Ин таҳқиқот барои арзёбии ҳолати саломатии батареяҳои литий-ионӣ (State of Health, SoH) ва муайян кардани намунаҳое, ки аз раванди муқаррарии пиршавӣ фарқ мекунанд, равиши гибридиро таҳия мекунад, ки автокодерро бо омӯзиши классикии мошинӣ муттаҳид месозад. Сигналҳои бисёртағйирёбандаи маълумоти пиршавии батареяҳои B0005, B0006, B0007 ва B0018-и NASA аввал аз ҷониби автокодер ба намояндагии ниҳонии 64-ченака фишурда мешаванд; сипас ин хусусиятҳо барои арзёбии SoH дар моделҳои Random Forest, регрессияи хаттӣ, CNN-LSTM ва GRU истифода мешаванд. Дар Ҷадвали 2-и манбаъ Random Forest, ки бо хусусиятҳои ниҳонӣ кор мекунад, пасттарин қиматҳои хатогиро ба даст меорад: MAE 0,0109, RMSE 0,0285 ва R² 0,9693. Бо вуҷуди ин, ин натиҷаҳо ба чор маҷмӯи маълумоти батареяҳои NASA тааллуқ доранд; онҳо озмоиши парки воқеии нақлиёти барқӣ, давраи динамикии ронандагӣ ё BMS-и истеҳсолии дар дохили воситаи нақлиёт насбшуда нестанд.

Шохаи дуюми усул рафторҳои ғайримуқаррарии батареяро ба ҷойи классификатори тамғагузоришудаи нуқсон бо ду механизми беназорат меомӯзад. Reconstruction error, ки чен мекунад автокодер як даврро то чӣ андоза нодуруст барқарор мекунад, бо ҳадди се-сигма арзёбӣ мешавад, дар ҳоле ки Isolation Forest нуқтаҳои нодир ё аз ҷиҳати сохторӣ фарқкунандаро дар фазои хусусиятҳои ниҳонӣ ҷудо мекунад. Тасвирҳои PCA, t-SNE ва UMAP низ нишон медиҳанд, ки намояндагии ниҳонии баландченака дар ду андоза чӣ гуна гурӯҳбандӣ мешавад ва хатогиҳои баланди барқарорсозӣ дар кадом минтақаҳо пайдо мешаванд. Аммо азбаски дар таҳқиқот барои ошкорсозии аномалия precision, recall, F1 ё ROC-AUC дар асоси ground-truth-и тамғагузоришуда пешниҳод нашудааст, наметавон хулоса кард, ки система нуқсонҳои воқеии батареяро бо сатҳи муайяни дақиқӣ ташхис мекунад.

Аз нуқтаи назари Туркия: Таҳқиқот маълумоти саҳроиро аз паркҳои нақлиёти барқии Туркия, шароити иқлимии маҳаллӣ, одатҳои пуркунии босуръат ё бастаҳои батареяи воқеии воситаҳои нақлиёт дар бар намегирад. Пеш аз интиқол ба татбиқи BMS дар Туркия, санҷиши мустақил дар химияҳои гуногуни ҳуҷайра ва истеҳсолкунандагон, номутаносибии ҳуҷайраҳо дар сатҳи бастаи батарея, ҳарорати тобистону зимистон, пуркунии босуръат, давраҳои вазифавии шаҳрӣ ва масофаи дур ва садои сенсорҳои воқеии воситаи нақлиёт зарур аст. Хатои пасти пешгӯӣ дар маълумоти NASA маънои онро надорад, ки ҳамин дақиқии SoH дар воситаҳои нақлиёти воқеии Туркия кафолат дода мешавад.

Мушкилоти асосии таҳқиқот чист?

Пиршавии батареяҳои литий-ионӣ раванди хаттие нест, ки танҳо бо як тағйирёбанда пеш равад. Шиддат, ҷараён, ҳарорат, зарфият, таърихи истифода ва рафтори даврӣ метавонанд ҳамзамон тағйир ёбанд. Аз ин рӯ, арзёбии ҳолати ҷории саломатии батарея танҳо бо модели оддии мутобиқсозии каҷ метавонад душвор шавад.

Таҳқиқгарон ба холигии байни ду равиш тамаркуз мекунанд. Моделҳои омӯзиши амиқ метавонанд намунаҳои мураккаб ва ғайрихаттиро омӯзанд, аммо арзиши ҳисоббарорӣ ва талаботи танзим метавонад зиёд шавад. Омӯзиши анъанавии мошинӣ метавонад сабуктар бошад, вале муваффақияти он аксаран ба хусусиятҳои дастӣ тарҳрезишуда вобаста аст.

