إمكانية التعلم العميق في تحسين نظم إدارة البطاريات في المركبات الكهربائية

مقدمة: تزايد أهمية إدارة البطاريات في المركبات الكهربائية

ويتسارع التحول العالمي نحو المركبات الكهربائية، ويقوده وضع أنظمة أكثر صرامة للانبعاثات، وانخفاض تكاليف البطاريات، وزيادة الطلب على النقل المستدام، ويكمن في صميم كل مركبة في مجموعة من البطاريات ذات التأثير العالي التي تتألف من مئات أو آلاف الخلايا الفردية، ويحسن نظام تخزين الطاقة المعقّد هذا بشكل آمن وفعال دور نظام إدارة البطاريات.

فهم نظم إدارة البطاريات: المهام والحدود الأساسية

ويؤدي نظام إدارة المباني عدة مهام حاسمة: رصد فولت الخلايا، والتيار، ودرجات الحرارة؛ وتقدير قدرة شركة SoC و SoH؛ والموازنة بين طاقة الخلايا؛ والحماية من الإفراط في التغذية، والارتفاع المفرط، والهروب الحراري؛ والاتصال بوحدات التحكم في المركبات؛ وتعالج تقديرات التلقيم الدقيق للأجهزة الكهربائية عوامل أساسية للتنبؤ بالنطاقات ومنع التصريف العميق، بينما تعكس القرارات المتعلقة بالتشغيل غير القابل للانتظام على مر الزمن.

دور التعلم العميق في تعزيز نظام إدارة المباني

وتؤثر خوارزميات التعلم العميق، ولا سيما الشبكات العصبية المتكررة، وشبكات الذاكرة القصيرة الأجل الطويلة الأجل، والشبكات العصبية الثورية الملتوية، والأجهزة الآلية، على نجاح ملحوظ في التنبؤ بسلسلات زمنية، وتوقعات مهام الكشف عن الخلايا ذات الصلة بإدارة البطاريات، وذلك عن طريق التدريب على مجموعات البيانات الكبيرة التي تجمع من اختبارات التقلبات المختبرية، والعمليات الميدانية، أو نماذج القدرة على إحداث الاحترار بالأشعة دون الحمراء.

حالة الاستهلال الكبير باستخدام التعلم العميق

ويشكّل تقدير الشركة بدقة تحدياً رئيسياً في نظام إدارة المباني لأنه يعتمد على ردود الفعل غير الخطية الكهروكيميائية، والهيستيريز، والشيخوخة، وقد حققت نماذج التعلم العميق، ولا سيما شبكات الإدارة العليا، والتفوق في تحديد مستويات الاعتماد الطويلة الأجل في بيانات التركة المتتالية والحاضرة ودرجة الحرارة.

حالة تقدير الصحة والتنبؤ بالحياة المؤثرة المتبقية

كما أن تقدير درجة الحرارة تعتمد عادة على تحليل القدرات الإضافية أو نموذج التقلبات المفاجئة، الذي يتطلب ظروفاً مراقَبة، ويمكن لأساليب التعلم العميق أن تستنتج مباشرة من بيانات القيادة العادية باستخدام تقنيات مثل التعلم في مجال النقل والتعلم المتعدد الأطوارق، وعلى سبيل المثال، فإن وجود نمطين غير متوقعين من البنية التحتية (CNN-LT:0)(2021).

الكشف عن الخزنة والتشخيص

وقد تؤدي أخطاء الربط بالبطارية - مثل الدوائر القصيرة الداخلية، وبطلاء الليثيوم، وتركيب الكهروليت، وسلائف الركض الحراري - التي يمكن أن تؤدي إلى إخفاقات كارثية إذا لم تكتشف في وقت مبكر.() وقد تؤدي نماذج التعلم العميق، بما في ذلك أجهزة التفكيك المتغيرة وشبكات التنويع السخية إلى حد كبير في تحديد الهوامش في بيانات متعددة الأنواع(20)

تعزيز السلامة والاعتماد من خلال التعلم العالي

فالسلامة هي أهم وظيفة في نظام إدارة المباني، فالطريق الحراري، الذي يسببه تفاعلات غير خاضعة للمراقبة، يشكل أكبر خطر، ويمكن أن تدمج نماذج التعلم العميقة عدة مسارات استشعارية - مجرى مستخلصات، ودرجات الحرارة، وأجهزة الاستشعار الغازية - للتنبؤ بإمكانية حدوث سباق تيار حراري، وأن تتيح التعلم المباشر أو التعلم المستمر للنموذج التكيف مع ظروف العمل السائدة.

