Бул изилдөө, электрокимиялык энергия сактоо объекттерinde сенсор маалыматтары, эксперттик баалоолор, риск жайылуу байланыштары, техникалык стандарттар ve ири тил моделдерин ошол эле чечим колдоо системасы içinde birleştiren түшүндүрүлүүчү bir коопсуздук жана тейлөө алкагы önermektedir. Sistem гана bir объектe genel risk упайı vermeyi değil, riskin hangi клетка, батарея пакети, батарея кластери, муздатуу системасы, өрт өчүрүү системасы, кубат электроникасы veya батарея башкаруу системасы компонентinden kaynaklandığını ve diğer компоненттерe nasıl yayılabileceğini түшүндүрмөyı максат кылат.

Risk değerlendirmesi sekiz ana kategori, 26 faktör, 42 ички фактор ve 87 риск пунктуnden oluşmaktadır. Bunların 32’si температура, чыңалуу, ток, нымдуулук ve сигнал сандары gibi сандык маалыматтарe; 55’i ise fiziksel hasar, өрт hazırlığı, байланыш arızası veya тейлөө eksikliği gibi эксперт incelemesi gerektiren сапаттык değerlendirmelere dayanmaktadır. Faktör ağırlıkları бүдөмүк аналитикалык иерархия процессиyle belirlenmiş, сандык riskler alarm sıklığına dayalı CRPS yaklaşımıyla, сапаттык riskler ise оордук-ыктымалдык-таасирленүү модельiyle упайlanmıştır.

Çerçeve, Кытай’de işletilmekte olan altı enerji depolama станциянынun 2024 маалыматтарi üzerinde uygulanmıştır. Riskler arasındaki neden-sonuç bağlantılarının упайlara eklenmesi, altı станциянын Mart 2024 değerlendirmelerinde toplam risk упайларыnı en az yüzde 7 azaltmış; başka bir ifadeyle гана түз görülen sorunlara değil, bu sorunların tetikleyebileceği ikincil risklere de dikkat çekmiştir. Birinci станцияda temmuz-eylül döнымдуулукinde artan ашыкча заряд ve ашыкча разряд alarmları, клетка kullanım ve yaşlanma risklerinin упайларыnı düşürürken normal çalışan altıncı станцияda ошол эле örüntü görülmemiştir.

Ири тил модели bölümü, risk упайларыnı doğal dilde түшүндүрмөk ve техникалык стандарттарla ilişkilendirilmiş тейлөө сунуштары üretmek için RAG, кайра иреттөө, prompt дизайны ve тармактык майда жөндөө kullanmaktadır. Bilgi sorularında майда жөндөлгөн Qwen3-8B модельi кубатlü sonuç маалыматrken, risk түшүндүрмөsı ve тейлөө сунушу gibi daha kapsamlı görevlerde tam ölçekli моделдер arasında Kimi-K2.6, майда жөндөлгөн моделдер arasında ise Qwen2.5-14B daha жогорку değerlendirme упайлары almıştır. Sonuçlar, küçük моделдерin тармак билими için etkili biçimde uyarlanabileceğini; бирок аралашşık тейлөө чечимlarında модель büyüklüğü ve genel akıl yürütme kapasitesinin hâlâ öнымдуулукli olduğunu көрсөтөт.

Түркия жагынан öнымдуулукi: Түркияда kurulacak veya işletilen batarya энергия сактоо объекттеринде клетка sıcaklığı, чыңалуу, ток ve alarm kayıtlarının; өрт өчүрүү системасы, soğutma altyapısı, BMS, кубат dönüştürücü ve saha denetimleriyle birlikte değerlendirilmesi коопсуздук açısından öнымдуулукli bir yaklaşım sunmaktadır. Ancak изилдөөnın риск пункттары, eşikleri, teknik belgeleri ve тейлөө сунуштары Кытай стандарттарыna göre hazırlanmıştır. Түркияда колдонууга geçmeden önce risk indeksinin yürürlükteki yerli mevzuat, şebeke bağlantı kuralları, өрт güvenliği gereklilikleri, объект mimarileri ve маалымат koruma hükümleriyle yeniden kurulması; ар башка iklim bölgelerindeki gerçek объект маалыматтарiyle doğrulanması ve yapay zekâ сунуштарinin ыйгарымдуу инженер onayı olmadan otomatik olarak ekipmana uygulanmaması gerekir. Изилдөөdan Түркия’ye özgü өрт olasılığı, maliyet kazancı veya zorunlu тейлөө ыкмаi түз çıkarılamaz.

