Deploying machine learning for remaining useful life prediction of lithium-ion batteries on Coral Dev Board
تقيم هذه الورقة وتقارن أداء نماذج الغابة العشوائية (Random Forest)، وXGBoost، والشبكة التلافيفية الزمنية (Temporal Convolutional Network) للتنبؤ بالعمر النافع المتبقي لبطاريات الليثيوم أيون، مما يثبت فعاليتها ونشرها العملي على لوحة كورال ديف (Coral Dev Board) لأغراض الصيانة التنبؤية في المركبات الكهربائية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
تعتمد المركبات الكهربائية وأنظمة تخزين الطاقة المتجددة بشكل كبير على مكون واحد وحرج: بطارية الليثيوم أيون. هذه المصادر للطاقة ليست غير محدودة؛ فمثل أي جزء ميكانيكي، فإنها تستهلك بمرور الوقت، وتفقد القدرة على الاحتفاظ بشحنة كاملة. وللحفاظ على تشغيل هذه الأنظمة بأمان وكفاءة، يحتاج المهندسون إلى معرفة مقدار ما تبقى من عمر البطارية بدقة قبل أن تتعطل. ويُعرف هذا المفهوم باسم "العمر النافع المتبقي". وهو يختلف عن مج-رد التحقق من مقدار الشحن المتبقي في لحظة معينة؛ بل هو تنبؤ بعدد دورات الشحن الإضافية التي يمكن للبطارية تحملها قبل أن تنخفض سعتها إلى حد غير قابل للاستخدام. إن التنبؤ بهذا العمر الافتراضي أمر صعب لأن البطاريات تتدهور بطرق معقدة وغير خطية تعتمد على درجة الحرارة، وسرعة الشحن، وتاريخ الاستخدام. وبدون تنبؤات دقيقة، يواجه المستخدمون خطر الفشل المفاجئ، بينما قد يقوم المصنعون باستبدال البطاريات في وقت مبكر للغاية، مما يؤدي إلى هدر الموارد.
لقد تصدى فريق من الباحثين من المدرسة الوطنية للهندسة بتونس ومؤسسة "إنتربرايز إستونيا" (Enterprise Estonia) لهذا التحدي من خلال اختبار ما إذا كانت البرامج الحاسوبية المتقدمة يمكنها التنبؤ بعمر البطارية مباشرة على أجهزة صغيرة محمولة. وقد ركزوا على ثلاثة أنواع مختلفة من خوارمازميات تعلم الآلة — وهي أنظمة حاسوبية تتعلم من البيانات بدلاً من اتباع قواعد صارمة ومكتوبة مسبقاً. الخوارزمية الأولى، المسماة "الغابة العشوائية" (Random Forest)، تعمل مثل لجنة من صناع القرار، حيث يقدم كل منهم تخميناً ثم يتم حساب متوسط النتيجة. والثانية، "XGBoost"، تبني تسلسلاً من النماذج حيث يحاول كل نموذج جديد تصحيح أخطاء النموذج السابق. أما الثالثة، وهي "الشبكة التلافيفية الزمنية" (Temporal Convolutional Network)، فقد صُممت خصيصاً لفهم الأنماط التي تتكشف عبر الزمن، مثل التدهور البطيء لصحة البطارية. أراد الباحثون معرفة أي من هذه الأساليب كان الأفضل في التنبؤ بعمر البطارية، والأهم من ذلك، ما إذا كان بإمكانها العمل بكفاءة على قطعة من الأجهزة تُسمى "لوحة كورال ديف" (Coral Dev Board). هذه اللوحة هي كمبيوتر صغير مجهز بشريحة متخصصة مصممة لتشغيل نماذج الذكاء الاصطناعي بسرعة وباستهلاك ضئيل جداً للطاقة، مما يجعلها مثالية للاستخدام داخل المركبات أو المعدات البعيدة حيث لا يتوفر خيار الحوسبة السحابية.
