Ushbu tadqiqot litiy-ion batareyalarning sog‘liq holatini (State of Health, SoH) baholash va normal qarish xatti-harakatidan chetga chiqadigan naqshlarni aniqlash uchun avtokoder bilan klassik mashinaviy o‘rganishni birlashtiruvchi gibrid yondashuvni ishlab chiqadi. NASAning B0005, B0006, B0007 va B0018 batareya qarish ma’lumotlaridagi ko‘p o‘zgaruvchili signallar avval avtokoder tomonidan 64 o‘lchamli yashirin tasvirga siqiladi; keyin ushbu xususiyatlar Random Forest, chiziqli regressiya, CNN-LSTM va GRU modellarida SoH ni baholash uchun ishlatiladi. Manbaning 2-jadvalida yashirin xususiyatlar bilan ishlaydigan Random Forest eng past xato qiymatlarini oladi: MAE 0,0109, RMSE 0,0285 va R² 0,9693. Biroq bu natijalar to‘rtta NASA batareya ma’lumotlar to‘plamiga tegishli; ular haqiqiy elektr transport vositalari parki, dinamik haydash sikli yoki avtomobil ustidagi ishlab chiqarish BMS sinovi emas.

Usulning ikkinchi yo‘nalishi batareyadagi noodatiy xatti-harakatlarni yorliqlangan nosozlik klassifikatori o‘rniga ikki nazoratsiz mexanizm bilan o‘rganadi. Avtokoderning bir siklni qanchalik yomon qayta tiklashini o‘lchaydigan reconstruction error uch-sigma chegarasi bilan baholanadi, Isolation Forest esa yashirin xususiyatlar fazosidagi kam uchraydigan yoki tuzilma jihatidan farqli nuqtalarni ajratadi. PCA, t-SNE va UMAP tasvirlari ham yuqori o‘lchamli yashirin tasvirning ikki o‘lchamda qanday klasterlanishini va yuqori qayta tiklash xatolari qaysi hududlarda paydo bo‘lishini ko‘rsatadi. Ammo tadqiqotda anomaliya aniqlash uchun yorliqlangan ground-truth asosida precision, recall, F1 yoki ROC-AUC berilmaganligi sababli tizim haqiqiy batareya nosozliklarini ma’lum aniqlik darajasida tashxislaydi degan xulosaga kelib bo‘lmaydi.

Turkiya nuqtayi nazaridan: Tadqiqot Turkiyadagi elektr transport vositalari parklari, mahalliy iqlim sharoitlari, tez zaryadlash odatlari yoki haqiqiy avtomobil batareya paketlaridan olingan dala ma’lumotlarini o‘z ichiga olmaydi. Turkiyada BMS qo‘llanmasiga ko‘chirishdan oldin turli hujayra kimyolari va ishlab chiqaruvchilar, batareya paketi darajasidagi hujayralar nomutanosibligi, yoz-qish haroratlari, tez zaryadlash, shahar ichidagi va uzoq yo‘l vazifa sikllari hamda haqiqiy avtomobil sensor shovqini bo‘yicha mustaqil tekshiruv talab qilinadi. NASA ma’lumotlaridagi past bashorat xatosi Turkiyadagi haqiqiy transport vositalarida xuddi shunday SoH aniqligi kafolatlanadi degani emas.

Tadqiqotning asosiy muammosi nima?

Litiy-ion batareyalarning qarishi bitta o‘zgaruvchi bilan rivojlanadigan chiziqli jarayon emas. Kuchlanish, tok, harorat, sig‘im, foydalanish tarixi va sikl xatti-harakati birgalikda o‘zgarishi mumkin. Shu sababli batareyaning joriy sog‘liq holatini faqat sodda egri chiziq moslashtirish modeli bilan baholash qiyinlashishi mumkin.

Tadqiqotchilar ikki yondashuv orasidagi bo‘shliqqa e’tibor qaratadi. Chuqur o‘rganish modellari murakkab va chiziqli bo‘lmagan naqshlarni o‘rganishi mumkin, biroq hisoblash xarajati va sozlash talabi oshishi mumkin. An’anaviy mashinaviy o‘rganish yengilroq bo‘lishi mumkin, ammo uning muvaffaqiyati ko‘pincha qo‘lda ishlab chiqilgan xususiyatlarga bog‘liq.

Taklif etilgan yechim bu ikki yondashuvni ajratish o‘rniga birlashtirishdir: avtokoder xom yoki oldindan qayta ishlangan batareya signallaridan o‘z xususiyatlarini o‘rganadi, Random Forest esa ushbu siqilgan tasvirdan SoH ni baholaydi.

Avtokoder nega ishlatiladi?

