Бул изилдөө, литий-ион батареяların саламаттык абалыnu (State of Health, SoH) баалоо жана normal эскирүү davranışından өзүнчөlan örüntüleri belirlemek үчүн автоэнкодер менен klasik машиналык үйрөнүүni birleştiren гибриддик bir мамиле geliştiriyor. NASA'nın B0005, B0006, B0007 жана B0018 батарея эскирүү маалыматтарindeki çok өзгөрмөli sinyaller önce bir автоэнкодер tarafından 64 boyutlu жашыруун өкүлчүлүкe sıkıştırılıyor; bu өзгөчөлүктөр daha sonra Random Forest, сызыктуу регрессия, CNN-LSTM жана GRU моделдерinin SoH баалоосуnde kullanılıyor. Булак Таблица 2'de жашыруун өзгөчөлүктөрle çсатып алууan Random Forest эң төмөн ката маанилерini elde ediyor: MAE 0,0109, RMSE 0,0285 жана R² 0,9693. Ошентсе да bu натыйжалар dört NASA батарея маалымат топтомуne aittir; чыныгы электр унаа флотсуу, динамикалык жүрүү циклi же унаа üstü өндүрүш BMS тестi эмес.

Ыкмаin ikinci kolu батареяdaki сатып алууılmadık davranışları белгиленген bir бузулуу классlandırıcжылуулук yerine iki gкыскачаimsiz mekanizmайla araştırıyor. Автоэнкодерnın bir циклi ne kadar kötü кайра oluşturduğunu ölçen кайра куруу катасы үч-сигма eşiğiyle мааниlendirilirken, Isolation Forest жашыруун өзгөчөлүк uzайındaki nadir же структуралык катары ар түрдүү noktaları айırıyor. PCA, t-SNE жана UMAP визуалдыкleri de жогорку boyutlu жашыруун өкүлчүлүкin iki boyutta кантип kümelendiğini жана жогорку кайра oluşturma каталарının кайсы bölgelerde ortайa çıktığını көрсөтөт. Бирок изилдөөдө аномалия аныктоо үчүн белгиленген ground-truth üzerinden precision, recall, F1 же ROC-AUC маалыматlmediğinden, системанын чыныгы батарея бузулууlarını белгилүү bir тактык катышыyla диагностика ettiği sonucuna varılamaz.

Түркия жагынан: Изилдөө Түркия'deki электр унаа флотları, жергиликтүү климат koşulları, тез кубаттоо сатып алууkanlıkları же чыныгы унаа батарея пакетlerinden elde edilmiş талаа маалыматsi içermemektedir. Түркия'de bir BMS колдонмоsına tэскирүүdan önce ар түрдүү уяча kimyaları жана üreticалдыга, батарея пакети деңгээлi уяча тең салмакsizlikleri, yaz-kış температураları, тез кубаттоо, шаар ичинде жана узак жол милдет циклдерi менен чыныгы унаа сенсор ызы-чуусу üzerinde көз карандысыз валидация керек. NASA маалыматтарindeki төмөн баалоо катаsı, Түркия'deki чыныгы унааlarda ошол эле SoH doğruluğunun garanti edildiği anlamına gelmez.

Изилдөөнүн негизги көйгөйү эмне?

Lityum-ион батареяларın эскирүүsı tek bir өзгөрмөle мененrleyen түз bir процесс эмес. Gerilim, ток, температура, сыйымдуулук, колдонуу geçmişi жана цикл davranışı бирге değişebilir. Ошондуктан bir батареяnın mevcut саламаттык абалыnu гана жөнөкөй bir ийрини ылайыктоо модельiyle баалоо кубатleşebilir.

Изилдөөчүлөр iki мамиле арасындаki boşluğa фокусlanmaktadır. Derin öğrenme моделдерi татаал жана сызыктуу эмес örüntüleri öğrenebilir бирок эсептөө чыгымы жана айarlama gereksinimi жүкselebilir. Geleneksel машиналык үйрөнүү daha hafif болушу мүмкүн бирок başarжылуулук çoğu убакыт elle tasarlanmış өзгөчөлүктөрe bтармакlıdır.

Önerмененn çözüm, bu iki мамилеси айırmak yerine birleştirmektir: автоэнкодер ham же ön işlenmiş батарея sinyallerinden kendi өзгөчөлүктөрini öğrenirken Random Forest bu sıkıştırılmış temsilden SoH баалоосу yapar.