Ҳалли пешниҳодшуда ин аст, ки ба ҷойи ҷудо кардани ин ду равиш онҳоро муттаҳид кард: автокодер хусусиятҳои худро аз сигналҳои хом ё пешакӣ коркардшудаи батарея меомӯзад, дар ҳоле ки Random Forest аз ин намояндагии фишурдашуда SoH-ро арзёбӣ мекунад.

Чаро автокодер истифода мешавад?

Автокодер аз ду қисми асосӣ иборат аст: encoder ва decoder. Encoder сигнали баландченакаи батареяро ба вектори хурдтари ниҳонӣ табдил медиҳад:

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

Decoder бошад кӯшиш мекунад аз ин вектори ниҳонӣ вуруди аслиро барқарор кунад:

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

Вақте шабака бо кам кардани фарқи байни вуруд ва баромади барқароршуда омӯзонида мешавад, интизор меравад фазои ниҳонӣ қонуниятҳои муҳими вурудро нигоҳ дорад. Дар таҳқиқот андозаи ниҳонӣ 64 интихоб шудааст.

Муаллифон ин намояндагии ниҳониро ҳамчун хулосаи додаасоси ҳолати дохилии саломатии батарея, ки мустақиман чен намешавад, шарҳ медиҳанд. Пешбинӣ мешавад, ки равандҳое мисли камшавии зарфият, афзоиши муқовимат ва таъсирҳои ҳароратӣ метавонанд дар муносибатҳои шиддат, ҷараён ва ҳарорат из гузоранд. Бо вуҷуди ин, таҷрибавӣ исбот нашудааст, ки тағйирёбандаҳои ниҳонӣ ба тағйирёбандаҳои физикии ҳолати электрохимиявӣ як ба як баробаранд.

Маълумоти вурудӣ чӣ гуна омода мешавад?

Маълумоти хом аз сабтҳои даврии шиддат, ҷараён, зарфият, ҳарорат ва вақт коркард мешавад. Вурудҳои нодуруст ё нопурра тоза карда мешаванд, тағйирёбандаҳо нормализатсия мешаванд ва силсилаҳои вақт ба равзанаҳои ҳампӯши дарозии собит тақсим мешаванд.

Манбаъ дар Бахши 3.2 вуруди равзанаро бо шиддат \(V_c(t)\), ҷараён \(I_c(t)\) ва зарфият \(Q_c(t)\) чунин муайян мекунад:

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

ва:

\[ d=3T \]

медиҳад.

Аммо дар тавсифи маҷмӯи маълумот ва бахши автокодер сегонаи шиддат, ҷараён ва ҳарорат шарҳ дода мешавад. Аз ин рӯ, дар дохили манбаъ ба таври комилан мутобиқ шарҳ дода нашудааст, ки тағйирёбандаҳои зарфият/ҳарорат дар кадом марҳилаи вуруди encoder истифода шудаанд.

Стандартизатсия чӣ гуна анҷом дода мешавад?

Миёна:

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

ва дисперсия:

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

пас аз ҳисоб, вурудҳо бо:

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

стандартизатсия мешаванд. \(\varepsilon\) собити хурдест, ки барои пешгирӣ аз тақсим ба сифр истифода мешавад.

Автокодер бо кадом функсияи талаф омӯзонида мешавад?

Дар таҳқиқот талафи автокодер илова ба хатои барқарорсозӣ мунтазамсозиро дар параметрҳои модел ва Jacobian-и encoder дар бар мегирад:

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

Дар ин ҷо \(J_{f_\theta}(x)\) Jacobian-и encoder ва \(\|\cdot\|_F\) нормаи Frobenius-ро ифода мекунад.

Манбаъ инчунин қайд мекунад, ки бо илова кардани садои Gaussian ҳадафи denoising татбиқшаванда аст. Ҳадаф ин аст, ки шабака ба ҷойи азёд кардани танҳо сигнали комил, намояндагии ба вайроншавиҳои хурди ченкунӣ устувортарро омӯзад.

Хусусиятҳои равзана чӣ гуна ба сатҳи давр табдил дода мешаванд?

Дар ҳар даври батарея метавонад равзанаҳои зиёде бошад. Векторҳои ниҳонии \(Z_{c,w}\), ки encoder барои ҳар равзана тавлид мекунад, дар сатҳи давр бо:

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

омори ҷамъбастӣ муттаҳид карда мешаванд. Ба ин тартиб ченкуниҳои лаҳзаҳои гуногуни як давр ба намояндагии зичтари саломатӣ табдил меёбанд.

Бо reconstruction error аномалия чӣ гуна муайян мешавад?

Интизор меравад автокодере, ки намунаи муқаррариро хуб омӯхтааст, даври маъмулии батареяро бо хатои паст барқарор кунад. Манбаъ хатои барқарорсозиро дар сатҳи намуна чунин муайян мекунад:

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

чунин муайян мекунад.

Хато дар сатҳи давр:

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

ҳисоб мешавад.

