ניבוי מצב בריאות הסוללה המבוסס על למידה עמוקה לשיפור ביצועי כלי רכב חשמליים

למה סוללות חכמות חשובות לנהגים היומיומיים

עבור נהגים רבים, המשיכה להרכיב רכב חשמלי פשוטה: נסיעות שקטות, עלויות דלק נמוכות ואוויר נקי יותר. עם זאת כל זה תלוי בעבודה חשאית — סוללת ליתיום‑יון. ככל שסוללות אלה מזדקנות טווח הנסיעה מצטמצם, זמן הטעינה מתארך והחלפה יכולה להיות יקרה ותובענית מבחינת משאבים. מאמר זה חוקר דרך חדשה "להקשיב" למה שקורה בתוך סוללות כלי הרכב החשמליים באמצעות כלי זיהוי דפוסים מתקדמים. המטרה היא לחזות את בריאות הסוללה בדיוק רב יותר, תוך שימוש בפחות כוח חישובי, כדי שהרכבים יישארו בטוחים יותר על הכביש זמן רב יותר ותומכים במטרות גלובליות לאנרגיה נקייה.

כיצד סוללות רכב חשמליות נשחקות

כל נסיעה ברכב חשמלי מביאה אלפי תגובות כימיות קטנות בתוך הסוללה. עם הזמן, טעינה ופריקה חוזרות, תנודות טמפרטורה ותגובות צדדיות מאכלות בהדרגה את יכולת הסוללה לאגור ולספק אנרגיה. הנהגים מבחינים בכך בטווח מצומצם ובביצועים נחלשים. מהנדסים עוקבים אחרי מדד שנקרא "מצב בריאות" (state of health), המשווה את קיבולת הסוללה של היום למה שהיא יכלה לספק כשהייתה חדשה. ידיעת ערך זה באופן מדויק מאפשרת לרכבים להתריע לנהגים לגבי החיים הנותרים, לתזמן תחזוקה מראש ואפילו להחליט מתי עדיף להשתמש בסוללה בתפקיד חיים שני, כמו אחסון אנרגיה ביתי, במקום לפסול אותה.

להקשיב לאותות הנסתרים בתוך הסוללה

סוללות מודרניות כבר מלאות בחיישנים שמקליטים מתח, זרם, טמפרטורה וכמה מטען נכנס ויוצא. במקום להוסיף חומרה חדשה ויקרה, המחברים מתמקדים בהוצאת תובנות נוספות מאותם אותות מוכרים. הם ממירים את המדידות הגולמיות לשלושה סוגי "טביעות אצבע" שמגלות הזדקנות עדינה: כיצד הקיבולת משתנה עם המתח, כיצד המתח משתנה עם המטען וכיצד הזרם מגיב למתח. ככל שהסוללה נשחקת, פסגות בעקומות אלה זוזות, מתרחבות או נחלשות — סימנים לעלייה בהתנגדות פנימית, אובדן חומר פעיל ותהליכי שחיקה אחרים. האתגר הוא שאותות אלה רעשיים, משתנים בין סוגי סוללות ולוקח להם זמן להשתנות במהלך אלפי מחזורים.

להדריך רשת עצבית קומפקטית לקרוא את בריאות הסוללה

כדי לפענח טביעות אצבע אלה, החוקרים תכננו מודל למידה עמוקה מתומצת שיכול לרוץ על המחשבים הצנועים שבתוך הרכב. ראשית ניקו ויישרו בקפידה נתונים מיותר מ‑10,000 מחזורי טעינה‑פריקה שנלקחו משלושת מאגרי המידע הציבוריים המרכזיים. לאחר מכן הזינו את שלוש העקומות האבחוניות לרשת שכבתית המשלבת כמה חוזקות: שכבות קונבולוציה לזיהוי צורות מקומיות בעקומות, שכבות טמפורליות ללכידת מגמות ארוכות טווח לאורך מחזורים רבים, ויחידות זיכרון המנטרות כיצד ההתדרדרות מתפתחת לאורך זמן. מודול תשומת לב מסייע למודל להתמקד באיזורי המתח החשובים ביותר להזדקנות במקום להסיח את הדעת מרעש או מקטעים פחות אינפורמטיביים.

