Bu tədqiqat, litium-ion batareyaların sşəbəkəlamlıq vəziyyətinu (State of Health, SoH) qiymətləndirmək və normal yaşlanma davranışından ayrılan örüntüleri belirlemek üçün avtomatik enkoder ilə klasik maşın öyrənməsini birleştiren hibrid bir yanaşma geliştiriyor. NASA'nın B0005, B0006, B0007 və B0018 batareya yaşlanma məlumatlarindeki çok dəyişənli sinyaller önce bir avtomatik enkoder tarafından 64 boyutlu gizli təmsilə sıkıştırılıyor; bu xüsusiyyətlər daha sonra Random Forest, xətti regresiya, CNN-LSTM və GRU modellərinin SoH qiymətləndirməsinde kullanılıyor. Mənbə Cədvəl 2'de gizli xüsusiyyətlərle çalışan Random Forest ən aşşəbəkəı xəta dəyərlərini elde ediyor: MAE 0,0109, RMSE 0,0285 və R² 0,9693. Bununla belə bu nəticələr dört NASA batareya məlumat dəstine aittir; real elektrikli nəqliyyat vturşuəsi filosu, dinamik sürüş dövri və ya vasitə üstü istehsal BMS testi deyildir.

Metodin ikinci kolu batareyadaki alışılmadık davranışları etiketli bir arıza siniflandırıcistilik yerine iki gxülasəimsiz mekanizmayla araştırıyor. Avtomatik enkodernın bir dövri ne kadar kötü yenidən oluşturduğunu ölçen yenidənqurma xətası üç-sigma eşiğiyle dəyərlendirilirken, Isolation Forest gizli xüsusiyyət uzayındaki nadir və ya struktur kimi fərqli noktaları ayırıyor. PCA, t-SNE və UMAP vizualleri de yüksək boyutlu gizli təmsilin iki boyutta necə kümelendiğini və yüksək yenidən oluşturma xətalarının hansı bölgelerde ortaya çıktığını göstərir. Ancaq tədqiqatda anomaliyaya aşkarlanması üçün etiketli ground-truth üzerinden precision, recall, F1 və ya ROC-AUC məlumatlmediğinden, sistemin real batareya arızalarını müəyyən bir dəqiqlik nisbətiyla diaqnostika ettiği sonucuna varılamaz.

Türkiyə baxımından: Tədqiqat Türkiyə'deki elektrikli nəqliyyat vturşuəsi filoları, yerli iqlim koşulları, sürətli doldurma alışkanlıkları və ya real nəqliyyat vturşuəsi batareya paketlerinden elde edilmiş sahə məlumatsi içermemektedir. Türkiyə'de bir BMS tətbiqsına taşınmadan önce fərqli hüceyrə kimyaları və üreticirəli, batareya paketi səviyyəi hüceyrə tarazlıqsizlikleri, yaz-kış temperaturları, sürətli doldurma, şəhərdaxili və uzun yol tapşırıq dövrləri ilə real nəqliyyat vturşuəsi sensor səs-küyü üzerinde müstəqil validasiya lazımdır. NASA məlumatlarindeki aşşəbəkəı qiymətləndirmə xətası, Türkiyə'deki real nəqliyyat vturşuəsilarda eyni SoH doğruluğunun garanti edildiği anlamına gelmez.

Tədqiqatın əsas problemi nədir?

Lityum-ion batareyaların yaşlanması tek bir dəyişənle ilərleyen xətti bir proses deyildir. Gerilim, cərəyan, temperatur, tutum, istifadə geçmişi və dövr davranışı birlikdə değişebilir. Buna görə bir batareyanın mevcut sşəbəkəlamlıq vəziyyətinu yalnız sadə bir əyrinin uyğunlaşdırılması modeliyle qiymətləndirmək gücleşebilir.

Tədqiqatçılar iki yanaşma arasındaki boşluğa fokuslanmaktadır. Derin öğrenme modelləri mürəkkəb və xətti olmayan örüntüleri öğrenebilir lakin hesablama xərci və ayarlama gereksinimi yükselebilir. Geleneksel maşın öyrənməsi daha hafif ola bilər lakin başaristilik çoğu zaman elle tasarlanmış xüsusiyyətləre bşəbəkəlıdır.

Önerilən çözüm, bu iki yanaşması ayırmak yerine birleştirmektir: avtomatik enkoder ham və ya ön işlenmiş batareya sinyallerinden kendi xüsusiyyətlərini öğrenirken Random Forest bu sıkıştırılmış temsilden SoH qiymətləndirməsi yapar.

Avtomatik enkoder niyə kullanılıyor?