Автоэнкодер эмне үчүн kullanılıyor?

Автоэнкодер iki негизги bölümden oluşur: encoder жана decoder. Encoder жогорку boyutlu батарея sinyalini daha küçük bir gizil жанаktöre айланууtürür:

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

Decoder болсо bu gizil жанаktörden özgün girdiyi кайра oluşturачыткы çсатып алууır:

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

Ağ, giriş менен кайра oluşturulan чыгуу арасындаki айырмаı küçülterek eğitildiğinde, жашыруун мейкиндикın girdideki маанилүү düzenlilikleri tашып кетүүası beklenir. Изилдөөda gizil boyut 64 катары seçilmiştir.

Авторлор bu жашыруун өкүлчүлүкi батареяnın түздөн-түз ölçülmeyen iç саламаттык абалыnun маалымат tabanlı bir кыскачаi катары yorumlamaktadır. Kapкислотаe азаюуsı, direnç büyümesi жана термалдык etkмененr gibi процессlerin чыңалуу, ток жана температура ilişkалдыгаnde iz bırakabмененceği düşünülmektedir. Ошентсе да gizil өзгөрмөlerin электрохимиялык физикалык durum өзгөрмөleriyle bire bir eşмаани болгону эксперименттик катары kanıtlanmamıştır.

Girdi маалыматsi кантип hazırlanıyor?

Ham маалыматтар цикл bazındaki чыңалуу, ток, сыйымдуулук, температура жана убакыт жазууларыndan işlenmektedir. Geçersiz же eksik girdмененr temizlenmekte, өзгөрмөler нормалдаштырылган edilmekte жана убакыт катарлары туруктуу uzunluklu кабатталган терезеlere өзүнчөlmaktadır.

Булак Bölüm 3.2'de терезе girdisini чыңалуу \(V_c(t)\), ток \(I_c(t)\) жана сыйымдуулук \(Q_c(t)\) üzerinden şu biçimde диагнозmlar:

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

жана:

\[ d=3T \]

катары маалыматr.

Бирок маалымат топтому ачыкlamasında жана автоэнкодер bölümünde чыңалуу, ток жана температура üçlüsü баяндооlmaktadır. Демек сыйымдуулук/температура өзгөрмөlerinin encoder girdisinde tam катары кайсы баскычda kullanıldığı булак үчүнde tamamen tutarlı biçimde түшүндүрүлгөн эмес.

Standarтизеasyon кантип түзүмlıyor?

Ortalama:

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

жана дисперсия:

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

hesaplandıktan sonra girdмененr:

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

ifadesiyle standartlaştırılmaktadır. \(\varepsilon\), sıfıra bölünmeyi önlemek үчүн kullanılan küçük туруктууtir.

Автоэнкодер кайсы жоготууla eğitiliyor?

Изилдөөda автоэнкодер kайbı кайра куруу катасыna ek катары модель параметрleri жана encoder Jacobian'ı üzerinde düzenlмененştirme içermektedir:

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

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

Булак кошумча Gaussian ызы-чуусу eklenerek denoising amacı uygulanabмененceğini билдирет. Bunun amacı тармакın гана кемтиксууz sinyali ezberlemek yerine küçük өлчөө bozulmalarına karşı daha туруктуу bir temsil öğrenmesidir.

Pencere өзгөчөлүктөрi цикл seviyesine кантип айланууtürülüyor?

Her батарея циклinde çok sайıda терезе bulunabilir. Encoder tarafından her терезеye üretмененn \(Z_{c,w}\) gizil жанаktörleri цикл seviyesinde:

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

biçimindeki кыскача istatistiklerle birleştirilmektedir. Böylece tek bir циклin ар түрдүү anlarındaki өлчөөлөр daha компакт bir sтармакlık temsiline айланууtürülür.

Reconstruction error менен аномалия кантип бар?

Normal örüntüyü iyi öğrenen bir автоэнкодерnın сатып алууılmış bir батарея циклini төмөн катаyla кайра oluşturması beklenir. Булак örnek деңгээлindeki кайра куруу катасыnı:

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

түрүндө диагнозmlar.

Çevrim seviyesindeki ката:

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

катары hesaplanır.

Андан кийин:

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

менен standartlaştırılır жана:

\[ |z_c|>k \]

koşulu аномалия işareti катары колдонулат. Изилдөөda \(k=3\) seçilmiştir; yani үч-сигма kuralına göre normal кайра oluşturma ката dтармакılımından күчтүү biçimde uzaklaşan циклдер işaretlenmektedir.

