Bu araştırma, yakıt hücresi (FC), batarya (Bat) ve süperkapasitörü (SC) birlikte kullanan hibrit hidrojenli elektrikli araçlar için enerji yönetimi, arıza tespiti ve izolasyonu ile arıza toleranslı kontrolü tek kapalı çevrim mimaride birleştiren EMS–FDI–FTC sistemi önermektedir. Sistemin temel farkı, yalnızca bir arızayı tespit etmekle yetinmemesidir. Arıza sınıflandırıldıktan sonra sonuç enerji yönetim sistemine aktarılmakta ve arızalı güç kaynağının yükü azaltılarak talep edilen çekiş gücü sağlıklı kaynaklara yeniden dağıtılmaktadır.

Araştırmada standartlaştırılmış sentetik sürüş çevrimleri yerine Tunus'ta gerçek yol üzerinde GPS ile kaydedilmiş üç farklı sürüş rotası kullanılmıştır. Araç hızı ve yol eğimi gibi rota bilgileri çekiş gücü talebinin hesaplanmasında kullanılmış; yakıt hücresi, batarya ve süperkapasitörün elektriksel davranışları ise gerçek zamanlı kontrole uygun sadeleştirilmiş modellerle temsil edilmiştir.

Arıza teşhis katmanı üç tamamlayıcı mekanizmayı birleştirmektedir: EKF tabanlı artık/yenilik izleme, CUSUM değişim algılama ve CNN–LSTM tabanlı yapay zekâ sınıflandırması. CNN katmanları kısa süreli yerel arıza örüntülerini çıkarırken LSTM katmanı bu sinyallerin zaman içindeki gelişimini değerlendirmektedir. Modelin farklı rota koşullarına genelleme yeteneğini ölçmek için leave-one-route-out (LORO) doğrulaması uygulanmıştır; yani model iki rotayla eğitilmiş ve eğitim sırasında görmediği üçüncü rotada test edilmiştir.

Pencere düzeyi LORO sınıflandırma doğruluğu Route 1 için %87,04, Route 2 için %74,78 ve Route 3 için %68,52 olarak raporlanmıştır. Daha dinamik Route 2 daha yüksek güç tepeleri ve daha fazla enerji yeniden dağıtım gereksinimi üretirken, daha düzgün Route 3 daha düşük enerji açığı ve hidrojen tüketimi göstermiştir. Bu sonuç aynı zamanda önemli bir mühendislik çıkarımına işaret etmektedir: daha hareketli sürüş profilleri teşhis açısından arızayı daha görünür hale getirebilirken enerji yönetim sistemini daha ağır koşullarda çalıştırmaktadır.

Gömülü uygulama tarafında EMS–FDI–FTC denetleyicisi STM32F407VG, ARM Cortex-M4 168 MHz işlemci üzerinde processor-in-the-loop (PIL) olarak çalıştırılmıştır. Denetim çevrimi 10 Hz, yani 100 ms örnekleme aralığında yürütülmüş; ortalama hesaplama süresi 1,6 ms, en kötü durum hesaplama süresi ise 6,2 ms'nin altında ölçülmüştür. Bu sonuç, araştırmada kullanılan kontrol mimarisinin söz konusu gömülü işlemci üzerinde 100 ms'lik üst seviye denetim çevrimini zamanında tamamlayabildiğini göstermektedir.

Türkiye açısından: Çalışma Türkiye'ye ait sürüş rotalarını veya Türkiye'de geliştirilmiş belirli bir hidrojenli araç platformunu incelememektedir. Bununla birlikte yöntem; hidrojen yakıt hücreli araçlar, elektrikli güç aktarma sistemleri, batarya–süperkapasitör hibrit depolama, araç üstü arıza teşhisi ve gömülü otomotiv elektroniği üzerinde çalışan araştırma ve mühendislik ekipleri açısından uygulanabilir bir mimari örneği sunmaktadır. Türkiye'deki bir araca aktarım için yerel sürüş verilerinin, gerçek FC–Bat–SC bileşen karakteristiklerinin, sıcaklık etkilerinin, yaşlanma davranışının, dönüştürücü kayıplarının ve gerçek arıza verilerinin yeniden belirlenmesi gerekir. Kaynaktaki enerji değerleri belirli bir ticari aracın deneysel tüketim değerleri olarak kullanılmamalıdır.

