Bu tədqiqat, elektrokimyəvi enerji saxlama obyektlərinde sensor məlumatları, ekspert qiymətləndirmələri, risk yayılma münasibətləri, texniki standartlar ve böyük dil modellərini eyni qərar dəstəyi sistemi içinde birleştiren izah edilə bilən bir təhlükəsizlik və texniki xidmət çərçivəsi önermektedir. Sistem yalnız bir obyekte genel risk balı vermeyi değil, riskin hangi hüceyrə, batareya paketi, batareya klasteri, soyutma sistemi, yanğınsöndürmə sistemi, güc elektronikası veya batareya idarəetmə sistemi komponentinden kaynaklandığını ve diğer komponentləre nasıl yayılabileceğini izahı məqsəd daşıyır.

Risk değerlendirmesi sekiz ana kategori, 26 faktör, 42 alt faktor ve 87 risk maddəsinden oluşmaktadır. Bunların 32’si temperatur, gərginlik, cərəyan, rütubət ve alarm sayları gibi kəmiyyət məlumatlare; 55’i ise fiziksel hasar, yanğın hazırlığı, kommunikasiya arızası veya texniki xidmət eksikliği gibi ekspert incelemesi gerektiren keyfiyyət değerlendirmelere dayanmaktadır. Faktör ağırlıkları bulanıq analitik iyerarxiya prosesiyle belirlenmiş, kəmiyyət riskler alarm sıklığına dayalı CRPS yaklaşımıyla, keyfiyyət riskler ise şiddət-ehtimal-məruzqalma modeliyle ballanmıştır.

Çerçeve, Çin’de işletilmekte olan altı enerji depolama stansiyanınun 2024 məlumatlari üzerinde uygulanmıştır. Riskler arasındaki neden-sonuç bağlantılarının ballara eklenmesi, altı stansiyanın Mart 2024 değerlendirmelerinde toplam risk ballarını en az yüzde 7 azaltmış; başka bir ifadeyle yalnız birbaşa görülen sorunlara değil, bu sorunların tetikleyebileceği ikincil risklere de dikkat çekmiştir. Birinci stansiyada temmuz-eylül dörütubətinde artan həddindən artıq şarj ve həddindən artıq deşarj alarmları, hüceyrə kullanım ve yaşlanma risklerinin ballarını düşürürken normal çalışan altıncı stansiyada eyni örüntü görülmemiştir.

Böyük dil modeli bölümü, risk ballarını doğal dilde izahk ve texniki standartlarla ilişkilendirilmiş texniki xidmət tövsiyələri üretmek için RAG, yenidən sıralama, prompt dizeyni ve sahə yönümlü incə tənzimləmə kullanmaktadır. Bilgi sorularında incə tənzimlənmiş Qwen3-8B modeli güclü sonuç məlumatrken, risk izahsı ve texniki xidmət tövsiyəsi gibi daha kapsamlı görevlerde tam ölçekli modellər arasında Kimi-K2.6, incə tənzimlənmiş modellər arasında ise Qwen2.5-14B daha yüksək değerlendirme balları almıştır. Sonuçlar, küçük modellərin sahə biliyi için etkili biçimde uyarlanabileceğini; lakin qarışıqşık texniki xidmət qərarlarında model büyüklüğü ve genel akıl yürütme kapasitesinin hâlâ örütubətli olduğunu göstərir.

Türkiyə baxımından örütubəti: Türkiyədə kurulacak veya işletilen batarya enerji saxlama obyektlərində hüceyrə sıcaklığı, gərginlik, cərəyan ve alarm kayıtlarının; yanğınsöndürmə sistemi, soğutma altyapısı, BMS, güc dönüştürücü ve saha denetimleriyle birlikte değerlendirilmesi təhlükəsizlik açısından örütubətli bir yaklaşım sunmaktadır. Ancak tədqiqatnın risk maddələri, eşikleri, teknik belgeleri ve texniki xidmət tövsiyələri Çin standartlarına göre hazırlanmıştır. Türkiyədə tətbiqə geçmeden önce risk indeksinin yürürlükteki yerli mevzuat, şebeke bağlantı kuralları, yanğın güvenliği gereklilikleri, obyekt mimarileri ve məlumat koruma hükümleriyle yeniden kurulması; fərqli iklim bölgelerindeki gerçek obyekt məlumatlariyle doğrulanması ve yapay zekâ tövsiyələrinin səlahiyyətli mühəndis onayı olmadan otomatik olarak ekipmana uygulanmaması gerekir. Tədqiqatdan Türkiyə’ye özgü yanğın olasılığı, maliyet kazancı veya zorunlu texniki xidmət metodi birbaşa çıkarılamaz.

Tədqiqat, böyük dil modelini təhlükəsizlik kontrolörü olarak değil, insan texniki xidmət heyətine izah ve qərar desteği sağlayan bir katman olarak konumlandırmaktadır. Önerilen sistemin mevcut sürümü yanğın söndürme, soğutma veya güc dönüştürme ekipmanına birbaşa komut vermemektedir. Bu sınır, yanlış veya eksik bir yapay zekâ yanıtının fiziksel obyektte birbaşa tehlike oluşturmasını azaltan örütubətli bir təhlükəsizlik ilkesidir.

Tədqiqatın temel problemi nedir?

Elektrokimyasal enerji saxlama obyektləri çok sayıda batareya hüceyrəsi, batareya paketi, batareya klasteri, güc dönüştürücü, batareya idarəetmə sistemi, termal idarəetmə sistemi, kommunikasiya altyapısı ve yanğın söndürme komponentinden oluşmaktadır. Bu komponentlərden birindeki arıza yalnız yerel bir sorun olarak kalmayabilir; ısı, elektriksel dengesizlik, kommunikasiya kaybı veya kontrol hatası üzerinden diğer alt sistemlere yayılabilir.