עוקף מודלים כבדים יותר עם פחות צריכה אנרגטית

בעת בדיקה מול גישות ידועות — כגון שיטות למידת מכונה מסורתיות, רשתות עצביות פשוטות ומודלים רצפים בסגנון Transformer — המסגרת החדשה חוזה את בריאות הסוללה בדיוק גבוה יותר. במאגר הנתונים הראשי של נאס"א, האומדנים שלה תואמים לערכי הבריאות הנמדדים כל כך קרוב ששגיאה טיפוסית היא כשתיים אחוז מהקיבולת, ויותר מתשע מתוך עשר תחזיות נופלות בטווח של אחוז וחצי מהערך האמיתי. קריטי לכך שהמודל משיג זאת עם רק כשליש ממיליון פרמטרים ניתנים לכוונון, הרבה פחות מרבים מהעיצובים האחרונים בלמידה עמוקה. גודל קומפקטי זה מתורגם לתגובות מהירות — בסדרי גודל של כמה מילישניות לכל תחזית — וכמעט שבר רבע בצריכת אנרגיה לכל חישוב בהשוואה לארכיטקטורות כבדות יותר, מה שהופך אותו לפרקטי לשימוש בזמן אמת במערכות ניהול סוללה על‑גבי‑הרכב.

בניית אמון דרך דפוסים שקופים

מכיוון שבטיחות מרכזית ברכבים חשמליים, המחברים חורגים מעבר לדיוק ובוחנים במה המודל "מתבונן" כשהוא מעריך את בריאות הסוללה. על ידי חזות משקלי תשומת הלב הפנימיים וכלים נלווים, הם מגלים שהרשת מתרכזת באופן טבעי בטווחי מתח הידועים מתוך האלקטרוכימיה כרגישים להזדקנות, במקום בחלקים אקראיים של האות. התאמה זו להבנה פיזיקלית מסייעת לבנות ביטחון בכך שהתחזיות אינן רק תחבולות מספריות. הצוות גם בודק עד כמה המודל מסתגל לכימיות סוללה ותנאי ניסוי שונים, ומראה שרשת שאומנה על מאגר אחד עדיין יכולה להציג ביצועים חזקים על אחרים עם ירידה קלה בדיוק.

מה משמעות הדבר לנסיעות נקיות ובמחיר סביר

במונחים ברורים, המחקר מראה שרשת עצבית קלת‑משקל מהונדסת במחשבה יכולה לפעול כמערכת התרעה מוקדמת לבריאות הסוללה בלי לדרוש משאבי מחשוב ברמת על‑מחשב. על ידי מתן תמונה ברורה יותר ליצרני הרכב ומנהלי הרשת כיצד סוללות מזדקנות בזמן אמת, כלים כאלה יכולים להאריך את חיי הסוללות, להפחית החלפות מיותרות ולתמוך בשימושים בטוחים בחיים שניים. משמעות הדבר היא פחות חומרי גלם כחצובים, פחות פסולת אלקטרונית ורכבים חשמליים אמינים יותר — כל אלה תורמים ישירות למאמצים רחבים יותר להפוך מערכות אנרגיה לנקיות, יעילות וזולות יותר ברחבי העולם.

ציטוט: Rahman, T., Deb, N., Moniruzzaman, M. et al. Deep learning-based battery health prediction for enhancing electric vehicle performance. Sci Rep 16, 9871 (2026). https://doi.org/10.1038/s41598-026-39911-8

מילות מפתח: סוללות לכלי רכב חשמליים, מצב בריאות הסוללה, אבחון בלמידה עמוקה, ניידות בת‑קיימא, אורך חיים של אגירת אנרגיה