تحديد أعطال مركبات الطاقة الجديدة اعتمادًا على دوال تنشيط محسّنة وآليات انتباه بلا معلمات

لماذا تهم فحوصات السيارات الأكثر ذكاءً

مع انتشار السيارات الكهربائية والهجينة في أنحاء العالم، يصبح الحفاظ على سلامتها وموثوقيتها بنفس أهمية جعلها نظيفة وفعالة. على عكس المحركات التقليدية، تعتمد مركبات الطاقة الجديدة على البطاريات والمحركات والإلكترونيات العالية القدرة التي قد تتعرض لأعطال بطرق خفية قبل ظهور ضوء تحذير على لوحة العدادات. تستكشف هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يفلتر تدفقات بيانات المستشعرات داخل هذه المركبات لالتقاط علامات المبكرة للمشكلات بدقة وسرعة أكبر من أنظمة القواعد الحالية — مما قد يقلل من الأعطال وتكاليف الإصلاح ومخاطر السلامة للسائقين اليوميين.

أنماط مخفية داخل السيارات الكهربائية

ترصد مركبات الطاقة الجديدة باستمرار العديد من الإشارات: الجهد والتيار من البطارية، وسرعة المحرك، ودرجات الحرارة، والاهتزازات، والبيئة المحيطة. تحت ظروف العالم الواقعي القاسية يمكن أن تكون هذه القياسات صاخبة، وغير متوازنة، ومليئة بالقيم الشاذة، مما يصعّب فصل السلوك الطبيعي عن الأعطال الحقيقية. يعتمد تشخيص الأعطال التقليدي غالبًا على قواعد صمّمها خبراء أو على نماذج إحصائية بسيطة، التي تواجه صعوبة مع الأنماط الفوضوية وغير الخطية التي تظهر عندما تتقدم الأجزاء في العمر أو تتقلب الأحمال أو يتغير الطقس بسرعة. يجادل المؤلفون بأن نهجًا أكثر مرونة قائمًا على البيانات مطلوب — واحد يتعلم الأنماط مباشرة من سجلات المستشعرات بدلًا من الاعتماد على عتبات ثابتة.

محرك أكثر ذكاءً لاكتشاف الأنماط

لمعالجة هذا التحدي، يصمم الباحثون نسخة مطوّرة من الشبكة العصبية الالتفافية، وهو نوع من الذكاء الاصطناعي معروف بقدرة اكتشاف الأنماط في الصور والإشارات. صُمّم نموذجهم ليتناسب مع خصوصيات بيانات المركبات الكهربائية. أولًا، يقدمون عنصرًا رياضيًا جديدًا يُسمى ReLUT يساعد الشبكة على الاستجابة بسلاسة لكل من الإشارات القوية والضعيفة، بدلاً من تجاهل المؤشرات الخافتة ولكن المهمة للمشكلات. ثانيًا، يضيفون مكوّن انتباه خاصًا هو SimAM، الذي يبرز تلقائيًا أكثر الأجزاء إفادة في كل لقطة مستشعر دون إضافة أزرار ضبط قابلة للتغيير من شأنها تضخيم حجم النموذج. أخيرًا، يدمجون اختصارات متبقية — مسارات تحايلية تسمح للمعلومات بالتجاوز عبر الشبكة — بحيث يبقى التعلم مستقرًا وفعالًا حتى مع تعميق النموذج.

وضع النموذج تحت الاختبار

يقيّم الفريق تصميمهم على NEVData، وهي مجموعة بيانات مخصصة تتكون من 11,000 مقطع مدته عشر ثوانٍ من بيانات القيادة الحقيقية، مُعلّمة إما كتشغيل سليم أو كواحد من ثلاثة أنواع أعطال. تعكس مجموعة البيانات التعقيدات العملية: معظم العينات طبيعية، وبعض أنواع الأعطال نادرة، وتحتوي قياسات معينة على قيم قصوى. بعد مواءمة الإشارات وتقسيم البيانات إلى مجموعات تدريب واختبار، يقارنون الشبكة الالتفافية المحسّنة بعدد كبير من الأساليب الشائعة، من طرق كلاسيكية مثل آلات المتجه الداعمة وجيران k إلى نماذج التعلم العميق الحديثة بما في ذلك LSTM والمحولات وشبكات الالتفاف الزمنية المتقدمة. عبر معايير الدقة، والموثوقية، والاستدعاء، ودرجة F1، يخرج النموذج المقترح متقدمًا باستمرار، محققًا حوالي 99% دقة ومتفوّقًا على منافسين أقوياء بفوارق ملحوظة.

لماذا يهم الانتباه والتنشيط

لفهم المكونات التي تحدث فرقًا حقيقيًا، يجري المؤلفون دراسة إقصائية، حيث يطفئون ويشغلون الميزات بشكل منهجي. أداء الشبكة الالتفافية البسيطة مع الروابط المتبقية جيد بالفعل، لكن إضافة دالة ReLUT تحسّن قدرتها على التقاط أشكال الأعطال المعقدة. إضافة وحدة الانتباه SimAM بمفردها تُحدث زيادة طفيفة أكبر من خلال تركيز الانتباه على المؤشرات الدقيقة لكن التشخيصية. عندما يجمعان بين الجزأين، يكون الأداء في أعلى مستوياته، ويصبح النموذج أكثر متانة تجاه الفئات غير المتوازنة والبيانات الصاخبة. على الرغم من هذه المكاسب، يبقى النظام خفيف الوزن بما يكفي للتشغيل على حواسيب متنقلة مدمجة داخل المركبة، مقدّمًا استجابات بمستوى المللي ثانية واستهلاكًا متواضعًا للذاكرة — وهي متطلبات رئيسية للمراقبة في الزمن الحقيقي داخل السيارات.

ماذا يعني هذا للسائقين اليوميين

بعبارات بسيطة، تُظهر هذه العمل أن ذكاءً اصطناعيًا مُعدًا بعناية يمكن أن يعمل كميكانيكي ماهر يعيش داخل كل سيارة كهربائية، يستمع باستمرار لعشرات "المسبارات الرقمية" ويكشف المشكلات قبل أن تتفاقم. من خلال مزج طريقة أذكى للاستجابة للإشارات (ReLUT)، وطريقة مركّزة للانتباه (SimAM)، وتوصيل شبكي فعّال (الاختصارات المتبقية)، يقدم النموذج المقترح تحذيرات أعطال أكثر موثوقية من التقنيات الحالية دون إجهاد حاسوب السيارة. ومع نضوج مثل هذه الأدوات ودمجها في أنظمة التحكم بالمركبة، يمكن أن تدعم الصيانة التنبؤية، وتقلل الأعطال غير المتوقعة، وتطيل عمر المكوّنات — مما يجعل مركبات الطاقة الجديدة أكثر أمانًا واعتمادية للاستخدام اليومي.

الاستشهاد: Yan, J., Wu, H. & Dai, W. New energy vehicle fault identification based on improved activation functions and parameter-free attention mechanisms. Sci Rep 16, 11528 (2026). https://doi.org/10.1038/s41598-026-39957-8

الكلمات المفتاحية: تشخيص المركبات الكهربائية, الكشف عن الأعطال, التعلّم العميق, بيانات المستشعرات, الصيانة التنبؤية