אופטימיזציה של מחזורי טעינה ופריקה באמצעות מסגרת למידת‑היברידית מופעלת על‑ידי QPPONet לניהול אנרגיה ובטיחות ברכבים חשמליים

סוללות חכמות לנסיעות חשמליות בטוחות יותר

רכבים חשמליים מבטיחים אוויר נקי יותר והוצאות דלק נמוכות יותר, אך סוללותיהם יקרות, מתיישנות עם הזמן ועלולות להיכשל בצורה מסוכנת אם לא מנהלים אותן בקפידה. במאמר זה נבחנת הדרך שבה בינה מלאכותית מודרנית יכולה לפעול כשומרת תמידית על סוללות הרכב החשמלי, להפיק טווח נוסע רב יותר, להאריך את חיי הסוללה ולזהות סימנים מוקדמים לבעיות הרבה לפני שהנהג מרגיש שמשהו לא תקין.

מהכללים הפשוטים למוחות לומדים

מערכות הסוללה ברוב הרכבים החשמליים של היום מסתמכות על כללים קבועים ונוסחאות מפושטות. הן מעריכות כמה אנרגיה נותרה ומתי החבילה עלולה להיכשל, אך מתקשות כשהתנאים המעשיים בנהיגה שונים מהמעבדה — כמו טעינה מהירה תכופה, עליות תלולות או גלי חום. המחברים טוענים שגישה מבוססת‑כללים מבזבזת אנרגיה שימושית, מקצרת את חיי הסוללה ועלולה לפספס סימני אזהרה של התחממות מסוכנת. הם מציעים במקומה מנהל סוללה אדפטיבי שלומד ישירות מהנתונים: נסיעות קודמות, מחזורי טעינה‑פריקה עברוּת ומגוון רחב של טמפרטורות וסגנונות נהיגה.

קריאת מצבה של הסוללה וחיי השימוש הנותרים

החלק הראשון של המסגרת מתמקד בשאלה «כמה בריאה הסוללה כרגע?» באמצעות מדידות כמו מתח, זרם, טמפרטורה והתנגדות פנימית, הצוות השווה מספר שיטות של למידת מכונה כדי לאמוד את מדד מצב הבריאות (State of Health) — שיעור שמשקף את מידת הזדקנות הסוללה. טכניקה בשם gradient boosting הצטיינה, התאמה כמעט מושלמת למדידות אמיתיות ועדיין קלילה מספיק כדי לרוץ על אלקטרוניקה ברמת הרכב בתוך מספר מילישניות. כדי לענות על השאלה השנייה — «כמה זמן החבילה תמשיך לפעול?» — החוקרים בנו מודל היברידי של למידה עמוקה המשלב שני רשתות ממוקדות רצף. המודל עוקב אחרי השינויים בסוללה לאורך מחזורי טעינה‑פריקה רבים ולומד לחזות את חיי השימוש הנותרים בדיוק של מספר אחוזים בלבד, על פני סוגי תאים ודפוסי נהיגה שונים.

לימוד הסוללה לטעון בתבונה

ידיעת מצב הבריאות וחיי השימוש היא רק חצי מהסיפור; המערכת צריכה גם לפעול. המחברים מציגים את QPPONet, בקר הלמידה‑חיזוק היברידי שלומד כיצד לטעון ולפרוק באופן שמשקף איזון בין צרכים מיידיים — כמו לתת לנהג מספיק טווח היום — לבין שחיקה ארוכת‑טווח של הסוללה. הוא משלב שתי אסטרטגיות משלימות: אחת שמאמידה את הערך של כל פעולה אפשרית ואחת ששומרת על למידה יציבה והדרגתית. מאומן בסימולטור ריאלי שנבנה ממידע מעבדתי מפורט, הבקר הזה מעלה את המדד הכולל של "תגמול" — המשלב יעילות אנרגטית וצמצום הבלאי — בכ‑כ‑רבע בהשוואה לשיטות טעינה סטנדרטיות, תוך הקטנת אובדן הקיבולת ושמירה על עמידות בתנאי תפעול משתנים.

מעקב אחר סימנים מוקדמים של חימום מסוכן

הבטיחות היא העמוד השלישי של המסגרת. במקום להסתמך על ספי טמפרטורה פשוטים, המערכת משתמשת בשיטות גילוי אנומליות ללא השגחה כדי ללמוד איך "נורמלי" נראה עבור אותות מתח, זרם וטמפרטורה. היא מסמנת אז זינוקים או צירופים חריגים שמעידים על בריחה תרמית — התגובת שרשרת שיכולה להוביל לשריפות. על‑ידי אימון על נתונים אמיתיים ומורחבים בסטרס — שבהם המדידות נדחפות באופן מלאכותי לטווחים קיצוניים אך סבירים — המודלים לומדים להבחין בין תקלות חולפות לחומרות אמיתיות. במבחנים הם זיהו סימני אזהרה מוקדמים בדיוק של מעל 92 אחוז, תוך סינון קפיצות קצרות שיכולות היו לגרום להתרעות שווא.

בנוי לעבוד ברכבים רבים, לא רק באחד

חוזקה מרכזית של העבודה היא שכל חלק — הערכת בריאות, חיזוי חיים, בקרת טעינה ומעקב בטיחות — תוכנן ואומת כמודול נפרד. זה מקל על התאמת המערכת לכימיות סוללה שונות, פלטפורמות רכב ומגבלות חומרה. המחברים אימנו ובדקו את המודלים שלהם על מאגר נתונים פנימי מפורט המקיף טמפרטורות ותבניות עומס רבות, ואחר כך אישרו שהשיטות מתכללות היטב גם על מאגר נתונים ציבורי של סוללות למטוסים חשמליים עם דפוסי שימוש שונים מאוד. גם כאשר הועברו בין תרחישים מנוגדים אלה, המודלים שמרו על דיוק גבוה, מה שמרמז שהגישה ניתנת להרחבה מעבר להגדרת מעבדה יחידה.

מה זה אומר לנהגים ביום‑יום

עבור הקוראים הלא‑מומחים, המסקנה ברורה: על ידי הענקת מערכת עצבים דיגיטלית לחבילת הסוללה, המבוססת על אלגוריתמי למידה מודרניים, רכבים חשמליים יכולים להפוך לבטוחים יותר, אמינים יותר וזולים יותר לבעלות. המסגרת המוצעת מראה שניתן לאמוד במדויק את מצב הסוללה, לחזות כמה זמן היא תימשך, לבחור דפוסי טעינה עדינים ויעילים ולהגיב מוקדם להתחממות מסוכנת — וכל זאת במסגרת מגבלות המחשב של רכבים אמיתיים. ככל שמנהלי הסוללה החכמים הללו יתפתחו וישתרשו, הנהגים עשויים ליהנות מאחריות ארוכה יותר, פחות תקלות בלתי צפויות וביטחון גדול יותר שהרכב מקבל החלטות חכמות לגבי האנרגיה המאוחסנת מתחת לרצפה.

ציטוט: 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

מילות מפתח: סוללות לרכבים חשמליים, מערכות ניהול סוללה, למידת מכונה, למידה חיזוקית, בטיחות תרמית