Avtomatik enkoder iki əsas bölümden oluşur: encoder və decoder. Encoder yüksək boyutlu batareya sinyalini daha küçük bir gizil vəktöre fırlanmatürür:

\[ z=f_{\theta}(x) \]

Decoder isə bu gizil vəktörden özgün girdiyi yenidən oluşturmaya çalışır:

\[ \hat{x}=g_{\phi}(z) \]

Ağ, giriş ilə yenidən oluşturulan çıxış arasındaki fərqı küçülterek eğitildiğinde, gizli fəzaın girdideki əhəmiyyətli düzenlilikleri taşmaası beklenir. Tədqiqatda gizil boyut 64 kimi seçilmiştir.

Müəlliflər bu gizli təmsili batareyanın birbaşa ölçülmeyen iç sşəbəkəlamlıq vəziyyətinun məlumat tabanlı bir xülasəi kimi yorumlamaktadır. Kapturşue azalması, direnç büyümesi və termal etkilər gibi proseslerin gərginlik, cərəyan və temperatur ilişkirəlinde iz bırakabiləceği düşünülmektedir. Bununla belə gizil dəyişənlerin elektrokimyəvi fiziki durum dəyişənleriyle bire bir eşdəyər olduğu eksperimental kimi kanıtlanmamıştır.

Girdi məlumatsi necə hazırlanıyor?

Ham məlumatlar dövr bazındaki gərginlik, cərəyan, tutum, temperatur və zaman qeydlərindan işlenmektedir. Geçersiz və ya eksik girdilər temizlenmekte, dəyişənler normallaşdırılmış edilmekte və zaman sıraları sabit uzunluklu üst-üstə düşən pəncərəlere ayrılmaktadır.

Mənbə Bölüm 3.2'de pəncərə girdisini gərginlik \(V_c(t)\), cərəyan \(I_c(t)\) və tutum \(Q_c(t)\) üzerinden şu biçimde diaqnozmlar:

\[ x_{c,w}= [ v_c(t_{w,1}), i_c(t_{w,1}), Q_c(t_{w,1}), \ldots, v_c(t_{w,T}), i_c(t_{w,T}), Q_c(t_{w,T}) ]^T \in R^d \]

və:

\[ d=3T \]

kimi məlumatr.

Ancaq məlumat dəsti açıqlamasında və avtomatik enkoder bölümünde gərginlik, cərəyan və temperatur üçlüsü anlatılmaktadır. Buna görə tutum/temperatur dəyişənlerinin encoder girdisinde tam kimi hansı mərhələda kullanıldığı mənbə üçünde tamamen tutarlı biçimde açıqlanmamışdır.

Standardizasyon necə strukturlıyor?

Ortalama:

\[ \mu=\frac{1}{N}\sum_{i=1}^{N}x_i \]

və dispersiya:

\[ \sigma^2= \frac{1}{N} \sum_{i=1}^{N} (x_i-\mu)^2 \]

hesaplandıktan sonra girdilər:

\[ \hat{x}= \frac{x-\mu}{\sigma+\varepsilon} \]

ifadesiyle standartlaştırılmaktadır. \(\varepsilon\), sıfıra bölünmeyi önlemek üçün kullanılan küçük sabittir.

Avtomatik enkoder hansı təkanla eğitiliyor?

Tədqiqatda avtomatik enkoder kaybı yenidənqurma xətasına ek kimi model pulmetrleri və encoder Jacobian'ı üzerinde düzenliləştirme içermektedir:

\[ L(\theta,\phi)= \frac{1}{N} \sum_{i=1}^{N} \|x_i-\hat{x}_i\|^2 + \lambda_1\|\theta\|_2^2 + \lambda_2 \sum_{i=1}^{N} \|J_{f_\theta}(x_i)\|_F^2 \]

Burada \(J_{f_\theta}(x)\) encoder'ın Jacobian'ını, \(\|\cdot\|_F\) Frobenius normasınu temsil eder.

Mənbə ayrıca Gaussian səs-küyü eklenerek denoising amacı uygulanabiləceğini bildirir. Bunun amacı şəbəkəın yalnız qüsursuz sinyali ezberlemek yerine küçük ölçmə bozulmalarına karşı daha sabit bir temsil öğrenmesidir.

Pencere xüsusiyyətləri dövr seviyesine necə fırlanmatürülüyor?

Her batareya dövrinde çok sayıda pəncərə bulunabilir. Encoder tarafından her pəncərəye üretilən \(Z_{c,w}\) gizil vəktörleri dövr seviyesinde:

\[ Z_c= [ \operatorname{mean}_w(Z_{c,w}), \operatorname{median}_w(Z_{c,w}), \operatorname{percentiles}_w(Z_{c,w}) ] \]

biçimindeki xülasə istatistiklerle birleştirilmektedir. Böylece tek bir dövrin fərqli anlarındaki ölçmələr daha kompakt bir sşəbəkəlık temsiline fırlanmatürülür.