وإلى جانب المجرى الحراري، يؤدي التعلم العميق إلى تحسين الموثوقية من خلال الكشف عن أخطاء أجهزة الاستشعار وأخطاء الاتصالات داخل دائرة إدارة المباني نفسها، ويمكن أن يعيد جهاز آلي متكرر إعادة بناء نواتج الاستشعار المتوقعة وانحرافات العلم التي تشير إلى عدم حدوث تضخم أو حساس درجة الحرارة، وهذه القدرة الذاتية التشخيص تقلل من الإنذارات الكاذبة وتضمن استمرار دائرة إدارة المباني في التوعية بالحالة حتى عندما تتحلل الأجهزة.

التحديات التي تواجه تكامل التعلم في أعماق البحار

وبالرغم من وعده، فإن نشر التعلم العميق في إطار معدات آلية مزودة بالموارد يشكل عقبات عديدة، أولا، أن الاحتياجات الحاسوبية للشبكات العصبية المعقدة - حتى ولو كانت مطابقتها متقنة - تتجاوز القدرة المحدودة على التجهيز والذاكرة وميزانية الطاقة لدى أجهزة التحكم الدقيقة النموذجية، فعمليات التكاثر تتطلب تقنيات مضغ النماذج مثل الفرز، والتصنيف الكمي، والنماذج المدروسة الثانية للتكييف.

الاتجاهات المستقبلية: من النماذج الهجينة إلى التوائم الرقمية

أما الحدود التالية فتتمثل في الجمع بين التعلم العميق ونماذج البطاريات الفيزيائية لإنشاء شبكات عصبية مزودة بالمعلومات الفيزيائية، وتُستخدم هذه النماذج الهجينة في قوانين الحفظ (مثل حفظ الشحنات، والكيمياء الحرارية) في وظيفة الخسارة، مما يتيح التنبؤ الدقيق بالتطورات الحاصلة في البيانات التدريبية، ويُستخدم أسلوب آخر واعد في استخدام نماذج قياسية ذات طابع رقمي

ويقدر قادة الصناعة، مثل McKinsey]، أن نظام إدارة المباني المعززة بالآي، يمكن أن يمدد حياة البطاريات بنسبة تصل إلى 20 في المائة وأن يقلل من تكاليف الضمان بنسبة 30 في المائة، مما يجعلها أولوية استراتيجية لمصنعي المركبات الإلكترونية، وعلاوة على ذلك، فإن التعلم العميق يفتح الباب لمهام متقدمة مثل التعبئة الذكية المثلى للزراعة، حيث تتعلم بسياق درجة الحرارة المثلى لكل مركبة من كل مركبة من المركبات(2).

خاتمة

ويُستشعر التعلم العميق من خلال تحويل نظم إدارة البطاريات في المركبات الكهربائية عن طريق تحقيق تقدير أكثر دقة للدولة، والكشف المبكر عن الأخطاء، وتدابير السلامة التكييفية، وفي حين أن التحديات المتصلة بالقيود الحاسوبية، ونوعية البيانات، وإمكانية الترجمة الشفوية لا تزال قائمة، فإن البحث الجاري في مجال الضغط على النماذج، والفيزياء المختلطة، والحركة الكهربائية، يُسد الفجوة بسرعة، حيث أن اعتماد المركبات الكهربائية سيستمر في الارتفاع، ويُدمج التعويل إلى نظام إدارة السلامة البشرية.