Geleneksel risk değerlendirme metodleri çoğu zaman ekspertların belirli aralıklarla verdiği ballara veya tek bir arıza senaryosuna dayanır. Bu metodler hangi riskin daha örütubətli olduğunu sıralayabilir, lakin balın neden düştüğünü, sorunun hangi komponentləri etkileyebileceğini ve texniki xidmət ekibinin hangi işlemleri hangi sırayla yapması gerektiğini her zaman izahz.

Tədqiqatnın çözmeye çalıştığı üç temel boşluk şunlardır:

• Tesisin tamamını kapsayan, sensor məlumatları ile ekspert görüşlerini birleştiren dinamik risk qiymətləndirilməsinin eksikliği,
• Risk ballarının nedenlerini ve risk yayılım yollarını texniki xidmət heyətine anlaşılır biçimde açıklayamaması,
• Risk değerlendirmesi ile texniki standartlara dayalı uygulanabilir texniki xidmət tövsiyələri arasında birbaşa bağlantı bulunmaması.

Önerilen sistemin genel mimarisi

Tədqiqatnın altıncı sayfasındaki Şekil 1, sistemin iki ana bölümünü göstərir. Birinci bölüm hiyerarşik risk qiymətləndirilməsidir. Sensör məlumatlari ve ekspert bilgileri; risk indeksine, faktor çəkilərina, risk ballarına ve faktörler arası bağlantılara dönüştürülmektedir.

İkinci bölüm böyük dil modeli tabanlı texniki xidmət qərar desteğidir. Risk sonuçları; texniki standartlar, ekipman kılavuzları, akademik yayınlar ve geçmiş işletme kayıtlarıyla birlikte çok kaynaklı bir məlumat tabanına aktarılmaktadır. Kullanıcının sorusu geldiğinde böyük dil modeli ilgili belgeleri getirerek riskin izahsını ve texniki xidmət tövsiyələrini üretmektedir.

Çerçevenin temel məlumat akışı şöyledir:

1. Sensör ve saha denetim məlumatlarinin toplanması,
2. Risk maddelerinin kəmiyyət veya keyfiyyət olarak ballanması,
3. Faktör ağırlıklarının uygulanması,
4. Risk yayılım bağlantılarıyla balların yeniden hesaplanması,
5. En kritik risklerin belirlenmesi,
6. İlgili standart ve texniki xidmət belgelerinin RAG ile getirilmesi,
7. Böyük dil modelinin izah ve texniki xidmət tövsiyəsi üretmesi,
8. Sonucun mühendis veya texniki xidmət heyətine sunulması.

Hiyerarşik risk indeksinin kapsamı

Tədqiqatnın risk indeksleme sistemi dört düzeyden oluşmaktadır:

• Kategori düzeyi: Sekiz ana sistem alanı,
• Faktör düzeyi: Elektriksel, termal, mekanik veya çevresel arıza türleri,
• Alt faktör düzeyi: Hücre kısa devresi, paket termal kaçağı veya sensör arızası gibi daha somut olaylar,
• Risk maddesi düzeyi: Ölçülen veya ekspert tarafından değerlendirilen 87 ayrı gösterge.

Nicel ve keyfiyyət risk maddələri

Toplam 87 risk maddəsinin 32’si kəmiyyət, 55’i keyfiyyət olarak sınıflandırılmıştır. Nicel maddeler sensörlerden veya işletme kayıtlarından alınabilen temperatur, gərginlik, SOC, rütubət, məlumatm ve alarm sayısı gibi değişkenlerdir.

Nitel maddeler ise birbaşa sürekli sensörle ölçülmesi zor olan hüceyrə kabuğu deformasyonu, yanğın erişiminin yetersizliği, texniki xidmət deneyimi eksikliği, boru hasarı veya söndürücü sistem arızası gibi konuları əhatəktadır. Bu maddeler saha denetimleri ve ekspert qiymətləndirmələriyle ballanmaktadır.

Bu iki məlumat türünün birleştirilmesi, yalnız elektronik sensörlere dayanan metodlere göre obyektin daha büyük bölümünü kapsayabilir. Bunun karşılığında sonuçlar ekspertların değerlendirme kalitesine ve denetimler arasındaki tutarlılığa bağımlı hâle gelmektedir.

Faktör ağırlıkları nasıl müəyyən edilmişdir?

Risk faktörlerinin eyni örütubəte sahip olmadığı kabul edilmiştir. Altı ekspert, her faktör çiftinin göreli örütubətini dilsel ölçeklerle müqayisə etmişdir. “Eşit örütubətli”, “orta derecede örütubətli” veya “dəqiqlikle daha örütubətli” gibi değerlendirmeler üçgensel bulanık sayılara dönüştürülmüştür.

Uzman karşılaştırma matrisinin tutarlılığı şu ölçütlerle denetlenmiştir:

\[ CI=\frac{\lambda_{\max}-n}{n-1} \]

\[ CR=\frac{CI}{RI} \]

Burada CI tutarlılık indeksini, CR tutarlılık oranını, λ_max karşılaştırma matrisinin en büyük özdeğerini, n karşılaştırılan faktör sayısını ve RI rastgele matrisler için referans tutarlılık indeksini ifade etmektedir.

Tədqiqatda CR ≤ 0,1 olması kabul edilebilir tutarlılık koşulu olarak istifadə edilmişdir. Oran bu değeri aştığında, matris özgün ekspert görüşlerine mümkün olduğunca yakın kalacak biçimde yinelemeli olarak onarılmıştır. Daha sonra faktor çəkiləri bulanıq analitik iyerarxiya prosesiyle hesaplanmıştır.

Nicel sensör riskleri nasıl ballanmıştır?

