتناثر (SINDy/NARX): قد تواجه هذه الطرق صعوبة في التعامل مع البيانات عالية الأبعاد، وتتطلب مشتقات زمنية (وهي حساسة للضجيج)، ولا توفر بسهولة مصفوفات انتقال الحالة ( $A$ ) والمدخلات ( $B$ ) المطلوبة للتحكم في حالة الفضاء القياسي أو التصفية (مثل مرشحات كالمان).

التحدي الجوهري هو تطوير نموذج يعتمد على البيانات، فعال حاسوبيًا، وقابل للتفسير يلتقط ديناميكيات البطارية غير الخطية باستخدام بيانات الجهد والتيار الخام فقط، دون الاعتماد على تقديرات الحالة الداخلية أو المعلمات الفيزيائية المعقدة.

2. المنهجية

يقترح المؤلفون إطار عمل يستخدم تحليل الأنماط الديناميكية الموزعة (DMD) وتحليل الأنماط الديناميكية الموزعة مع التحكم (DMDc)، مع تعزيزهما بـ دمج تأخير الزمن عبر مصفوفات هانكل (Hankel matrices).

أ. الحصول على البيانات

الموضوع: بطارية ليثيوم-أيون بسعة 30 أمبير-ساعة.
بروتوكول الاختبار: أُجريت اختبارات توصيف قدرة النبض الهجين (HPPC).
- تضمن البروتوكول الشحن بالتيار الثابت (CC) والجهد الثابت (CV)، متبوعًا بفترات راحة ودورات تفريغ/شحن نبضية.
- أُجريت الاختبارات على بطارية جديدة (سليمة) وكُررت بعد كل 20 دورة حتى 360 دورة لإحداث وتوصيف التدهور.
المدخلات/المخرجات: استُخدمت فقط بيانات الجهد (المخرج) والتيار (المدخل) الطرفية الخام. لم تُستخدم أي حالات داخلية (SoC، SoH) كمدخلات للنموذج.

ب. الصياغة الرياضية

بناء مصفوفة هانكل (دمج تأخير الزمن):
- نظرًا لأن الحالة الداخلية الحقيقية غير مرصودة، قام المؤلفون بإنشاء مصفوفة هانكل كتلية من السلسلة الزمنية للجهد.
- يقوم هذا الإجراء بتحويل إشارة أحادية البعد إلى فضاء عالي الأبعاد ( $m$ -dimensional)، حيث تقوم الأعمدة بتكديس $m$ من العينات المتأخرة المتتالية. هذا "يرفع" البنية الزمنية، مما يسم يسمح للمشغلات الخطية بتقريب الديناميكيات غير الخطية.
- بعد الدمج ( $m$ ): تراوح من 40 إلى 2000. وُجد أن البعد الأمثل هو 1810.
تحليل الأنماط الديناميكية الموزعة (DMD):
- يفترض وجود علاقة خطية: $x_{k+1} = A x_k$ .
- يتم تقدير المشغل $A$ عبر طريقة المربعات الصغرى (باستخدام SVD) للانتقال من مصفوفة اللقطات $X$ إلى $X'$ .
- القصور: لا يأخذ في الاعتبار مدخلات التحكم الخارجية (التيار).
تحليل الأنماط الديناميكية الموزعة مع التحكم (DMDc):
- يوسع نطاق DMD ليشمل مدخلات التحكم: $x_{k+1} = A x_k + B u_k$ .
- هنا، يمثل $u_k$ التيار.
- تم دمج مدخل التيار أيضًا بتأخير زمني (مصفوفة هانكل للمدخلات) لالتقاط التبعيات الزمنية في إشارة الاستثارة. وُجد أن البعد الأمثل لدمج المدخلات هو 6.
- تقوم الخوارزمية بحل المصفوفات $A$ (انتقال الحالة) و $B$ (خريطة المدخلات) في آن واحد.

ج. استراتيجية التدريب والتحقق

التدريب: استُخدم 60% من بيانات اختبار HPPC واحد (الحالة السليمة) لتحديد مصفوفات $A$ و $B$ .
التحقق: استُخدمت الـ 40% المتبقية من البيانات للتنبؤ.
اختبار التدهور: ظلت المصفوفات التي تم تحديدها من البطارية السليمة ثابتة. ثم اختُبر النموذج على بيانات البطاريات المتقادمة (حتى الدورة 360) عن طريق تحديث تسلسل مدخلات التحكم ( $u_k$ ) فقط، دون إعادة تحديد مصفوفات النظام.