Reconstruction error ilə anomaliya necə mövcuddur?

Normal örüntüyü iyi öğrenen bir avtomatik enkodernın alışılmış bir batareya dövrini aşşəbəkəı xətayla yenidən oluşturması beklenir. Mənbə örnek səviyyəindeki yenidənqurma xətasını:

\[ e(x)= \|x-g_{\phi}(f_{\theta}(x))\|_2^2 \]

şəklində diaqnozmlar.

Çevrim seviyesindeki xəta:

\[ E(c)= \frac{1}{|W_c|} \sum_{w\in W_c} \|x_{c,w}-\hat{x}_{c,w}\|^2 \]

kimi hesaplanır.

Daha sonra:

\[ z_c= \frac{E(c)-\mu_e}{\sigma_e} \]

ilə standartlaştırılır və:

\[ |z_c|>k \]

koşulu anomaliya işareti kimi istifadə olunur. Tədqiqatda \(k=3\) seçilmiştir; yani üç-sigma kuralına göre normal yenidən oluşturma xəta dşəbəkəılımından güclü biçimde uzaklaşan dövrlər işaretlenmektedir.

Isolation Forest niyə ikinci bir anomaliya metodu kimi kullanılıyor?

Reconstruction error, avtomatik enkodernın girdiyi yenidən üretmekte zorlandığı dövrləri belirler. Isolation Forest isə fərqli bir soru sorar: gizli xüsusiyyət uzayında hansı dövrlər diğerlerinden struktur kimi izoledir?

Algoritma xüsusiyyət uzayını rastgele bölerek sıra dışı noktaların daha az bölmeyle izole edilmesinden yararlanır. Böylece yenidənqurma xətası yüksək olmayan lakin gizli xüsusiyyət kombinasyonu texniki xidmətından sıra dışı olan örnekler de potansiyel kimi belirlenebilir.

Tədqiqat iki metodun tamamlayıcı olduğunu müdafiəktadır; lakin etiketli real arıza məlumatsine karşı dəqiqlik ölçütü vərmemektedir. Buna görə “anomaliya” burada birbaşa fiziki batareya arızasıyla eş anlamlı deyildir.

SoH üçün hansı qiymətləndirmə modelləri karşılaştırıldı?

Dört model istifadə edilmişdir:

• Linear Regression (LR): Gizil uzayın xətti qiymətləndirmə gücü üçün sadə istinad model.
• Random Forest (RF): Gizil xüsusiyyətlər arasındaki xətti olmayan ilişkirəli karar şəbəkəacları topluluğuyla modelleyen metod.
• CNN-LSTM: Çevrim/gizli xüsusiyyətlər üzerindeki struktur və ardıcıl ilişkirəli öğrenmek amacıyla kullanılan derin model.
• GRU: Zaman bşəbəkəımlılıklarını daha kompakt tekrarlayan şəbəkə struktursıyla modelleyen metod.

Random Forest üçün Optuna ilə 50–120 şəbəkəac və 3–12 moximum dərinlik aralığında sekiz derütubəte strukturlmıştır. En iyi struktur 86 şəbəkəac və moximum dərinlik 11 kimi raporlanmış və çarpaz doğrulama doğrulama MAE'si təxminən 0,00789 tapılmışdır.

CNN-LSTM və GRU isə 64 gizli vahid, 64 batch ölçüsü, Adam optimallaşdırmau və \(10^{-3}\) öyrənmə dərəcəsiyla eğitilmiştir. Mənbə her fold'un yalnız beş iterasiya eğitildiğini bildirir. Buna görə derin modellər ilə optimize edilmiş Random Forest arasındaki performans fərqı model siniflarının mutlak üstünlük sıralaması kimi yorumlanmamalıdır.

Leavə-One-Group-Out niyə əhəmiyyətli?

Leavə-One-Group-Out (LOGO) çarpaz doğrulamada müəyyən bir grup təlimden tamamen dışarıda bıraxınlır və model bu görülmemiş grupta dəyərlendirilir. Tədqiqat bu yanaşması fərqli batareyalar arasında ümuvaləme sşəbəkəlamlığı qiymətləndirməsi üçün kullanmaktadır.

Bu yanaşma sıradan rastgele örnek bölünmesine kıyasla vacibdir; eyni batareyanın birbirine çok benzeyen dövrlərinin hem təlim hem test tarafında bulunmasından mənbəlanabiləcek iyimserliği azaltmayı məqsədlar.

Hangi model ən aşşəbəkəı qiymətləndirmə xətasını vərdi?