Neden rota farkındalıklı arıza teşhisi gerekiyor?

Hibrit hidrojenli elektrikli bir araçta güç tek bir kaynaktan gelmez. Araştırmada incelenen mimaride proton değişim membranlı yakıt hücresi temel enerji kaynağını oluştururken batarya orta süreli güç değişimlerini, süperkapasitör ise hızlı geçici güç taleplerini ve rejeneratif frenleme darbelerini karşılamaktadır.

Bu yapı önemli bir avantaj sağlar; ancak aynı zamanda enerji kaynakları, DC/DC dönüştürücüler ve sensörler arasında daha karmaşık bir kontrol problemi oluşturur. Yakıt hücresi geriliminin düşmesi, batarya iç direncinin yükselmesi veya süperkapasitör kapasitesinin azalması durumunda nominal enerji dağıtım stratejisinin aynen devam etmesi güç dengesini, kullanılabilirliği ve bileşenlerin çalışma koşullarını bozabilir.

Araştırmacıların temel yaklaşımı bu nedenle şu zinciri kurmaktır:

Gerçek rota → çekiş gücü talebi → sensör ölçümleri → artık sinyalleri → EKF/CUSUM → CNN–LSTM sınıflandırması → arıza kararı → EMS yeniden yapılandırması → sağlıklı kaynaklara güç aktarımı.

Bu yapıdaki önemli nokta, teşhis ile kontrolün birbirinden ayrı iki modül olarak bırakılmamasıdır. Arıza kararı doğrudan enerji yönetim sisteminin çalışma modunu değiştirmektedir.

Dört katmanlı sistem mimarisi

Önerilen yapı dört ana katmanda tanımlanmıştır:

1. Algılama ve veri toplama: gerilimler, akımlar, batarya SOC değeri, sıcaklıklar, hidrojen akışı ve ilgili ölçüm kanalları izlenir.
2. Rota farkındalıklı talep tahmini: GPS kaynaklı hız ve yol eğimi bilgileri kullanılarak çekiş gücü talebi hesaplanır.
3. Arıza tespiti ve izolasyonu: model tabanlı artıklar, CUSUM, EKF yenilik göstergeleri ve CNN–LSTM sınıflandırması birlikte kullanılır.
4. Enerji yönetimi ve arıza toleranslı kontrol: teşhis sonucuna göre FC, batarya ve süperkapasitör arasındaki güç paylaşımı yeniden düzenlenir.

Çekiş gücü rota verilerinden nasıl hesaplanıyor?

GPS verilerinden elde edilen hız \(v(t)\), ivme ve yol eğimi kullanılarak aracın çekiş gücü talebi hesaplanmaktadır. Kaynakta kullanılan boylamsal araç modeli:

\[ P_{Load}(t)= \left[ m\dot{v} +mg\sin\theta +\frac{1}{2}\rho C_d A v^2 +mgC_r\cos\theta \right]v(t) \]

şeklindedir.

Bu denklem ivmelenme için gereken kuvveti, eğim kaynaklı yerçekimi bileşenini, aerodinamik sürüklemeyi ve yuvarlanma direncini tek çekiş gücü talebinde birleştirir. Böylece aynı enerji yönetim sistemi farklı yol profillerinde farklı yük uyarımlarına maruz bırakılabilmektedir.

Yakıt hücresi modeli

Yakıt hücresinin uç gerilimi kontrol amaçlı toplu eşdeğer devreyle:

\[ V_{FC}=E_N-R_{FC}I_{FC} \]

ve çıkış gücü:

\[ P_{FC}=V_{FC}I_{FC} \]

olarak modellenmiştir.

Hidrojen tüketimi, yakıt hücresinin elektriksel çıkışı ile hidrojenin alt ısıl değeri ve varsayılan yakıt hücresi verimi arasında kurulan ilişki üzerinden hesaplanmaktadır:

\[ \Delta m_{H_2}= \frac{\max(P_{FC},0)\Delta t} {\eta_{FC}\cdot LHV_{H_2}} \]

Bu nedenle makaledeki hidrojen tüketimi, doğrudan gerçek bir ticari aracın yakıt ölçerinden alınmış deneysel hidrojen tüketimi değildir; model tabanlı bir göstergedir.