Изилдөө, ири тил моделиni коопсуздук kontrolörü olarak değil, insan тейлөө персоналыne түшүндүрмө ve чечим desteği sağlayan bir katman olarak konumlandırmaktadır. Önerilen sistemin mevcut sürümü өрт söndürme, soğutma veya кубат dönüştürme ekipmanına түз komut vermemektedir. Bu sınır, yanlış veya eksik bir yapay zekâ yanıtının fiziksel объектte түз tehlike oluşturmasını azaltan öнымдуулукli bir коопсуздук ilkesidir.

Изилдөөнүн temel problemi nedir?

Elektrokimyasal энергия сактоо объекттери çok sayıda батарея клеткасы, батарея пакети, батарея кластери, кубат dönüştürücü, батарея башкаруу системасы, термалдык башкаруу системасы, байланыш altyapısı ve өрт söndürme компонентinden oluşmaktadır. Bu компоненттерden birindeki arıza гана yerel bir sorun olarak kalmayabilir; ısı, elektriksel dengesizlik, байланыш kaybı veya kontrol hatası üzerinden diğer alt sistemlere yayılabilir.

Geleneksel risk değerlendirme ыкмаleri çoğu zaman экспертların belirli aralıklarla verdiği упайlara veya tek bir arıza senaryosuna dayanır. Bu ыкмаler hangi riskin daha öнымдуулукli olduğunu sıralayabilir, бирок упайın neden düştüğünü, sorunun hangi компоненттерi etkileyebileceğini ve тейлөө ekibinin hangi işlemleri hangi sırayla yapması gerektiğini her zaman түшүндүрмөz.

Изилдөөnın çözmeye çalıştığı üç temel boşluk şunlardır:

• Tesisin tamamını kapsayan, сенсор маалыматтары ile эксперт görüşlerini birleştiren dinamik риск баалооnin eksikliği,
• Risk упайларыnın nedenlerini ve risk yayılım yollarını тейлөө персоналыne anlaşılır biçimde açıklayamaması,
• Risk değerlendirmesi ile техникалык стандарттарa dayalı uygulanabilir тейлөө сунуштары arasında түз bağlantı bulunmaması.

Önerilen sistemin genel mimarisi

Изилдөөnın altıncı sayfasındaki Şekil 1, sistemin iki ana bölümünü көрсөтөт. Birinci bölüm hiyerarşik риск баалооdir. Sensör маалыматтарi ve эксперт bilgileri; risk indeksine, фактор салмактарыna, risk упайларыna ve faktörler arası bağlantılara dönüştürülmektedir.

İkinci bölüm ири тил модели tabanlı тейлөө чечим desteğidir. Risk sonuçları; техникалык стандарттар, ekipman kılavuzları, akademik yayınlar ve geçmiş işletme kayıtlarıyla birlikte çok kaynaklı bir маалымат tabanına aktarılmaktadır. Kullanıcının sorusu geldiğinde ири тил модели ilgili belgeleri getirerek riskin түшүндүрмөsını ve тейлөө сунуштарыni üretmektedir.

Çerçevenin temel маалымат akışı şöyledir:

1. Sensör ve saha denetim маалыматтарinin toplanması,
2. Risk maddelerinin сандык veya сапаттык olarak упайlanması,
3. Faktör ağırlıklarının uygulanması,
4. Risk yayılım bağlantılarıyla упайларыn yeniden hesaplanması,
5. En kritik risklerin belirlenmesi,
6. İlgili стандарт ve тейлөө belgelerinin RAG ile getirilmesi,
7. Ири тил моделиnin түшүндүрмө ve тейлөө сунушу üretmesi,
8. Sonucun mühendis veya тейлөө персоналыne sunulması.

Hiyerarşik risk indeksinin kapsamı

Изилдөөnın 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 эксперт tarafından değerlendirilen 87 ayrı gösterge.

Nicel ve сапаттык риск пункттары

Toplam 87 риск пунктуnin 32’si сандык, 55’i сапаттык olarak sınıflandırılmıştır. Nicel maddeler sensörlerden veya işletme kayıtlarından alınabilen температура, чыңалуу, SOC, нымдуулук, маалыматm ve alarm sayısı gibi değişkenlerdir.

Nitel maddeler ise түз sürekli sensörle ölçülmesi zor olan клетка kabuğu deformasyonu, өрт erişiminin yetersizliği, тейлөө deneyimi eksikliği, boru hasarı veya söndürücü sistem arızası gibi konuları камтууktadır. Bu maddeler saha denetimleri ve эксперттик баалоолорyle упайlanmaktadır.