Сипас бо:

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

стандартизатсия мешавад ва шарти:

\[ |z_c|>k \]

ҳамчун аломати аномалия истифода мегардад. Дар таҳқиқот \(k=3\) интихоб шудааст; яъне тибқи қоидаи се-сигма, даврҳое, ки аз тақсимоти муқаррарии хатои барқарорсозӣ хеле дур мераванд, нишонгузорӣ мешаванд.

Чаро Isolation Forest ҳамчун усули дуюми аномалия истифода мешавад?

Reconstruction error даврҳоеро муайян мекунад, ки автокодер дар барқарор кардани вуруд ба мушкил дучор мешавад. Isolation Forest бошад саволи дигар медиҳад: дар фазои хусусиятҳои ниҳонӣ кадом даврҳо аз дигарон аз ҷиҳати сохторӣ ҷудо ҳастанд?

Алгоритм фазои хусусиятҳоро ба таври тасодуфӣ тақсим мекунад ва аз он истифода мебарад, ки нуқтаҳои ғайримуқаррарӣ бо шумораи камтари тақсимҳо ҷудо мешаванд. Ҳамин тавр, намунаҳое низ метавонанд муайян шаванд, ки reconstruction error-и баланд надоранд, аммо аз ҷиҳати таркиби хусусиятҳои ниҳонӣ ғайримуқаррарӣ ҳастанд.

Таҳқиқот ду усулро иловакунандаи якдигар мешуморад; аммо нисбат ба маълумоти воқеии тамғагузоришудаи нуқсон ченаки дақиқӣ намедиҳад. Аз ин рӯ, “аномалия” дар ин ҷо бо нуқсони физикии батарея ҳаммаъно нест.

Барои SoH кадом моделҳои арзёбӣ муқоиса шуданд?

Чор модел истифода шудааст:

• Linear Regression (LR): Модели оддии истинодӣ барои қобилияти пешгӯии хаттии фазои ниҳонӣ.
• Random Forest (RF): Усуле, ки муносибатҳои ғайрихаттии байни хусусиятҳои ниҳониро бо ансамбли дарахтҳои қарор модел мекунад.
• CNN-LSTM: Модели амиқ барои омӯзиши муносибатҳои сохторӣ ва пайдарпай дар давр/хусусиятҳои ниҳонӣ.
• GRU: Усуле, ки вобастагиҳои вақтро бо сохтори фишурдатари шабакаи рекуррентӣ модел мекунад.

Барои Random Forest бо Optuna дар ҳудуди 50–120 дарахт ва 3–12 умқи ҳадди аксар ҳашт санҷиш анҷом шудааст. Сохтори беҳтарин ҳамчун 86 дарахт ва умқи ҳадди аксар 11 гузориш шудааст ва MAE-и validation-и cross-validation тақрибан 0,00789 муайян шудааст.

CNN-LSTM ва GRU бо 64 воҳиди ниҳонӣ, batch size 64, оптимизатори Adam ва суръати омӯзиши \(10^{-3}\) омӯзонида шудаанд. Манбаъ мегӯяд, ки ҳар fold танҳо панҷ итератсия омӯзонида шудааст. Аз ин рӯ, фарқи кор байни моделҳои амиқ ва Random Forest-и оптимизатсияшуда набояд ҳамчун рейтинги мутлақи бартарии синфҳои моделҳо тафсир шавад.

Чаро Leave-One-Group-Out муҳим аст?

Дар cross-validation-и Leave-One-Group-Out (LOGO) як гурӯҳи муайян пурра аз омӯзиш хориҷ мешавад ва модел дар ҳамин гурӯҳи қаблан надида арзёбӣ мешавад. Таҳқиқот ин равишро барои арзёбии устувории умумисозӣ байни батареяҳои гуногун истифода мебарад.

Ин равиш нисбат ба тақсимоти оддии тасодуфии намуна муҳим аст; ҳадаф кам кардани хушбинии зиёдатӣ мебошад, ки метавонад аз ҳузури даврҳои хеле монанди як батарея ҳам дар омӯзиш ва ҳам дар тест ба вуҷуд ояд.

Кадом модел пасттарин хатои пешгӯиро дод?

Дар Ҷадвали 2-и манбаъ Random Forest ба таври равшан пасттарин MAE ва RMSE дорад. LR дар ҷойи дуюм аст. Хатогиҳои CNN ва GRU хеле баландтар ва қиматҳои R² манфӣ мебошанд.

R²-и манфӣ чӣ маъно дорад?

Дар Ҷадвали 2-и манбаъ барои CNN R² −21,2515 ва барои GRU −15,2340 гузориш шудааст. R²-и манфӣ нишонаи он аст, ки дар сохтори тести дахлдор пешгӯиҳои модел метавонанд ҳатто нисбат ба истифодаи миёнаи оддии тағйирёбандаи ҳадаф заиф бошанд.