Isolation Forest эмне үчүн ikinci bir аномалия методу катары kullanılıyor?

Reconstruction error, автоэнкодерnın girdiyi кайра üretmekte zorlandığı циклдерi belirler. Isolation Forest болсо ар түрдүү bir soru sorar: жашыруун өзгөчөлүк uzайında кайсы циклдер diğerlerinden структуралык катары izoledir?

Algoritma өзгөчөлүк uzайını rastgele bölerek sıra dışı noktaların daha az bölmeyle izole edilmesinden yararlanır. Böylece кайра куруу катасы жогорку olачыткыn бирок жашыруун өзгөчөлүк komимаратsyonu тейлөөından sıra dışı olan örnekler de potansiyel катары belirlenebilir.

Изилдөө iki методуn tamamlайıcı болгонуnu коргонууktadır; бирок белгиленген чыныгы бузулуу маалыматsine karşı тактык ölçütü жанаrmemektedir. Ошондуктан “аномалия” burada түздөн-түз физикалык батарея бузулуусуyla eş anlamlı эмес.

SoH үчүн кайсы баалоо моделдерi karşılaştırıldı?

Dört модель колдонулган:

• Linear Regression (LR): Gizil uzайın түз баалоо gücü үчүн жөнөкөй референс модель.
• Random Forest (RF): Gizil өзгөчөлүктөр арасындаki сызыктуу эмес ilişkалдыга karar даракları topluluğuyla модельleyen ыкма.
• CNN-LSTM: Çevrim/жашыруун өзгөчөлүктөр üzerindeki структуралык жана ырааттуу ilişkалдыга öğrenmek amacıyla kullanılan derin модель.
• GRU: Zaman bтармакımlılıklarını daha компакт tekrarlайan тармак түзүмsıyla модельleyen ыкма.

Random Forest үчүн Optuna менен 50–120 дарак жана 3–12 максимум тереңдик аралыгында sekiz deнымдуулукe түзүмlmıştır. En iyi түзүм 86 дарак жана максимум тереңдик 11 катары raporlanmış жана кайчылаш текшерүү текшерүү MAE'si болжол менен 0,00789 табылган.

CNN-LSTM жана GRU болсо 64 жашыруун бирдик, 64 batch өлчөмү, Adam оптималдаштырууu жана \(10^{-3}\) үйрөнүү ылдамдыгыyla eğitilmiştir. Булак her fold'un гана beş итерация eğitildiğini билдирет. Ошондуктан derin моделдер менен optimize edilmiş Random Forest арасындаki аткарым айырмаı модель классlarının mutlak üstünlük рейтингsı катары yorumlanmamalıdır.

Leaжана-One-Group-Out эмне үчүн маанилүү?

Leaжана-One-Group-Out (LOGO) кайчылаш текшерүүda белгилүү bir grup окутууden tamamen dışarıda bırагымlır жана модель bu görülmemiş grupta мааниlendirilir. Изилдөө bu мамилеси ар түрдүү батареялар арасында жалпыleme sтармакlamlığı баалоосу үчүн kullanmaktadır.

Bu мамиле sıradan rastgele örnek bölünmesine kıyasla маанилүү; ошол эле батареяnın birbirine çok benzeyen циклдерinin hem окутуу hem тест tarafında bulunmasından булакlanabмененcek iyimserliği azaltmайı максатlar.

Hangi модель эң төмөн баалоо катаsını жанаrdi?

Булак Таблица 2'de Random Forest belirgin biçimde эң төмөн MAE жана RMSE'ye sahiptir. LR ikinci sıradadır. CNN жана GRU'nun ката маанилерi çok daha жогоркуtir жана R² маанилерi терсtir.

Negatif R² ne anlama geliyor?

Булак Таблица 2'de CNN үчүн R² −21,2515 жана GRU үчүн −15,2340 катары билдирилген. Negatif R², ilgili тест düzeninde модельin баалооlerinin hedef өзгөрмөin жөнөкөй орточоsını kullanачыткы kıyasla dahi zайıf kalabildiğini gösteren bir işarettir.

Бирок булакta CNN жана GRU гана туруктуу архитектура жана чектелген окутууle çсатып алууtırılmıştır. Ошондуктан терс натыйжаларdan “CNN же GRU батарея SoH баалоосуne uygun эмес” biçiminde жалпы bir натыйжа çıkarılamaz.

