⚡ electrical engineering

Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression

تقترح هذه الورقة إطار عمل كفؤ في استهلاك البيانات لتقدير حالة الصحة والعمر النافع المتبقي لبطاريات ليثيوم أيون غير مرئية باستخدام ميزات تحليل السعة المتزايدة ومجموعة انحدار العملية الغاوسية متعددة النماذج، محققةً دقة عالية باستخدام قياسات تشخيصية متفرقة فقط طوال دورة حياة البطارية.

المؤلفون الأصليون: Moritz Landwehr, Patrick Hoher, Johannes Reuter

نُشر 2026-03-30

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Moritz Landwehr, Patrick Hoher, Johannes Reuter

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 "طبيب البطارية"

تخيل أنك اشتريت سيارة كهربائية مستعملة. أنت لا تعرف مدى قسوة القيادة التي تعرضت لها من قبل المالك السابق، أو عدد مرات شحنها، أو ما إذا كانت قد تُركت تحت أشعة الشمس الحارقة. كل ما تعرفه هو أنها بطارية، وتحتاج لمعرفة شيئين:

كم تبقى من "الصحة"؟ (هل لا تزال جيدة بنسبة 80%، أم أنها تحتضر؟)
كم ميلاً (أو دورة شحن) يمكنها أن تقطع قبل أن تموت؟

عادةً، للإجابة على هذا، يريد الميكانيكيون قيادة السيارة لآلاف الأميال، وتسجيل كل مطب وكل منعطف. لكن في العالم الحقيقي، لا يمكننا فعل ذلك. نحن نحصل فقط على اختبار تشخيصي سريع واحد (مثل فحص سريع في محطة وقود).

تقدم هذه الورقة البحثية "طبيباً" جديداً للبطاريات يمكنه النظر إلى لقطة سريعة واحدة من حياة البطارية والتنبؤ بمستقبلها بدقة، حتى لو كانت بطارية لم يسبق لهذا الطبيب رؤيتها من قبل.

الأداة السرية: "بصمة الإصبع" (تحليل السعة المتزايدة - ICA)

البطاريات معقدة. إذا نظرت فقط إلى رسم بياني للجهد مقابل الزمن، فسيظهر كأنه تلة ناعمة ومملة. من الصعب معرفة ما إذا كانت التلة تصبح أكثر تسطحاً لأن البطارية قديمة أم لمجرد أن الجو بارد.

يستخدم المؤلفون تقنية تسمى تحليل السعة المتزايدة (ICA).

التشبيه: تخيل تلة ناعمة (منحنى البطارية العادي). الآن، تخيل أنك تصعد هذه التلة وتلتقط صورة لـ درجة الانحدار عند كل خطوة.
النتيجة: بدلاً من تلة ناعمة، ستحصل على خريطة بها قمم ووديان حادة.
لماذا يهم هذا الأمر: مع تقدم عمر البطارية، يتغير شكل هذه القمم. قد تصبح إحدى القمم أقصر، أو قد تنتقل إلى اليسار. هذه القمم تشبه بصمة الإصبع لصحة البطارية الداخلية. حتى لو رأيت جزءاً صغيراً فقط من التلة (شحن جزئي)، فإن شكل القمم يحكي قصة البطارية بأكملها.

العقل: "لجنة الخبراء" (انحدار العملية الغاوسية - GPR)

بمجرد حصولهم على قمم "بصمة الإصبع" هذه، يحتاجون إلى عقل حاسوبي لترجمة هذه البصمات إلى درجة صحة.

الطريقة القديمة (الخبير الواحد): تحاول معظم الطرق تدريب نموذج ذكاء اصطناي واحد ضخم على بيانات من جميع البطاريات. الأمر يشبه توظيف طبيب واحد لعلاج الجميع. المشكلة؟ كل بطارية مختلفة قليلاً. قد تتقادم بطارية بسرعة، بينما تتقادم أخرى ببطء. لا يمكن لـ "طبيب" واحد أن يتنبأ بمستقبل بطارية معينة وفريدة بدقة مثالية.
الطريقة الجديدة (لجنة الخبراء - GPRn): أنشأ المؤلفون فريقاً من المتخصصين.
- قاموا بتدريب "طبيب صغير" منفصل لكل بطارية في بيانات التدريب الخاصة بهم.
- عندما تأتي بطارية جديدة غير معروفة، يسألون جميع الأطباء الصغار عن رأيهم.
- السحر: هم لا يكتفون بأخذ المتوسط فقط. بل ينظرون إلى مدى اختلاف الأطباء في آرائهم.
  - إذا اتفق جميع الأطباء، يكون التنبؤ واثقاً جداً.
  - إذا كان الأطباء يتجادلون (بعضهم يقول "بقي 5 سنوات"، والآخرون يقولون "10 سنوات")، فإن النظام يدرك وجود عدم يقين.

