Identyfikacja usterek w pojazdach nowych technologii energetycznych oparta na ulepszonych funkcjach aktywacji i mechanizmach uwagi bez parametrów

Dlaczego inteligentniejsze przeglądy samochodów mają znaczenie

Wraz z rosnącą liczbą samochodów elektrycznych i hybrydowych na świecie, utrzymanie ich bezpieczeństwa i niezawodności staje się równie ważne jak poprawa ich efektywności i ekologiczności. W przeciwieństwie do tradycyjnych silników, pojazdy nowej generacji opierają się na akumulatorach, silnikach i elektronice napędowej, które mogą ulegać subtelnym awariom na długo przed pojawieniem się ostrzeżenia na desce rozdzielczej. W tym badaniu pokazano, jak nowoczesna sztuczna inteligencja może przetwarzać strumienie danych z czujników w tych pojazdach, aby wykrywać wczesne symptomy problemów dokładniej i szybciej niż dzisiejsze systemy oparte na regułach — co może zmniejszyć liczbę awarii, koszty napraw i ryzyko dla kierowców na co dzień.

Ukryte wzorce w samochodach elektrycznych

Pojazdy nowej generacji nieustannie monitorują wiele sygnałów: napięcie i prąd z akumulatora, prędkość silnika, temperatury, drgania oraz warunki otoczenia. W surowych warunkach rzeczywistych pomiary te mogą być zaszumione, niezrównoważone i pełne wartości odstających, co utrudnia rozróżnienie zachowań normalnych od rzeczywistych usterek. Tradycyjna diagnostyka często opiera się na regułach zaprojektowanych przez ekspertów lub prostych modelach statystycznych, które mają trudności z chaotycznymi, nieliniowymi wzorcami pojawiającymi się wraz ze starzeniem się części, zmiennością obciążeń czy gwałtowną zmianą pogody. Autorzy argumentują, że potrzebne jest bardziej elastyczne, oparte na danych podejście — takie, które uczy się wzorców bezpośrednio z historii czujników zamiast polegać na stałych progach.

Mądrzejszy silnik wykrywania wzorców

Aby sprostać temu wyzwaniu, badacze zaprojektowali ulepszoną wersję konwolucyjnej sieci neuronowej, typu AI znanego z wykrywania wzorców w obrazach i sygnałach. Ich model został dostosowany do specyfiki danych z pojazdów elektrycznych. Po pierwsze wprowadzili nowy element matematyczny, nazwany ReLUT, który pomaga sieci reagować płynnie zarówno na silne, jak i słabe sygnały, zamiast ignorować słabe, lecz istotne wskazówki o problemie. Po drugie dodali specjalny komponent uwagi, SimAM, który automatycznie uwypukla najbardziej informacyjne części każdej migawki danych z czujników, nie dodając przy tym dodatkowych regulowanych parametrów, które zwiększałyby złożoność modelu. Wreszcie wpletli skróty resztkowe — obejścia pozwalające informacjom przeskakiwać dalej przez sieć — dzięki czemu uczenie pozostaje stabilne i wydajne nawet przy zwiększaniu głębokości modelu.

Testy modelu

Zespół ocenił swoje rozwiązanie na NEVData, niestandardowym zbiorze danych zawierającym 11 000 dziesięciosekundowych fragmentów rzeczywistych danych z jazdy, z których każdy oznaczony był jako normalna praca lub jeden z trzech rodzajów usterek. Zbiór odzwierciedla praktyczne komplikacje: większość próbek jest normalna, niektóre typy usterek występują rzadziej, a niektóre pomiary zawierają wartości ekstremalne. Po standaryzacji sygnałów i podziale danych na zbiory treningowe i testowe porównano ulepszoną sieć konwolucyjną z szeroką gamą popularnych podejść, od klasycznych metod takich jak maszyny wektorów nośnych i k najbliższych sąsiadów po nowoczesne modele głębokiego uczenia, w tym LSTM, Transformatory i zaawansowane sieci splotowe czasowe. W metrykach dokładności, precyzji, czułości i F1 proponowany model konsekwentnie osiągał najlepsze wyniki, sięgając około 99% dokładności i przewyższając silnych konkurentów zauważalnymi różnicami.

Dlaczego uwaga i aktywacja mają znaczenie

Aby zrozumieć, które składniki naprawdę wnoszą wkład, autorzy przeprowadzili badanie ablacyjne, systematycznie wyłączając i włączając poszczególne elementy. Prosta sieć CNN z łączami resztkowymi już dobrze sobie radziła, ale dodanie funkcji ReLUT poprawiło jej zdolność do uchwycenia złożonych kształtów usterek. Sam moduł uwagi SimAM dał nieco większy wzrost wydajności przez wyostrzenie koncentracji na subtelnych, ale diagnostycznych wskazówkach. Gdy obie części zostały połączone, osiągnięto najwyższą wydajność, a model stał się bardziej odporny na niezrównoważone klasy i zaszumione dane. Pomimo tych udoskonaleń system pozostał wystarczająco lekki, by działać na kompaktowych komputerach pokładowych, dostarczając odpowiedzi w milisekundach i przy umiarkowanym użyciu pamięci — co jest kluczowe dla monitorowania w czasie rzeczywistym w pojazdach.

Co to oznacza dla kierowców na co dzień

Mówiąc obrazowo, praca ta pokazuje, że starannie dobrana sztuczna inteligencja może działać jak wysoko wykwalifikowany mechanik zamieszkujący w każdym samochodzie elektrycznym, nieustannie słuchający kilkudziesięciu cyfrowych „stetoskopów” i wykrywający problemy zanim staną się poważne. Poprzez połączenie inteligentniejszego reagowania na sygnały (ReLUT), skoncentrowanego mechanizmu uwagi (SimAM) oraz wydajnego okablowania sieciowego (skrótów resztkowych), proponowany model dostarcza bardziej wiarygodnych ostrzeżeń o usterkach niż istniejące techniki, nie obciążając przy tym nadmiernie komputera pokładowego. W miarę jak takie narzędzia będą dojrzewać i integrowane z systemami sterowania pojazdów, mogą wspierać predykcyjne utrzymanie, zmniejszać liczbę nieoczekiwanych awarii i wydłużać żywotność komponentów — czyniąc pojazdy nowej generacji bezpieczniejszymi i bardziej niezawodnymi w codziennym użytkowaniu.

Cytowanie: 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

Słowa kluczowe: diagnostyka pojazdów elektrycznych, wykrywanie usterek, uczenie głębokie, dane z czujników, predykcyjne utrzymanie