Аммо дар манбаъ CNN ва GRU танҳо бо меъмории собит ва омӯзиши маҳдуд истифода шудаанд. Аз ин рӯ, аз натиҷаҳои манфӣ наметавон хулосаи умумӣ баровард, ки “CNN ё GRU барои арзёбии SoH-и батарея мувофиқ нест”.

Оё фазои ниҳонӣ воқеан иттилои маънодор дорад?

Таҳқиқот инро бо чанд роҳ меомӯзад. PCA, t-SNE ва UMAP фазои ниҳонии 64-ченакаиро ба ду андоза кам карда, тақсимоти сохтории намунаҳоро визуалӣ мекунанд.

Дар графики PCA-и Шакли 6 нуқтаҳо бо reconstruction error ранг карда шудаанд ва дида мешавад, ки минтақаҳои хатои баланд дар кластерҳои муайяни маҳаллӣ ҷамъ мешаванд. Шакли 7 сохтори маҳаллиро бо t-SNE ва Шакли 8 сохтори глобалии фазои ниҳониро бо UMAP нишон медиҳад.

Инҳо натиҷаҳои визуалии намояндагӣ мебошанд; бо санҷиши тамғагузоришуда нишон дода нашудааст, ки кластерҳо мустақиман намудҳои муайяни нуқсони электрохимиявиро ифода мекунанд.

Оё хусусияти ниҳонӣ бо ченкуниҳои физикӣ алоқаманд аст?

Дар Шакли 9 матритсаи коррелятсия байни андозаи аввали ниҳонӣ ва шиддат, ҷараён ва ҳарорат дода шудааст. Таҳқиқгарон байни хусусияти аввали ниҳонӣ ва шиддат коррелятсияи мусбати 0,766 гузориш мекунанд.

Дар шакл муносибати Lat0–ҷараён тақрибан −0,18 ва Lat0–ҳарорат тақрибан −0,38 нишон дода шудааст. Ин таҳлил дастгирӣ мекунад, ки фазои ниҳонӣ коди комилан тасодуфӣ нест ва ҳадди ақал бо баъзе сигналҳои физикии ченшаванда робитаи оморӣ дорад. Коррелятсия маънои онро надорад, ки андозаи ниҳонӣ мустақиман як тағйирёбандаи муайяни электрохимиявиро чен мекунад ё сабабан онро ифода мекунад.

Дар графикҳои аномалия чӣ дида мешавад?

Шакли 10 нишон медиҳад, ки қисми зиёди reconstruction error барои ҳар давр дар сатҳҳои паст аст, аммо дар баъзе индексҳо болоравиҳои қавӣ пайдо мешаванд. Гистограммаи Шакли 11 низ нишон медиҳад, ки тақсимоти хато асосан дар қиматҳои паст мутамарказ аст ва шумораи ками намунаҳои хатои баланд думи дароз месозанд.

Шакли 12 натиҷаҳои Isolation Forest-ро дар проексияи пастченакаи фазои ниҳонӣ ҳамчун ду гурӯҳи гуногун нишон медиҳад. Ин тасвир мавҷудияти ҷудошавии сохториро нишон медиҳад, аммо манбаъ тасдиқ намекунад, ки кадом нуқта ба кадом механизми физикии нуқсон мувофиқ аст.

Муқоисаи оморӣ чӣ мегӯяд?

Таҳқиқгарон кори моделҳоро бо t-test-ҳои ҷуфтшуда муқоиса карда, барои ҳамаи муқоисаҳои RF–LR, RF–CNN ва RF–GRU \(p<0,001\) гузориш кардаанд.

Ин натиҷа дастгирӣ мекунад, ки дар доираи fold-ҳо ва конфигуратсияҳои моделии худи таҳқиқот фарқиятҳои кор аз ҷиҳати оморӣ назаррасанд. Аммо аҳамияти оморӣ маънои онро надорад, ки ҳамаи оилаҳои моделии муқоисашуда ба як сатҳи оптимизатсияи гиперпараметрҳо дучор шудаанд.

Оё истифодаи BMS-и вақти воқеӣ воқеан санҷида шудааст?

Қисман. Дар таҳқиқот танҳо барои CNN ва GRU таъхири муфассали inference ва шумораи параметрҳо дода шудааст:

Гарчанде гуфта мешавад Random Forest ва регрессияи хаттӣ сабук ва зуд ҳастанд, барои ин ду модел дар ҳамон таҷриба latency-и рақамӣ ё ченаки параметр/хотира дода нашудааст. Илова бар ин, занҷири пурраи автокодер + Random Forest дар протсессори воқеии BMS-и автомобилӣ benchmark нашудааст.

Ҷиҳатҳои қавии таҳқиқот кадомҳоянд?