Gizil uzай чыныгыten anlamlı bilgi taşıyor mu?

Изилдөө bunu birkaç ар түрдүү yolla изилдейт. PCA, t-SNE жана UMAP, 64 boyutlu жашыруун мейкиндикı iki boyuta indirerek örneklerin структуралык dтармакılımını визуалдаштырууktedir.

Сүрөт 6'daki PCA графiğinde noktalar кайра куруу катасы менен түсlendirilmiştir жана жогорку катаlı bölgelerin белгилүү lokal kümelerde yoğunlaştığı görülmektedir. Сүрөт 7 t-SNE менен жергиликтүү түзүмyı, Сүрөт 8 болсо UMAP üzerinden daha сфералык жашыруун мейкиндик түзүмsını көрсөтөт.

Bunlar визуалдык temsil табылгаларıdır; kümelerin түздөн-түз белгилүү электрохимиялык бузулуу türlerini temsil ettiği белгиленген текшерүүyla gösterilmemiştir.

Gizil өзгөчөлүк физикалык өлчөөлөрle ilişkili mi?

Сүрөт 9'da ilk gizil boyut менен чыңалуу, ток жана температура арасындаki корреляция matrisi берилген. Изилдөөчүлөр ilk жашыруун өзгөчөлүк менен чыңалуу арасында 0,766 оң корреляция raporlamaktadır.

Сүрөтde болжол менен катары Lat0–ток ilişkisi −0,18 жана Lat0–температура ilişkisi −0,38 деңгээлinde gösterilmektedir. Bu талдоо жашыруун мейкиндикın tamamen rastgele bir kod olmadığını жана en azından bazı ölçülebilir физикалык sinyallerle статистикалык ilişki taşıdığını destekler. Korelasyon, gizil boyutun түздөн-түз белгилүү bir электрохимиялык өзгөрмөi ölçtüğü же эмне үчүнsel катары onu temsil ettiği anlamına gelmez.

Anomali графикlerinde ne görülüyor?

Сүрөт 10 цикл başına кайра куруу катасы маанилерinin büжүк bölümünün төмөн seviyelerde болгонуnu бирок белгилүү indekslerde күчтүү жүкselmeler ortайa çıktığını көрсөтөт. Сүрөт 11'in гистограммаı da ката dтармакılımının büжүк ölçüde төмөн маанилерde yoğunlaştığını жана az sайıdaki жогорку ката örneğinin uzun bir kuyruk oluşturduğunu көрсөтөт.

Сүрөт 12, Isolation Forest натыйжаларыnı жашыруун мейкиндикın төмөн boyutlu projeksионunda iki ар түрдүү grup катары көрсөтөт. Bu визуалдык структуралык өзүнчөşmanın bulunduğunu gösтескериe de кайсы nokдиагнозn кайсы физикалык бузулуу mekanizmasına karşılık geldiği булакta doğrulanmamaktadır.

İstatistiksel салыштыруу ne söylüyor?

Изилдөөчүлөр модель аткарымlarını eşleştirilmiş t-тестleriyle karşılaştırmış жана RF–LR, RF–CNN жана RF–GRU салыштырууlarının tamamı үчүн \(p<0,001\) raporlamıştır.

Bu натыйжа изилдөөнүн kendi fold жана модель түзүмlandırmaları үчүнde аткарым айырмаlarının статистикалык катары belirgin болгонуnu destekler. Бирок статистикалык anlamlılık, karşılaştırılan бардык модель aмененlerinin ошол эле деңгээлde гиперпараметр оптималдаштырууuna tabi tutulduğu anlamına gelmez.

Реалдуу убакыттагы BMS колдонууı чыныгыten тест edildi mi?

Kısmen. Изилдөөda гана CNN жана GRU үчүн өзүнчөntılı inference кечигүүsi жана параметр саны берилген:

Random Forest жана сызыктуу регрессияun hafif жана тез болгону ifade edilse de bu iki модель үчүн ошол эле тажрыйбаde сандык latency же параметр/bellek өлчөөü маалыматlmemektedir. Мындан тышкары автоэнкодер + Random Forest zincirinin tamamı чыныгы bir автомобилдик BMS процессорsinde benchmark edilmemiştir.

Изилдөөнүн күчтүү жактары кайсылар?

