تحسين دورات الشحن والتفريغ باستخدام إطار تعلم هجين بتمكين QPPONet لإدارة الطاقة والسلامة في المركبات الكهربائية

بطاريات أكثر ذكاءً لقيادة كهربائية أكثر أمانًا

تعد المركبات الكهربائية بهواء أنظف وفواتير وقود أقل، لكن بطارياتها مكلفة وتشيخ مع الزمن، وقد تفشل بطرق خطرة إذا لم تتم إدارتها بعناية. تستعرض هذه الورقة كيف يمكن للذكاء الاصطناعي الحديث أن يعمل كحارس دائم لبطاريات المركبات الكهربائية، مستخرجًا مدى أكبر من المدى، ومطيلًا لعمر البطارية، وكاشفًا عن علامات المشاكل المبكرة قبل أن يلاحظ السائق أي خطأ.

من قواعد بسيطة إلى أدمغة متعلمة

تعتمد أنظمة البطاريات في معظم السيارات الكهربائية اليوم على قواعد ثابتة وصيغ مبسطة. فهي تقدر كمية الطاقة المتبقية ومتى قد يتعطل الحزمة، لكنها تواجه صعوبة عندما تختلف ظروف القيادة الحقيقية عن المختبر—مثل الشحن السريع المتكرر، والتلال الحادة، أو موجات الحرارة. يجادل المؤلفون بأن النهج القائم على القواعد يهدر طاقة قابلة للاستخدام، ويقصر عمر البطارية، وقد يفوت علامات تحذيرية من ارتفاع حرارة خطير. يقترحون بدلاً من ذلك مدير بطارية تكيفي يتعلم مباشرة من البيانات: الرحلات السابقة، دورات الشحن والتفريغ الماضية، ومجموعة واسعة من درجات الحرارة وأنماط القيادة.

قراءة حالة البطارية والعمر المتبقي

يركز الجزء الأول من الإطار على «ما مدى صحة البطارية الآن؟» باستخدام قياسات مثل الجهد، التيار، الحرارة والمقاومة الداخلية، قارن الفريق عدة طرق للتعلم الآلي لتقدير حالة الصحة—نسبة تعكس مدى تقدّم عمر البطارية. برزت تقنية تُدعى تعزيز التدرج إلى الصدارة، مطابقة القياسات الحقيقية بشكل شبه مثالي مع بقاء الخوارزمية خفيفة بما يكفي للعمل على إلكترونيات سياراتية في غضون بضعة مللي ثانية. للإجابة على السؤال الثاني المهم—«كم سيستمر عمل هذه الحزمة؟»—بنى الباحثون نموذج تعلم عميق هجين يجمع بين شبكتين مخصصتين للتسلسل. يراقب هذا النموذج كيف تتغير البطارية عبر العديد من دورات الشحن والتفريغ ويتعلم توقع عمرها المفيد المتبقي بدقة تقل نسبتها عن بضعة في المئة، عبر أنواع خلايا وأنماط قيادة مختلفة.

تعليم البطارية كيف تشحن نفسها بحكمة

معرفة الصحة والعمر المتبقي هي نصف القصة فقط؛ فالنظام يحتاج أيضًا إلى اتخاذ إجراءات. يقدم المؤلفون QPPONet، متحكمًا هجينيًا للتعلم المعزز يتعلم كيف يشحن ويُفرغ بطرق توازن بين الاحتياجات الفورية—مثل إعطاء السائق مدى كافٍ اليوم—وضد تآكل البطارية على المدى الطويل. يمزج بين استراتيجيتين تكميليتين: إحداهما تقدر قيمة كل إجراء ممكن، والأخرى تحافظ على التعلم مستقرًا وتدريجيًا. مدرّبًا في محاكٍ واقعي مبني من بيانات مخبرية مفصلة، يزيد هذا المتحكم من «مجموع المكافأة» الكلي—الذي يجمع بين كفاءة الطاقة وتقليل الشيخوخة—بنحو ربع مقارنةً بطرق الشحن القياسية، بينما يقلل فقدان السعة ويلتزم بالمتانة عند تغيّر ظروف التشغيل.

مراقبة علامات الحرارة الخطرة المبكرة

تشكل السلامة الدعامة الثالثة للإطار. بدلًا من الاعتماد على عتبات حرارة بسيطة، يستخدم النظام طرق اكتشاف الشذوذ غير المراقبة ليتعلم كيف يبدو «الوضع الطبيعي» لإشارات الجهد، التيار والحرارة. ثم يعلّم النظام التحذير من قفزات غير عادية أو تراكيب تشير إلى اندفاع حراري، وهو التفاعل المتسلسل الذي قد يؤدي إلى حرائق. من خلال التدريب على بيانات حقيقية ومُعزَّزة بالضغط—حيث تُدفع القراءات صناعيًا إلى نطاقات متطرفة لكنها معقولة—يتعلم النماذج تمييز اللمحات البسيطة عن الأحداث الخطيرة. في الاختبارات، اكتشفوا علامات تحذيرية مبكرة بدقة تزيد عن 92 بالمئة، مع ترشيح الاضطرابات القصيرة التي كانت ستسبب إنذارات كاذبة.

مصمم للعمل في مركبات متعددة، وليس واحدة فقط

قوة العمل تكمن في أن كل جزء—تقدير الصحة، توقع العمر، التحكم في الشحن، ومراقبة السلامة—مصمم ومُثبت كوحدة منفصلة. يجعل هذا النظام أسهل للتكيف مع كيميائيات بطارية مختلفة، منصات مركبات، وحدود الأجهزة. درّب المؤلفون واختبروا نماذجهم على مجموعة بيانات داخلية مفصلة تغطي العديد من درجات الحرارة وأنماط الحمل، ثم أكدوا أن الطرق نفسها تعمم جيدًا على مجموعة بيانات بطاريات طائرات كهربائية عامة ذات ملفات استخدام مختلفة تمامًا. حتى عند نقلها عبر هذه السيناريوهات المتباينة، حافظت النماذج على دقة عالية، مما يوحي بأن النهج يمكن أن يتوسع خارج إعداد مختبري واحد.

ماذا يعني هذا للسائقين اليوميين

بالنسبة لغير المتخصصين، النتيجة واضحة: من خلال إعطاء حزمة البطارية نوعًا من الجهاز العصبي الرقمي، المبني من خوارزميات تعلم حديثة، يمكن أن تصبح المركبات الكهربائية أكثر أمانًا، وأكثر موثوقية، وأرخص في الملكية. يوضح الإطار المقترح أنه من الممكن تقدير حالة البطارية بدقة، وتوقع مدة خدمتها، واختيار أنماط شحن ألطف وأكثر كفاءة، والكشف المبكر عن ارتفاع الحرارة الخطرة—كل ذلك ضمن حدود الحوسبة في السيارات الحقيقية. مع نضج وانتشار مديري البطاريات الأذكياء هذه، قد يرى السائقون ضمانات أطول، إخفاقات مفاجئة أقل، وزيادة الثقة بأن مركباتهم تتخذ قرارات ذكية بشأن الطاقة المخزنة تحت الأرضية.

الاستشهاد: Sujan Kumar, M.V., Khekare, G. Optimizing charge discharge cycles using QPPONet-enabled hybrid learning framework for energy management and safety in electric vehicles. Sci Rep 16, 11384 (2026). https://doi.org/10.1038/s41598-026-43692-5

الكلمات المفتاحية: بطاريات المركبات الكهربائية, أنظمة إدارة البطارية, التعلم الآلي, التعلم المعزز, السلامة الحرارية