• Ба ҷойи тарҳрезии дастии хусусиятҳо онҳоро бо автокодер меомӯзад.
• Арзёбии SoH ва таҳлили беназорати аномалияро дар як намояндагии ниҳонӣ муттаҳид мекунад.
• Чор батареяи алоҳидаи NASA-ро истифода мебарад.
• Cross-validation-и Leave-One-Group-Out-ро татбиқ мекунад.
• MAE, RMSE, R² ва фосилаҳои эътимоди %95-ро якҷоя гузориш мекунад.
• Намояндагии ниҳониро бо PCA, t-SNE ва UMAP визуалӣ мекунад.
• Таҳлили коррелятсия байни хусусияти ниҳонӣ ва тағйирёбандаҳои физикиро пешниҳод мекунад.
• Ду равиши гуногуни аномалия — Reconstruction error ва Isolation Forest — истифода мешаванд.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Хусусиятҳои ниҳонии 64-ченакаи автокодер дар маълумоти NASA-и истифодашуда барои арзёбии SoH иттилои қобили истифода доранд.
• Дар протоколи омӯзиши манбаъ конфигуратсияи хусусияти ниҳонӣ + Random Forest дар байни моделҳои муқоисашуда пасттарин MAE ва RMSE-ро таъмин кардааст.
• R²-и баланди Linear Regression низ дастгирӣ мекунад, ки дар намояндагии ниҳонӣ сохтори қавии вобаста ба SoH вуҷуд дорад.
• Reconstruction error метавонад баъзе даврҳоро аз намунаи муқаррарии барқарорсозӣ ба таври қавӣ ҷудо кунад.
• Isolation Forest метавонад ҳамчун усули дуюми беназорат барои муайян кардани намунаҳои ғайримуқаррарӣ дар фазои хусусиятҳои ниҳонӣ истифода шавад.
• Дар манбаъ байни хусусияти аввали ниҳонӣ ва шиддати ченшуда коррелятсияи 0,766 гузориш шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад ё насанҷидааст

• Нишон намедиҳад, ки AE+RF дар парки воқеии нақлиёти барқӣ ҳамон қиматҳои MAE/RMSE-ро нигоҳ медорад.
• Модел дар химияҳои гуногуни батарея ва ҳуҷайраҳои истеҳсолкунандагони гуногун тасдиқ нашудааст.
• Ҳарорати зери сифр, ронандагии динамикии воқеӣ, пуркунии босуръат ва номутаносибии ҳуҷайраҳо дар сатҳи бастаи воқеӣ ба таври фарогир санҷида нашудаанд.
• Исбот нашудааст, ки ҳар нуқтаи аз ҷониби Reconstruction error ё Isolation Forest нишонгузоришуда нуқсони воқеии физикии батарея аст.
• Барои ошкорсозии аномалия precision, recall, F1, specificity ё ROC-AUC пешниҳод нашудааст.
• Исбот нашудааст, ки Random Forest умуман аз ҳамаи меъмориҳои CNN, LSTM ё GRU бартарӣ дорад.
• Таъхири end-to-end inference-и AE+RF дар таҷҳизоти воқеии BMS-и автомобилӣ чен нашудааст.
• Таҳқиқот тарзи тавлиди қимати ҳадафи SoH-ро бо муодилаи физикии муфассал ва якмаъно гузориш намекунад.
• Исбот нашудааст, ки тағйирёбандаҳои ниҳонӣ ба тағйирёбандаҳои муайяни ҳолати электрохимиявӣ як ба як мувофиқанд.
• Азбаски натиҷаи рақамии Silhouette Score дода нашудааст, муваффақияти ҷудокунии кластерҳоро бо ин меъёр миқдоран арзёбӣ кардан мумкин нест.

Усул ва натиҷаҳои таҳқиқот

Маҷмӯаҳои маълумоти батареяи NASA

Манбаъ гуногун будани траекторияҳои деградатсияи ин чор батареяро дар як чаҳорчӯбаи таҷрибавӣ барои санҷиши устувории модел байни батареяҳо муфид меҳисобад.

Танзимоти автокодер

Манбаъ топологияи муфассали қабат-ба-қабати convolution-и автокодерро пурра гузориш намекунад. Хулоса ибораи “convolution neural network autoencoder”-ро истифода мебарад, дар ҳоле ки бахши усул таърифи умумитари математикии encoder–decoder-ро медиҳад.

Оптимизатсияи гиперпараметрҳои Random Forest

Нуктаи эҳтиётӣ дар дохили манбаъ: Дар шарҳи назариявии Random Forest ибораи \(N=200\) дарахт низ мавҷуд аст. Дар танзими ниҳоии Optuna бошад 86 дарахт гузориш шудааст; ин ду қимат дар манбаъ дар заминаҳои алоҳида меоянд.

