Lityum-iyon pil sağlığı durumunun tahmini için değiştirilmiş Poor and Rich optimizasyon algoritmasına dayalı geliştirilmiş bir MobileNet

Daha Akıllı Pil Kontrolleri Neden Önemli

Lityum-iyon piller telefonlarımızı, dizüstü bilgisayarlarımızı, elektrikli araçları ve hatta elektrik şebekesinin bazı bölümlerini sessizce besler. Ancak insanlar gibi piller de yaşlanır ve sağlıkları yanlış değerlendirildiğinde menzil kaybından tehlikeli arızalara ve yangınlara kadar çeşitli sonuçlar doğurabilir. Bu makale, gerçek dünya pil yönetim sistemlerinde yeterince hızlı çalışabilen kompakt bir yapay zekâ modeli kullanarak pillerin "nabzını" kontrol etmenin yeni bir yolunu tanıtıyor; model pil sağlığını şaşırtıcı derecede düşük hata ile tahmin ediyor.

Bir Pilin Gerçek Durumunu İzlemek

Pil paketleri, gerilim, akım ve sıcaklığı sürekli izleyerek her şeyi güvenli sınırlar içinde tutan Pil Yönetim Sistemi (BMS) tarafından denetlenir. BMS’nin en zor görevlerinden biri, esasen pilin yeni haline kıyasla ne kadar faydalı ömre sahip olduğunu belirten Sağlık Durumu (SOH) tahminidir. SOH normal kullanım sırasında doğrudan ölçülemediği için bu rutin sinyallerden çıkarılmalıdır. Geleneksel fizik tabanlı modeller doğru olabilir, ancak genellikle karmaşıktır, yavaştır ve pil tasarımına ve çalışma koşullarına duyarlıdır. Makine öğrenmesine dayalı veri odaklı yaklaşımlar daha esnek olma vaadi taşısa da, birçok güçlü derin öğrenme modeli araç içindeki veya sabit depolama sistemlerindeki küçük, düşük güçlü çiplerde çalıştırılamayacak kadar ağırdır.

Ham Sinyallerden Yaşlanmanın İnce İşaretlerine

Yazarlar, NASA’nın yaygın olarak kullanılan pil yaşlanma deneyleri de dahil olmak üzere birkaç tanınmış araştırma veri kümesinden elde edilen gerçek test verilerini dikkatle işler. Her şarj–deşarj döngüsünde binlerce döngü boyunca voltaj, akım ve sıcaklığı saniyede bir kez kaydederler. Bu ham sinyallerden, yaşlanmaya özellikle duyarlı özellikler çıkarırlar. Örneğin, sabit akımla şarj sırasında voltaj eğrisinin şeklini analiz eder ve her voltajda ne kadar şarj aktığına dair küçük kaymaları ortaya çıkaran artımlı kapasite eğrileri hesaplarlar. Piller aşındıkça bu eğriler şekil ve konum olarak ince değişiklikler gösterir; bu da iç bozulmanın bir tür parmak izini sağlar. Sonuç, sinir ağına beslenebilecek temiz, normalize edilmiş bir boyutlu zaman serileri setidir.

Pil Sinyallerine Uygun İnce Bir Sinir Ağı

Bu sinyalleri SOH tahminlerine dönüştürmek için çalışma, MobileNet olarak bilinen hafif görüntü tanıma ağları ailesini uyarlar. Görüntülerle çalışmak yerine yazarlar modeli zaman boyunca tarama yapan tek boyutlu konvolüsyonlar etrafında yeniden tasarlar, böylece şarj sırasında voltaj ve akımların nasıl evrildiğine dair desenleri yakalayabilir. Ayrıca ağın sinyalin en bilgilendirici kısımlarına —örneğin yaşlandıkça belirgin şekilde kayma gösteren voltaj bölgelerine— odaklanmasına yardımcı olan küçük dikkat blokları olan "Squeeze-and-Excitation" birimleri eklerler. Son olarak çıktıyı, ağın bir kategori yerine sürekli bir SOH değeri tahmin etmesi için yeniden şekillendirirler ve tahmin ile gerçek sağlık arasındaki farkı minimize edecek şekilde eğitirler. Bu iyileştirmelere rağmen model küçük kalır: yaklaşık 1,1 milyon parametre ve ortalama yalnızca birkaç milisaniye tahmin süresi.