Mənbə Cədvəl 2'de Random Forest belirgin biçimde ən aşşəbəkəı MAE və RMSE'ye sahiptir. LR ikinci sıradadır. CNN və GRU'nun xəta dəyərləri çok daha yüksəktir və R² dəyərləri mənfitir.

Negatif R² ne anlama geliyor?

Mənbə Cədvəl 2'de CNN üçün R² −21,2515 və GRU üçün −15,2340 kimi rapor edilmişdir. Negatif R², ilgili test düzeninde modelin qiymətləndirməlerinin hedef dəyişənin sadə ortasını kullanmaya kıyasla dahi zayıf kalabildiğini gösteren bir işarettir.

Ancaq mənbəta CNN və GRU yalnız sabit arxitektura və məhdud təlimle çalıştırılmıştır. Buna görə mənfi nəticələrdan “CNN və ya GRU batareya SoH qiymətləndirməsine uygun deyildir” biçiminde ümumi bir nəticə çıkarılamaz.

Gizil uzay realten anlamlı bilgi taşıyor mu?

Tədqiqat bunu birkaç fərqli yolla araşdırır. PCA, t-SNE və UMAP, 64 boyutlu gizli fəzaı iki boyuta indirerek örneklerin struktur dşəbəkəılımını vizuallaşdırmaktedir.

Şəkil 6'daki PCA qrafiğinde noktalar yenidənqurma xətası ilə rənglendirilmiştir və yüksək xətalı bölgelerin müəyyən lokal kümelerde yoğunlaştığı görülmektedir. Şəkil 7 t-SNE ilə lokal strukturyı, Şəkil 8 isə UMAP üzerinden daha kürəsəl gizli fəza struktursını göstərir.

Bunlar vizual temsil tapıntılarıdır; kümelerin birbaşa müəyyən elektrokimyəvi arıza türlerini temsil ettiği etiketli doğrulamayla gösterilmemiştir.

Gizil xüsusiyyət fiziki ölçmələrle ilişkili mi?

Şəkil 9'da ilk gizil boyut ilə gərginlik, cərəyan və temperatur arasındaki korrelyasiya matrisi məlumatlmişdir. Tədqiqatçılar ilk gizli xüsusiyyət ilə gərginlik arasında 0,766 pozitiv korrelyasiya raporlamaktadır.

Şəkilde təxminən kimi Lat0–cərəyan ilişkisi −0,18 və Lat0–temperatur ilişkisi −0,38 səviyyəinde gösterilmektedir. Bu analiz gizli fəzaın tamamen rastgele bir kod olmadığını və en azından bazı ölçülebilir fiziki sinyallerle statistik ilişki taşıdığını destekler. Korelasyon, gizil boyutun birbaşa müəyyən bir elektrokimyəvi dəyişəni ölçtüğü və ya niyəsel kimi onu temsil ettiği anlamına gelmez.

Anomali qrafiklerinde ne görülüyor?

Şəkil 10 dövr başına yenidənqurma xətası dəyərlərinin büyük bölümünün aşşəbəkəı seviyelerde olduğunu lakin müəyyən indekslerde güclü yükselmeler ortaya çıktığını göstərir. Şəkil 11'in histogramı da xəta dşəbəkəılımının büyük ölçüde aşşəbəkəı dəyərlərde yoğunlaştığını və az sayıdaki yüksək xəta örneğinin uzun bir kuyruk oluşturduğunu göstərir.

Şəkil 12, Isolation Forest nəticələrinı gizli fəzaın aşşəbəkəı boyutlu projeksionunda iki fərqli grup kimi göstərir. Bu vizual struktur ayrışmanın bulunduğunu göstərse de hansı nokdiaqnozn hansı fiziki arıza mekanizmasına karşılık geldiği mənbəta doğrulanmamaktadır.

İstatistiksel müqayisə ne söylüyor?

Tədqiqatçılar model performanslarını cütləşdirilmiş t-testləriyle karşılaştırmış və RF–LR, RF–CNN və RF–GRU müqayisəlarının tamamı üçün \(p<0,001\) raporlamıştır.

Bu nəticə tədqiqatın kendi fold və model strukturlandırmaları üçünde performans fərqlarının statistik kimi belirgin olduğunu destekler. Ancaq statistik anlamlılık, karşılaştırılan bütün model ailəlerinin eyni səviyyəde hiperpulmetr optimallaşdırmauna tabi tutulduğu anlamına gelmez.

Real vaxtlı BMS istifadəı realten test edildi mi?