Alarm sayısı ve alarm düzeyine dayanan kəmiyyət riskler için Kümülatif Risk Balı Sistemi istifadə edilmişdir:

\[ I=\max\left(0,\ 10-\alpha\sum_{i=1}^{A}i\,n_i^2\right) \]

Burada I risk maddəsinin təhlükəsizlik balını, α həssaslıq katsayısını, i alarm düzeyini, n_i ilgili düzeydeki alarm sıklığını ve A alarm düzeyi sayısını göstərir. Tədqiqatda α genellikle 0,6 alınmıştır.

Alarm sıklığının karesinin kullanılması, tekrarlanan alarmın balı doğrusal olmayan biçimde daha hızlı düşürmesini sağlamaktadır. Böylece tek bir geçici alarm ile sürekli yinelenen bir sorunun eyni biçimde değerlendirilmesi önlenmeye çalışılmıştır.

Nitel riskler nasıl ballanmıştır?

Uzman değerlendirmesine dayanan maddelerde Şiddet, Olasılık ve Maruz Kalma modeli istifadə edilmişdir:

\[ I=10-\beta(S\cdot P\cdot E) \]

S riskin şiddetini, P oluşma olasılığını, E maruz kalma düzeyini ve β həssaslıq katsayısını temsil etmektedir. Üç değişken 0–10 aralığında ekspertlar tarafından değerlendirilmiştir.

Yüksek S, P ve E değerleri daha olumsuz təhlükəsizlik durumunu ifade eder. Formülde en yüksək bal 10’dur. Ancak tədqiqatda β için kullanılan kesin değer ve negatif sonuçların alt sınırda nasıl sınırlandırıldığı açık biçimde məlumatlmemiştir.

Risk yayılım ağı neden istifadə edilmişdir?

Bir enerji depolama obyektindeki riskler birbirinden bağımsız değildir. Soğutma sistemindeki debi kaybı hüceyrə sıcaklığını yükseltebilir; temperatur artışı hüceyrə yaşlanmasını hızlandırabilir; BMS ölçmə hatası ise bu temperatur artışının geç algılanmasına neden olabilir.

Tədqiqatnın onuncu sayfasındaki Şekil 3, 42 alt faktor arasındaki yönlü neden-sonuç ilişkilerini göstərir. Okun başlangıç noktası neden olan riski, hedef noktası ise etkilenebilecek riski temsil etmektedir. Ağ, altı ekspertın görüşleri kullanılarak oluşturulmuştur.

İki bağlı faktör arasındaki eşleşme katsayısı şu şekilde hesaplanmıştır:

\[ C_{y\leftarrow x}= \left[ \frac{I_yI_x} {\left(\frac{I_y+I_x}{2}\right)^2} \right]^5 \]

I_x neden durumundaki, I_y etkilenen durumdaki başlangıç balıdır. Tədqiqatda balın düzeltilmesi şu yapıyla məlumatlmiştir:

\[ I_{c,y}=I_y\exp\left[ -\frac{C_{y\leftarrow x} \sqrt{(I_y-I_x+1)I_y/I_x^2}} {G} \right],\qquad G=7 \]

Bir alt faktor birden fazla riskten etkileniyorsa hesaplanan düzeltilmiş balların en düşüğü seçilmektedir. Böylece en olumsuz bağlantının sonuçta görünür olması amaçlanmaktadır.

Son risk katkısı, düzeltilmiş bal ile faktör ağırlığının birleştirilmesiyle hesaplanmıştır:

\[ R_{c,y}=(10-I_{c,y})w \]

w ilgili faktörün bulanık hiyerarşi metodiyle hesaplanan ağırlığıdır. Düşük təhlükəsizlik balı ve yüksək ağırlık, daha yüksək risk katkısı yaradır.

Risk yayılım balı nasıl yorumlanmalıdır?

Düzeltilmiş balın başlangıç balından aşağı olması, yeni bir fiziksel arızanın gözlendiği anlamına gelmez. Bu azalma, ekspertların tanımladığı neden-sonuç bağlantıları nedeniyle mevcut bir riskin başka alt sistemleri etkileyebileceğinin matematiksel ifadesidir.

Dolayısıyla yüzde 7 veya daha büyük bal düşüşleri gerçek arıza olasılığındaki ölçülmüş yüzde artış olarak yorumlanmamalıdır. Bunlar, tədqiqat tarafından tasarlanan ballama sistemindeki göreli değişimlerdir.

Çok kaynaklı bilik bazası

Tədqiqatnın 12. sayfasındaki Şekil 5, böyük dil modelinin kullandığı məlumat tabanını üç ana gruba ayırmaktadır:

• Alan bilgisi: Ulusal standartlar, texniki təlimatlar, kullanıcı belgeleri ve akademik yayınlar,
• Risk değerlendirme məlumatlari: Risk balları, indeksleme sistemi, faktor çəkiləri, ballama algoritmaları ve bağlantı ağı,
• Geçmiş işletme məlumatlari: Sensör kayıtları, alarm düzeyleri, texniki xidmət geçmişi ve ekspert anketleri.

Bu yapı, böyük dil modelinin yalnız genel bilgisine dayanmak yerine her obyektin risk sonuçlarıyla ilgili teknik belgeleri birlikte kullanmasını məqsəd daşıyır.

Böyük dil modeli nasıl alana uyarlanmıştır?

Tədqiqatda yerel ve çevrimdışı kullanım için iki aşamalı bir eğitim süreci tasarlanmıştır. İlk aşama anlamsal uyum ön eğitimidir. Enerji depolama belgeleri kullanılarak modelin teknik terimleri ve alan içi metin yapısını daha iyi anlaması hedeflenmiştir.

Ön eğitim kayıp fonksiyonu şöyledir:

\[ L_{\mathrm{SAPT}}= -\sum_{i=1}^{N}\log P(y_i|x_i;\theta) \]

İkinci aşamada texniki xidmət, risk qiymətləndirilməsi ve arıza analizine ilişkin soru-cevap çiftleriyle talimat ince ayarı yapılmıştır:

\[ L_{\mathrm{IFT}}= -\sum_{i=1}^{N}\log P(y_i|x_i,z_i;\theta) \]

z_i, görev bağlamını veya istenen çıktı biçimini temsil etmektedir.