Bu iki маалымат türünün birleştirilmesi, гана elektronik sensörlere dayanan ыкмаlere göre объектin daha büyük bölümünü kapsayabilir. Bunun karşılığında sonuçlar экспертların değerlendirme kalitesine ve denetimler arasındaki tutarlılığa bağımlı hâle gelmektedir.

Faktör ağırlıkları nasıl аныкталган?

Risk faktörlerinin ошол эле öнымдуулукe sahip olmadığı kabul edilmiştir. Altı эксперт, her faktör çiftinin göreli öнымдуулукini dilsel ölçeklerle салыштырган. “Eşit öнымдуулукli”, “orta derecede öнымдуулукli” veya “тактыкle daha öнымдуулукli” 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.

Изилдөөda CR ≤ 0,1 olması kabul edilebilir tutarlılık koşulu olarak колдонулган. Oran bu değeri aştığında, matris özgün эксперт görüşlerine mümkün olduğunca yakın kalacak biçimde yinelemeli olarak onarılmıştır. Daha sonra фактор салмактары бүдөмүк аналитикалык иерархия процессиyle hesaplanmıştır.

Nicel sensör riskleri nasıl упайlanmıştır?

Alarm sayısı ve alarm düzeyine dayanan сандык riskler için Кумулятивдик риск упай системасы колдонулган:

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

Burada I риск пунктуnin коопсуздук упайını, α сезгичтик katsayısını, i alarm düzeyini, n_i ilgili düzeydeki alarm sıklığını ve A alarm düzeyi sayısını көрсөтөт. Изилдөөda α genellikle 0,6 alınmıştır.

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

Nitel riskler nasıl упайlanmıştır?

Uzman değerlendirmesine dayanan maddelerde Şiddet, Olasılık ve Maruz Kalma модельi колдонулган:

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

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

Yüksek S, P ve E değerleri daha olumsuz коопсуздук durumunu ifade eder. Formülde en жогорку упай 10’dur. Ancak изилдөөda β için kullanılan kesin değer ve negatif sonuçların alt sınırda nasıl sınırlandırıldığı açık biçimde маалыматlmemiştir.

Risk yayılım ağı neden колдонулган?

Bir enerji depolama объектindeki riskler birbirinden bağımsız değildir. Soğutma sistemindeki debi kaybı клетка sıcaklığını yükseltebilir; температура artışı клетка yaşlanmasını hızlandırabilir; BMS өлчөө hatası ise bu температура artışının geç algılanmasına neden olabilir.

Изилдөөnın onuncu sayfasındaki Şekil 3, 42 ички фактор arasındaki yönlü neden-sonuç ilişkilerini көрсөтөт. Okun başlangıç noktası neden olan riski, hedef noktası ise etkilenebilecek riski temsil etmektedir. Ağ, altı экспертın 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 упайıdır. Изилдөөda упайın düzeltilmesi şu yapıyla маалыматlmiştir:

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

Bir ички фактор birden fazla riskten etkileniyorsa hesaplanan düzeltilmiş упайларыn en düşüğü seçilmektedir. Böylece en olumsuz bağlantının sonuçta görünür olması amaçlanmaktadır.

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

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

w ilgili faktörün bulanık hiyerarşi ыкмаiyle hesaplanan ağırlığıdır. Düşük коопсуздук упайı ve жогорку ağırlık, daha жогорку risk katkısı түзөт.

Risk yayılım упайı nasıl yorumlanmalıdır?

Düzeltilmiş упайın başlangıç упайından төмөн olması, yeni bir fiziksel arızanın gözlendiği anlamına gelmez. Bu azalma, экспертların tanımladığı neden-sonuç bağlantıları nedeniyle mevcut bir riskin başka alt sistemleri etkileyebileceğinin matematiksel ifadesidir.

Dolayısıyla yüzde 7 veya daha büyük упай düşüşleri gerçek arıza olasılığındaki ölçülmüş yüzde artış olarak yorumlanmamalıdır. Bunlar, изилдөө tarafından tasarlanan упайlama sistemindeki göreli değişimlerdir.

Çok kaynaklı билим базасы

Изилдөөnın 12. sayfasındaki Şekil 5, ири тил моделиnin kullandığı маалымат tabanını üç ana gruba ayırmaktadır:

• Alan bilgisi: Ulusal стандарттар, техникалык колдонмолор, kullanıcı belgeleri ve akademik yayınlar,
• Risk değerlendirme маалыматтарi: Risk упайлары, indeksleme sistemi, фактор салмактары, упайlama algoritmaları ve bağlantı ağı,
• Geçmiş işletme маалыматтарi: Sensör kayıtları, alarm düzeyleri, тейлөө geçmişi ve эксперт anketleri.