هذا أمر بالغ الأهمية لأنه يخبر المستخدم: "أعتقد أنه تبقى لديك 1,000 دورة شحن، لكنني متأكد بنسبة 80% فقط. دعنا نتحقق مرة أخرى قريباً".

الاستراتيجية: نهج "السائق الآمن"

لا تتوقف الورقة البحثية عند مجرد التخمين؛ بل تضع استراتيجية مراقبة لكيفية استخدام البطارية بأمان.

الهدف: استخدام البطارية حتى تقترب من الموت، ولكن دون قتلها.
الطريقة:
1. ابدأ تشغيل البطارية.
2. قم بإجراء اختبار تشخيصي سريع (مسح "بصمة الإصبع").
3. تتنبأ "لجنة الخبراء" بالعمر المتبقي.
4. هامش الأمان: بما أن النظام يعرف أنه قد يخطئ (عدم اليقين)، فإنه يطرح هامش أمان. إذا قال الخبراء "بقي 500 دورة شحن"، فقد يقول النظام: "حسناً، دعونا نقود 400 دورة فقط، ثم نتحقق مرة أخرى".
5. كرر هذه العملية من 3 إلى 5 مرات طوال عمر البطارية.

النتيجة:

نجحوا في استخدام 95% إلى 99% من إمكانات البطارية.
لم يحتاجوا إلا لإجراء 3 إلى 5 فحوصات سريعة طوال عمر البطارية (والذي قد يصل إلى 3,000 إلى 5,000 دورة شحن).
لم يقعوا تقريباً في فخ "الإفراط في الدورات" (قتل البطارية مبكراً).

النقاط الرئيسية المستخلصة (باللغة البسيطة)

لقطة واحدة تكفي: لا تحتاج لسنوات من البيانات لتعرف صحة البطارية. تحليل ذكي واحد لمنحنى الشحن يكفي ويؤدي غرضه.
البطاريات أفراد متميزون: معاملة جميع البطاريات بنفس الطريقة يفشل. أنت بحاجة لنظام يدرك أن بعض البطاريات "تتقادم بسرعة" وبعضها "تتقادم ببطء". "لجنة الخبراء" تتعامل مع هذا الأمر بشكل مثالي.
عدم اليقين أمر جيد: بدلاً من إخفاء حقيقة أنهم ليسوا متأكدين بنسبة 100%، يقوم النظام بقياس هذا النوع من عدم اليقين. وهذا يسمح باتخاذ قرارات أكثر أماناً.
الكفاءة: يمكنك الحصول على كل القيمة الممكنة من البطارية دون الحاجة إلى معدات مراقبة مستمرة ومكلفة.

الخلاصة

تعطينا هذه الورقة البحثية طريقة لمعاملة البطاريات كأفراد فريدين وليس كقطع غيار عامة. من خلال استخدام "فريق من الخبراء" لتحليل "بصمة" بسيطة للبطارية، يمكننا استخراج كل قطرة طاقة منها بأمان، مما يجعل السيارات الكهربائية والبطاريات المستعملة أكثر موثوقية واقتصادية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقدير حالات التقادم ومراقبة استراتيجيات بطاريات الليثيوم أيون باستخدام تحليل السعة المتزايدة وانحدار العملية الغاوسية" من قبل لاندوير، هوهر، وريوتر.

1. بيان المشكلة

تعالج الورقة البحثية تحدي تقدير حالة الصحة (SoH) والعمر النافع المتبقي (RUL) لبطاريات الليثيوم أيون في السيناريوهات الواقعية حيث لا تتوفر مراقبة مستمرة.

ندرة البيانات: تعتمد معظم الطرق الحالية على سجلات دورات مكثفة ومستمرة. ومع ذلك، فإن التطبيقات العملية (مثل البطاريات ذات الحياة الثانية، أو إدارة الأساطيل) غالبًا ما توفر معلومات متفرقة فقط، مثل دورة شحن تشخيصية واحدة.
تباين الخلايا: يوجد تباين كبير بين خلية وأخرى في مسارات التقادم. فالنموذج المدرب على خلية واحدة غالبًا ما يفشل في التعميم على خلية "لم يسبق رؤيتها" دون الحاجة إلى إعادة تدريب مكثفة.
تحديد عدم اليقين: غالبًا ما تقدم طرق الانحدار القياسية تقديرات نقطية دون تحديد مستوى الثقة أو عدم اليقين في التنبؤ، وهو أمر بالغ الأهمية لاتخاذ القرارات المتعلقة بالسلامة.