LoRA neden istifadə edilmişdir?

Böyük dil modelinin bütün parametrelerini güncellemek yüksək bellek ve hesaplama maliyeti yaradır. Tədqiqatçılar bu maliyeti düşürmek için aşağı dərəcəli uyğunlaşdırma kullanmıştır:

\[ W=W_0+\Delta W,\qquad \Delta W=BA \]

\[ B\in\mathbb{R}^{d\times r},\qquad A\in\mathbb{R}^{r\times k},\qquad r<\min(d,k) \]

Özgün ağırlık matrisi W₀ sabit tutulmuş; yalnız daha küçük A ve B matrisleri eğitilmiştir. Bu yaklaşım, tek bir RTX 4090 ekran kartıyla 7B ve 14B ölçekli modellərin uyarlanmasını mümkün hâle getirmeyi məqsəd daşıyır.

RAG süreci nasıl tədqiqatktadır?

Teknik belgeler önce Markdown biçiminde hiyerarşik metinlere dönüştürülmüş ve 500–1000 karakterlik parçalara ayrılmıştır. Komşu parçalar arasında yüzde 10 örtüşme istifadə edilmişdir.

Her metin parçası 1024 boyutlu bir vektöre dönüştürülmüştür:

\[ \mathbf{v}_{ij}=f_{\theta}(c_{i,j}) \]

Tədqiqatda çok dilli BAAI/bge-m3 embedding modeli, LangChain ve Chroma vektor məlumatlənlər bazası istifadə edilmişdir. Kullanıcı sorusu eyni modelle vektöre dönüştürülmüş ve kosinus oxşarlığıne göre en yakın parçalar getirilmiştir:

\[ R(x)= \underset{\mathbf{v}_{ij}\in V}{\operatorname{arg\,max}}_{k} \ s\left(f_{\theta}(x),\mathbf{v}_{ij}\right) \]

İlk sonuçlar bir çarpaz kodlayıcıyla yeniden sıralanmış; anlamsal, mantıksal ve bağlamsal uygunluğu daha yüksək parçalar seçilmiştir. Son yanıt kullanıcı sorusu, risk qiymətləndirilməsi, getirilen belgeler ve yapılandırılmış istem birlikte kullanılarak oluşturulmuştur.

Üretilen texniki xidmət yanıtının biçimi

Tədqiqatnın 15. sayfasındaki istem örneğinde modelden önce üç ila altı kısa gerekçe, ardından dört ila altı maddelik sonuç üretmesi istenmektedir. Yanıtın şu sırayı izlemesi öngörülmüşdür:

1. Genel risk değerlendirme sonucu,
2. En kritik risklerin açıklanması,
3. İki veya üç uygulanabilir texniki xidmət tövsiyəsi,
4. Mümkün olduğunda standart numarası ve madde referansı.

Bu yapı, texniki xidmət heyətine uzun ve dağınık bir metin yerine kısa ve eyleme dönük çıktı sunmayı məqsəd daşıyır.

Altı sahə stansiyası

Tədqiqatda Çin’in fərqli iklim ve işletme koşullarındaki altı faal stansiyanın 2024 sensor məlumatları istifadə edilmişdir.

Uzman grubunun yapısı

Faktör ağırlıkları ve risk bağlantı şəbəkəsi için altı ekspert görevlendirilmiştir. Uzmanların deneyimleri 7–16 yıl arasında değişmektedir. Tədqiqat grubu; hüceyrə geliştirme, kalite kontrol, sistem mimarisi, BMS geliştirme ve enerji saxlama sistemi tasarımı alanlarını əhatəktadır.

Uzman sayısı ve alan çeşitliliği tətbiqə yönelik bilgi sağlamaktadır. Bununla birlikte bütün ekspertların eyni ülke ve endüstriyel çevreden gelmesi, değerlendirmelerin fərqli düzenleyici ve işletme kültürlerine birbaşa aktarılmasını sınırlandırabilir.

Saha risk ballarının sonuçları

Tədqiqatnın 17. sayfasındaki Şekil 6, altı stansiyanın yıllık başlangıç ve düzeltilmiş ballarını, ayrıca həddindən artıq şarj ve həddindən artıq deşarj alarmlarının aylık ısı haritasını göstərir. Bütün stansiyalarda bağlantı ağı uygulandıktan sonra genel bal azalmışdır.

Mart 2024 değerlendirmesinde stansiya düzeyindeki təxminən azalmalar şöyledir:

En büyük genel değişim üçüncü stansiyada, en aşağı değişim altıncı stansiyada görülmüşdür. C8 kategorisi bağlantı ağında başlangıç düğümü olduğu için birbaşa başka risklerden etkilenmemiş ve kategori düzeyinde düzeltilmemiştir.

Birinci ve altıncı stansiya karşılaştırması

Tədqiqatnın 18. sayfasındaki Şekil 8, birinci stansiya ile altıncı stansiyanın həddindən artıq şarj ve həddindən artıq deşarj alarm sonuçlarını müqayisə edir.

Birinci stansiya temmuz-eylül 2024 dörütubətinde yüksüz tədqiqat evresine girmiş ve alarm sayısı belirgin biçimde artmışdır. Bunun sonucunda həddindən artıq şarj/deşarj risk maddəsi, anormal hüceyrə kullanımı alt faktorü ve hüceyrə risk kategorisinin balları azalmışdır.

Altıncı stansiyada alarm sayları daha aşağı ve sabit kalmış, risk balında eyni türde belirgin bir azalma oluşmamıştır. Bu örnek, tekrarlanan sensör alarmlarının hiyerarşik yapı içinde üst düzey risk ballarına nasıl taşındığını göstərir.