Bu yapı, ири тил моделиnin гана genel bilgisine dayanmak yerine her объектin risk sonuçlarıyla ilgili teknik belgeleri birlikte kullanmasını максат кылат.

Ири тил модели nasıl alana uyarlanmıştır?

Изилдөөda yerel ve çevrimdışı kullanım için iki aşamalı bir eğitim süreci tasarlanmıştır. İlk aşama anlamsal uyum ön eğitimidir. Enerji depolama belgeleri kullanılarak модельin 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 тейлөө, риск баалоо 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 колдонулган?

Ири тил моделиnin bütün parametrelerini güncellemek жогорку bellek ve hesaplama maliyeti түзөт. Изилдөөчүлөр bu maliyeti düşürmek için төмөн даражалуу ыңгайлаштыруу 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; гана daha küçük A ve B matrisleri eğitilmiştir. Bu yaklaşım, tek bir RTX 4090 ekran kartıyla 7B ve 14B ölçekli моделдерin uyarlanmasını mümkün hâle getirmeyi максат кылат.

RAG süreci nasıl изилдөөktadır?

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

Her metin parçası 1024 boyutlu bir vektöre dönüştürülmüştür:

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

Изилдөөda çok dilli BAAI/bge-m3 embedding модели, LangChain ve Chroma вектордук маалымат базасы колдонулган. Kullanıcı sorusu ошол эле модельle vektöre dönüştürülmüş ve косинус окшоштугуne 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 кайчылаш коддогучyla yeniden sıralanmış; anlamsal, mantıksal ve bağlamsal uygunluğu daha жогорку parçalar seçilmiştir. Son yanıt kullanıcı sorusu, риск баалоо, getirilen belgeler ve yapılandırılmış istem birlikte kullanılarak oluşturulmuştur.

Üretilen тейлөө yanıtının biçimi

Изилдөөnın 15. sayfasındaki istem örneğinde модельden önce üç ila altı kısa gerekçe, ardından dört ila altı maddelik sonuç üretmesi istenmektedir. Yanıtın şu sırayı izlemesi önкөрүлгөн:

1. Genel risk değerlendirme sonucu,
2. En kritik risklerin açıklanması,
3. İki veya üç uygulanabilir тейлөө сунушу,
4. Mümkün olduğunda стандарт numarası ve madde referansı.

Bu yapı, тейлөө персоналыne uzun ve dağınık bir metin yerine kısa ve eyleme dönük çıktı sunmayı максат кылат.

Altı талаа станциясы

Изилдөөda Кытай’in ар башка iklim ve işletme koşullarındaki altı faal станциянын 2024 сенсор маалыматтары колдонулган.

Uzman grubunun yapısı

Faktör ağırlıkları ve риск байланыш тармагы için altı эксперт görevlendirilmiştir. Uzmanların deneyimleri 7–16 yıl arasında değişmektedir. Изилдөө grubu; клетка geliştirme, kalite kontrol, sistem mimarisi, BMS geliştirme ve энергия сактоо системасы tasarımı alanlarını камтууktadır.

Uzman sayısı ve alan çeşitliliği колдонууга yönelik bilgi sağlamaktadır. Bununla birlikte bütün экспертların ошол эле ülke ve endüstriyel çevreden gelmesi, değerlendirmelerin ар башка düzenleyici ve işletme kültürlerine түз aktarılmasını sınırlandırabilir.

Saha risk упайларыnın sonuçları

Изилдөөnın 17. sayfasındaki Şekil 6, altı станциянын yıllık başlangıç ve düzeltilmiş упайларыnı, ayrıca ашыкча заряд ve ашыкча разряд alarmlarının aylık ısı haritasını көрсөтөт. Bütün станцияlarda bağlantı ağı uygulandıktan sonra genel упай төмөндөгөн.

Mart 2024 değerlendirmesinde станция düzeyindeki болжол менен azalmalar şöyledir:

En büyük genel değişim üçüncü станцияda, en төмөн değişim altıncı станцияda көрүлгөн. C8 kategorisi bağlantı ağında başlangıç düğümü olduğu için түз başka risklerden etkilenmemiş ve kategori düzeyinde düzeltilmemiştir.

Birinci ve altıncı станция karşılaştırması

Изилдөөnın 18. sayfasındaki Şekil 8, birinci станция ile altıncı станциянын ашыкча заряд ve ашыкча разряд alarm sonuçlarını салыштырат.

Birinci станция temmuz-eylül 2024 döнымдуулукinde yüksüz изилдөө evresine girmiş ve alarm sayısı belirgin biçimde көбөйгөн. Bunun sonucunda ашыкча заряд/разряд риск пункту, anormal клетка kullanımı ички факторü ve клетка risk kategorisinin упайлары төмөндөгөн.