Batarya modeli

Batarya uç gerilimi:

\[ V_{Bat}=E_0-R_{Bat}I_{Bat} \]

ve batarya gücü:

\[ P_{Bat}=V_{Bat}I_{Bat} \]

olarak hesaplanmaktadır.

Şarj durumu ise Coulomb sayımıyla güncellenmektedir:

\[ SOC_{Bat}(t+\Delta t) = SOC_{Bat}(t) - \frac{I_{Bat}\Delta t}{C_{Bat}} \]

Süperkapasitör modeli

Süperkapasitör gerilimi:

\[ V_{SC}(t)=V_{SC0}+\frac{1}{C_{SC}}\int I_{SC}(t)\,dt \]

ilişkisiyle temsil edilmiştir. Süperkapasitörün temel görevi, yakıt hücresinin ve bataryanın karşılaması istenmeyen hızlı güç değişimlerini tamponlamaktır.

DC bağlantısında güç dengesi

Üç enerji kaynağı ortak DC-link üzerinden çekiş sistemine bağlanmaktadır. Sistem için temel güç sürekliliği:

\[ P_{dem}=P_{FC}+P_{Bat}+P_{SC}-P_{loss} \]

şeklinde tanımlanmıştır.

Araştırmada kullanılan üst güç sınırları yakıt hücresi için 35 kW, batarya için 30 kW ve süperkapasitör için 15 kW'dır. Nominal gerilimler FC için 60 V, batarya ve SC için 48 V olarak verilmiştir. Batarya enerji kapasitesi 500 Wh, süperkapasitör eşdeğer kapasitesi ise 120 F'tır.

Arıza nasıl fark ediliyor?

Model tabanlı teşhisin ilk aşamasında ölçülen sinyal ile model tarafından tahmin edilen sinyal arasındaki fark hesaplanır:

\[ r_i(t)=y_i(t)-\hat{y}_i(t) \]

Normal çalışma sırasında artık sinyallerinin sıfıra yakın kalması beklenir. Ani yük değişimleri kısa süreli sapmalar oluşturabilir; gerçek arıza senaryolarında ise araştırmanın kurgusuna göre kalıcı artık değişimleri meydana gelir.

CUSUM neden kullanılmıştır?

CUSUM, küçük fakat sürekli ortalama değişimlerinin zaman içinde birikmesini izler. Kaynakta pozitif ve negatif CUSUM istatistikleri:

\[ g^+(k)=\max\{0,g^+(k-1)+r(k)-k_d\} \]

\[ g^-(k)=\max\{0,g^-(k-1)-r(k)-k_d\} \]

mantığıyla kullanılmaktadır. Çalışmada CUSUM drift parametresi 0,3 ve karar eşiği 3,5 olarak verilmiştir.

EKF'nin görevi nedir?

Extended Kalman Filter (EKF), nominal elektriksel davranışı çevrim içi izleyen hafif bir gözlemci olarak kullanılmaktadır. EKF durum vektörü:

\[ x=[V_{FC},V_{Bat},SOC_{Bat},V_{SC}]^T \]

ve ölçüm vektörü:

\[ y=[V_{FC},V_{Bat},V_{SC},V_{dc}]^T \]

şeklinde tanımlanmıştır.

Yakıt hücresinin eşdeğer direnci, batarya iç direnci veya süperkapasitör kapasitesi doğrudan her adımda kestirilmemektedir. Bu parametrelerde meydana getirilen değişikliklerin artık ve EKF yenilik sinyallerine yansıması teşhis için kullanılmaktadır.

CNN–LSTM yapay zekâ katmanı nasıl çalışıyor?

Yapay zekâ sınıflandırıcısının her zaman adımındaki altı giriş kanalı:

\[ x(t)= [r_{FC},r_{Bat},r_{SC},I_{FC},I_{Bat},P_{NS}]^T \]

şeklindedir.

