تحسين MobileNet اعتمادًا على خوارزمية تحسين معدَّلة للفقراء والأغنياء لتقدير حالة صحة بطاريات أيونات الليثيوم

لماذا تهم فحوصات البطارية الأذكى

تعمل بطاريات أيونات الليثيوم بصمت في هواتفنا وأجهزة الكمبيوتر المحمولة والسيارات الكهربائية وحتى في أجزاء من شبكة الكهرباء. ولكن مثل البشر، تتقدّم البطاريات في العمر، وإذا تمّ تقدير حالتها بشكل خاطئ فقد تتراوح النتائج من فقدان مدى مزعج إلى حالات فشل خطيرة وحرائق. تعرض هذه الورقة طريقة جديدة لـ «قياس نبض» البطاريات باستخدام نموذج ذكاء اصطناعي مضغوط يعمل بسرعة كافية لأنظمة إدارة البطارية الواقعية، مع تقدير حالة الصحة بدقّة منخفضة استثنائية في الخطأ.

مراقبة الحالة الحقيقية للبطارية

تُشرف حزم البطاريات على ذلك نظام إدارة البطارية (BMS)، الذي يراقب الجهد والتيار ودرجة الحرارة باستمرار للحفاظ على كل شيء ضمن حدود آمنة. من أصعب مهامه تقدير حالة الصحة (SOH) — بمعنى آخر، كمية العمر المفيد المتبقي للبطارية مقارنةً بحالتها الجديدة. لا يمكن قياس SOH مباشرة أثناء الاستخدام العادي، لذا يجب استنتاجه من الإشارات الروتينية تلك. النماذج المبنية على الفيزياء يمكن أن تكون دقيقة، لكنها تميل إلى أن تكون معقّدة وبطيئة وحساسة لتصميم البطارية وظروف التشغيل. تبدو النهج المعتمدة على البيانات والتعلّم الآلي أكثر مرونة، لكن العديد من نماذج التعلّم العميق القوية تكون ثقيلة جدًا لتعمل على رقائق صغيرة ومنخفضة الطاقة داخل المركبات أو أنظمة التخزين الثابتة.

من الإشارات الخام إلى علامات التآكل الدقيقة

يبدأ المؤلفون بمعالجة دقيقة لبيانات اختبار فعلية من خلايا أيونات الليثيوم في عدة مجموعات بيانات بحثية معروفة، بما في ذلك تجارب شيخوخة البطارية واسعة الاستخدام التابعة لوكالة ناسا. خلال كل دورة شحن–تفريغ، يسجلون الجهد والتيار ودرجة الحرارة مرة كل ثانية عبر آلاف الدورات. من هذه الإشارات الخام يستخرجون ميزات حسّاسة بشكل خاص للشيخوخة. على سبيل المثال، يحلّلون شكل منحنى الجهد أثناء الشحن بتيار ثابت ويحسبون منحنيات السعة التزايدية التي تُبرز تحوّلات طفيفة في مقدار الشحنة المتدفقة عند كل جهد. مع تآكل البطاريات تتغيّر هذه المنحنيات بشكل طفيف في الشكل والموقع، مقدّمة بصمة تميّز التدهور الداخلي. النتيجة هي مجموعة نظيفة ومطَبِّعة من سلاسل زمنية أحادية البعد يمكن إدخالها في شبكة عصبية.

شبكة عصبية رشيقة مصممة لإشارات البطارية

لتحويل هذه الإشارات إلى تقديرات SOH، تعدّل الدراسة عائلة من شبكات التعرف على الصور خفيفة الوزن المعروفة باسم MobileNet. بدلًا من العمل مع صور، يعيد المؤلفون تصميم النموذج حول عمليات الالتفاف الأحادي البعد التي تمسح عبر الزمن، حتى يلتقط أنماط تطور الجهود والتيارات أثناء الشحن. كما يضيفون كتلات انتباهاً صغيرة تسمى وحدات «العصر والإثارة» (Squeeze-and-Excitation)، التي تساعد الشبكة على التركيز على أكثر أجزاء الإشارة إفادة، مثل نطاقات الجهد التي تتحرك بوضوح مع التقدّم في العمر. أخيرًا، يعيدون تشكيل الناتج بحيث تتنبأ الشبكة بقيمة SOH مستمرة بدلًا من فئة، ويدرِّبونها لتقليل الفارق بين الصحة المتوقعة والحقيقية. وعلى الرغم من هذه التحسينات، يظلّ النموذج صغيرًا: نحو 1.1 مليون معلمة ووقت تنبؤ متوسط لا يتجاوز بضع ميليثوانٍ.