Birinci stansiya için örnek texniki xidmət izahsı

Mart 2024 için birinci stansiyanın başlangıç balı 9,422752, bağlantı sonrası balı 8,686389 olarak məlumatlmiştir. Tədqiqatdaki böyük dil modeli yanıtında bunlar 100 üzerinden təxminən 94,2 ve 86,9 olarak ifade edilmiştir.

Model, güc elektronikası ile batareya klasteri risklerini örütubətli katkılar arasında göstermiş; BMS ölçmə sorunlarını, termal yayılım göstergelerini ve güc dönüştürücü davranışını kontrol edilmesi gereken alanlar olarak belirtmiştir.

Üretilen tövsiyələr arasında sensör kalibrasyonu, yedekli ölçmə kontrolü, batareya klasteri ve paketlerde termal denetimin güclendirilmesi ve güc dönüştürücünün dinamik davranışının ilgili standartlara göre sınanması bulunmaktadır.

Bilgi soruları nasıl değerlendirilmiştir?

Alan bilgisini ölçmek için 30 özgün sorudan sekiz fərqli biçimde türetilmiş toplam 240 soru hazırlanmıştır. Sorular şu yetenekleri değerlendirmiştir:

• Özgün soruyu yanıtlama,
• Aynı anlamdaki fərqli ifadeleri anlama,
• Teknik terim ve kısaltmaları eşleştirme,
• Yazım ve dil bilgisi hatalarına davamlılıq,
• Genel veya daraltılmış soruları yanıtlama,
• Birden fazla bilgi noktasını ilişkilendirme,
• Olumsuz ve sınır durumlarını tanıma.

Yanıtlar beş enerji depolama ekspertı tarafından 0–5 aralığında ballanmıştır. Uzman balları iki baldan fazla ayrıldığında ortak değerlendirme yapılması, daha küçük farklarda ortalamanın alınması öngörülmüşdür.

Bilgi sorularında hangi modellər öne çıkmıştır?

Tədqiqatnın 22. sayfasındaki Şekil 11’e göre incə tənzimlənmiş Qwen3-8B; anlamsal anlama, terminoloji ve sahə biliyi boyutlarında en yüksək veya en yüksək değerlere yakın sonuçları üretmiştir. Mantıksal boyutta Kimi-K2.6 en yüksək sonucu almıştır.

İnce ayarlı Llama3.1-8B de tatmin edici performans göstərmişdir. İnce ayarlı Qwen2.5-7B ise değerlendirilen modellər arasında belirgin biçimde daha aşağı sonuç vermiştir.

Bu sonuç, küçük modelin yalnız parametre sayısıyla değerlendirilmemesi gerektiğini; kaliteli alan məlumatsiyle yapılan uyarlamanın belirli bilgi görevlerinde daha büyük genel modelləri geçebileceğini göstərir.

Kapsamlı texniki xidmət soruları nasıl değerlendirilmiştir?

Altı stansiyanın 2024 yılı üç aylık sonuçlarından 24 kapsamlı soru hazırlanmıştır. Bu sorular risk balının açıklanmasını, en olası risklerin belirlenmesini ve texniki xidmət tövsiyəsi üretilmesini istemiştir.

Yanıtlar dört ölçüte göre ballanmıştır:

• Doğruluk: Risk məlumatlarinin ve getirilen teknik bilginin doğru kullanılması,
• Yapı: İstenen biçim ve sıraya uyulması,
• Açıklık: Yanıtın kısa, anlaşılır ve gereksiz tekrardan uzak olması,
• Kullanıcı niyetine uyum: Sorunun birbaşa karşılanması.

Değerlendirme hem beş insan ekspert hem de tədqiqatda GPT5.5 thinking, Qwen3.7-max-thinking, Doubao ve Gemini3.1-pro olarak adlandırılan yapay zekâ değerlendiricileriyle yapılmıştır. Bu model sürümlerinin teknik ayrıntıları ve değerlendirme istemlerinin tamamı tədqiqatda məlumatlmemiştir.

Kapsamlı sorulardaki model sonuçları

Tam ölçekli modellər arasında hem insan hem yapay zekâ değerlendiricileri Kimi-K2.6 modelini en yüksək nihai bala sahip model olarak seçmiştir. İnsan ekspertlara göre DeepSeek-V3.2 doğrulukta; Kimi-K2.6 ise yapı, açıklık ve kullanıcı niyetine uyumda öne çıkmıştır.

İnce ayarlı açık modellər arasında Qwen2.5-14B en yüksək nihai balı almıştır. Qwen3-8B bilgi sorularında güclü olmasına rağmen kapsamlı risk izahlarında insan ekspert değerlendirmesine göre eyni başarıyı koruyamamıştır.

Qwen3 ailesinin fərqli büyüklükleri karşılaştırıldığında kapsamlı görev performansı genel olarak model büyüklüğüyle artmışdır. Bu durum, teknik bilgi ezberinin yanı sıra çok aşamalı risk ilişkilerini sentezlemenin daha yüksək genel akıl yürütme kapasitesi gerektirebileceğini düşündürmektedir.

Değerlendirme metodinin sınırları

Kapsamlı texniki xidmət yanıtlarının tek bir doğru cevabı bulunmadığından ekspert değerlendirmesi anlaşılabilir bir tercihtir. Bununla birlikte tədqiqatda değerlendiriciler arası Cohen kappa, sınıf içi korelasyon veya Krippendorff alfa gibi uyum istatistikleri məlumatlmemiştir.

Başka böyük dil modellərinin hakem olarak kullanılması değerlendirme maliyetini azaltabilir; lakin benzer eğitim məlumatlari, dil tercihleri veya biçim yanlılıkları nedeniyle cevapları bağımsız bir təhlükəsizlik doğrulaması olarak kabul edilemez.