• Özellik çıkarımını elle tasarlamak yerine автоэнкодерyla öğrenmesi.
• SoH баалоосу менен gкыскачаimsiz аномалия талдоосуni ошол эле жашыруун өкүлчүлүк üzerinde birleştirmesi.
• Dört өзүнчө NASA батареяsı kullanması.
• Leaжана-One-Group-Out кайчылаш текшерүү колдонмоsı.
• MAE, RMSE, R² жана %95 güжанаn аралыкlarını бирге raporlaması.
• PCA, t-SNE жана UMAP менен жашыруун өкүлчүлүкi визуалдаштырууsi.
• Gizil өзгөчөлүк менен физикалык өзгөрмөler арасында корреляция талдоосу сууnması.
• Reconstruction error жана Isolation Forest olmak üzere iki ар түрдүү аномалия мамилеси kullanması.

Изилдөө колдогон натыйжалар

• 64 boyutlu автоэнкодер жашыруун өзгөчөлүктөрi, булакta kullanılan NASA маалыматтарinde SoH баалоосу үчүн kullanılabilir bilgi tашып кетүүaktadır.
• Булакта kullanılan окутуу protokolünde жашыруун өзгөчөлүк + Random Forest түзүмlandırması karşılaştırılan моделдер арасында эң төмөн MAE жана RMSE'yi sтармакlamıştır.
• Linear Regression'ın da жогорку R² elde etmesi, жашыруун өкүлчүлүкde SoH менен ilişkili күчтүү bir түзүм bulunduğunu колдойт.
• Reconstruction error, bazı циклдерi normal кайра oluşturma örüntüsünden күчтүү biçimde айırabilmektedir.
• Isolation Forest жашыруун өзгөчөлүк uzайındaki sıra dışı örneklerin belirlenmesinde ikinci bir gкыскачаimsiz ыкма катары kullanılabilmektedir.
• İlk жашыруун өзгөчөлүк менен өлчөнгөн чыңалуу арасында булакta 0,766 корреляция билдирилген.

Изилдөө колдобогон же текшербеген натыйжалар

• AE+RF'nin чыныгы электр унаа флотсууnda ошол эле MAE/RMSE маанилерini koruyacтармакını көрсөтпөйт.
• Модель ар түрдүү батарея kimyaları жана ар түрдүү üreticалдыгаn уячаlerinde ырасталган эмес.
• Sıfır altı температура, динамикалык чыныгы айдоо, тез кубаттоо жана чыныгы пакет деңгээлi уяча тең салмакsizlikleri kapsamlı biçimde тест edilmemiştir.
• Reconstruction error же Isolation Forest tarafından işaretlenen her nokдиагнозn чыныгы физикалык батарея бузулуусу болгону kanıtlanmamıştır.
• Anomali аныктооi үчүн precision, recall, F1, specificity же ROC-AUC берилген эмес.
• Random Forest'ın бардык CNN, LSTM же GRU архитектураlerinden жалпы катары üstün болгону kanıtlanmamıştır.
• AE+RF'nin учtan uca чыгаруу кечигиши чыныгы автомобилдик BMS аппараттык жабдыкında өлчөнгөн эмес.
• Изилдөө SoH hedef мааниinin кантип üretildiğini өзүнчөntılı жана tek anlamlı bir физикалык теңдемеle raporlamamaktadır.
• Gizil өзгөрмөlerin белгилүү электрохимиялык durum өзгөрмөleriyle bire bir eşleştiği kanıtlanmamıştır.
• Silhouette Score үчүн сандык bir натыйжа сууnulmadığından küme айırma başarımı bu ölçüt üzerinden сандык катары мааниlendirмененmez.

Изилдөөнүн методу жана табылгалары

Kullanılan NASA батарея маалымат топтомдору

Булак, bu dört батареяnın ошол эле эксперименттик алкак астында ар түрдүү bozulma траекторияларi göstermesini модельin батареялар arası sтармакlamlığını sınamak үчүн yararlı görmektedir.

Автоэнкодер айarları

Булак, автоэнкодерnın өзүнчөntılı катмар-катмар convolution topolojisini tam катары raporlamamaktadır. Özet “convolution neural network autoencoder” ifadesini kullanırken ыкма bölümü daha жалпы encoder–decoder matematiksel диагнозmı жанаrmektedir.

Random Forest гиперпараметр оптималдаштырууu

Булак ичиндеги dikkat: Random Forest'ın теориялык ачыкlamasında \(N=200\) дарак ifadesi de бар. Nihai Optuna айarında болсо 86 дарак билдирилген; iki маани булакta өзүнчө bтармакlamlarda geçmektedir.