Sinyaller 10 Hz'de örneklenmiştir. Nominal pencere süresi 2 saniye ve pencere ilerleme adımı 0,5 saniye olarak tanımlansa da ağ giriş koşulu nedeniyle minimum 32 örnek kullanılmış; böylece etkin pencere uzunluğu yaklaşık 3,2 saniye olmuştur.

Her pencere kanal bazında z-skoru ile normalize edilmiştir:

\[ X_w= \frac{X_w-\mu_w}{\sigma_w+\varepsilon} \]

CNN–LSTM ağı iki adet bir boyutlu evrişim bloğu, ardından LSTM ve SoftMax sınıflandırıcıdan oluşmaktadır. Evrişim bloklarında kernel boyutu 3, filtre sayıları sırasıyla 16 ve 32'dir. Bunları batch normalization, ReLU ve stride 2 max pooling izlemektedir. LSTM katmanında 64 gizli birim, ardından 0,3 dropout kullanılmıştır.

Eğitimde Adam optimizasyonu, \(10^{-3}\) başlangıç öğrenme oranı, 32 mini-batch ve en fazla 30 epoch belirtilmiştir. Kayıp fonksiyonu kategorik çapraz entropidir.

Veri sızıntısını önlemek için neden LORO kullanıldı?

Yol verilerinde ardışık zaman pencereleri birbirine oldukça benzer olabilir. Aynı rotadan alınmış komşu pencerelerin hem eğitim hem test grubunda bulunması modelin gerçek genelleme başarısını olduğundan yüksek gösterebilir.

Bunun önüne geçmek için çalışma leave-one-route-out yaklaşımını kullanmıştır. Model iki rotanın verileriyle eğitilmiş, kalan rota tamamen görülmemiş test rotası olarak tutulmuştur. İşlem üç farklı test rotası için tekrarlanmıştır.

Bu yöntem, rastgele pencere ayırmaya göre daha zor bir değerlendirmedir çünkü test sırasında model yeni bir sürüş dinamiği ve farklı artık dağılımıyla karşılaşmaktadır.

Arıza kararı tek bir sınıflandırmaya bırakılmamıştır

CNN–LSTM çıktısı bir olasılık vektörü üretir. Kaynakta arıza sınıfının kabul edilmesi için maksimum olasılığın en az 0,80 olması ve aynı sınıfın üç ardışık örtüşen pencerede korunması şartı uygulanmıştır.

0,5 saniyelik pencere ilerleme adımı nedeniyle bu karar mekanizması yaklaşık 1,5 saniyelik süreklilik aramaktadır. Amaç, kısa süreli yük değişimleri veya ölçüm dalgalanmalarının doğrudan kalıcı arıza olarak işaretlenmesini önlemektir.

Arıza tespit edildiğinde enerji yönetimi ne yapıyor?

Arıza doğrulandıktan sonra sistem normal çalışma modundan bozulmuş çalışma moduna geçer. Arızalı enerji kaynağı üzerindeki güç talebi azaltılır ve kalan talep sağlıklı kaynaklara aktarılır:

\[ \begin{bmatrix} P^*_{FC}\\ P^*_{Bat}\\ P^*_{SC} \end{bmatrix} = \begin{bmatrix} \alpha_{FC}\\ \alpha_{Bat}\\ \alpha_{SC} \end{bmatrix} P_{dem} \]

Buradaki \(\alpha\) katsayıları teşhis edilen arızanın türü, şiddeti ve kaynakların kullanılabilirliğine göre değiştirilir.

Enerji yönetiminin çok amaçlı maliyet fonksiyonunda hidrojen tüketimi, batarya SOC değişimi, süperkapasitör güç kullanımı ve arıza cezası birlikte ele alınmaktadır:

\[ J= \int_0^T \left( w_1\dot{m}_{H_2} +w_2(\Delta SOC_{Bat})^2 +w_3(P_{SC})^2 +w_4F_{fault} \right)dt \]

Optimizasyon; batarya SOC sınırı, DC-link gerilim sınırı ve FC, Bat ve SC güç sınırları altında yürütülmektedir.

Çalışmanın Yöntemi ve Bulguları

Gerçek rota verileri

Çalışmada Tunus'ta Faculty of Sciences of Tunis (FST) ile National School of Engineers of Tunis (ENSIT) arasındaki gerçek sürüşlerden elde edilen GPS tabanlı hız verileri kullanılmıştır.

