רשת עצבית היברידית קלת משקל עם סדירת עקביות פיזיקלית להערכת מצב הבריאות של סוללת ליתיום-יון

למה חשוב לדעת יותר על בריאות הסוללה

עם התפשטות המכוניות החשמליות, סוללות ביתיות ומכשירים ניידים, הידע כמה חיים נשארים בסוללת ליתיום-יון נעשה חשוב לא פחות מאשר מדידת דלק במיכל. עם זאת, הערכת "בריאות" הסוללה לטווח הארוך היא משימה מסובכת: הסוללה מתקלקלת בהדרגה בדרכים התלויות בטמפרטורה, בהרגלי הטעינה ובלעיתים בעשרות גורמים אחרים. מחקר זה מציג סוג חדש של רשת עצבית קלת משקל ומודעת פיזיקה שיכולה לעקוב אחרי בריאות הסוללה בצורה מדויקת ויעילה יותר, ובכך לאפשר בעתיד התקנים ורכבים בטוחים יותר, זולים יותר לתחזוקה וקלים יותר לניטור בזמן אמת.

האתגר של מעקב הזדקנות סוללות

יצרני סוללות וחברות רכב צריכים לחזות כיצד קיבולת הסוללה תדעך על פני מאות או אלפי מחזורים של טעינה ופריקה. שיטות מבוססות נתונים קיימות, התלויות כולן בלמידת מכונה, יכולות להיות מדויקות מאד אך לעיתים מתנהגות כמו "קופסאות שחורות" ועלולות להיכשל כאשר התנאים שונים מנתוני האימון. מצד שני, מודלים מבוססי פיזיקה העוגנים באלקטרוכימיה ברורים וניתנים לפרשנות אך איטיים וכבדי חישוב, מה שמהווה בעיה למערכות ניהול סוללה על־גבי הרכב. המחברים טוענים שפתרונות עתידיים צריכים לשלב בין נתונים לאינטואיציה פיזיקלית בסיסית, ובמקביל להישאר קלים מספיק להרצה על חומרה צנועה.

רשת היברידית שמכבדת התנהגות עולמית

החוקרים מציעים רשת עצבית היברידית משופרת מודעת פיזיקה וקלת משקל, או IHPINN, שעוצבה במיוחד לניבוי מצב הבריאות של הסוללה. בליבה של הרשת שני תת־רשתות העובדות בשיתוף. רשת "הפתרון" ממירה תיאור דחוס של מצב הסוללה — כגון מתח, זרם, טמפרטורה ומספר המחזורים — להערכת בריאות בטווח 0 עד 1. רשת "הדינמיקה" השנייה לומדת כיצד ערך הבריאות הזה אמור להתפתח לאורך הזמן, ומשמשת כמעין שומר שממנע קפיצות לא מציאותיות או התאוששויות בעקומת ההזדקנות החזויה. במקום לאכוף משוואות אלקטרוכימיות מפורטות, המודל מקודד עקרונות פשוטים אך רבי עוצמה: בריאות הסוללה צריכה להשתנות בצורה חלקה ובאופן כללי לא להשתפר ככל שהסוללה מזדקנת.

עיצוב קל משקל לשימוש בזמן אמת

כדי להפוך את הגישה ההיברידית לפרקטית, המחברים עיצבו מחדש בקפידה מרכיבים סטנדרטיים של רשתות עצביות כדי להקטין את עלות החישוב. הם מחליפים שכבות מחוברות גדולות בהמרות מקובצות ודירוג נמוך שחוזרות על שימוש בפרמטרים, מה שמקטין הן את מספר המשקולות והן את מספר הפעולות המתמטיות. יחידת הפעלה אדפטיבית מערבבת שני סוגי תגובות לא־ליניאריות ומשנה אוטומטית את התנהגותה ככל שהסוללה עוברת בשלבי הזדקנות שונים, מה שעוזר לרשת ללמוד דפוסים מורכבים בלי גרדיאנטים לא יציבים. מודול קשב משותף מצמצם עוד יותר כפליות על ידי שימוש בהקרנה יחידה להחלטה אילו תכונות חשובות ביותר, כך שהמודל מתמקד באותות הקשורים ביותר להידרדרות. יחד, הבחירות הללו מאפשרות לרשת להישאר קטנה ועדיין לתפוס התנהגות הזדקנות רב־קנה מידה.

בחינת המודל במבחן

הצוות מעריך את IHPINN על ארבעה מאגרי נתונים נפוצים של סוללות ממעבדות שונות, כימיות ותנאי שימוש מגוונים. בכל המבחנים, המודל החדש חוזה את הבריאות בדיוק רב יותר מאשר קו בסיס של רשת עצבית מודעת פיזיקה קונבנציונלית, תוך שימוש בפחות פרמטרים, פחות זיכרון וזמן אימון קצר יותר. לדוגמה, על מאגר נתונים מאוניברסיטת הוּאּאז'ונג למדעי וטכנולוגיה (Huazhong University of Science and Technology) שגיאת הממוצע הריבועי יורדת ביותר מחצי, גם כאשר מספר הפרמטרים מצטמצם בכ־עשירית ואימון מתבצע מהר יותר. שיפורים דומים נרשמים עבור מאגר תובעני ממכון הטכנולוגי של מסצ'וסטס (MIT) הכולל אסטרטגיות טעינה וטמפרטורות שונות, וכן עבור שני מאגרים נוספים הבודקים סוגי תאים ומשטרי מחזור שונים. ניסויי אבאציה, שבהם מרכיבים בודדים מוסרים, מראים כי חילוץ תכונות רב־קנה מידה והפעלות אדפטיביות תורמות ביותר לדיוק, בעוד שקילה דינמית של תנאי אובדן מאיצה את ההתכנסות.

מה המשמעות של זה לטכנולוגיה יום-יומית

עבור קהל שאינו מומחה, המסקנה המרכזית היא ש‑IHPINN מציע דרך לעקוב אחרי הזדקנות סוללות שהיא גם חכמה וגם חסכונית. המודל עוקב אחר הבריאות באופן התואם לציפיות בסיסיות — שהסוללות נשחקות באופן חלק לאורך הזמן — מבלי לדרוש סימות פיזיקליים כבדים או רשתות עצביות מנופחות. בפועל, סוג זה של מודל יכול להיות מוטמע בכלי רכב חשמליים, מערכות אחסון נייחות או במוצרי אלקטרוניקה לצרכן כדי לספק תחזיות אמינות יותר לגבי חיי סוללה שנותרו ולעזור במניעת תקלות בלתי צפויות. אף שפעולה נוכחית עדיין אינה לוכדת במלואה את האלקטרוכימיה המפורטת בתוך התאים, היא מראה כי בנייה זהירה של למידת מכונה מודעת פיזיקה יכולה למצוא איזון בעל ערך בין דיוק, שקיפות ויעילות, ומובילה לניהול סוללות מהימן יותר במערכות האנרגיה העתידיות.

ציטוט: Zhang, P., Zhang, H., Zhou, J. et al. Lightweight hybrid neural network with physics consistency regularization for lithium-ion battery state of health estimation. Sci Rep 16, 12780 (2026). https://doi.org/10.1038/s41598-026-41913-5

מילות מפתח: בריאות סוללת ליתיום-יון, רשתות עצביות מודעות פיזיקה, תחזית השחתת סוללות, ניטור אגירת אנרגיה, למידת מכונה קלת משקל