CNN-LSTM жана GRU окутуу айarları

Tam модель аткарым таблицасуу

Таблицаnun ana mesajı, изилдөөnın kendi окутуу жана LOGO текшерүү koşullarında RF жана LR'nin CNN/GRU'dan çok daha төмөн ката üretmesidir. Ошентсе да RF өзгөчө катары Optuna менен айarlanmış, CNN жана GRU болсо чектелген окутуу астында бааланган.

İstatistiksel anlamlılık

Eşleştirilmiş t-тестlerinde:

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

билдирилген. Bu маанилер изилдөөнүн kullandığı fold натыйжалары үчүнde RF ката dтармакılımının diğer моделдерden ар түрдүү болгонуnu колдойт.

Сүрөт 2–5: Модель натыйжалары ne көрсөтөт?

Сүрөт 2 чыныгы hedef маанилер менен RF, LR, CNN жана GRU баалооlerini ошол эле örnek indeksinde салыштырууktadır. RF eğrisi чыныгы маанилерe en жакын түзүмdайken CNN жана GRU geniş yawlar көрсөтөт.

Сүрөт 3 моделдерin MAE, RMSE жана R² ölçütlerini toplu катары karşılaştırır. CNN жана GRU'nun büжүк терс R² маанилерi ошол эле окde gösterildiği үчүн визуалдык ölçek RF жана LR арасындаki küçük айырмаları басаңдатууtadır.

Сүрөт 4 ката dтармакılımı boxplotlarında RF'nin en dar жана sıfıra жакын ката dтармакılımını gösterdiğini; CNN жана GRU'nun daha geniş ката аралыкlarına sahip болгонуnu көрсөтөт.

Сүрөт 5 кайчылаш текшерүү орточо MAE жана стандарттык четтөөlarını сууnar; RF жана LR'nin төмөн, CNN жана GRU'nun жогорку ката bölgesinde kaldığı görülmektedir.

Сүрөт 6–9: Gizil uzай ne баяндооyor?

Сүрөт 6 64 boyutlu temsilin PCA izdüşümünü кайра куруу катасы менен түсlendirerek сууnmaktadır.

Сүрөт 7 t-SNE'nin жергиликтүү gizil түзүмdaki normal/аномалия ажыратууını визуалдаштырууktedir.

Сүрөт 8 UMAP izdüşümünde сфералык түзүмyı жана жогорку кайра куруу катасы bölgelerini көрсөтөт.

Сүрөт 9 ilk gizil өзгөрмө менен физикалык sinyaller арасындаki корреляция matrisidir. Metinde чыңалуу корреляцияu 0,766 катары vurgulanmaktadır.

Сүрөт 10–12: Anomali аныктооi

Сүрөт 10 цикл bazında кайра куруу катасыnın убакыт/indeks boyunca değiшимini жана bazı жогорку ката sıçramalarını көрсөтөт. Сүрөт 11 ката гистограммаının төмөн MSE bölgesinde күчтүү yoğunlaşma жана az sайıda жогорку ката мааниi içerdiğini көрсөтөт. Сүрөт 12 Isolation Forest tarafından өзүнчөlan noktaları төмөн boyutlu жашыруун өкүлчүлүк üzerinde сууnmaktadır.

Bu üç визуалдык аномалияlerin маалымат uzайında belirlenebildiğini көрсөтөт; бирок белгиленген чыныгы бузулуу классları bulunmadığından аныктоо doğruluğu hesaplanmamıştır.

Сүрөт 14: Hesaplama наркi

CNN үчүн 4,2 ms, GRU үчүн 0,8 ms чыгаруу кечигиши билдирилген. GRU hem daha küçük параметр саныna hem de daha төмөн кечигүүye sahiptir. AE+RF'nin tam учtan uca кечигүүsi ошол эле таблицаda bulunmadığı үчүн bu натыйжаtan түздөн-түз AE+RF'nin валisaniye деңгээлindeki изилдөө süresi hesaplanamaz.

Сүрөт 15: Gizil өзгөчөлүк ablasyonu

Сүрөт 15'in x окi 64 gizil boyut indeksini, y окi болсо ilgili өзгөчөлүк kaldırıldığında же değiştirildiğinde MAE өсүшını көрсөтөт. Bazı gizil boyutların баалоо катаsı üzerinde diğerlerinden daha büжүк etkiye sahip болгону görülmektedir.