GPS verileri 10 Hz'e yeniden örneklenmiş, kısa veri boşlukları doğrusal enterpolasyonla tamamlanmış ve 0,5 saniyelik hareketli ortalama filtresi uygulanmıştır. Yol eğimi, filtrelenmiş yükseklik bilgisinden sonlu farklarla elde edilmiş ve GPS kuantizasyonundan kaynaklanan dalgalanmaları azaltmak amacıyla düşük geçiren filtreden geçirilmiştir.

Enjekte edilen arızalar

Üç temel arıza senaryosu parametre değişimi biçiminde sisteme enjekte edilmiştir. Her arıza tek başına uygulanmış ve devreye girdikten sonra sürüş çevriminin sonuna kadar kalıcı tutulmuştur.

Bu yaklaşım tekrarlanabilir bir kontrollü arıza testi sağlamaktadır; ancak fiziksel bileşen üzerinde meydana gelmiş gerçek yaşlanma veya saha arızası değildir.

Rotalara göre CNN–LSTM ve enerji sonuçları

Route 1 en yüksek sınıflandırma doğruluğunu sağlamıştır. Route 2, daha yüksek hız değişimleri ve çekiş gücü tepeleri nedeniyle en zor enerji yönetimi senaryosunu oluşturmuş; en yüksek ENS, ortalama PNS ve hidrojen tüketimi bu rotada raporlanmıştır. Route 3 ise daha düzgün sürüş profili nedeniyle en düşük ENS, ortalama PNS ve hidrojen tüketimini vermiştir; buna karşılık LORO sınıflandırma doğruluğu en düşük olan rota da Route 3'tür.

Neden daha düzgün rota daha düşük AI doğruluğu verebilir?

Araştırmacılar Route 3'teki daha düşük doğruluğu yalnızca model başarısızlığı olarak yorumlamamaktadır. Daha düzgün hız ve güç talebi, artık sinyallerindeki normal varyansı azaltarak eşik tabanlı teşhisi kolaylaştırsa da arızaların farklı çalışma noktalarında nasıl göründüğüne ilişkin veri çeşitliliğini de azaltmaktadır. Başka bir ifadeyle, sisteme daha az dinamik uyarım uygulanması CNN–LSTM'nin öğrenebileceği arıza imzası çeşitliliğini düşürebilir.

Route 2 ise daha kuvvetli ivmelenmeler ve güç tepeleri sayesinde arızaların görünürlüğünü artırmakta; fakat aynı zamanda sağlıklı enerji kaynaklarının arızalı kaynağı telafi etmesini zorlaştırmaktadır. Çalışmanın önemli mühendislik bulgularından biri bu arıza gözlenebilirliği–enerji yönetimi yükü arasındaki dengedir.

Arıza toleranslı güç yeniden dağıtımı

Kaynak şekillerinde arıza doğrulandıktan sonra ilgili enerji kaynağının güç katkısı azaltılmakta ve Bat/SC veya diğer sağlıklı kaynakların katkıları yükseltilmektedir. Özellikle FC bozulması sırasında batarya ve süperkapasitör daha fazla güç sağlayarak çekiş talebini karşılamaya çalışmaktadır.

Route 2'de daha yüksek güç tepeleri nedeniyle yeniden dağıtım daha belirgin ve SOC değişimleri daha büyüktür. Route 3'te ise güç aktarımı daha düzgün ve depolama kaynaklarının SOC değişimleri daha sınırlıdır.

SIL ve PIL doğrulaması

SIL ortamında kapalı çevrim sistem MATLAB/Simulink 2022b'de çalıştırılmıştır. PIL aşamasında ise FDI, enerji yönetim mantığı ve FTC yeniden yapılandırmasını içeren üst seviye denetleyici STM32F407VG işlemcisine aktarılmış; fiziksel tesis modeli ana bilgisayardaki simülasyon ortamında tutulmuştur.