لتدريب هذه النماذج الحاسوبية، استخدم الفريق بيانات من العالم الحقيقي جُمعت من عشرين مركبة كهربائية على مدار تسعة وعشرين شهراً. كانت جميع هذه السيارات من نفس الطراز، وتم تجهيزها بحزم بطاريات ليثيوم أيون تم مراقبتها باستمرار. وقد سجلت البيانات كل تفصيل من عملية الشحن، بما في ذلك الجهد الكهربائي، والتيار المتدفق إلى البطارية، ودرجة حرارة الخلايا، والسعة الإجمالية المتاحة. ولأن البيانات الخام من المستشعرات غالباً ما تحتوي على فجوات أو أخطاء، قام الباحثون أولاً بتنظيف وتنعيم المعلومات، وملء القيم المفقودة وإزالة الضجيج لإنشاء صورة واضحة لكيفية تقادم البطاريات. ثم قاموا بحساب العمر النافع المتبقي لكل نقطة بيانات، مما خلق هدفاً لكي تتعلم منه النماذج الحاسوبية. وقد تم تقسيم مجموعة البيانات بحيث تتعلم النماذج من ثمانين بالمائة من البيانات، ثم يتم اختبارها على العشرين بالمائة المتبقية لمعرفة مدى أدائها مع معلومات جديدة لم تطلع عليها من قبل.
قام الباحثون بنشر الخوارزميات الثلاث على لوحة "كورال ديف" لقياس ليس فقط دقتها، بل أيضاً استهلاكها للطاقة وسرعتها. وأظهرت النتائج وجود مقايضة واضحة بين التعقيد والأداء. فقد عانت "الشبكة التلافيفية الزمنية"، رغم تصميمها للبيانات القائمة على الوقت، من صعوبة في التعميم؛ ورغم أنها أنتجت معدلات خطأ منخفضة جداً للتنبؤات قصيرة المدى المحددة، إلا أن قدرتها الإجمالية على التنبؤ بالاتجاه العام لتدهور البطارية كانت ضعيفة، مما أدى إلى نتيجة تشير إلى أنها لم تكن أفضل من التخمين العشوائي بالنسبة لمجموعة البيانات الأوسع. كما أنها استهلكت أقل قدر من الطاقة، لكن عدم اتساقها جعلها غير موثوقة لهذه المهمة المحددة. أما خوارزمية "الغابة العشوائية"، المعروفة بقدرتها على شرح العوامل الأكثر أهمية، فقد كان أداؤها أفضل من شبكة التعلم العميق، لكنها ظلت متأخرة في الدقة. كما أنها تطلبت طاقة أكبر للتشغيل، مما يجعلها أقل ملاءمة للأجهزة الطرفية التي تعمل بالبطارية.
كان الأداء الأبرز من نصيب خوارزمية "XGBoost". فقد حققت هذه الطريقة أعلى دقة إجمالية، حيث تنبأت بالعمر المتبقي للبطاريات بأقل متوسط خطأ. لقد وازنت بين الدقة العالية واستهلاك الطاقة المتوسط، حيث استهلكت طاقة أقل بكثير من نموذج "الغابة العشوائية" مع الحفاظ على قدرة قوية على اكتشاف الأنماط المعقدة وغير الخطية لتقادم البطارية. ووجد الباحثون أن هذه الخوارزمية فعالة بشكل خاص في التعامل مع البيانات الواقعية "الفوضوية" من المركبات الكهربائية دون الحاجة إلى الموارد الحسابية الضخمة لخادم كبير. ومن خلال تشغيل هذا النموذج بنجاح على لوحة "كورال ديف"، أثبت الفريق أن الصيانة التنبؤية المتطورة ممكنة مباشرة على الجهاز. وهذا يعني أنه في المستقبل، يمكن للمركبات الكهربائية أن تراقب صحة بطاريتها في الوقت الفعلي، وتنبّه السائقين إلى احتياجات الصيانة قبل وقوع عطل، وكل ذلك دون الحاجة إلى إرسال البيانات إلى سحابة بعيدة. وتخلص الدراسة إلى أنه بينما تظهر شبكات التعلم العميق وعوداً، فإن الخوارزميات الأبسط والمضبوطة جيداً مثل "XGBoost" هي حالياً الخيار الأكثر عملية وموثوقية لنشر مراقبة صحة البطارية على الأجهزة الصغيرة الموفرة للطاقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.