Kısmen. Tədqiqatda yalnız CNN və GRU üçün ayrıntılı inference gecikməsi və pulmetr sayı məlumatlmişdir:

Random Forest və xətti regresiyaun hafif və sürətli olduğu ifade edilse de bu iki model üçün eyni təcrübəde ədədi latency və ya pulmetr/bellek ölçməü məlumatlmemektedir. Həmçinin avtomatik enkoder + Random Forest zincirinin tamamı real bir avtomotiv BMS prosessorsinde benchmark edilmemiştir.

Tədqiqatın güclü tərəfləri nələrdir?

• Özellik çıkarımını elle tasarlamak yerine avtomatik enkoderyla öğrenmesi.
• SoH qiymətləndirməsi ilə gxülasəimsiz anomaliya analizini eyni gizli təmsil üzerinde birleştirmesi.
• Dört ayrı NASA batareyası kullanması.
• Leavə-One-Group-Out çarpaz doğrulama tətbiqsı.
• MAE, RMSE, R² və %95 güvən intervallarını birlikdə raporlaması.
• PCA, t-SNE və UMAP ilə gizli təmsili vizuallaşdırmasi.
• Gizil xüsusiyyət ilə fiziki dəyişənler arasında korrelyasiya analizi sunması.
• Reconstruction error və Isolation Forest olmak üzere iki fərqli anomaliya yanaşması kullanması.

Tədqiqatın dəstəklədiyi nəticələr

• 64 boyutlu avtomatik enkoder gizli xüsusiyyətləri, mənbəta kullanılan NASA məlumatlarinde SoH qiymətləndirməsi üçün kullanılabilir bilgi taşmaaktadır.
• Mənbədə kullanılan təlim protokolünde gizli xüsusiyyət + Random Forest strukturlandırması karşılaştırılan modellər arasında ən aşşəbəkəı MAE və RMSE'yi sşəbəkəlamıştır.
• Linear Regression'ın da yüksək R² elde etmesi, gizli təmsilde SoH ilə ilişkili güclü bir struktur bulunduğunu dəstəkləyir.
• Reconstruction error, bazı dövrləri normal yenidən oluşturma örüntüsünden güclü biçimde ayırabilmektedir.
• Isolation Forest gizli xüsusiyyət uzayındaki sıra dışı örneklerin belirlenmesinde ikinci bir gxülasəimsiz metod kimi kullanılabilmektedir.
• İlk gizli xüsusiyyət ilə ölçülən gərginlik arasında mənbəta 0,766 korrelyasiya rapor edilmişdir.

Tədqiqatın dəstəkləmədiyi və ya test etmədiyi nəticələr

• AE+RF'nin real elektrikli nəqliyyat vturşuəsi filosunda eyni MAE/RMSE dəyərlərini koruyacşəbəkəını göstərmir.
• Model fərqli batareya kimyaları və fərqli üreticirəlin hüceyrəlerinde doğrulanmamışdır.
• Sıfır altı temperatur, dinamik real sürüş, sürətli doldurma və real paket səviyyəi hüceyrə tarazlıqsizlikleri kapsamlı biçimde test edilmemiştir.
• Reconstruction error və ya Isolation Forest tarafından işaretlenen her nokdiaqnozn real fiziki batareya arızası olduğu kanıtlanmamıştır.
• Anomali aşkarlamai üçün precision, recall, F1, specificity və ya ROC-AUC təqdim edilməmişdir.
• Random Forest'ın bütün CNN, LSTM və ya GRU arxitekturalerinden ümumi kimi üstün olduğu kanıtlanmamıştır.
• AE+RF'nin uctan uca çıxarım gecikməsi real avtomotiv BMS apult təminatıında ölçülməmişdir.
• Tədqiqat SoH hedef dəyərinin necə üretildiğini ayrıntılı və tek anlamlı bir fiziki tənlikle raporlamamaktadır.
• Gizil dəyişənlerin müəyyən elektrokimyəvi durum dəyişənleriyle bire bir eşleştiği kanıtlanmamıştır.
• Silhouette Score üçün ədədi bir nəticə sunulmadığından küme ayırma başarımı bu ölçüt üzerinden kəmiyyət kimi dəyərlendiriləmez.

Tədqiqatın metodu və nəticələri

Kullanılan NASA batareya məlumatlənlər dəstləri

Mənbə, bu dört batareyanın eyni eksperimental çərçivə altında fərqli bozulma trayektoriyalari göstermesini modelin batareyalar arası sşəbəkəlamlığını sınamak üçün yararlı görmektedir.

Avtomatik enkoder ayarları

Mənbə, avtomatik enkodernın ayrıntılı qat-qat convolution topolojisini tam kimi raporlamamaktadır. Özet “convolution neural network autoencoder” ifadesini kullanırken metod bölümü daha ümumi encoder–decoder matematiksel diaqnozmı vərmektedir.