Танзимоти омӯзиши CNN-LSTM ва GRU

Ҷадвали пурраи кори модел

Паёми асосии ҷадвал ин аст, ки дар шароити омӯзиш ва санҷиши LOGO-и худи таҳқиқот RF ва LR нисбат ба CNN/GRU хатои хеле камтар тавлид кардаанд. Бо вуҷуди ин, RF махсус бо Optuna танзим шудааст, дар ҳоле ки CNN ва GRU бо омӯзиши маҳдуд арзёбӣ шудаанд.

Аҳамияти оморӣ

Дар t-test-ҳои ҷуфтшуда:

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

гузориш шудааст. Ин қиматҳо дастгирӣ мекунанд, ки дар доираи натиҷаҳои fold-и таҳқиқот тақсимоти хатои RF аз дигар моделҳо фарқ дорад.

Шаклҳои 2–5: Натиҷаҳои модел чиро нишон медиҳанд?

Шакли 2 қиматҳои ҳадафи воқеиро бо пешгӯиҳои RF, LR, CNN ва GRU дар як индекси намуна муқоиса мекунад. Каҷи RF ба қиматҳои воқеӣ наздиктарин аст, дар ҳоле ки CNN ва GRU инҳирофҳои калон нишон медиҳанд.

Шакли 3 моделҳоро бо меъёрҳои MAE, RMSE ва R² ба таври ҷамъбастӣ муқоиса мекунад. Азбаски қиматҳои бузурги манфии R²-и CNN ва GRU дар ҳамон меҳвар нишон дода шудаанд, миқёси визуалӣ фарқҳои хурди байни RF ва LR-ро камнамо мекунад.

Шакли 4 дар boxplot-ҳои тақсимоти хато нишон медиҳад, ки RF тангтарин ва ба сифр наздиктарин тақсимоти хаторо дорад, дар ҳоле ки CNN ва GRU диапазонҳои васеътари хато доранд.

Шакли 5 миёнаи MAE ва инҳирофи стандартии cross-validation-ро пешниҳод мекунад; дида мешавад, ки RF ва LR дар минтақаи хатои паст, CNN ва GRU дар минтақаи хатои баланд мемонанд.

Шаклҳои 6–9: Фазои ниҳонӣ чиро мегӯяд?

Шакли 6 проексияи PCA-и намояндагии 64-ченакаиро бо рангкунии reconstruction error пешниҳод мекунад.

Шакли 7 ҷудошавии normal/anomaly-ро дар сохтори маҳаллии ниҳонӣ бо t-SNE визуалӣ мекунад.

Шакли 8 дар проексияи UMAP сохтори глобалӣ ва минтақаҳои reconstruction error-и баландро нишон медиҳад.

Шакли 9 матритсаи коррелятсия байни тағйирёбандаи аввали ниҳонӣ ва сигналҳои физикӣ мебошад. Дар матн коррелятсияи шиддат 0,766 таъкид шудааст.

Шаклҳои 10–12: Ошкорсозии аномалия

Шакли 10 тағйири хатои барқарорсозиро дар сатҳи давр аз рӯи вақт/индекс ва баъзе ҷаҳишҳои хатои баланд нишон медиҳад. Шакли 11 нишон медиҳад, ки гистограммаи хато дар минтақаи MSE-и паст мутамарказ шуда, чанд қимати баланди хато дорад. Шакли 12 нуқтаҳои ҷудокардаи Isolation Forest-ро дар намояндагии ниҳонии пастченака пешниҳод мекунад.

Ин се тасвир нишон медиҳанд, ки аномалияҳоро дар фазои маълумот муайян кардан мумкин аст; аммо азбаски синфҳои тамғагузоришудаи нуқсони воқеӣ вуҷуд надоранд, дақиқии ошкорсозӣ ҳисоб нашудааст.

Шакли 14: Арзиши ҳисоббарорӣ

Барои CNN таъхири inference 4,2 ms ва барои GRU 0,8 ms гузориш шудааст. GRU ҳам шумораи камтари параметрҳо ва ҳам таъхири пасттар дорад. Азбаски таъхири пурраи end-to-end-и AE+RF дар ҳамон ҷадвал нест, аз ин натиҷа вақти кори AE+RF-ро мустақиман дар сатҳи миллисония ҳисоб кардан мумкин нест.

Шакли 15: Ablation-и хусусияти ниҳонӣ

Меҳвари x-и Шакли 15 индекси 64 андозаи ниҳонӣ ва меҳвари y афзоиши MAE-ро ҳангоми ҳазф ё тағйири хусусияти дахлдор нишон медиҳад. Дида мешавад, ки баъзе андозаҳои ниҳонӣ нисбат ба дигарон ба хатои пешгӯӣ таъсири бештар доранд.