Altıncı станцияda сигнал сандары daha төмөн ve туруктуу kalmış, risk упайında ошол эле türde belirgin bir azalma oluşmamıştır. Bu örnek, tekrarlanan sensör alarmlarının hiyerarşik yapı içinde üst düzey risk упайларыna nasıl taşındığını көрсөтөт.

Birinci станция için örnek тейлөө түшүндүрмөsı

Mart 2024 için birinci станциянын başlangıç упайı 9,422752, bağlantı sonrası упайı 8,686389 olarak маалыматlmiştir. Изилдөөdaki ири тил модели yanıtında bunlar 100 üzerinden болжол менен 94,2 ve 86,9 olarak ifade edilmiştir.

Model, кубат электроникасы ile батарея кластери risklerini öнымдуулукli katkılar arasında göstermiş; BMS өлчөө sorunlarını, termal yayılım göstergelerini ve кубат dönüştürücü davranışını kontrol edilmesi gereken alanlar olarak belirtmiştir.

Üretilen сунуштар arasında sensör kalibrasyonu, yedekli өлчөө kontrolü, батарея кластери ve paketlerde termal denetimin кубатlendirilmesi ve кубат dönüştürücünün dinamik davranışının ilgili стандарттарa göre sınanması bulunmaktadır.

Bilgi soruları nasıl değerlendirilmiştir?

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

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

Yanıtlar beş enerji depolama экспертı tarafından 0–5 aralığında упайlanmıştır. Uzman упайлары iki упайdan fazla ayrıldığında ortak değerlendirme yapılması, daha küçük farklarda ortalamanın alınması önкөрүлгөн.

Bilgi sorularında hangi моделдер öne çıkmıştır?

Изилдөөnın 22. sayfasındaki Şekil 11’e göre майда жөндөлгөн Qwen3-8B; anlamsal anlama, terminoloji ve тармак билими boyutlarında en жогорку veya en жогорку değerlere yakın sonuçları üretmiştir. Mantıksal boyutta Kimi-K2.6 en жогорку sonucu almıştır.

İnce ayarlı Llama3.1-8B de tatmin edici performans көрсөткөн. İnce ayarlı Qwen2.5-7B ise değerlendirilen моделдер arasında belirgin biçimde daha төмөн sonuç vermiştir.

Bu sonuç, küçük модельin гана parametre sayısıyla değerlendirilmemesi gerektiğini; kaliteli alan маалыматsiyle yapılan uyarlamanın belirli bilgi görevlerinde daha büyük genel моделдерi geçebileceğini көрсөтөт.

Kapsamlı тейлөө soruları nasıl değerlendirilmiştir?

Altı станциянын 2024 yılı üç aylık sonuçlarından 24 kapsamlı soru hazırlanmıştır. Bu sorular risk упайının açıklanmasını, en olası risklerin belirlenmesini ve тейлөө сунушу üretilmesini istemiştir.

Yanıtlar dört ölçüte göre упайlanmıştır:

• Doğruluk: Risk маалыматтарinin 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 түз karşılanması.

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

Kapsamlı sorulardaki модель sonuçları

Tam ölçekli моделдер arasında hem insan hem yapay zekâ değerlendiricileri Kimi-K2.6 модельini en жогорку nihai упайa sahip модель olarak seçmiştir. İnsan экспертlara göre DeepSeek-V3.2 doğrulukta; Kimi-K2.6 ise yapı, açıklık ve kullanıcı niyetine uyumda öne çıkmıştır.

İnce ayarlı açık моделдер arasında Qwen2.5-14B en жогорку nihai упайı almıştır. Qwen3-8B bilgi sorularında кубатlü olmasına rağmen kapsamlı risk түшүндүрмөlarında insan эксперт değerlendirmesine göre ошол эле başarıyı koruyamamıştır.

Qwen3 ailesinin ар башка büyüklükleri karşılaştırıldığında kapsamlı görev performansı genel olarak модель büyüklüğüyle көбөйгөн. Bu durum, teknik bilgi ezberinin yanı sıra çok aşamalı risk ilişkilerini sentezlemenin daha жогорку genel akıl yürütme kapasitesi gerektirebileceğini düşündürmektedir.

Değerlendirme ыкмаinin sınırları

Kapsamlı тейлөө yanıtlarının tek bir doğru cevabı bulunmadığından эксперт değerlendirmesi anlaşılabilir bir tercihtir. Bununla birlikte изилдөөda değerlendiriciler arası Cohen kappa, sınıf içi korelasyon veya Krippendorff alfa gibi uyum istatistikleri маалыматlmemiştir.