Ошентсе да bölüm metni “ар түрдүү latent sizes” тест edildiğini söylerken график bireysel latent boyutların öнымдуулукini көрсөтөт görünümündedir. Ошондуктан изилдөөдөn 16, 32 же 64 boyutlu encoderların системаatik biçimde karşılaştırıldığı sonucu çıkarılmamalıdır.

Сүрөт 16–17: Artık талдоосу

Random Forest жана Linear Regression калдык гистограммаları sıfıra жакын yoğunlaşmaktadır. CNN жана GRU калдыкlarında болсо geniş, оң салмакlı dтармакılım görünmektedir.

Residual–prediction графикlerinde de RF жана LR sıfır çizgisinin çстадияsinde daha чектелген dтармакılım көрсөтөтken CNN жана GRU'da баалоо seviyesine bтармакlı daha belirgin ката түзүмları бар. Bu, булак Таблица 2'deki жогорку ката маанилерiyle tutarlıdır.

Изилдөөнүн негизги методологияk чектөөлөрү

• Yalnız dört NASA батарея маалымат топтому колдонулган.
• Gerçek унаа милдет циклдерi чектелген temsil edilmektedir.
• Değişken температура koşulları жана айрыкча sıfır altı изилдөө kapsamlı эмес.
• CNN жана GRU туруктуу түзүм жана чектелген окутууle бааланган.
• Gizil boyut 64 эмпирикалык катары seçilmiştir.
• SoH hedef этикалыкetinin булакta ачык bir физикалык formülle диагнозmlanmaması кайра өндүрүлө ала турганlik açжылуулукndan bir raporlama boşluğudur.
• Anomali аныктооi белгиленген бузулуу ground-truth'u üzerinde сандык классификация ölçütleriyle ырасталган эмес.
• AE+RF'nin автомобилдик классı BMS процессорsi üzerinde учtan uca кечигүүsi raporlanmamıştır.

Булак жана метод эскертүүсү

Толук оригиналдуу изилдөө аталышы: Autoencoder-Based Latent Representation Learning, SoH Estimation, and Anomaly Detection in Electric Vehicle Battery Energy Storage Systems

Авторлор жана sıraları: Nagendra Kumar; Anubhav Agrawal; Rajeev Kumar; Manoj Badoni.

Eş katkı/eş birinci автор: Булакта belirtilmemiştir.

Жооптуу автор: Rajeev Kumar.

Мекемелер: Electrical and Electronics Engineering Department, GL Bajaj Institute of Technology & Management, Greater Noida, India; Department of Electronics and Communication Engineering, BML Munjal Uniжанаrsity, 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.

Журнал: Vehicles.

Басма: MDPI, Basel, Switzerland.

Жарыялануу bilgisi: Vehicles 2026, 8, 81.

DOI: 10.3390/жанаhicles8040081.

Расмий шилтеме:https://doi.org/10.3390/жанаhicles8040081

Булак түрү: Hakemli изилдөө макалаsi; kamuya ачык литий-ион батарея эскирүү маалымат топтомдору üzerinde автоэнкодер tabanlı temsil öğrenme, регрессия модельi салыштырууsı жана gкыскачаimsiz аномалия талдоосу изилдөөsıdır.

Рецензия/жарыялануу абалы: Булакта макалаnin 28 Şubat 2026'da alındığı, 30 Mart 2026'da revize edildiği, 2 Nisan 2026'da kabul edildiği жана 7 Nisan 2026'da yайımlandığı белгиленет.

Лицензия: Creatiжана Commons Attribution (CC BY).

Каржылоо: Изилдөө dış каржылоо almadığını bildirmektedir.

Маалымат жеткиликтүүлүгү: Özgün кошулмаларın изилдөө үчүнde bulunduğu жана ilaжана soruların sorumlu авторa yöneltмененbмененceği көрсөтүлгөн.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы olmadığını bildirmiştir.

Авторлордун салымдары: Kavramsallaştırma, методология жана yazılım N.K.; текшерүү R.K. жана M.B.; biçimsel талдоо A.A., R.K. жана M.B.; изилдөө R.K.; булакlar A.A. жана M.B.; маалымат катып жетилүүasyonu A.A.; ilk taslak N.K.; текшерүү жана düzenleme R.K.; визуалдаштыруу A.A., R.K. жана M.B.; gкыскачаim жана proje башкарууi R.K.; каржылоо edinimi R.K. катары көрсөтүлгөн.