Ayrıca modelin yanlış standarda atıf verme, var olmayan madde numarası üretme, gerekli təhlükəsizlik adımını atlama veya tehlikeli işlem sırası önerme oranı ayrı bir ölçüt olarak raporlanmamıştır.

Mevcut metodlerle karşılaştırma

Tədqiqat təklif edilən metodi FAHP-CRITIC ve D-ANP tabanlı risk değerlendirmeleriyle müqayisə edir.

Tədqiqatnın temel yeniliği tek tek metodlerden ziyade risk ballama, bağlantı analizi, belge getirme ve doğal dilde qərar desteğini eyni iş akışında birleştirmesidir.

Gerçek zamanlı değerlendirme iddiasının sınırı

Nicel risk maddələrinin sensör məlumatsiyle güncellenebilmesi teknik olarak gerçek zamana yakın değerlendirmeye olanak verebilir. Ancak tədqiqatnın saha sonuçları yıllık, aylık ve üç aylık toplulaştırmalarla gösterilmiştir.

Alarmdan texniki xidmət tövsiyəsine kadar geçen süre, məlumat işleme gecikmesi, LLM yanıt süresi, sürekli hizmet kullanılabilirliği ve eyni anda çok sayıda stansiyanın işlenmesi ölçülmemiştir. Bu nedenle gerçek zamanlı endüstriyel performans henüz tam olarak gösterilmiş değildir.

Çevrimiçi ve çevrimdışı kullanım

Çerçeve iki fərqli kurulum biçimi önermektedir:

• Çevrimiçi kullanım: Büyük bir modelin API’si kullanılır. Yerel hesaplama maliyeti aşağıtür lakin məlumatnin dış hizmete gönderilmesi gizlilik ve təhlükəsizlik değerlendirmesi tələb edir.
• Çevrimdışı kullanım: İnce ayarlı küçük model obyekt veya işletme sunucusunda çalıştırılır. Veriler yerel kalabilir lakin eğitim ve çıkarım için daha güclü donanım gerekir.

Tədqiqatdaki eğitim sistemi; 24 GB belleğe sahip NVIDIA RTX 4090, Intel Core i9-10900X işlemci, 128 GB DDR4 bellek ve Ubuntu 22.04 işletim sisteminden oluşmaktadır. LLaMA-Factory eğitim, Ollama ise model yükleme ve yerel çalıştırma için istifadə edilmişdir.

Yazarlar çevrimdışı kurulum için en az bir RTX 4090 ve 64 GB’ın üzerinde sistem belleği önermektedir. Bu değerler tədqiqatnın kullandığı model ve yazılım düzenine aittir; bütün modellər için evrensel donanım koşulu değildir.

Çerçeve birbaşa ekipmanı kontrol ediyor mu?

Hayır. Tədqiqatnın mevcut sürümü yalnız risk qiymətləndirilməsi, izah ve texniki xidmət tövsiyəsi üretmektedir. Yangın söndürme sistemi, güc dönüştürücü, soyutma sistemi veya şalt ekipmanına birbaşa komut gönderememektedir.

Yazarlar gelecekte Model Context Protocol ve çox agentli yapılarla yazılım veya cihazlarla bağlantı kurulmasını önermektedir. Ancak təhlükəsizlik açısından bu tür bir genişletme; yetkilendirme, komut doğrulama, fiziksel kilitleme, insan təsdiqi, geri alma ve hata durumuna güvenli geçiş gibi ek kontroller tələb edir. Bu kontroller mevcut tədqiqatda geliştirilmemiştir.

Tədqiqatın dəstəklədiyi nəticələr

• Sensör məlumatlari ile ekspert qiymətləndirmələri eyni hiyerarşik risk yapısında birleştirilebilir.
• Risk bağlantı ağı, birbaşa ölçülen sorunların başka alt sistemler üzerindeki olası etkilerini görünür hâle getirebilir.
• Altı stansiyanın 2024 məlumatlari, alarm saylarındaki değişimin hüceyrə ve üst kategori ballarına yansıtılabildiğini göstərir.
• RAG ve risk değerlendirme sonuçları birlikte kullanılarak yapılandırılmış texniki xidmət izahları üretilebilir.
• Alan odaklı ince ayar, küçük modellərin teknik bilgi sorularındaki performansını belirgin biçimde geliştirebilir.
• Karmaşık risk izahlarında tam ölçekli modellər genel olarak daha güclü sonuç verebilir.
• İnsan onaylı qərar desteği, yalnız bal veren izahsız bir risk sisteminden daha uygulanabilir olabilir.

Tədqiqat nəyi sübut etmir?

• Çerçevenin yanğın, termal kaçak veya ekipman arızası sayısını fiilen azalttığını sübut etmir.
• Risk ballarının gerçek arıza olasılığı veya beklenen maddi kayıp olduğunu göstermemektedir.
• Bağlantı düzeltmesiyle oluşan yüzde düşüşlerin gerçek riskte eyni oranda artış anlamına geldiğini göstermemektedir.
• Böyük dil modelinin bütün texniki xidmət tövsiyələrinin güvenli, doğru ve eksiksiz olduğunu sübut etmir.
• Çin standartlarıyla oluşturulan bilik bazasının başka ülkelerde birbaşa kullanılabileceğini göstermemektedir.
• Çerçevenin saniyeler düzeyinde gerçek zamanlı çalıştığını veya büyük filo ölçeğinde performansını göstermemektedir.
• İnsan texniki xidmət heyətinin yerini alabileceğini veya ekipmanın avtonom idarəetməüne hazır olduğunu göstermemektedir.
• İncelenen altı obyekt dışındaki batarya kimyaları, üreticiler ve obyekt mimarilerinde eyni sonuçların elde edileceğini göstermemektedir.

