Geliştirilmiş aktivasyon fonksiyonları ve parametresiz dikkat mekanizmalarına dayalı yeni enerji aracısı arıza tespiti

Neden daha akıllı araç kontrolleri önemli

Elektrikli ve hibrit araçlar dünya çapında yaygınlaştıkça, bunları temiz ve verimli kılmanın yanı sıra güvenli ve güvenilir tutmak da aynı derecede önemli hale geliyor. Geleneksel motorlardan farklı olarak, yeni enerji araçları gösterge ışığı yanmadan çok önce ince şekillerde arızalanabilen bataryalar, motorlar ve güç elektroniğine dayanır. Bu çalışma, modern yapay zekânın araç içindeki sensör akışlarını nasıl daha doğru ve daha hızlı tarayarak bugünkü kural tabanlı sistemlere kıyasla sorunların erken işaretlerini tespit edebileceğini araştırıyor—bu sayede günlük sürücüler için arızalar, onarım maliyetleri ve güvenlik riskleri azalabilir.

Elektrikli araçların içindeki gizli kalıplar

Yeni enerji araçları voltaj ve akım, motor hızı, sıcaklıklar, titreşim ve çevresel koşullar gibi birçok sinyali sürekli izler. Gerçek dünya koşulları altında bu ölçümler gürültülü, dengesiz ve uç değerlerle dolu olabilir; bu da normal davranışı gerçek arızalardan ayırmayı zorlaştırır. Geleneksel arıza teşhisi sıklıkla uzman tarafından tasarlanmış kurallara veya basit istatistik modellerine dayanır; bunlar parçalar eskidiğinde, yükler değişkenlik gösterdiğinde veya hava hızla değiştiğinde ortaya çıkan karmaşık, doğrusal olmayan kalıplarla başa çıkmakta zorlanır. Yazarlar, sabit eşiklere dayanmaktansa sensör geçmişlerinden doğrudan örüntü öğrenen daha esnek, veri odaklı bir yaklaşıma ihtiyaç olduğunu savunuyor.

Daha akıllı bir kalıp bulma motoru

Bu zorluğun üstesinden gelmek için araştırmacılar, görüntülerde ve sinyallerde kalıp bulmakla bilinen bir yapay zekâ türü olan konvolüsyonel sinir ağının yükseltilmiş bir versiyonunu tasarlıyor. Modelleri, elektrikli araç verilerinin özelliklerine göre özelleştirilmiş. Öncelikle, ağın hem güçlü hem de zayıf sinyallere sorunsuz yanıt vermesine yardımcı olan, ReLUT adlı yeni bir matematiksel öğe tanıtıyorlar; bu sayede önemsiz görünebilecek fakat önemli olan zayıf ipuçları göz ardı edilmiyor. İkincisi, modelin şişmesini engellemeden her sensör anlık görüntüsünün en bilgilendirici kısımlarını otomatik olarak vurgulayan SimAM adlı özel bir dikkat bileşeni ekliyorlar. Son olarak, bilgi akışının ağ boyunca atlayabilmesi için rezidüel kısayollar—öğrenmenin daha derinleştikçe bile stabil ve verimli kalmasını sağlayan yollar—dâhil ediyorlar.

Modeli teste koymak

Ekip, tasarımlarını gerçek sürüş verilerinden oluşturulmuş 11.000 adet on saniyelik dilim içeren, her bir parçanın sağlıklı işletim veya üç arıza tipinden biri olarak etiketlendiği NEVData adlı özel bir veri kümesinde değerlendiriyor. Veri kümesi pratik zorlukları yansıtıyor: örneklerin çoğu normal, bazı arıza tipleri daha nadir ve bazı ölçümler aşırı değerlere sahip. Sinyalleri standartlaştırıp veriyi eğitim ve test setlerine böldükten sonra, İyileştirilmiş CNN’lerini destek vektör makineleri ve k-en yakın komşu gibi klasik yöntemlerden LSTM’ler, Transformer’lar ve gelişmiş zamansal konvolüsyon ağları gibi modern derin öğrenme modellerine kadar geniş bir yelpazedeki popüler yaklaşımlarla karşılaştırıyorlar. Doğruluk, kesinlik, geri çağırma ve F1-skora göre önerilen model tutarlı biçimde en öne çıkıyor; yaklaşık %99 doğruluğa ulaşarak güçlü rakipleri belirgin marjlarla geride bırakıyor.

Dikkat ve aktivasyon neden önemli

Hangi bileşenlerin gerçekten fark yarattığını anlamak için yazarlar, özellikleri sistematik olarak açıp kapatarak bir ayrıştırma (ablation) çalışması yürütüyor. Rezidüel bağlantılara sahip sade bir CNN zaten iyi performans gösteriyor, ancak ReLUT fonksiyonunu eklemek karmaşık arıza şekillerini yakalama yeteneğini artırıyor. Sadece SimAM dikkat modülünü eklemek, tanısal önemi olan ince ipuçlarına odaklanmayı keskinleştirerek biraz daha büyük bir artış sağlıyor. Her iki parça bir araya getirildiğinde performans en yüksek seviyeye ulaşıyor ve model dengesiz sınıflara ve gürültülü verilere karşı daha dayanıklı oluyor. Bu kazanımlara rağmen sistem, araç içi kompakt bilgisayarlarda çalışacak kadar hafif kalıyor; milisaniye düzeyinde yanıtlar ve sınırlı bellek kullanımı sağlayarak araç içi gerçek zamanlı izleme için gerekli gereksinimleri karşılıyor.

Günlük sürücüler için bunun anlamı

Basitçe ifade etmek gerekirse, bu çalışma özenle ayarlanmış bir yapay zekânın her elektrikli aracın içinde yaşayan son derece yetenekli bir tamirci gibi davranabileceğini, onlarca dijital “stetoskopa” sürekli kulak verip sorunları ciddileşmeden önce tespit edebileceğini gösteriyor. Sinyallere daha akıllıca tepki verme biçimini (ReLUT), dikkat göstermenin odaklı yolunu (SimAM) ve verimli ağ bağlantılarını (rezidüel kısayollar) harmanlayarak önerilen model, aracın bilgisayarını aşırı yüklemeden mevcut tekniklerden daha güvenilir arıza uyarıları sunuyor. Bu tür araçlar olgunlaşıp araç kontrol sistemlerine entegre edildikçe, öngörücü bakımı destekleyebilir, beklenmedik arızaları azaltabilir ve bileşen ömürlerini uzatabilir—yeni enerji araçlarını günlük kullanım için daha güvenli ve daha güvenilir kılabilir.

Atıf: 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

Anahtar kelimeler: elektrikli araç teşhisi, arıza tespiti, derin öğrenme, sensör verisi, öngörücü bakım