MI-SOH: نموذج تبعية مؤشرات متعددة لتقدير حالة صحة بطاريات أيون الليثيوم

لماذا يهم فهم صحة البطارية بشكل أذكى

تعتمد السيارات الكهربائية وأنظمة تخزين الطاقة المنزلية بشكل متزايد على بطاريات أيون الليثيوم. ومع ذلك، مثل جميع البطاريات، فهي تتآكل تدريجياً. معرفة مدى "صحة" البطارية فعلاً، قبل فشلها بفترة طويلة، أمر حاسم للسلامة والتكلفة والراحة. يقدم هذا البحث طريقة جديدة لتقدير صحة البطارية تنظر إلى إشارات متعددة في آن واحد وتتعلم كيف تتغير علاقاتها مع تقدم عمر البطارية، ما يعد برؤية أكثر دقة ومتانة للمراقبة في التطبيقات الحقيقية.

رؤية صحة البطارية كأكثر من رقم واحد

تعبر حالة صحة البطارية، المعروفة غالباً باسم حالة الصحة، عن كمية الطاقة المفيدة التي لا تزال البطارية قادرة على تخزينها مقارنةً بحالتها عند الشراء. تعتمد الأساليب التقليدية للتقييم على قياسات مخبرية، مثل المقاومة الداخلية أو اختبارات كيميائية كهربائية مفصّلة، وهي دقيقة لكنها مكلفة وصعبة التطبيق بشكل مستمر في السيارة. تراقب الأساليب الحديثة المعتمدة على البيانات قياسات بسيطة مثل الجهد، والتيار، ودرجة الحرارة أثناء الشحن اليومي، وتستخدم التعلم الآلي لتقدير الصحة. مع ذلك، فإن معظم هذه الطرق إما تركز على مؤشر واحد، أو تعامل مؤشرات متعددة كما لو أن أهميتها لا تتغير أبداً، رغم أن سلوك البطارية يتطور بوضوح مع مرور العمر.

الاستماع إلى العديد من إشارات البطارية دفعة واحدة

يركز الباحثون على أن الإشارات الأساسية للبطارية لا تبقى في علاقات ثابتة مع بعضها أثناء تقدم عمرها. فعلى سبيل المثال، قد يتراجع ارتباط مقياس مدة الشحن بقمة في منحنى تشخيصي بشدة في المراحل المتأخرة، بينما تقلب أزواج مرتبطة بالجهد من ارتباط سلبي ضعيف إلى ارتباط إيجابي قوي. للتعامل مع هذا المشهد المتغير، يقترحون MI-SOH، إطار يجمع ثمانية مؤشرات صحية مختلفة مستخرجة من بيانات الشحن، بما في ذلك مدة مراحل التيار الثابت والجهد الثابت، وسرعة تغير الجهد والتيار، وكم ترتفع حرارة الخلية، وخصائص قمة السعة التزايدية التي تعكس الكيمياء الداخلية. خطوة وزن خاصة تمزج بين شكلين لتحليل الارتباط بحيث يمكن للنموذج إبراز المؤشرات الأكثر معلوماتية وتقليل وزن تلك التي تصبح أقل موثوقية مع تقدم البطارية عبر مراحل الشيخوخة المختلفة.

تعليم النموذج متابعة الزمن والتداخلات

بمجرد وزن المؤشرات، يمرر MI-SOH هذه المؤشرات إلى شبكة تلافيفية زمنية تتميز بقدرتها على رصد الأنماط عبر الزمن، من دورات شحن فردية وصولاً إلى اتجاهات التلاشي على المدى الطويل. على خلاف الشبكات العودية التقليدية، يمكن حساب هذا التصميم بكفاءة ويتجنب مشاكل التدريب الشائعة. ثم يُمرَّر المخرج إلى وحدة محول معكوسة، التي تقلب المنظور المعتاد: بدلاً من التركيز على كل لحظة زمنية، تعتبر كل مؤشر "قناة" منفصلة وتتعلم كيف تؤثر هذه القنوات على بعضها عبر السجل الكامل. هذا يمكّن النموذج من التقاط كيفية عكس الجهد والتيار ودرجة الحرارة وميزات السعة التزايدية معاً للتآكل الداخلي للبطارية.