100 ms'lik kullanılabilir denetim periyoduna karşı en kötü durum hesaplama süresinin 6,2 ms'nin altında olması, bu donanım üzerinde üst seviye teşhis ve enerji yönetimi algoritmasının hesaplama zamanı bakımından önemli bir marja sahip olduğunu göstermektedir. Bununla birlikte bu sonuç, aracın tamamının gerçek zamanlı gömülü kontrolünün doğrulandığı anlamına gelmez; PIL deneyinde fiziksel FC–Bat–SC tesisinin kendisi gerçek donanım değildir.

Kaynağın desteklediği sonuçlar

• Gerçek GPS sürüş profillerinin kullanılması, enerji talebi ve teşhis artıklarını farklı rota dinamikleri altında sınamaya olanak vermiştir.
• EKF/CUSUM ile CNN–LSTM'nin birlikte kullanıldığı yapı, model tabanlı ve veri tabanlı teşhisi aynı kontrol zincirinde birleştirmiştir.
• LORO doğrulamasında pencere düzeyi sınıflandırma doğruluğu rotaya bağlı olarak %68,52 ile %87,04 arasında değişmiştir.
• Arıza teşhisi sonrasında FC, batarya ve süperkapasitör güç referanslarının yeniden dağıtılabildiği SIL ortamında gösterilmiştir.
• STM32F407VG üzerindeki PIL uygulaması 10 Hz üst seviye çevrim için hesaplama zamanı bakımından yeterli marj göstermiştir.
• Rota dinamiğinin hem teşhis doğruluğunu hem enerji yeniden dağıtım yükünü etkilediği gösterilmiştir.

Çalışmanın kanıtlamadığı sonuçlar

• Sistem gerçek bir hidrojenli elektrikli araç üzerinde tam araç deneyine tabi tutulmamıştır.
• Yakıt hücresi, batarya ve süperkapasitörün fiziksel arızaları gerçek bileşenlerde oluşturulup ölçülmemiştir; arızalar model parametrelerine enjekte edilmiştir.
• Elektrokimyasal ve termal davranışlar yüksek doğruluklu fiziksel modellerle temsil edilmemiştir.
• Uzun dönem batarya, yakıt hücresi veya süperkapasitör yaşlanması doğrudan modellenmemiştir.
• Raporlanan hidrojen tüketimi belirli bir ticari aracın saha tüketimi olarak yorumlanamaz.
• Çalışma alternatif EMS/FTC mimarilerine karşı sistematik bir kapalı çevrim benchmark karşılaştırması sunmamaktadır.
• Türkiye'deki trafik, yol eğimi, iklim ve araç parametrelerinde aynı sonuçların elde edileceği gösterilmemiştir.

Kaynak içindeki sayısal tutarlılık sorunu

Çalışmanın kendi enerji tanımında:

\[ E_{dem}=E_{served}+E_{ENS} \]

ve:

\[ \eta_{service}= \frac{E_{served}}{E_{dem}} \]

ilişkileri verilmektedir.

Buna karşın özet bölümünde tüm rotalarda talep edilen enerjinin %94'ünden fazlasının karşılandığı belirtilmektedir. Kaynak Tablo 4'teki ES ve ENS değerleri bu formüllerde doğrudan kullanıldığında yaklaşık hizmet oranları Route 1 için %74,81, Route 2 için %73,64 ve Route 3 için %76,33 olmaktadır. Dolayısıyla kaynakta verilen özet ifadesi ile Tablo 4'ün açık sayısal değerleri aynı yorum altında birbiriyle uyumlu görünmemektedir.

Benzer biçimde Tablo 5'in açıklamasında SIL ve PIL enerji tabanlı göstergeleri arasında göreli farkların %5'in altında olduğu ifade edilmektedir. Ancak aynı tabloda Energy Not Served değerleri Route 1 için SIL = 0,02410 ve PIL = 0,00505; Route 2 için SIL = 0,07208 ve PIL = 0,01878; Route 3 için SIL = 0,02283 ve PIL = 0,00362 olarak verilmektedir. Bu ENS çiftleri %5'ten çok daha fazla farklıdır.

Ayrıca Tablo 5'te “Average Speed” altında 30,338%, 50,699% ve 27,489% biçiminde yüzde işaretli değerler görünmektedir; çalışmanın daha önceki rota tablosunda ortalama hız km/h olarak tanımlanmıştır. Bu nedenle burada da tablo etiketleme veya biçimlendirme kaynaklı bir tutarsızlık olasılığı bulunmaktadır.