Başka ири тил моделдеринn hakem olarak kullanılması değerlendirme maliyetini azaltabilir; бирок benzer eğitim маалыматтарi, dil tercihleri veya biçim yanlılıkları nedeniyle cevapları bağımsız bir коопсуздук валидацияsı olarak kabul edilemez.

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

Mevcut ыкмаlerle karşılaştırma

Изилдөө сунушталган ыкмаi FAHP-CRITIC ve D-ANP tabanlı risk değerlendirmeleriyle салыштырат.

Изилдөөnın temel yeniliği tek tek ыкмаlerden ziyade risk упайlama, bağlantı analizi, belge getirme ve doğal dilde чечим desteğini ошол эле iş akışında birleştirmesidir.

Gerçek zamanlı değerlendirme iddiasının sınırı

Nicel риск пункттарыnin sensör маалыматsiyle güncellenebilmesi teknik olarak gerçek zamana yakın değerlendirmeye olanak verebilir. Ancak изилдөөnın saha sonuçları yıllık, aylık ve üç aylık toplulaştırmalarla gösterilmiştir.

Alarmdan тейлөө сунушуne kadar geçen süre, маалымат işleme gecikmesi, LLM yanıt süresi, sürekli hizmet kullanılabilirliği ve ошол эле anda çok sayıda станциянын işlenmesi ölçülmemiştir. Bu nedenle gerçek zamanlı endüstriyel performans henüz tam olarak gösterilmiş değildir.

Çevrimiçi ve çevrimdışı kullanım

Çerçeve iki ар башка kurulum biçimi önermektedir:

• Çevrimiçi kullanım: Büyük bir модельin API’si kullanılır. Yerel hesaplama maliyeti төмөнtür бирок маалыматnin dış hizmete gönderilmesi gizlilik ve коопсуздук değerlendirmesi талап кылат.
• Çevrimdışı kullanım: İnce ayarlı küçük модель объект veya işletme sunucusunda çalıştırılır. Veriler yerel kalabilir бирок eğitim ve çıkarım için daha кубатlü donanım gerekir.

Изилдөөdaki 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 модель yükleme ve yerel çalıştırma için колдонулган.

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

Çerçeve түз ekipmanı kontrol ediyor mu?

Hayır. Изилдөөnın mevcut sürümü гана риск баалоо, түшүндүрмө ve тейлөө сунушу üretmektedir. Yangın söndürme sistemi, кубат dönüştürücü, муздатуу системасы veya şalt ekipmanına түз komut gönderememektedir.

Yazarlar gelecekte Model Context Protocol ve көп агенттүү yapılarla yazılım veya cihazlarla bağlantı kurulmasını önermektedir. Ancak коопсуздук açısından bu tür bir genişletme; yetkilendirme, komut валидация, fiziksel kilitleme, адамдын ырастоосу, geri alma ve hata durumuna güvenli geçiş gibi ek kontroller талап кылат. Bu kontroller mevcut изилдөөda geliştirilmemiştir.

Изилдөө колдогон жыйынтыктар

• Sensör маалыматтарi ile эксперттик баалоолор ошол эле hiyerarşik risk yapısında birleştirilebilir.
• Risk bağlantı ağı, түз ölçülen sorunların başka alt sistemler üzerindeki olası etkilerini görünür hâle getirebilir.
• Altı станциянын 2024 маалыматтарi, сигнал сандарыndaki değişimin клетка ve üst kategori упайларыna yansıtılabildiğini көрсөтөт.
• RAG ve risk değerlendirme sonuçları birlikte kullanılarak yapılandırılmış тейлөө түшүндүрмөları üretilebilir.
• Alan odaklı ince ayar, küçük моделдерin teknik bilgi sorularındaki performansını belirgin biçimde geliştirebilir.
• Karmaşık risk түшүндүрмөlarında tam ölçekli моделдер genel olarak daha кубатlü sonuç verebilir.
• İnsan onaylı чечим desteği, гана упай veren түшүндүрмөsız bir risk sisteminden daha uygulanabilir olabilir.

Изилдөө эмнени далилдебейт?