Random Forest hiperpulmetr optimallaşdırmau

Mənbə daxilində dikkat: Random Forest'ın nəzəri açıqlamasında \(N=200\) şəbəkəac ifadesi de mövcuddur. Nihai Optuna ayarında isə 86 şəbəkəac rapor edilmişdir; iki dəyər mənbəta ayrı bşəbəkəlamlarda geçmektedir.

CNN-LSTM və GRU təlim ayarları

Tam model performans cədvəlsu

Cədvəlnun ana mesajı, tədqiqatnın kendi təlim və LOGO doğrulama koşullarında RF və LR'nin CNN/GRU'dan çok daha aşşəbəkəı xəta üretmesidir. Bununla belə RF xüsusi kimi Optuna ilə ayarlanmış, CNN və GRU isə məhdud təlim altında qiymətləndirilmişdir.

İstatistiksel anlamlılık

Eşleştirilmiş t-testlərinde:

• RF – LR: \(p<0,001\)
• RF – CNN: \(p<0,001\)
• RF – GRU: \(p<0,001\)

rapor edilmişdir. Bu dəyərlər tədqiqatın kullandığı fold nəticələri üçünde RF xəta dşəbəkəılımının diğer modellərden fərqli olduğunu dəstəkləyir.

Şəkil 2–5: Model nəticələri ne göstərir?

Şəkil 2 real hedef dəyərlər ilə RF, LR, CNN və GRU qiymətləndirməlerini eyni örnek indeksinde müqayisəktadır. RF eğrisi real dəyərləre en yaxın strukturdayken CNN və GRU geniş yawlar göstərir.

Şəkil 3 modellərin MAE, RMSE və R² ölçütlerini toplu kimi karşılaştırır. CNN və GRU'nun büyük mənfi R² dəyərləri eyni oxde gösterildiği üçün vizual ölçek RF və LR arasındaki küçük fərqları bastırmaqtadır.

Şəkil 4 xəta dşəbəkəılımı boxplotlarında RF'nin en dar və sıfıra yaxın xəta dşəbəkəılımını gösterdiğini; CNN və GRU'nun daha geniş xəta intervallarına sahip olduğunu göstərir.

Şəkil 5 çarpaz doğrulama orta MAE və standart nəşrmalarını sunar; RF və LR'nin aşşəbəkəı, CNN və GRU'nun yüksək xəta bölgesinde kaldığı görülmektedir.

Şəkil 6–9: Gizil uzay ne anlatıyor?

Şəkil 6 64 boyutlu temsilin PCA izdüşümünü yenidənqurma xətası ilə rənglendirerek sunmaktadır.

Şəkil 7 t-SNE'nin lokal gizil strukturdaki normal/anomaliya ayırmaını vizuallaşdırmaktedir.

Şəkil 8 UMAP izdüşümünde kürəsəl strukturyı və yüksək yenidənqurma xətası bölgelerini göstərir.

Şəkil 9 ilk gizil dəyişən ilə fiziki sinyaller arasındaki korrelyasiya matrisidir. Metinde gərginlik korrelyasiyau 0,766 kimi vurgulanmaktadır.

Şəkil 10–12: Anomali aşkarlamai

Şəkil 10 dövr bazında yenidənqurma xətasının zaman/indeks boyunca değişimini və bazı yüksək xəta sıçramalarını göstərir. Şəkil 11 xəta histogramının aşşəbəkəı MSE bölgesinde güclü yoğunlaşma və az sayıda yüksək xəta dəyəri içerdiğini göstərir. Şəkil 12 Isolation Forest tarafından ayrılan noktaları aşşəbəkəı boyutlu gizli təmsil üzerinde sunmaktadır.

Bu üç vizual anomaliyalerin məlumat uzayında belirlenebildiğini göstərir; lakin etiketli real arıza sinifları bulunmadığından aşkarlama doğruluğu hesaplanmamıştır.

Şəkil 14: Hesaplama xərci

CNN üçün 4,2 ms, GRU üçün 0,8 ms çıxarım gecikməsi rapor edilmişdir. GRU hem daha küçük pulmetr sayına hem de daha aşşəbəkəı gecikməye sahiptir. AE+RF'nin tam uctan uca gecikməsi eyni cədvəlda bulunmadığı üçün bu nəticətan birbaşa AE+RF'nin valisaniye səviyyəindeki tədqiqat süresi hesaplanamaz.

Şəkil 15: Gizil xüsusiyyət ablasyonu

Şəkil 15'in x oxi 64 gizil boyut indeksini, y oxi isə ilgili xüsusiyyət kaldırıldığında və ya değiştirildiğinde MAE artımını göstərir. Bazı gizil boyutların qiymətləndirmə xətası üzerinde diğerlerinden daha büyük etkiye sahip olduğu görülmektedir.