2. المنهجية

2.1. مصدر البيانات

تستخدم الدراسة مجموعة بيانات أكسفورد لتدهور البطاريات، والتي تضم 8 خلايا صغيرة من نوع (LiCoO2/Graphite) تم تدويرها عند درجة حرارة 40 مئوية حتى نهاية العمر (EOL)، والذي تم تعريفه بنسبة 80% من حالة الصحة (SoH). تتضمن مجموعة البيانات دورات تشخيصية مسجلة كل 100 دورة.

2.2. استخراج الميزات: تحليل السعة المتزايدة (ICA)

بدلاً من استخدام بيانات السلاسل الزمنية للجهد/التيار الخام، يستخدم المؤلفون تحليل السعة المتزايدة (ICA) لاستخراج ميزات عالية المعلومات.

التحويل: يقوم الـ ICA بتحويل هضبات الجهد في منحنى الشحن إلى قمم وقيعان متميزة في منحنى $dQ/dV$ .
اختيار الميزات: تم اختيار خمس ميزات محددة ( $F_1$ $F_{1}$ إلى $F_5$ $F_{5}$ ) يدويًا بناءً على الفحص البصري وارتباط رتب سبيرمان مع SoH/RUL:
- $F_1$ : القمة القصوى لمنحنى السعة المتزايدة ( $IC_{peak}$ ).
1. $F_2$ : الجهد المقابل لـ $IC_{peak}$ .
- $F_3$ : أقصى سعة متزايدة في نطاق جهد محدد (3.5 فولت – 3.65 فولت).
- $F_4$ : أقصى ميل موجب في ذلك النطاق.
- $F_5$ : الجهد المقابل لأقصى ميل.
الارتباط: أظهرت الميزة $F_1$ ( $IC_{peak}$ ) أعلى ارتباط مع SoH (0.997) ومع RUL (0.970).

2.3. نماذج الانحدار

يقارن المؤلفون بين عدة مناهج للتعلم الآلي:

النماذج القياسية: انحدار متعدد الحدود، الشبكات العصبية الأمامية (FFNN)، انحدار ناقلات الدعم (SVR)، وانحدار العملية الغاوسية القياسي (GPR) المدرب على البيانات المجمعة.
النموذج المقترح (GPRn): مجموعة انحدار العملية الغاوسية متعددة النماذج.
- بدلاً من تدريب نموذج GPR واحد على جميع البيانات، يتم تدريب نموذج "خبير" منفصل لكل خلية من خلايا التدريب $T$ .
- بالنسبة لخلية اختبار جديدة، تقوم المجموعة بدمج تنبؤات هؤلاء الخبراء باستخدام خليط موزون من التوزيعات الغاوسية.
- تفكيك عدم اليقين: يتم تفكيك تباين المجموعة إلى:
  - عدم اليقين المعرفي (Epistemic Uncertainty): عدم اليقين الناتج عن محدودية البيانات (متوسط تباين الخبراء).
  - عدم اليقين العرضي (Aleatoric Uncertainty): عدم اليقين الناتج عن التباين المتأصل بين الخلايا (تباين متوسطات الخبراء).

2.4. استراتيجية مراقبة RUL

تم اشتقاق استراتيجية مراقبة ذات حلقة مغلقة لتشغيل البطارية من بداية العمر (BOL) إلى نهاية العمر (EOL) باستخدام قياسات متفرقة:

إجراء دورة شحن تشخيصية واحدة.
استخراج ميزات ICA.
تقدير SoH (باستخدام SVR) و RUL (باستخدام GPRn).
حساب العمر النافع المتبقي المحافظ ( $RUL_{cons}$ ) عن طريق طرح هامش أمان يتناسب مع عدم اليقين المتوقع ( $k \cdot \sigma$ ).
تشغيل البطارية لمدة $RUL_{cons}$ من الدورات قبل القياس التالي.
التكرار حتى ينخفض $RUL_{cons}$ عن حد أدنى أو تصبح SoH أقل من 80%.

