Storingsidentificatie voor nieuwe-energievoertuigen gebaseerd op verbeterde activatiefuncties en parameterloze attention-mechanismen

Waarom slimmer auto-onderhoud telt

Naarmate elektrische en hybride auto’s wereldwijd verspreiden, wordt het behoud van hun veiligheid en betrouwbaarheid net zo belangrijk als het schoner en efficiënter maken ervan. In tegenstelling tot traditionele motoren vertrouwen nieuwe-energievoertuigen op batterijen, motoren en vermogenselektronica die op subtiele wijze kunnen falen lang voordat er een waarschuwingslampje op het dashboard verschijnt. Deze studie onderzoekt hoe moderne kunstmatige intelligentie stromen van sensorgegevens in deze voertuigen kan analyseren om vroegtijdige tekenen van problemen nauwkeuriger en sneller te detecteren dan de huidige op regels gebaseerde systemen — wat mogelijk pech, reparatiekosten en veiligheidsrisico’s voor dagelijkse bestuurders kan verminderen.

Verborgen patronen in elektrische auto’s

Nieuwe-energievoertuigen monitoren continu veel signalen: spanning en stroom van de batterij, motorsnelheid, temperaturen, trillingen en de omgevingscondities. Onder zware real-world omstandigheden kunnen deze metingen ruisig, onevenwichtig en vol uitschieters zijn, wat het moeilijk maakt normaal gedrag te scheiden van echte storingen. Traditionele foutdiagnose is vaak afhankelijk van door experts ontworpen regels of eenvoudige statistische modellen, die moeite hebben met de rommelige, niet-lineaire patronen die ontstaan wanneer onderdelen verouderen, belastingen fluctueren of het weer snel verandert. De auteurs stellen dat een flexibeler, data-gedreven benadering nodig is — een die patronen rechtstreeks uit sensorhistorie leert in plaats van te vertrouwen op vaste drempels.

Een slimmer patroonherkenningssysteem

Om deze uitdaging aan te pakken, ontwerpen de onderzoekers een verbeterde versie van een convolutioneel neuraal netwerk, een type AI dat al bekendstaat om het herkennen van patronen in beelden en signalen. Hun model is afgestemd op de eigenaardigheden van gegevens uit elektrische voertuigen. Ten eerste introduceren ze een nieuw wiskundig element, genoemd ReLUT, dat het netwerk helpt soepel te reageren op zowel sterke als zwakke signalen, in plaats van vage maar belangrijke aanwijzingen te negeren. Ten tweede voegen ze een speciale attention-component toe, SimAM, die automatisch de informatiefste delen van elke sensorwaarneming benadrukt zonder extra instelbare knoppen toe te voegen die het model zouden opblazen. Ten slotte verwerken ze residual shortcuts — omwegen die informatie toestaan vooruit te springen door het netwerk — zodat het leren stabiel en efficiënt blijft, ook naarmate het model dieper wordt.

De testopstelling

Het team evalueert hun ontwerp op NEVData, een speciaal samengestelde dataset van 11.000 tiensecondenfragmenten van echte rijgegevens, elk gelabeld als gezond of als een van drie fouttypes. De dataset weerspiegelt praktische complicaties: de meeste monsters zijn normaal, sommige fouttypes zijn zeldzamer en bepaalde metingen bevatten extreme waarden. Na het standaardiseren van de signalen en het splitsen van de data in trainings- en testsets vergelijken ze hun Improved CNN met een breed scala aan populaire benaderingen, van klassieke methoden zoals support vector machines en k-nearest neighbors tot moderne deep-learningmodellen waaronder LSTM’s, Transformers en geavanceerde temporele convolutionele netwerken. Over nauwkeurigheid, precisie, recall en F1-score heen komt het voorgestelde model consequent als beste uit de bus, met circa 99% nauwkeurigheid en duidelijke voorsprong op sterke concurrenten.

Waarom attention en activatie ertoe doen

Om te begrijpen welke componenten werkelijk het verschil maken, voeren de auteurs een ablatiestudie uit waarbij ze functies systematisch in- en uitschakelen. Een eenvoudige CNN met residual-links presteert al goed, maar het toevoegen van hun ReLUT-functie verbetert het vermogen om complexe foutvormen vast te leggen. Het toevoegen van alleen het SimAM-attentionmodule levert een iets grotere verbetering op door de focus te verscherpen op subtiele maar diagnostische aanwijzingen. Wanneer beide onderdelen gecombineerd worden, is de prestatie het hoogst en is het model robuuster tegen ongebalanceerde klassen en ruisige data. Ondanks deze verbeteringen blijft het systeem licht genoeg om op compacte boordcomputers te draaien, met responstijden op millisecondeniveau en bescheiden geheugengebruik — sleutelvereisten voor realtime monitoring in voertuigen.

Wat dit betekent voor dagelijkse bestuurders

In eenvoudige bewoordingen toont dit werk aan dat een zorgvuldig afgestemde AI kan fungeren als een hoogopgeleide monteur die in elke elektrische auto leeft, continu luisterend naar tientallen digitale “stethoscopen” en problemen signaleert voordat ze ernstig worden. Door een slimmer reagerende activatiewijze (ReLUT), een gerichte manier van aandacht (SimAM) en efficiënte netwerkbedrading (residual shortcuts) te combineren, levert het voorgestelde model betrouwbaardere storingswaarschuwingen dan bestaande technieken zonder de boordcomputer te overbelasten. Naarmate zulke hulpmiddelen rijpen en in voertuigcontrolesystemen worden geïntegreerd, kunnen ze predictief onderhoud ondersteunen, onverwachte pech verminderen en de levensduur van componenten verlengen — waardoor nieuwe-energievoertuigen veiliger en betrouwbaarder worden voor dagelijks gebruik.

Bronvermelding: 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

Trefwoorden: diagnostiek elektrische voertuigen, faultdetectie, deep learning, sensorgegevens, predictief onderhoud