• Çerçevenin өрт, termal kaçak veya ekipman arızası sayısını fiilen azalttığını далилдебейт.
• Risk упайларыnın gerçek arıza olasılığı veya beklenen maddi kayıp olduğunu göstermemektedir.
• Bağlantı düzeltmesiyle oluşan yüzde düşüşlerin gerçek riskte ошол эле oranda artış anlamına geldiğini göstermemektedir.
• Ири тил моделиnin bütün тейлөө сунуштарыnin güvenli, doğru ve eksiksiz olduğunu далилдебейт.
• Кытай стандарттарыyla oluşturulan билим базасыnın başka ülkelerde түз kullanılabileceğini göstermemektedir.
• Çerçevenin saniyeler düzeyinde gerçek zamanlı çalıştığını veya büyük filo ölçeğinde performansını göstermemektedir.
• İnsan тейлөө персоналыnin yerini alabileceğini veya ekipmanın автономдуу башкарууüne hazır olduğunu göstermemektedir.
• İncelenen altı объект dışındaki batarya kimyaları, üreticiler ve объект mimarilerinde ошол эле sonuçların elde edileceğini göstermemektedir.

Изилдөөnın başlıca чектөөлөрı

• Изилдөө рецензиядан өтпөгөнtir.
• Saha örneklemi Кытай’deki altı станцияla sınırlıdır.
• Tesislerin kapasitesi, batarya kimyası ve ayrıntılı donanım mimarileri маалыматlmemiştir.
• Risk bağlantı ağı altı экспертın görüşüne dayanmaktadır.
• Bağlantı katsayısındaki beşinci kuvvet ve G=7 sabiti için kapsamlı сезгичтик анализи sunulmamıştır.
• SPE denklemindeki β katsayısının колдонмоda kullanılan değeri açık değildir.
• Risk упайлары gerçek arıza ve тейлөө 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 сандык olarak маалыматlmemiştir.
• İnsan değerlendiriciler arasındaki uyum istatistiği raporlanmamıştır.
• LLM değerlendiricilerinin sürümleri, istemleri ve çalıştırma koşulları tam olarak açıklanmamıştır.
• Kimi-K2.6 adı ile kaynakçada маалыматlen Kimi K2.5 изилдөөsı arasında sürüm tutarsızlığı bulunmaktadır.
• Veri kümesi, kod, эксперт anketleri ve tam модель çıktıları açık erişim bağlantısıyla paylaşılmamıştır.
• Yanlış veya güvenli olmayan тейлөө сунуштарыne ilişkin özel bir коопсуздук testi yapılmamıştır.

Түркияда uygulanması için yapılması gerekenler

İlk aşamada Түркияда kullanılan энергия сактоо объекттериnin mimarileri çıkarılmalı; клетка, paket, küme, BMS, кубат dönüştürücü, termal yönetim, өрт söndürme ve saha altyapısı için ülkeye özgü bir risk indeksleme sistemi kurulmalıdır.

İkinci aşamada изилдөөdaki Кытай стандарттары yerine Түркияда yürürlükte olan teknik düzenlemeler, şebeke bağlantı koşulları, өрт güvenliği belgeleri, üretici kılavuzları ve тейлөө prosedürleri kullanılarak yerel bir билим базасы hazırlanmalıdır. Her belge sürüm, yürürlük tarihi ve madde numarasıyla izlenmelidir.

Üçüncü aşamada сенсор маалыматтарыnin ortak bir маалымат sözlüğüne dönüştürülmesi gerekir. Hücre чыңалууi, температура, ток, SOC, yalıtım, soğutma debisi, alarm kodları ve тейлөө kayıtlarının ар башка üreticiler arasında ошол эле anlamda kullanılıp kullanılmadığı doğrulanmalıdır.

Dördüncü aşamada risk упайı гана эксперт kanaatiyle değil; gerçek arıza, тейлөө müdahalesi, plansız duruş, температура olayı ve жалган сигнал sonuçlarıyla geriye dönük olarak sınanmalıdır. Modelin riskli dediği durumların ne kadarının gerçek olaya dönüştüğü ölçülmelidir.

Beşinci aşamada ири тил модели için kapalı bir коопсуздук değerlendirmesi yapılmalıdır. Var olmayan стандарт maddesi üretme, yanlış ekipman önerme, жогорку чыңалуу altında güvensiz işlem önerme, kritik uyarıyı atlama ve kullanıcıyı gereksiz müdahaleye yönlendirme senaryoları özellikle sınanmalıdır.