Tədqiqatnın başlıca məhdudiyyətlərı

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiştir.
• Saha örneklemi Çin’deki altı stansiyala sınırlıdır.
• Tesislerin kapasitesi, batarya kimyası ve ayrıntılı donanım mimarileri məlumatlmemiştir.
• Risk bağlantı ağı altı ekspertın görüşüne dayanmaktadır.
• Bağlantı katsayısındaki beşinci kuvvet ve G=7 sabiti için kapsamlı həssaslıq analizi sunulmamıştır.
• SPE denklemindeki β katsayısının tətbiqda kullanılan değeri açık değildir.
• Risk balları gerçek arıza ve texniki xidmət sonuçlarından oluşan bağımsız hedef değişkenlerle doğrulanmamıştır.
• Gerçek zamanlı iddia, ağırlıklı olarak aylık ve üç aylık sonuçlarla gösterilmiştir.
• RAG sisteminin kaynak bulma doğruluğu, atıf doğruluğu ve kaçırılan belge oranı kəmiyyət olarak məlumatlmemiştir.
• İnsan değerlendiriciler arasındaki uyum istatistiği raporlanmamıştır.
• LLM değerlendiricilerinin sürümleri, istemleri ve çalıştırma koşulları tam olarak açıklanmamıştır.
• Kimi-K2.6 adı ile kaynakçada məlumatlen Kimi K2.5 tədqiqatsı arasında sürüm tutarsızlığı bulunmaktadır.
• Veri kümesi, kod, ekspert anketleri ve tam model çıktıları açık erişim bağlantısıyla paylaşılmamıştır.
• Yanlış veya güvenli olmayan texniki xidmət tövsiyələrine ilişkin özel bir təhlükəsizlik testi yapılmamıştır.

Türkiyədə uygulanması için yapılması gerekenler

İlk aşamada Türkiyədə kullanılan enerji saxlama obyektlərinin mimarileri çıkarılmalı; hüceyrə, paket, küme, BMS, güc dönüştürücü, termal yönetim, yanğın söndürme ve saha altyapısı için ülkeye özgü bir risk indeksleme sistemi kurulmalıdır.

İkinci aşamada tədqiqatdaki Çin standartları yerine Türkiyədə yürürlükte olan teknik düzenlemeler, şebeke bağlantı koşulları, yanğın güvenliği belgeleri, üretici kılavuzları ve texniki xidmət prosedürleri kullanılarak yerel bir bilik bazası hazırlanmalıdır. Her belge sürüm, yürürlük tarihi ve madde numarasıyla izlenmelidir.

Üçüncü aşamada sensor məlumatlarınin ortak bir məlumat sözlüğüne dönüştürülmesi gerekir. Hücre gərginliki, temperatur, cərəyan, SOC, yalıtım, soğutma debisi, alarm kodları ve texniki xidmət kayıtlarının fərqli üreticiler arasında eyni anlamda kullanılıp kullanılmadığı doğrulanmalıdır.

Dördüncü aşamada risk balı yalnız ekspert kanaatiyle değil; gerçek arıza, texniki xidmət müdahalesi, plansız duruş, temperatur olayı ve yanlış alarm sonuçlarıyla geriye dönük olarak sınanmalıdır. Modelin riskli dediği durumların ne kadarının gerçek olaya dönüştüğü ölçülmelidir.

Beşinci aşamada böyük dil modeli için kapalı bir təhlükəsizlik değerlendirmesi yapılmalıdır. Var olmayan standart maddesi üretme, yanlış ekipman önerme, yüksək gərginlik altında güvensiz işlem önerme, kritik uyarıyı atlama ve kullanıcıyı gereksiz müdahaleye yönlendirme senaryoları özellikle sınanmalıdır.

Son aşamada sistem yalnız qərar destek aracı olarak kullanılmalı; her texniki xidmət tövsiyəsi səlahiyyətli mühəndis veya sorumlu işletme personeli tarafından doğrulanmalıdır. Yapay zekâ ile birbaşa fiziksel ekipman kontrolü arasında bağımsız təhlükəsizlik mantığı, yetkilendirme ve insan təsdiqi bulunmalıdır.

Tədqiqatın Metodu və Nəticələri

Araştırma tasarımının özeti

Risk indeksinin sayısal kapsamı

Risk ballama metodlerinin karşılaştırılması

LLM deneyinde kullanılan modellər

Model adları tədqiqatda kullanıldığı biçimde aktarılmıştır. İlgili sürümlerin erişim tarihleri, API ayarları, temperatur parametreleri ve tam sistem istemleri məlumatlmediğinden deneylerin bağımsız olarak birebir tekrarlanması sınırlıdır.

