MobileNet משופרת המבוססת על אלגוריתם אופטימיזציה משופר לעניים ולעשירים לאמוד את מצב הבריאות של סוללות ליתיום-יון

מדוע בדיקות חכמות לסוללות חשובות

סוללות ליתיום-יון מספקות בעדינות כוח לטלפונים שלנו, למחשבים ניידים, לרכבים חשמליים ואף לחלקים מרשת החשמל. אך כמו בני אדם, סוללות מתבגרות, ואם שוכנעה הערכת מצבן בצורה שגויה, התוצאות יכולות להשתרע מאובדן טווח מטריד ועד לתקלות מסוכנות ולשריפות. המאמר הזה מציג דרך חדשה "לבדוק את הדופק" של סוללות באמצעות מודל בינה מלאכותית קומפקטי שרץ במהירות מספקת עבור מערכות ניהול סוללה במציאות, ובו זמנית מעריך את מצב הבריאות של הסוללה בשגיאה נמוכה באופן מרשים.

שמירה על המעקב אחר המצב האמיתי של הסוללה

חבילות סוללות מנוהלות על ידי מערכת ניהול סוללה (BMS), שעוקבת ברציפות אחרי מתח, זרם וטמפרטורה כדי לשמור על המערכת בטווחים בטוחים. אחת המשימות המאתגרות ביותר שלה היא הערכת מצב הבריאות (SOH) — למעשה, כמה חיי שימוש נשארו לסוללה ביחס למצב החדש שלה. SOH אינו נמדד ישירות במהלך שימוש רגיל, ולכן יש להסיק אותו מהאותות השגרתיים האלה. מודלים מבוססי פיזיקה יכולים להיות מדויקים, אך הם נוטים להיות מורכבים, איטיים ולרגישים לעיצוב הסוללה ולתנאי ההפעלה. גישות מבוססות נתונים ולמידת מכונה מבטיחות גמישות רבה יותר, אך רבים מהדגמים החזקים של למידה עמוקה כבדים מדי כדי לרוץ על שבבים קטנים ודלי-צריכת חשמל בתוך רכבים או מערכות אחסון נייחות.

מאותות גולמיים לסימנים עדינים של הזדקנות

המחברים מתחילים בעיבוד זהיר של נתוני בדיקה אמיתיים מתאי ליתיום-יון במספר מאגרים מחקריים ידועים, כולל ניסויי ההזדקנות של סוללות של נאס"א שנעשה בהם שימוש נרחב. במהלך כל מחזור טעינה-פריקה הם רושמים מתח, זרם וטמפרטורה פעם בשנייה על פני אלפי מחזורים. מתוך האותות הגולמיים האלה הם מוציאים תכונות הרגישות במיוחד להזדקנות. למשל, הם מנתחים את צורת עקומת המתח במהלך טעינה בזרם קבוע ומחשבים עקומות קיבולת אינקרמנטלית, שמדגישות שינויים זעירים בכמות המטען שעוברת בכל מתח. ככל שהסוללות נשחקות, העקומות האלה משתנות בעדינות בצורה ובמיקום, ומהוות סוג של טביעת אצבע של הדגרדציה הפנימית. התוצאה היא מערך נקי ומנורמל של סדרות זמן חד-ממדיות שניתן להזין לרשת נוירונים.

רשת עצבית צרה המותאמת לאותות מטענים

כדי להפוך אותות אלה לאומדני SOH, המחקר מתאים משפחה של רשתות זיהוי תמונה קלות משקל הידועות כ-MobileNet. במקום לעבוד עם תמונות, המחברים מעצבים מחדש את המודל סביב קונבולוציות חד-ממדיות הסורקות לאורך הזמן, כך שהוא יכול לזהות תבניות באופן שבו מתח וזרם מתפתחים במהלך טעינה. הם גם מוסיפים בלוקים קטנים של קשב הנקראים יחידות "סיקווז-ואקסייט" (Squeeze-and-Excitation), המסייעות לרשת להתרכז בחלקים המידע-רלוונטיים ביותר של האות, כגון אזורי מתח שמשתנים בצורה ניכרת עם ההזדקנות. בסופו של דבר הם מעצבים את הפלט כך שהרשת חוזה ערך SOH רציף במקום קטגוריה, ומאמנים אותה למזער את ההפרש בין החיזוי לבריאות האמיתית. למרות השיפורים הללו, המודל נשאר קטן: כ־1.1 מיליון פרמטרים וזמן חיזוי ממוצע של רק כמה מילישניות.