3. المساهمات الرئيسية

مجموعة GPRn: تطوير مجموعة GPR خاصة بكل خلية تعمل على نمذجة التباين بين الخلايا بشكل صريح، مما يتفوق على نماذج GPR المجمعة التي تميل إلى الإفراط في التخصيص (overfitting) أو الفشل في استيعاب عدم التجانس.
كفاءة البيانات المتفرقة: إثبات إمكانية التقدير الدقيق لـ SoH و RUL باستخدام دورة تشخيصية واحدة فقط من خلية لم يسبق رؤيتها، وذلك بالاستفادة من بيانات خلايا مرجعية مماثلة.
المراقبة المدركة لعدم اليقين: اشتقاق استراتيجية مراقبة عملية تستخدم تحديد عدم اليقين من GPRn لضبط الفاصل الزمني بين عمليات الفحص التشخيصي ديناميكيًا، مما يوازن بين السلامة والاستغلال.
التقييم الكمي: مقارنة شاملة للميزات القائمة على ICA مقابل مختلف منظمات التعلم الآلي (SVR, FFNN, GPR) لكل من مهام SoH و RUL.

4. النتائج

4.1. أداء التقدير

تقدير SoH: عملية الربط من ميزات ICA إلى SoH متسقة للغاية عبر الخلايا.
- أفضل نموذج: حقق SVR أقل خطأ.
- الدقة: متوسط الخطأ المطلق الموزع (NMAE) بلغ 1.3%.
- ملاحظة: أدى نموذج GPRn إلى أداء أقل قليلاً من GPR المجمع لـ SoH لأن ربط SoH ثابت إلى حد كبير بين الخلايا؛ حيث يستفيد النموذج المجمع من نقاط بيانات أكثر.
تقدير RUL: عملية الربط حساسة للغاية لتباين الخلايا.
- أفضل نموذج: تفوق GPRn بشكل كبير على جميع الطرق الأخرى.
- الدقة: بلغ NMAE نسبة 5.3%.
- المقارنة: عانى نموذج GPR المجمع القياسي من إفراط شديد في التخصيص (خطأ تدريب منخفض، خطأ اختبار مرتفع)، بينما نجح GPRn في التعميم من خلال متوسط سلوكيات الخلايا الفردية.

4.2. أداء استراتيجية المراقبة

باستخدام استراتيجية تعتمد على GPRn مع معامل ضبط $k=2$ (للموازنة بين السلامة والاستغلال):

الاستغلال: نجحت الاستراتيجية في استغلال أكثر من 90% من ميزانية الدورات المتاحة لمعظم الخلايا.
عبء القياس: تطلب الأمر في المتوسط من 3 إلى 5 قياسات تشخيصية فقط على مدار العمر الافتراضي الذي يتراوح بين 3,300 و 5,000 دورة.
السلامة:
- معدل تجاوز الدورات: بالنسبة لـ $k=2$ ، كان معدل تجاوز الدورات (الهبوط تحت 80% SoH) هو صفر لـ 7 من أصل 8 خلايا.
- انحراف SoH: تم الحفاظ على خطأ Soho المتبقي عند نهاية العمر ضمن نطاق ±1% لجميع الخلايا.
- أسرع خلية في التقادم: حتى بالنسبة لأسرع خلية في التقادم (الخلية 4)، أدت الاستراتيجية إلى تجاوز طفيف للدورات بمقدار -116 دورة فقط، مما منع الفشل الكارثي.

5. الأهمية والخاتمة

القابلية للتطبيق العملي: تثبت هذه الدراسة أن مراقبة صحة البطارية المعقدة لا تتطلب تدفقات بيانات مستمرة. فمن الممكن إدارة أساطيل البطاريات باستخدام تشخيصات متفرقة ومتقطعة، وهو أمر بالغ الأهمية لتطبيقات الحياة الثانية والأنظمة القديمة.
السلامة مقابل الكفاءة: توفر الاستراتيجية المقترحة إطارًا رياضيًا لضبط المقايضة بين تعظيم استخدام البطارية وضمان السلامة عبر تحديد عدم اليقين.
الاتجاهات المستقبلية: يقترح المؤلفون أنه مع مجموعات بيانات أكبر، يمكن تعديل أوزان المجموعة ( $\pi_i$ ) ديناميكيًا بناءً على اتجاه التدهور الخاص بالخلية المختبرة، مما قد يقلل من عدم اليقين العرضي بشكل أكبر. بالإضافة إلى ذلك، تحتاج الطريقة إلى التحقق في ظل ظروف تشغيل متغيرة (درجة الحرارة، معدلات الشحن C-rates).

باختصار، تقدم هذه الورقة إطارًا قويًا وكفؤًا للبيانات لإدارة صحة البطاريات، يستفيد من التفسير الفيزيائي لميزات ICA ومن القوة الاحتمالية لمجموعات العملية الغاوسية لحل المشكلة الحرجة المتمثلة في تقدير عمر البطارية بأقل قدر من البيانات.