Bu Verianla açıklamasında söz konusu değerler yeniden yorumlanarak veya tahminle düzeltilmemiştir; kaynak içindeki uyuşmazlık açık biçimde korunmuştur.

Kaynak ve Yöntem Notu

Tam özgün başlık: Route-Aware AI-Assisted Fault Diagnosis and Fault-Tolerant Energy Management for Hybrid Hydrogen Electric Vehicles: SIL and PIL Validation

Yazar sırası: Sihem Nasri; Aymen Mnassri; Nouha Mansouri; Abderezak Lashab; Juan C. Vasquez; Adnane Cherif.

Sorumlu yazar: Juan C. Vasquez.

Kurumlar: Analyze and Process Electrical and Energy Signals (ATSSEE) Research Laboratory, University of Tunis Manar, Tunus; Higher School of Engineering Technologies, ESPRIT, Tunus; Center for Research on Microgrids (CROM), Department of Energy Technology, Aalborg University, Danimarka.

Dergi: Actuators.

Yayınevi: MDPI.

Yayın: 2026, Cilt 15, Makale 126.

Gönderim tarihi: 15 Aralık 2025.

Revizyon tarihi: 29 Ocak 2026.

Kabul tarihi: 4 Şubat 2026.

Yayın tarihi: 16 Şubat 2026.

Kaynak türü: Hakemli araştırma makalesi.

DOI: 10.3390/act15020126.

Resmî bağlantı:https://doi.org/10.3390/act15020126

Lisans: Creative Commons Attribution (CC BY).

Finansman: Yazarlar araştırmanın dış finansman almadığını ve makale işlem ücretinin de harici bir kuruluş tarafından karşılanmadığını bildirmiştir.

Patent: Yazarlar bu çalışma sonucunda patent oluşmadığını bildirmiştir.

Veri erişilebilirliği: Çalışmada kullanılan sürüş profilleri GPS tabanlı hız ve yükseklik bilgilerinden türetilmiştir. Ham rota verileri konuma bağlı bilgi içerdiğinden gizlilik ve yerel veri paylaşım kısıtları nedeniyle kamuya açık yayımlanmamıştır. Simülasyon modelleri, işlenmiş veri setleri ve eğitilmiş AI modellerinin makul talep üzerine sorumlu yazardan edinilebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmiştir.

Bilimsel kanıt sınırı: Çalışmadaki gerçek dünya unsuru GPS tabanlı sürüş profilleridir. FC–Bat–SC güç sistemi, arıza enjeksiyonları ve enerji göstergeleri kontrol amaçlı matematiksel modeller üzerinden üretilmiştir. PIL aşaması denetleyicinin STM32F407VG üzerinde çalıştırılmasıyla hesaplama zamanını ve SIL ile davranışsal tutarlılığı sınamaktadır; tam fiziksel araç doğrulaması değildir.

Kaynak içi veri tutarlılığı notu: Özet bölümündeki “talep edilen enerjinin %94'ünden fazlasının karşılanması” ifadesi ile Tablo 4'teki ES/ENS değerlerinin, çalışmanın kendi hizmet verimi denklemi kullanılarak hesaplanan sonuçları arasında sayısal uyumsuzluk bulunmaktadır. Tablo 5'in SIL–PIL farklarının %5'in altında olduğu açıklaması da aynı tablonun ENS sütunlarındaki açık değerlerle uyumlu görünmemektedir. Bu uyuşmazlıklar kaynak dışından veri eklenerek düzeltilmemiştir.

Yöntem özeti: Araştırma; gerçek GPS rota verilerinden çekiş talebi üretimi, kontrol amaçlı FC–Bat–SC elektriksel modelleme, EKF artık/yenilik analizi, CUSUM değişim tespiti, CNN–LSTM zaman serisi sınıflandırması, LORO rota bazlı genelleme testi, sentetik parametre tabanlı arıza enjeksiyonu, teşhis güdümlü enerji yeniden dağıtımı ve STM32F407VG üzerinde PIL doğrulamasını tek kapalı çevrim çalışma zincirinde birleştirmektedir.