Бо вуҷуди ин, матни бахш мегӯяд, ки “farklı latent sizes” санҷида шудаанд, дар ҳоле ки график бештар муҳимияти андозаҳои алоҳидаи latent-ро нишон медиҳад. Аз ин рӯ, аз таҳқиқот набояд хулоса кард, ки encoder-ҳои 16, 32 ё 64-ченака ба таври низомманд муқоиса шудаанд.

Шаклҳои 16–17: Таҳлили бақияҳо

Гистограммаҳои бақияи Random Forest ва Linear Regression дар наздикии сифр ҷамъ мешаванд. Дар бақияҳои CNN ва GRU бошад тақсимоти васеъ ва ба самти мусбат майлкунанда дида мешавад.

Дар графикҳои residual–prediction низ RF ва LR дар атрофи хатти сифр паҳншавии маҳдудтар доранд, дар ҳоле ки CNN ва GRU сохторҳои равшантари хатои вобаста ба сатҳи пешгӯӣ нишон медиҳанд. Ин бо қиматҳои баланди хато дар Ҷадвали 2-и манбаъ мувофиқ аст.

Маҳдудиятҳои асосии методологии таҳқиқот

• Танҳо чор маҷмӯи маълумоти батареяи NASA истифода шудааст.
• Давраҳои вазифавии воқеии воситаи нақлиёт маҳдуд ифода шудаанд.
• Шароити ҳарорати тағйирёбанда ва махсусан кори зери сифр фарогир нест.
• CNN ва GRU бо сохтори собит ва омӯзиши маҳдуд арзёбӣ шудаанд.
• Андозаи ниҳонии 64 таҷрибавӣ интихоб шудааст.
• Дар манбаъ SoH ҳамчун нишонаи ҳадаф бо формулаи равшани физикӣ муайян нашудааст, ки барои такрорпазирӣ холигии гузоришӣ эҷод мекунад.
• Ошкорсозии аномалия дар ground-truth-и тамғагузоришудаи нуқсон бо меъёрҳои миқдории классификатсия тасдиқ нашудааст.
• Таъхири end-to-end-и AE+RF дар протсессори BMS-и дараҷаи автомобилӣ гузориш нашудааст.

Ёддошт оид ба манбаъ ва усул

Номи пурраи аслии таҳқиқот: Autoencoder-Based Latent Representation Learning, SoH Estimation, and Anomaly Detection in Electric Vehicle Battery Energy Storage Systems

Муаллифон ва тартиб: Nagendra Kumar; Anubhav Agrawal; Rajeev Kumar; Manoj Badoni.

Ҳиссаи баробар/муаллифи аввалини баробар: Дар манбаъ зикр нашудааст.

Муаллифи масъул: Rajeev Kumar.

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

Маҷалла: Vehicles.

Ношир: MDPI, Basel, Switzerland.

Маълумоти нашр: Vehicles 2026, 8, 81.

DOI: 10.3390/vehicles8040081.

Пайванди расмӣ:https://doi.org/10.3390/vehicles8040081

Навъи манбаъ: Мақолаи таҳқиқотии тақризшуда; омӯзиши намояндагӣ дар асоси автокодер, муқоисаи моделҳои регрессия ва таҳлили беназорати аномалия дар маҷмӯаҳои оммавии маълумоти пиршавии батареяҳои литий-ионӣ.

Ҳолати тақриз/нашр: Манбаъ нишон медиҳад, ки мақола 28 Феврал 2026 қабул, 30 Март 2026 бозбинӣ, 2 Апрел 2026 қабул ва 7 Апрел 2026 нашр шудааст.

Иҷозатнома: Creative Commons Attribution (CC BY).

Маблағгузорӣ: Таҳқиқот хабар медиҳад, ки маблағгузории беруна нагирифтааст.

Дастрасии маълумот: Гуфта мешавад саҳмҳои аслӣ дар дохили таҳқиқот ҷой доранд ва саволҳои иловагӣ метавонанд ба муаллифи масъул ирсол шаванд.

Таъорузи манфиатҳо: Муаллифон хабар додаанд, ки таъорузи манфиатҳо вуҷуд надорад.

Саҳмҳои муаллифон: Консептуализатсия, методология ва нармафзор N.K.; санҷиш R.K. ва M.B.; таҳлили формалӣ A.A., R.K. ва M.B.; таҳқиқ R.K.; захираҳо A.A. ва M.B.; куриронии маълумот A.A.; тарҳи аввал N.K.; бозбинӣ ва таҳрир R.K.; визуализатсия A.A., R.K. ва M.B.; назорат ва идораи лоиҳа R.K.; гирифтани маблағгузорӣ R.K. нишон дода шудааст.