Bilgi sorusu məlumat kümesi

Ana deneysel nəticələr

Şekil ve tabloların bilimsel anlamı

• Şekil 1: Sensör ve ekspert məlumatsinden risk qiymətləndirilməsine, oradan LLM izahsı ve texniki xidmət tövsiyəsine uzanan genel mimariyi göstərir.
• Şekil 2: Risk indeksinin kurulması, FAHP ağırlıkları, CRPS/SPE ballama, bağlantı düzeltmesi, LLM eğitimi ve RAG adımlarını tek iş akışında göstərir.
• Şekil 3: 42 alt faktor arasındaki ekspert tanımlı yönlü risk bağlantılarını göstərir.
• Şekil 4: Başlangıç ballarının bağlantı katsayılarıyla düzeltilmesini ve risk yayılım yolunun hiyerarşik bala taşınmasını izahktadır.
• Şekil 5: Standartlar, kılavuzlar, risk sonuçları ve işletme məlumatlarinden oluşan çok kaynaklı bilik bazasını göstərir.
• Şekil 6: Altı stansiyanın yıllık başlangıç ve düzeltilmiş ballarıyla həddindən artıq şarj/deşarj alarm ısı haritasını sunmaktadır.
• Şekil 7: Mart 2024 için sekiz risk kategorisinin altı stansiyada bağlantı düzeltmesinden nasıl etkilendiğini radar grafiklerle göstərir.
• Şekil 8: Birinci stansiyadaki alarm artışının hüceyrə ve üst kategori ballarına taşınmasını, altıncı stansiyadaki sabit durumla müqayisə edir.
• Şekil 9: Böyük dil modeline məlumatlen ham risk balını, özet risk göstergelerini ve getirilen teknik bilgi parçalarını göstərir.
• Şekil 10: Alan bilgisi sorusu ile risk izahsı ve texniki xidmət tövsiyəsi isteyen kapsamlı soruya məlumatlen örnek yanıtları göstərir.
• Şekil 11: Modellerin anlamsal, sözcüksel, bilgi, mantık ve bütünlük ballarını müqayisə edir.
• Şekil 12: Tam ölçekli modellərin insan ve LLM hakemleri tarafından məlumatlen kapsamlı yanıt ballarını göstərir.
• Şekil 13: İnce ayarlı açık modellərin doğruluk, yapı, açıklık, uyum ve nihai ballarını müqayisə edir.
• Şekil 14: Qwen3 ailesinde model büyüklüğü ile kapsamlı görev performansı arasındaki genel ilişkiyi göstərir.
• Tablo A.1–A.3: Sekiz kategori ve 87 risk maddəsinin tamamını kəmiyyət veya keyfiyyət sınıflandırmalarıyla sunmaktadır.
• Tablo B.2: Bilgi tabanında kullanılan Çin enerji depolama standartlarını listelemektedir.
• Tablo C.1: Alan bilgisi değerlendirmesinde kullanılan 30 temel soruyu göstərir.

Mənbə və Metod Qeydi

Tədqiqatnın tam özgün adı: Explainable Risk Assessment and Intelligent Maintenance for Electrochemical Energy Storage System with Large Language Model

Yazarlar ve doğru sıraları: Yijie Wang, Yujie Fu, Yi Lu, Jingbo Qu, Putai Zhang ve Mian Li.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık bilgisi belirtilmemiştir.

Sorumlu yazar: Yijie Wang. Tədqiqatda kommunikasiya adresi yijiewang@sjtu.edu.cn olarak məlumatlmiştir.

Kurumsal bağlantılar:

• Global Institute of Future Technology, Shanghai Jiao Tong University, Shanghai, China
• Global College, Shanghai Jiao Tong University, Shanghai, China
• Key Laboratory of Urban Complex Risk Control and Resilience Governance, Shanghai Jiao Tong University, Shanghai, China

Yijie Wang ve Mian Li birinci ve üçüncü kurumla; Yujie Fu, Yi Lu ve Putai Zhang birinci kurumla; Jingbo Qu ikinci kurumla bağlantılı olarak gösterilmiştir.

DOI: 10.2139/ssrn.7195888. DOI, SSRN preprint kaydına aittir ve hakemli bir dergi makalesi DOI’si olarak yorumlanmamalıdır.

Hedef dergi: Tədqiqatda “Preprint submitted to Applied Energy” ifadesi ve 27 Temmuz 2026 tarihi bulunmaktadır. Applied Energy tarafından kabul veya yayımlanma bilgisi bulunmamaktadır.

Yayın platformu: SSRN.

SSRN özet numarası: 7195888.

Yayın yılı: 2026.

Kaynak türü: Gerçek işletme məlumatsi, ekspert tabanlı risk modellemesi, RAG, böyük dil modeli ince ayarı ve texniki xidmət qərar desteğini birleştiren mühendislik preprinti.

Hakemlik durumu: Tədqiqat rəyçi qiymətləndirməsindən keçməmiştir. Risk ballama sabitleri, saha genellenebilirliği, LLM değerlendirme metodi ve təhlükəsiz texniki xidmət tövsiyəsi üretme kapasitesi bu məhdudiyyətla qiymətləndirilməlidir.

Resmî bağlantı:https://ssrn.com/abstract=7195888

Finansman: Tədqiqat; Çin Ulusal Temel Araştırma ve Geliştirme Programının 2023YFB2408200 numaralı desteği, Shanghai Eastern Talent Plan kapsamındaki BJKJ2025021 numaralı Leading Talent Programı ve Shanghai Jiao Tong University ile CATL arasındaki New Energy Battery 9σ Joint Research Project tarafından kısmen desteklenmiştir.

Yazar katkıları: Kişi bazında ayrıntılı yazar katkı beyanı metinde yer almamaktadır.

Çıkar çatışması: Ayrı bir çıkar çatışması beyanı metinde yer almamaktadır.

Veri ve kod erişimi: Altı stansiyanın ham sensor məlumatları, ekspert karşılaştırma matrisleri, tam ince ayar məlumat kümesi, eğitim kodu ve bütün model yanıtları için açık erişim bağlantısı məlumatlmemiştir.

Bu Türkçe makale; tədqiqatnın tam metni, 22 denklemi, sekiz ana tablosu, 14 şekli, üç ek bölümü, risk indeksleme sistemi, stansiya sonuçları, LLM karşılaştırmaları ve metodsel məhdudiyyətlərı incelenerek hazırlanmıştır. Dış kaynaklar yalnız preprint kimliği, DOI, sayfa sayısı ve resmî SSRN bağlantısının bibliyografik doğrulanması amacıyla kullanılmış; tədqiqatnın bilimsel içeriğine dışarıdan bulgu eklenmemiştir.

Tədqiqatnın en örütubətli məhdudiyyətlərı; yalnız altı Çin stansiyanınun incelenmesi, risk bağlantılarının ekspert görüşüne dayanması, risk ballarının gerçek olay sonuçlarıyla bağımsız olarak kalibre edilmemesi, gerçek zamanlı performansın aylık ve üç aylık sonuçlarla gösterilmesi, LLM yanıtlarının təhlükəsizlik hatalarının ayrı olarak ölçülmemesi, model sürümlerindeki bazı tutarsızlıklar ve xam məlumat ile kodun paylaşılmamış olmasıdır.