Bununla belə bölüm metni “fərqli latent sizes” test edildiğini söylerken qrafik bireysel latent boyutların örütubətini göstərir görünümündedir. Buna görə tədqiqatdan 16, 32 və ya 64 boyutlu encoderların sistematik biçimde karşılaştırıldığı sonucu çıkarılmamalıdır.

Şəkil 16–17: Artık analizi

Random Forest və Linear Regression qalıq histogramları sıfıra yaxın yoğunlaşmaktadır. CNN və GRU qalıqlarında isə geniş, pozitiv çəkilı dşəbəkəılım görünmektedir.

Qalıq–prediction qrafiklerinde de RF və LR sıfır çizgisinin çmərhələsinde daha məhdud dşəbəkəılım göstərirken CNN və GRU'da qiymətləndirmə seviyesine bşəbəkəlı daha belirgin xəta strukturları mövcuddur. Bu, mənbə Cədvəl 2'deki yüksək xəta dəyərləriyle tutarlıdır.

Tədqiqatın əsas metodolojik məhdudiyyətləri

• Yalnız dört NASA batareya məlumat dəsti istifadə edilmişdir.
• Gerçek vasitə tapşırıq dövrləri məhdud temsil edilmektedir.
• Değişken temperatur koşulları və xüsusilə sıfır altı tədqiqat kapsamlı deyildir.
• CNN və GRU sabit struktur və məhdud təlimle qiymətləndirilmişdir.
• Gizil boyut 64 empirik kimi seçilmiştir.
• SoH hedef etiketinin mənbəta açıq bir fiziki formülle diaqnozmlanmaması yenidən istehsal edilə bilənlik açistilikndan bir raporlama boşluğudur.
• Anomali aşkarlamai etiketli arıza ground-truth'u üzerinde kəmiyyət təsnifat ölçütleriyle doğrulanmamışdır.
• AE+RF'nin avtomotiv sinifı BMS prosessorsi üzerinde uctan uca gecikməsi raporlanmamıştır.

Mənbə və metod qeydi

Tam orijinal tədqiqat adı: Autoencoder-Based Latent Representation Learning, SoH Estimation, and Anomaly Detection in Electric Vehicle Battery Energy Storage Systems

Müəlliflər və sıraları: Nagendra Kumar; Anubhav Agrawal; Rajeev Kumar; Manoj Badoni.

Eş katkı/eş birinci müəllif: Mənbədə belirtilmemiştir.

Məsul müəllif: Rajeev Kumar.

Qurumlar: Electrical and Electronics Engineering Department, GL Bajaj Institute of Technology & Management, Greater Noida, India; Department of Electronics and Communication Engineering, BML Munjal Univərsity, Gurgaon, India; Electrical and Electronics Engineering Department, Krishna Institute of Engineering & Technology (KIET), Delhi-NCR, Ghaziabad, India; Electrical and Instrumentation Engineering Department, Thapar Institute of Engineering & Technology, Patiala, India.

Jurnal: Vehicles.

Nəşriyyat: MDPI, Basel, Switzerland.

Nəşr bilgisi: Vehicles 2026, 8, 81.

DOI: 10.3390/vəhicles8040081.

Rəsmi birləşmə:https://doi.org/10.3390/vəhicles8040081

Mənbə növü: Hakemli tədqiqat məqaləsi; kamuya açıq litium-ion batareya yaşlanma məlumatlənlər dəstləri üzerinde avtomatik enkoder tabanlı temsil öğrenme, reqressiya modeli müqayisəsı və gxülasəimsiz anomaliya analizi tədqiqatsıdır.

Rəyçilik/yayım vəziyyəti: Mənbədə məqalənin 28 Şubat 2026'da alındığı, 30 Mart 2026'da revize edildiği, 2 Nisan 2026'da kabul edildiği və 7 Nisan 2026'da yayımlandığı qeyd edilir.

Lisənziya: Creativə Commons Attribution (CC BY).

Maliyyələşmə: Tədqiqat dış maliyyələşmə almadığını bildirmektedir.

Məlumat əlçatanlığı: Özgün qatqıların tədqiqat üçünde bulunduğu və ilavə soruların sorumlu müəllifa yöneltiləbiləceği qeyd edilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bildirmiştir.

Müəllif töhfələri: Kavramsallaştırma, metodoloji və yazılım N.K.; doğrulama R.K. və M.B.; biçimsel analiz A.A., R.K. və M.B.; tədqiqat R.K.; mənbəlar A.A. və M.B.; məlumat kürasyonu A.A.; ilk taslak N.K.; yoxlama və düzenleme R.K.; vizuallaşdırma A.A., R.K. və M.B.; gxülasəim və proje idarəetməi R.K.; maliyyələşmə edinimi R.K. kimi qeyd edilmişdir.