Son aşamada sistem гана чечим destek aracı olarak kullanılmalı; her тейлөө сунушу ыйгарымдуу инженер veya sorumlu işletme personeli tarafından doğrulanmalıdır. Yapay zekâ ile түз fiziksel ekipman kontrolü arasında bağımsız коопсуздук mantığı, yetkilendirme ve адамдын ырастоосу bulunmalıdır.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Araştırma tasarımının özeti

Risk indeksinin sayısal kapsamı

Risk упайlama ыкмаlerinin karşılaştırılması

LLM deneyinde kullanılan моделдер

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

Bilgi sorusu маалымат kümesi

Ana deneysel жыйынтыктар

Şekil ve tabloların bilimsel anlamı

• Şekil 1: Sensör ve эксперт маалыматsinden риск баалооne, oradan LLM түшүндүрмөsı ve тейлөө сунушуne uzanan genel mimariyi көрсөтөт.
• Şekil 2: Risk indeksinin kurulması, FAHP ağırlıkları, CRPS/SPE упайlama, bağlantı düzeltmesi, LLM eğitimi ve RAG adımlarını tek iş akışında көрсөтөт.
• Şekil 3: 42 ички фактор arasındaki эксперт tanımlı yönlü risk bağlantılarını көрсөтөт.
• Şekil 4: Başlangıç упайларыnın bağlantı katsayılarıyla düzeltilmesini ve risk yayılım yolunun hiyerarşik упайa taşınmasını түшүндүрмөktadır.
• Şekil 5: Standartlar, kılavuzlar, risk sonuçları ve işletme маалыматтарinden oluşan çok kaynaklı билим базасыnı көрсөтөт.
• Şekil 6: Altı станциянын yıllık başlangıç ve düzeltilmiş упайларыyla ашыкча заряд/разряд alarm ısı haritasını sunmaktadır.
• Şekil 7: Mart 2024 için sekiz risk kategorisinin altı станцияda bağlantı düzeltmesinden nasıl etkilendiğini radar grafiklerle көрсөтөт.
• Şekil 8: Birinci станцияdaki alarm artışının клетка ve üst kategori упайларыna taşınmasını, altıncı станцияdaki туруктуу durumla салыштырат.
• Şekil 9: Ири тил моделиne маалыматlen ham risk упайını, özet risk göstergelerini ve getirilen teknik bilgi parçalarını көрсөтөт.
• Şekil 10: Alan bilgisi sorusu ile risk түшүндүрмөsı ve тейлөө сунушу isteyen kapsamlı soruya маалыматlen örnek yanıtları көрсөтөт.
• Şekil 11: Modellerin anlamsal, sözcüksel, bilgi, mantık ve bütünlük упайларыnı салыштырат.
• Şekil 12: Tam ölçekli моделдерin insan ve LLM hakemleri tarafından маалыматlen kapsamlı yanıt упайларыnı көрсөтөт.
• Şekil 13: İnce ayarlı açık моделдерin doğruluk, yapı, açıklık, uyum ve nihai упайларыnı салыштырат.
• Şekil 14: Qwen3 ailesinde модель büyüklüğü ile kapsamlı görev performansı arasındaki genel ilişkiyi көрсөтөт.
• Tablo A.1–A.3: Sekiz kategori ve 87 риск пунктуnin tamamını сандык veya сапаттык sınıflandırmalarıyla sunmaktadır.
• Tablo B.2: Bilgi tabanında kullanılan Кытай enerji depolama стандарттарını listelemektedir.
• Tablo C.1: Alan bilgisi değerlendirmesinde kullanılan 30 temel soruyu көрсөтөт.

Булак жана Ыкма Эскертүүсү

Изилдөөnın 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. Изилдөөda байланыш adresi yijiewang@sjtu.edu.cn olarak маалыматlmiştir.

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: Изилдөөda “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 маалыматsi, эксперт tabanlı risk модельlemesi, RAG, ири тил модели ince ayarı ve тейлөө чечим desteğini birleştiren mühendislik preprinti.

Hakemlik durumu: Изилдөө рецензиядан өтпөгөнtir. Risk упайlama sabitleri, saha genellenebilirliği, LLM değerlendirme ыкмаi ve коопсуз тейлөө сунушу üretme kapasitesi bu чектөөla бааланышы керек.

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

Finansman: Изилдөө; Кытай 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 станциянын ham сенсор маалыматтары, эксперт karşılaştırma matrisleri, tam ince ayar маалымат kümesi, eğitim kodu ve bütün модель yanıtları için açık erişim bağlantısı маалыматlmemiştir.

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

Изилдөөnın en öнымдуулукli чектөөлөрı; гана altı Кытай станциянынun incelenmesi, risk bağlantılarının эксперт görüşüne dayanması, risk упайларыnın gerçek olay sonuçlarıyla bağımsız olarak kalibre edilmemesi, gerçek zamanlı performansın aylık ve üç aylık sonuçlarla gösterilmesi, LLM yanıtlarının коопсуздук hatalarının ayrı olarak ölçülmemesi, модель sürümlerindeki bazı tutarsızlıklar ve чийки маалымат ile kodun paylaşılmamış olmasıdır.