إيجاد الإعدادات الأمثل تلقائياً

تحتوي النماذج العميقة الحديثة على العديد من الإعدادات الداخلية—مثل عدد الطبقات واتساعها—التي تؤثر بشدة على الأداء. ضبطها يدوياً أو فحصها بشكل منهجي أمر مرهق وغالباً غير عملي. لذلك يضيف المؤلفون طبقة تحسين مستوحاة من سلوك مجموعات الحمار الوحشي، تبحث عن تراكيب جيدة من هذه الإعدادات بالتناوب بين "التغذية" (تحسين المرشحين الواعدين) و"الدفاع" (استكشاف مناطق جديدة). يقوم هذا الضابط الآلي بتكوين الكتل الزمنية وكتل المحول، وكذلك معلمات التدريب مثل معدل التعلم وحجم الدفعة، حتى يتأقلم MI-SOH مع أنواع مختلفة من البطاريات وظروف الاستخدام دون تجارب طويلة مستنفدة.

ماذا تقول الاختبارات على البطاريات الحقيقية

قيّم الفريق MI-SOH على مجموعتين عامتين من البيانات: خلايا أسطوانية من ناسا وخلايا منشورية من CALCE، التي تختلف في الكيمياء والحجم والعمر الافتراضي. في كلتا الحالتين، تعقّبت طريقتهم حالة البطارية بدقة أكبر من عدة نماذج مرجعية قوية، بما في ذلك نماذج زمنية مستقلة، ونماذج محول مستقلة، وتركيب بسيط بينهما بدون وزن تكيفي أو ضبط تلقائي. في المتوسط، خفّض MI-SOH أخطاء التنبؤ بنحو ثلث إلى ثلاثة أرباع مقارنةً بهذه البدائل، مع الحفاظ على اتفاق عالٍ جداً مع سعة القياس الحقيقية على مدى مئات الدورات. أكدت اختبارات الإزالة—حيث تُحذف مكونات فردية—أن كل لبنة بنائية (الوزن التكيفي، النمذجة الزمنية، الانتباه عبر المؤشرات، والتحسين الآلي) تسهم بشكل ملموس في الدقة النهائية.

خلاصات واضحة للتقنية اليومية

للقارئ العام، الرسالة الأساسية أن فهم حالة البطارية لا ينتج عن رقم واحد أو قاعدة ثابتة، بل عن نمط متغير من إشارات متعددة تتغير مع عمر الخلية. يلتقط MI-SOH هذه التعقيدات بتعلّم أي الإشارات هي الأكثر أهمية في كل مرحلة من الحياة، كيف تتطور عبر الزمن، وكيف تؤثر على بعضها البعض. والنتيجة أداة عملية معتمدة على البيانات يمكن تضمينها في أنظمة إدارة البطاريات للمركبات الكهربائية وأنظمة تخزين الطاقة. من خلال تقديم تقديرات صحة أدق وأكثر موثوقية، يمكنها المساعدة في منع الفشل غير المتوقع، وإطالة عمر البطاريات، وخفض التكلفة والمخاطر الإجمالية للنقل المكهرب وأنظمة الطاقة المتجددة.

الاستشهاد: Zhuo, S., Zou, F., Liao, L. et al. MI-SOH: a multi-indicator feature dependency model for lithium-ion battery state-of-health Estimation. Sci Rep 16, 12309 (2026). https://doi.org/10.1038/s41598-026-39986-3

الكلمات المفتاحية: صحة بطارية أيون الليثيوم, تقدير حالة الصحة, تشخيص البطارية, نمذجة البطارية المعتمدة على البيانات, بatteries المركبات الكهربائية