לאפשר לאלגוריתם לכוון את הכפתורים

למודלים של למידה עמוקה יש הרבה בחירות עיצוביות, או היפרפרמטרים: קצב למידה, מספר מסננים, עוצמת dropout ועוד. במקום לכייל ידנית את אלה, המחברים משתמשים באופטימייזר מטה-היוריסטי הנקרא אופטימיזציה משופרת לעניים ולעשירים (Modified Poor and Rich Optimization, MPRO). בהשראת אינטראקציות בין קבוצות עשירות ועניות בחברה, האלגוריתם שומר אוכלוסייה של קבוצות מועמדות של היפרפרמטרים ומשפר אותן באופן איטרטיבי. המועמדים "העשירים" נעים הרחק מה"עניים", בעוד ה"עניים" משנים כיוון בהתאם לדפוסים שנצפים בקרב המצליחים. המאמר משפר את הסכימה הזו באמצעות מפות מתמטיות כאוטיות שמשפרות את חקירת מרחב החיפוש. עבור כל מועמד מאמנים את מודל ה-MobileNet ושופטים אותו לפי השגיאה על נתוני ולידציה, ו-MPRO מתכנס בהדרגה לקונפיגורציה שמאזנת בין דיוק לפשטות.

איך זה עובד בפועל?

נבדק על מספר סוללות ושלושה מאגרים עצמאיים (NASA, CALCE ואוקספורד), המערכת המשולבת של MPRO ו-MobileNet המשופר מעריכה SOH עם שגיאה ממוצעת שורש-ממוצע-ריבוע של בערך חצי אחוז על נתוני NASA, ומשיגה תוצאות טובות יותר ממספר אלטרנטיבות חזקות, כולל רשתות מבוססות Transformer גדולות יותר, רשתות חוזרות, יערות אקראיות ומכונות וקטור תמיכה. גם שגיאת החיזוי האישית הגרועה ביותר נשארת קרובה לאחוז אחד, רמת דיוק בעלת ערך לניהול אחריות, תכנון החלפת סוללות והימנעות מפעולה לא בטוחה. חשוב מכך, המודל שומר על הביצועים האלה תוך שימוש בזיכרון ובחישוב הרבה פחותים מאשר שיטות למידה עמוקה כבדות, מה שהופך אותו לפרקטי לפריסה בחומרת BMS משובצת ברכבים חשמליים ומערכות אחסון רשת.

מה המשמעות הזו לשימוש יומיומי בסוללות

עבור הציבור הרחב, המסר המרכזי הוא שהעבודה מדגימה כיצד בינה מלאכותית חכמה ויעילה יכולה לעקוב באופן אמין אחר כמה "זקנה" סוללה באמת, באמצעות נתונים שמערכת סוללה סטנדרטית כבר מודדת. הערכות SOH טובות יותר מאפשרות ליצרני רכב ולמפעילי רשת להאריך את חיי הסוללה בבטחה, לתזמן תחזוקה לפני הופעת בעיות, ולהחליט מתי סוללות משומשות עדיין טובות מספיק למחזור שני בתפקידים פחות תובעניים. בעוד שהשיטה עדיין דורשת בדיקות שטח בתנאים רועשים ומציאותיים יותר, היא מהווה צעד לעבר מערכות סוללות שמבינות את מצבן בערך קליני, ומשפרות בעדינות את הבטיחות, הביצועים והקיימות ברקע.

ציטוט: 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

מילות מפתח: סוללות ליתיום-יון, מצב בריאות, מערכות ניהול סוללה, למידה עמוקה, MobileNet