ترك خوارزمية تضبط المعاملات

لنماذج التعلّم العميق العديد من اختيارات التصميم، أو المعاملات الفائقة: معدل التعلّم، عدد المرشحات، قوة التسريب (dropout)، وغير ذلك. بدلًا من الضبط اليدوي، يستخدم المؤلفون مُحسّنًا ميتاهيريستيكًا يُسمى تحسين الفقراء والأغنياء المعدّل (MPRO). مستوحى من التفاعلات بين مجموعات أغنى وأفقر في المجتمع، يحافظ هذا الخوارزم على تجمع من مجموعات المعاملات الفائقة المرشّحة ويُحسّنها تكرارياً. يتحرّك المرشحون «الأغنياء» بعيدًا عن «الفقراء»، بينما يتحوّل «الفقراء» نحو أنماط تُرى لدى الناجحين. تعزّز الورقة هذا المخطط بخريطات رياضية فوضوية تحسّن استكشاف فضاء البحث. لكل مرشح، يُدرّب نموذج MobileNet ويُقيّم حسب خطأه على بيانات التحقق، ويتقارب MPRO تدريجيًا إلى تكوين يوازن بين الدقة والبساطة.

ما مدى فعاليته عمليًا؟

اختُبِر النظام المدمج MPRO‑MobileNet المحسّن على بطاريات متعددة وثلاث مجموعات بيانات مستقلة (ناسا وCALCE وأكسفورد)، فقدر SOH بخطأ جذر متوسط مربع يقارب نصف نقطة مئوية على بيانات ناسا، متفوقًا على عدة بدائل قوية بما في ذلك شبكات تحويل أكبر، والشبكات العودية، والغابات العشوائية، وآلات الدعم الناقلة. حتى أسوأ خطأ تنبؤ فردي ظل قريبًا من نقطة مئوية واحدة، وهو مستوى دقة مفيد لإدارة الضمانات، وتخطيط استبدال البطارية، وتجنّب التشغيل غير الآمن. والأهم أن النموذج يحافظ على هذه الأداءات بينما يستخدم ذاكرة وحسابًا أقل بكثير من أساليب التعلّم العميق الأثقل، ما يجعله عمليًا للنشر على أجهزة BMS المضمنة في المركبات الكهربائية وأنظمة تخزين الشبكة.

ما الذي يعنيه هذا للاستخدام اليومي للبطاريات

للغير متخصصين، الرسالة الأساسية هي أن هذا العمل يبيّن كيف يمكن لذكاء اصطناعي ذكي لكن فعّال أن يتتبع بثبات مدى «قدم» البطارية الحقيقي، باستخدام بيانات تقيسها أنظمة البطارية القياسية بالفعل. تمكّن تقديرات SOH الأفضل صانعي السيارات ومشغّلي الشبكة من إطالة عمر البطاريات بأمان، جدولة الصيانة قبل ظهور المشاكل، وتقرير متى تظل البطاريات المستعملة صالحة لحياة ثانية في أدوار أقل طلبًا. وعلى الرغم من أن الطريقة لا تزال بحاجة إلى اختبار ميداني في ظروف واقعية أكثر ضوضاءً، فهي تمثل خطوة نحو أنظمة بطارية تفهم حالتها بدقّة تقارُب الدقة الإكلينيكية، محسنّةً بهدوء السلامة والأداء والاستدامة وراء الكواليس.

الاستشهاد: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

الكلمات المفتاحية: بطاريات أيونات الليثيوم, حالة الصحة, أنظمة إدارة البطارية, التعلّم العميق, MobileNet