Elmi məzmun sərhədi: Bu Verianla yazistilikndaki məlumat dəsti, formüller, model ayarları, performans dəyərləri, anomaliya yanaşması, istatistikler, qrafik yorumları və məhdudiyyətlər yalnızca incelenen tədqiqatya dayanmaktadır. Dış mənbəlardan yeni batareya performansı və ya SoH sonucu eklenmemiştir.

Elektrikli vasitə tətbiqsı sərhədı: Tədqiqatnın başlığı və amacı elektrikli nəqliyyat vturşuəsi batareya enerji saxlanması sistemlerini hedeflemektedir; lakin model doğrulaması real bir istehsal elektrikli nəqliyyat vturşuəsi filosu və ya vasitə üstü BMS yerine NASA B0005, B0006, B0007 və B0018 yaşlanma məlumatlariyle strukturlmıştır.

Girdi dəyişəni raporlama notu: Veri kümesi açıqlaması və avtomatik enkoder metni gərginlik, cərəyan və temperatur sinyallerini vurgularken Bölüm 3.2'nin matematiksel giriş vəktörü gərginlik, cərəyan və tutumyi kullanmaktadır. Bu mənbə içi fərqlilık giderilmiş məlumat kimi təqdim edilməmişdir.

SoH etiketi notu: İncelenen metod bölümünde qiymətləndirmə hedefi SoH kimi adlandırılmasına rşəbəkəmen tutumden SoH'ye fırlanmaümü diaqnozmlayan açıq və tek anlamlı hedef etiketi formülü məlumatlmemektedir. Buna görə MAE və RMSE dəyərləri birbaşa “yüzde xal SoH xətası” biçiminde yenidən adlandırılmamıştır.

Random Forest pulmetr notu: Bölüm 3.6.2 ümumi RF açıqlamasında N=200 karar şəbəkəacı ifadesi istifadə edilmişdir. Optuna optimallaşdırmaunda isə en iyi model n_estimators=86 və max_depth=11 kimi rapor edilmişdir. İki sayı mənbə üçünde fərqli bşəbəkəlamlarda bulunduğundan sessizce birleştirilmemiştir.

R² notu: Özet R² dəyərini təxminən 0,96, Cədvəl 2 0,9693 kimi məlumatrken nəticə bölümünde dəyər tipoqrafik kimi “099” biçiminde yer almaktadır. Sayısal müqayisəda Cədvəl 2'deki 0,9693 istifadə edilmişdir.

PCA/PSA notu: Özet gizli fəza analizlerinden birini “PSA” kimi yazmaktadır; nəticə bölümü və Şəkil 6 metodu PCA kimi göstərir. Bu Verianla yazistiliknda nəticə bölümündeki real qrafik PCA kimi adlandırılmıştır və xülasə üçündeki yazım ayrıca bu notta qorunmuşdur.

Silhouette Score notu: Özet kümeleme performansının Silhouette Score ilə ölçüldüğünü bildirir; lakin incelenen metod və nəticə bölümlerinde ədədi bir Silhouette Score sonucu məlumatlməmişdir. Mənbədə bulunmayan dəyər üretilmemiştir.

Anomali doğrulama sərhədı: Reconstruction error və Isolation Forest anomaliyaleri vizual kimi araşdırılmışdır; lakin etiketli real anomaliya sinifları üzerinden sensitivity, specificity, precision, recall, F1 və ya ROC-AUC raporlanmamıştır.

Model müqayisə sərhədı: Random Forest Optuna hiperpulmetr optimallaşdırmauna tabi tutulurken CNN və GRU sabit struktur və fold başına beş iterasiyala qiymətləndirilmişdir. Buna görə tədqiqatın nəticələri ilgili təcrübə protokolü üçündeki müqayisəyı destekler; bütün dərin öyrənmə arxitekturalerine karşı ümumi üstünlük kanıtı deyildir.

Real vaxtlılık sərhədı: CNN və GRU üçün ədədi inference gecikməsi məlumatlmiş, RF/LR və tam AE+RF zinciri üçün müqayisə edilə bilən ədədi latency ölçməü raporlanmamıştır. Gerçek avtomotiv sinifı BMS üzerinde uctan uca sahə testi təqdim edilməmişdir.

Şəkil 15 notu: Bölüm metni fərqli latent dimensionality dəyərlərinin test edildiğini ifadə edirken şeklin oxleri bireysel latent boyut indekslerine karşı MAE artımını göstərir. Ablasyon protokolünün bu kısmı mənbəta tamamen tek anlamlı deyildir.