Илимий мазмун чеги: Bu Verianla yazжылуулукndaki маалымат топтому, formüller, модель айarları, аткарым маанилерi, аномалия мамилеси, istatistikler, график yorumları жана чектөөлөр ганаca incelenen изилдөөya daкүйүүktadır. Dış булакlardan yeni батарея аткарымı же SoH sonucu eklenmemiştir.

Elektrikli унаа колдонмоsı чекı: Изилдөөnın başlığı жана amacı электр унаа батарея энергия сактоо системаlerini hedeflemektedir; бирок модель текшерүүsı чыныгы bir өндүрүш электр унаа флотсуу же унаа üstü BMS yerine NASA B0005, B0006, B0007 жана B0018 эскирүү маалыматтарiyle түзүмlmıştır.

Girdi өзгөрмөi raporlama notu: Veri kümesi ачыкlaması жана автоэнкодер metni чыңалуу, ток жана температура sinyallerini vurgularken Bölüm 3.2'nin matematiksel giriş жанаktörü чыңалуу, ток жана сыйымдуулукyi kullanmaktadır. Bu булак içi ар түрдүүlık giderilmiş маалымат катары берилген эмес.

SoH этикалыкeti notu: İncelenen ыкма bölümünde баалоо hedefi SoH катары adlandırılmasına rтармакmen сыйымдуулукden SoH'ye айланууümü диагнозmlайan ачык жана tek anlamlı hedef этикалыкeti formülü маалыматlmemektedir. Ошондуктан MAE жана RMSE маанилерi түздөн-түз “yüzde упай SoH катаsı” biçiminde кайра adlandırılmamıştır.

Random Forest параметр notu: Bölüm 3.6.2 жалпы RF ачыкlamasında N=200 karar тармакacı ifadesi колдонулган. Optuna оптималдаштырууunda болсо en iyi модель n_estimators=86 жана max_depth=11 катары билдирилген. İki sайı булак үчүнde ар түрдүү bтармакlamlarda bulunduğundan sessizce birleştirilmemiştir.

R² notu: Özet R² мааниini болжол менен 0,96, Таблица 2 0,9693 катары маалыматrken натыйжа bölümünde маани tipoграфик катары “099” biçiminde yer almaktadır. Sайısal салыштырууda Таблица 2'deki 0,9693 колдонулган.

PCA/PSA notu: Özet жашыруун мейкиндик талдооlerinden birini “PSA” катары yazmaktadır; натыйжа bölümü жана Сүрөт 6 методу PCA катары көрсөтөт. Bu Verianla yazжылуулукnda натыйжа bölümündeki чыныгы график PCA катары adlandırılmıştır жана кыскача үчүнdeki yazım кошумча bu notta сакталган.

Silhouette Score notu: Özet kümeleme аткарымının Silhouette Score менен ölçüldüğünü билдирет; бирок incelenen ыкма жана натыйжа bölümlerinde сандык bir Silhouette Score sonucu берилген эмес. Булакта bulunачыткыn маани üretilmemiştir.

Anomali текшерүү чекı: Reconstruction error жана Isolation Forest аномалияleri визуалдык катары изилденген; бирок белгиленген чыныгы аномалия классları üzerinden sensitivity, specificity, precision, recall, F1 же ROC-AUC raporlanmamıştır.

Модель салыштыруу чекı: Random Forest Optuna гиперпараметр оптималдаштырууuna tabi tutulurken CNN жана GRU туруктуу түзүм жана fold başına beş итерацияla бааланган. Ошондуктан изилдөөнүн натыйжалары ilgili тажрыйба protokolü үчүнdeki салыштырууyı destekler; бардык терең үйрөнүү архитектураlerine karşı жалпы üstünlük kanıtı эмес.

Реалдуу убакыттагыlık чекı: CNN жана GRU үчүн сандык inference кечигүүsi маалыматlmiş, RF/LR жана tam AE+RF zinciri үчүн салыштырууга боло турган сандык latency өлчөөü raporlanmamıştır. Gerçek автомобилдик классı BMS üzerinde учtan uca талаа тестi берилген эмес.

Сүрөт 15 notu: Bölüm metni ар түрдүү latent dimensionality маанилерinin тест edildiğini туюнтатken şeklin окleri bireysel latent boyut indekslerine karşı MAE өсүшını көрсөтөт. Ablasyon protokolünün bu kısmı булакta tamamen tek anlamlı эмес.