זיהוי תקלות ברכב חדשני מבוסס אנרגיה על סמך פונקציות הפעלה משופרות ומנגנוני תשומת לב ללא פרמטרים

מדוע בדיקות חכם יותר לרכב חשובות

ככל שרכבים חשמליים והיברידיים מתרחבים ברחבי העולם, שמירה על בטיחותם ואמינותם הופכת חשובה לא פחות מהפיכתן לנקיות ויעילות. בניגוד למנועים מסורתיים, כלי רכב מבוססי אנרגיה חדשה נשענים על סוללות, מנועים ואלקטרוניקה להנעה שניתן להתקלקל בדרכים עדינות לפני שמופעל אור אזהרה בלוח המחוונים. המחקר הזה בודק כיצד בינה מלאכותית מודרנית יכולה לסנן זרמי נתוני חיישנים ברכבים אלה כדי לזהות סימני בעיה מוקדמים בצורה מדויקת ומהירה יותר ממערכות מבוססות חוקים כיום — מה שעשוי להפחית תקלות, עלויות תיקון וסיכונים בטיחותיים לנהגים יומיומיים.

תבניות חבויות בתוך רכבים חשמליים

רכבי אנרגיה חדשה מנטרים באופן רציף אותות רבים: מתח וזרם מהסוללה, מהירות המנוע, טמפרטורות, רעידות והסביבה. בתנאים קשים במציאות, מדידות אלה עלולות להיות רועשות, בלתי מאוזנות ומלאות ערכי קיצון, מה שמקשה להפריד בין התנהגות נורמלית לבין תקלות אמיתיות. אבחון תקלות מסורתי לעתים קרובות נשען על כללים מעוצבים על ידי מומחים או מודלים סטטיסטיים פשוטים, שמתקשים להתמודד עם תבניות מלוכלכות ולא-ליניאריות שנוצרות כאשר חלקים מתיישנים, העומס משתנה או מזג האוויר משתנה במהירות. המחברים טוענים שנדרשת גישה גמישה יותר מונחית-נתונים — כזו שלומדת תבניות ישירות מתוך היסטוריות החיישנים במקום לסמוך על ספי החלטה קבועים.

מנוע חכם יותר לזיהוי תבניות

כדי להתמודד עם האתגר הזה, החוקרים מעצבים גרסה משודרגת של רשת נוירונית קונבולוציונית, סוג של בינה מלאכותית שכבר ידוע ביכולתו למצוא תבניות בתמונות ואותות. המודל שלהם מותאם לאפיונים הייחודיים של נתוני רכב חשמלי. ראשית, הם מציגים אלמנט מתמטי חדש, בשם ReLUT, שעוזר לרשת להגיב באופן חלק לאותות חזקים וחלשים כאחד, במקום להתעלם מרמזים חלשים אך חשובים לבעיה. שנית, הם מוסיפים מרכיב תשומת לב מיוחד, SimAM, שמדגיש אוטומטית את החלקים המידעיים ביותר בכל תמונת חיישן ללא הוספת כפתורי כוונון נוספים שירחיבו את המודל. לבסוף, הם משלבים קיצורי שארית — מעקפים שמאפשרים למידע לדלג קדימה דרך הרשת — כך שהלמידה נשמרת יציבה ויעילה גם כשהמודל מעמיק.

בחינת המודל במבחן

הצוות מעריך את העיצוב שלהם על NEVData, קבוצת נתונים מותאמת הכוללת 11,000 פרוסות של עשר שניות של נתוני נהיגה אמיתיים, שכל אחת מסומנת כפעולה תקינה או כאחד משלוש סוגי תקלות. מערך הנתונים משקף סיבוכים מעשיים: רוב הדגימות תקינות, סוגי תקלות מסוימים נדירים יותר וחלק מהמדידות מכילות ערכים קיצוניים. לאחר הנרמול של האותות וחלוקת הנתונים לערכות אימון ובדיקה, הם משווים את ה-Improved CNN שלהם לטווח רחב של גישות פופולריות, משיטות קלאסיות כמו מכונות וקטור תמיכה ושכנים הקרובים ועד למודלים מתקדמים בלמידה עמוקה הכוללים LSTM, טרנספורמרים ורשתות קונבולוציה טמפורלית מתקדמות. על מדדי דיוק, דיוק חיובי, אחזור ו-F1, המודל המוצע יוצא תמיד כמצטיין, ומשיג דיוק של כ-99% ומנצח מתחרים חזקים בהפרשים ניכרים.

מדוע תשומת לב ופונקציית הפעלה חשובות

כדי להבין אילו מרכיבים באמת עושים את ההבדל, המחברים מבצעים מחקר אבולציה, כשהם מכבים ומפעילים תכונות בצורה שיטתית. CNN פשוט עם קישורי שארית כבר מבצע היטב, אך הוספת פונקציית ה-ReLUT שלהם משפרת את יכולתו ללכוד צורות תקלה מורכבות. הוספת מודול התשומת לב SimAM לבדה נותנת שיפור קל על ידי חידוד המיקוד ברמזים דיאגנוסטיים עדינים. כאשר שני החלקים משולבים, התוצאות הן הטובות ביותר, והמודל עמיד יותר בפני מחלקות בלתי מאוזנות ונתונים רועשים. למרות השיפורים הללו, המערכת נשארת קלת משקל די הצורך כדי לפעול על מחשבים קטנים בתוך הרכב, ולספק תגובות ברמת מילישניות ושימוש זיכרון צנוע — דרישות מפתח למעקב בזמן אמת בתוך כלי רכב.

מה זה אומר לנהגים ביום-יום

באופן פשוט, עבודה זו מראה כי בינה מלאכותית מכווננת בקפידה יכולה לפעול כמו מכונאי מיומן המתגורר בתוך כל רכב חשמלי, מקשיבה ברציפות לעשרות "סטטוסקופים" דיגיטליים ומזהה בעיות לפני שהן הופכות לרציניות. על ידי שילוב דרך חכמה יותר להגיב לאותות (ReLUT), דרך ממוקדת יותר של תשומת לב (SimAM) ותכנון רשת יעיל (קיצורי שארית), המודל המוצע מספק התרעות תקלה אמינות יותר מאשר טכניקות קיימות מבלי להעמיס על מחשב הרכב. ככל שכלים כאלה יתבגרו וישולבו במערכות בקרת הרכב, הם עשויים לתמוך בתחזוקה חיזוייתית, להפחית תקלות בלתי צפויות ולהאריך את חיי הרכיבים — מה שהופך את רכבי האנרגיה החדשה לבטוחים ומהימנים יותר לשימוש יומיומי.

ציטוט: 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

מילות מפתח: אבחון רכב חשמלי, גילוי תקלות, למידה עמוקה, נתוני חיישנים, תחזוקה חיזוייתית