Ҳудуди мазмуни илмӣ: Маҷмӯи маълумот, формулаҳо, танзимоти модел, қиматҳои кор, равиши аномалия, омор, тафсири графикҳо ва маҳдудиятҳои ин матни Verianla танҳо ба таҳқиқоти баррасишуда асос ёфтаанд. Аз манбаъҳои беруна натиҷаи нави кори батарея ё SoH илова нашудааст.

Ҳудуди татбиқи нақлиёти барқӣ: Ном ва ҳадафи таҳқиқот системаҳои нигоҳдории энергияи батареяи нақлиёти барқиро ҳадаф мегиранд; аммо санҷиши модел ба ҷойи парки истеҳсолии воқеии нақлиёти барқӣ ё BMS-и дар автомобил насбшуда бо маълумоти пиршавии NASA B0005, B0006, B0007 ва B0018 анҷом шудааст.

Ёддошти гузориши тағйирёбандаи вуруд: Тавсифи маҷмӯи маълумот ва матни автокодер сигналҳои шиддат, ҷараён ва ҳароратро таъкид мекунанд, дар ҳоле ки вектори математикии вуруди Бахши 3.2 шиддат, ҷараён ва зарфиятро истифода мебарад. Ин фарқи дохилии манбаъ ҳамчун маълумоти мутобиқшуда пешниҳод нашудааст.

Ёддошти нишонаи SoH: Дар бахши усули баррасишуда ҳадафи пешгӯӣ SoH номида мешавад, аммо формулаи равшан ва якмаънои нишонаи ҳадаф барои табдили зарфият ба SoH дода нашудааст. Аз ин рӯ, қиматҳои MAE ва RMSE мустақиман ҳамчун “хатои нуқтаи фоизии SoH” аз нав номгузорӣ нашудаанд.

Ёддошти параметри Random Forest: Бахши 3.6.2 дар шарҳи умумии RF ибораи N=200 дарахти қарорро истифода мебарад. Дар оптимизатсияи Optuna бошад модели беҳтарин n_estimators=86 ва max_depth=11 гузориш шудааст. Азбаски ду рақам дар манбаъ дар заминаҳои гуногун омадаанд, онҳо пинҳонӣ муттаҳид карда нашудаанд.

Ёддошти R²: Хулоса R²-ро тақрибан 0,96 ва Ҷадвали 2 0,9693 медиҳад, дар ҳоле ки дар бахши натиҷа қимат ба таври типографӣ “099” омадааст. Дар муқоисаи рақамӣ 0,9693-и Ҷадвали 2 истифода шудааст.

Ёддошти PCA/PSA: Хулоса яке аз таҳлилҳои фазои ниҳониро “PSA” менависад; бахши натиҷа ва усули Шакли 6 онро PCA нишон медиҳанд. Дар ин матни Verianla графики воқеии бахши натиҷа PCA номида шуда, навишти хулоса дар ҳамин ёддошт нигоҳ дошта шудааст.

Ёддошти Silhouette Score: Хулоса мегӯяд, ки кори кластеркунӣ бо Silhouette Score чен шудааст; аммо дар бахшҳои усул ва натиҷаҳои баррасишуда натиҷаи рақамии Silhouette Score дода нашудааст. Қимате, ки дар манбаъ нест, тавлид нашудааст.

Ҳудуди санҷиши аномалия: Аномалияҳои Reconstruction error ва Isolation Forest визуалӣ баррасӣ шудаанд; аммо sensitivity, specificity, precision, recall, F1 ё ROC-AUC нисбат ба синфҳои воқеии тамғагузоришудаи аномалия гузориш нашудааст.

Ҳудуди муқоисаи модел: Random Forest ба оптимизатсияи гиперпараметрии Optuna дучор шудааст, дар ҳоле ки CNN ва GRU бо сохтори собит ва панҷ итератсия барои ҳар fold арзёбӣ шудаанд. Аз ин рӯ, натиҷаҳои таҳқиқот муқоисаро дар протоколи таҷрибавии дахлдор дастгирӣ мекунанд; онҳо далели бартарии умумӣ нисбат ба ҳамаи меъмориҳои омӯзиши амиқ нестанд.

Ҳудуди вақти воқеӣ: Барои CNN ва GRU таъхири рақамии inference дода шудааст, аммо барои RF/LR ва занҷири пурраи AE+RF ченаки рақамии муқоисашавандаи latency гузориш нашудааст. Озмоиши саҳроии end-to-end дар BMS-и воқеии дараҷаи автомобилӣ пешниҳод нашудааст.

Ёддошти Шакли 15: Матни бахш мегӯяд, ки қиматҳои гуногуни latent dimensionality санҷида шудаанд, дар ҳоле ки меҳварҳои шакл афзоиши MAE-ро нисбат ба индексҳои андозаҳои алоҳидаи latent нишон медиҳанд. Ин қисми протоколи ablation дар манбаъ комилан якмаъно нест.