Algoritmanın Ayarları Otomatik Yapması

Derin öğrenme modellerinin öğrenme hızı, filtre sayısı, dropout gücü gibi birçok tasarım seçeneği yani hiperparametresi vardır. Bunları elle ayarlamak yerine yazarlar, Modified Poor and Rich Optimization (MPRO) adı verilen meta-sezgisel bir optimizatör kullanır. Toplumdaki daha zengin ve daha fakir gruplar arasındaki etkileşimlerden esinlenen bu algoritma, aday hiperparametre setlerinden oluşan bir popülasyonu korur ve bunları yinelemeli olarak iyileştirir. "Zengin" adaylar "fakir" olanlardan uzaklaşırken, "fakir" adaylar başarılı olanlar arasında görülen modellere doğru kayar. Makale, arama alanının keşfini iyileştiren kaotik matematiksel haritalarla bu şemayı güçlendirir. Her aday için MobileNet modeli eğitilir ve doğrulama verilerindeki hatasıyla değerlendirilir; MPRO zamanla doğruluk ile sadelik arasında denge kuran bir konfigürasyona yakınsar.

Pratikte Ne Kadar İyi Çalışıyor?

NASA, CALCE ve Oxford olmak üzere üç bağımsız veri kümesi ve birden fazla pil üzerinde test edilen birleşik MPRO-Geliştirilmiş MobileNet sistemi, NASA verilerinde ortalama karekök ortalama kare hata (RMSE) olarak yaklaşık yarım yüzde puan düzeyinde SOH tahmini sunarak, daha büyük Transformer tabanlı sinir ağları, tekrarlı ağlar, rastgele ormanlar ve destek vektör makineleri dahil birkaç güçlü alternatifi geride bırakır. En kötü tekil tahmin hatası bile yaklaşık bir yüzde puan civarında kalır; bu doğruluk garantiler, pil değişimi planlama, garanti yönetimi ve güvensiz işletmeden kaçınma açısından değerlidir. Önemli olarak model, daha ağır derin öğrenme yöntemlerine kıyasla çok daha az bellek ve hesaplama kullanırken bu performansı korur; bu da onu elektrikli araçlardaki ve şebeke depolama sistemlerindeki gömülü BMS donanımına dağıtmak için pratik kılar.

Günlük Pil Kullanımı İçin Anlamı

Uzman olmayanlar için temel mesaj şudur: Bu çalışma, standart bir pil sisteminin zaten ölçtüğü verileri kullanarak akıllı ama verimli bir yapay zekânın bir pilin gerçekten ne kadar "eski" olduğunu güvenilir şekilde izleyebileceğini gösteriyor. Daha iyi SOH tahminleri üreticilerin ve şebeke işletmecilerinin pil ömrünü güvenli şekilde uzatmasına, sorunlar ortaya çıkmadan önce bakımı planlamasına ve kullanılmış pillerin daha az talepkar uygulamalarda ikinci yaşam için hâlâ yeterli olup olmadığına karar vermesine olanak tanır. Yöntemin hâlâ daha gürültülü, gerçek dünya koşullarında saha testlerine ihtiyacı olsa da bu çalışma, durumunu neredeyse klinik hassasiyetle anlayan pil sistemlerine doğru atılmış bir adımı temsil ediyor; arka planda güvenlik, performans ve sürdürülebilirliği sessizce iyileştiriyor.

Atıf: Hajlaoui, R., Shalaby, M., Alfilh, R.H.C. et al. An improved MobileNet based on a modified poor and rich optimization algorithm for lithium-ion battery state-of-health estimation. Sci Rep 16, 7689 (2026). https://doi.org/10.1038/s41598-026-38275-3

Anahtar kelimeler: lityum-iyon piller, sağlık durumu, pil yönetim sistemleri, derin öğrenme, MobileNet