3. المساهمات الرئيسية

الخطية بدمج التأخير: أثبتت الدراسة أن ديناميكيات البطارية غير الخطية يمكن التقاطها بفعالية ضمن إطار حالة فضاء خطي باستخدام دمج تأخير الزمن (مصفوفات هانكل) على بيانات الجهد الخام.
النمذجة المدركة للمدخلات: أظهرت أن إدراج التيار كمدخل تحكم (DMDc) يتفوق بشكل كبير على DMD القياسي، خاصة في التقاط الاستجابات العابرة وانخفاضات الجهد.
المتانة تجاه التقادم: أثبتت أن مصفوفات النظام ( $A$ و $B$ ) التي تم تحديدها من بطارية سليمة يمكنها التنبؤ بسلوك البطاريات المتقادمة بدقة معقولة، بشرما تم تحديث المدخل (التيار). يشير هذا إلى أن بنية المشغل الخطي تظل مستقرة نسبيًا رغم التدهور غير الخطي.
القابلية للتفسير بدون حالات داخلية: توفر الطريقة مصفوفات $A$ و $B$ قابلة للتفسير (مناسبة لنظرية التحكم) دون الحاجة لمعرفة حالة الشحن (SoC)، أو السعة، أو المعلمات الكهروكيميائية الداخلية.

4. النتائج

المعلمات المثلى:
- دمج الجهد: البعد 1810 حقق أدنى خطأ.
- دمج التيار: البعد 6 حقق أدنى خطأ.
دقة التنبؤ (الحالة السليمة):
- DMD القياسي: مجموع مربعات البواقي (RSS) = 30.
- DMDc: قيمة RSS تساوي 3.86 (مع دمج المدخلات) وتصل إلى 1.74 مع دمج المدخلات المحسن.
- قلل DMDc الأخطاء بشكل كبير في التنبؤ بانخفاضات الجهد والاستجابات العابرة مقارنة بـ DMD القياسي.
التنبؤ طويل المدى:
- نمت أخطاء DMD القياسي بشكل كبير بعد ~6.5 ساعة.
- حافظ DMDc على دقة عالية حتى للتنبؤات المستقبلية البعيدة (حتى 12.5 ساعة) مع انحراف ضئيل.
التكيف مع التدهور:
- عند تطبيقه على البطاريات المتقادمة (الدورة 360) باستخدام مصفوفات مُدربة على بيانات سليمة:
  - DMD RSS: ارتفع إلى 143.
  - DMDc RSS: ارتفع إلى 76.
- رغم زيادة الأخطاء مع التدهور، ظل DMDc متينًا، حيث نجح في التقاط الديناميكيات المتغيرة وملفات الجهد للخلية المتقادمة.

5. الأهمية والآثار المترتبة

بديل لنماذج الدوائر المكافئة (ECMs): يقدم هذا النهج حلاً وسطًا بين تعقيد النماذج القائمة على الفيزياء وطبيعة "الصندوق الأسود" للتعلم العميق. فهو يوفر نموذج حالة فضاء خطي، قابل للتفسير، وفعال حاسوبيًا.
التكامل مع أنظمة إدارة البطارية (BMS): إن القدرة على اشتقاق مصفوفات $A$ و $B$ مباشرة من البيانات تجعل هذا الإطار مناسبًا للغاية للتكامل في التحكم التنبئي بالنماذج (MPC) ومرشحات كالمان لإدارة البطارية في الوقت الفعلي.
القابلية للتوسع: لا تتطلب الطريقة إعادة توصيف لأنواع مختلفة من كيمياء البطاريات أو حالات التقادم، حيث تتعلم الديناميكيات مباشرة من البيانات.
التطبيقات المستقبلية: يشير المؤلفون إلى أن هذا الإطار يمكن أن يكون أساسًا للتشخيص والتنبؤ بالتدهور التكيفي، مع إمكانية الامتداد لتقنيات تخزين الطاقة الأخرى بخلاف الليثيوم-أيون.

في الختام، تثبت الورقة البحثية أن DMDc بدمج التأخير يعد أداة قوية لنمذجة ديناميكيات بطاريات الليثيوم-أيون غير الخطية، حيث يوفر دقة أعلى ومتانة أكبر تجاه التقادم مقارنة بـ DMD القياسي، مع الحفاظ على القابلية للتفسير المطلوبة لأنظمة التحكم المتقدمة.