Avtokoder ikki asosiy qismdan iborat: encoder va decoder. Encoder yuqori o‘lchamli batareya signalini kichikroq yashirin vektorga aylantiradi:

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

Decoder esa ushbu yashirin vektordan asl kirishni qayta tiklashga urinadi:

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

Tarmoq kirish bilan qayta tiklangan chiqish orasidagi farqni kamaytirish orqali o‘qitilganda, yashirin fazo kirishdagi muhim muntazamliklarni saqlashi kutiladi. Tadqiqotda yashirin o‘lcham 64 deb tanlangan.

Mualliflar ushbu yashirin tasvirni batareyaning bevosita o‘lchanmaydigan ichki sog‘liq holatining ma’lumotlarga asoslangan xulosasi sifatida talqin qiladi. Sig‘im kamayishi, qarshilik ortishi va termal ta’sirlar kabi jarayonlar kuchlanish, tok va harorat munosabatlarida iz qoldirishi mumkin deb hisoblanadi. Biroq yashirin o‘zgaruvchilar elektrokimyoviy fizik holat o‘zgaruvchilariga birma-bir teng ekani tajribaviy ravishda isbotlanmagan.

Kirish ma’lumoti qanday tayyorlanadi?

Xom ma’lumotlar sikl darajasidagi kuchlanish, tok, sig‘im, harorat va vaqt yozuvlaridan qayta ishlanadi. Yaroqsiz yoki yetishmayotgan kirishlar tozalanadi, o‘zgaruvchilar normallashtiriladi va vaqt qatorlari sobit uzunlikdagi ustma-ust oynalarga bo‘linadi.

Manba 3.2-bo‘limda oyna kirishini kuchlanish \(V_c(t)\), tok \(I_c(t)\) va sig‘im \(Q_c(t)\) orqali quyidagicha belgilaydi:

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

va:

\[ d=3T \]

deb beradi.

Ammo ma’lumotlar to‘plami tavsifida va avtokoder bo‘limida kuchlanish, tok va harorat uchligi bayon qilinadi. Shu bois sig‘im/harorat o‘zgaruvchilarining encoder kirishida aynan qaysi bosqichda ishlatilgani manba ichida to‘liq izchil tushuntirilmagan.

Standartlashtirish qanday bajariladi?

O‘rtacha qiymat:

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

va dispersiya:

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

hisoblangach, kirishlar:

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

ifodasi bilan standartlashtiriladi. \(\varepsilon\) nolga bo‘lishning oldini olish uchun ishlatiladigan kichik doimiydir.

Avtokoder qaysi yo‘qotish funksiyasi bilan o‘qitiladi?

Tadqiqotda avtokoder yo‘qotishi qayta tiklash xatosiga qo‘shimcha ravishda model parametrlari va encoder Jacobian’i bo‘yicha regularizatsiyani ham o‘z ichiga oladi:

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

Bu yerda \(J_{f_\theta}(x)\) encoderning Jacobian’ini, \(\|\cdot\|_F\) esa Frobenius normasini bildiradi.

Manba Gaussian shovqini qo‘shib denoising maqsadini qo‘llash mumkinligini ham bildiradi. Bundan maqsad tarmoqning faqat mukammal signalni yodlab qolishi emas, kichik o‘lchov buzilishlariga nisbatan barqarorroq tasvirni o‘rganishidir.

Oyna xususiyatlari sikl darajasiga qanday o‘tkaziladi?

Har bir batareya siklida ko‘plab oynalar bo‘lishi mumkin. Encoder har bir oynaga ishlab chiqargan \(Z_{c,w}\) yashirin vektorlar sikl darajasida:

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

ko‘rinishidagi xulosa statistikalar bilan birlashtiriladi. Shu tariqa bitta siklning turli paytlaridagi o‘lchovlar yanada ixcham sog‘liq tasviriga aylantiriladi.

Reconstruction error yordamida anomaliya qanday topiladi?

Normal naqshni yaxshi o‘rgangan avtokoder odatiy batareya siklini past xato bilan qayta tiklashi kutiladi. Manba namuna darajasidagi qayta tiklash xatosini:

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

deb belgilaydi.

Sikl darajasidagi xato:

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

ko‘rinishida hisoblanadi.

Keyin:

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

bilan standartlashtiriladi va:

\[ |z_c|>k \]

sharti anomaliya belgisi sifatida ishlatiladi. Tadqiqotda \(k=3\) tanlangan; ya’ni uch-sigma qoidasiga ko‘ra normal qayta tiklash xatosi taqsimotidan kuchli chetga chiqqan sikllar belgilab qo‘yiladi.

Isolation Forest nima uchun ikkinchi anomaliya usuli sifatida ishlatiladi?

Reconstruction error avtokoder kirishni qayta ishlab chiqarishda qiynaladigan sikllarni aniqlaydi. Isolation Forest esa boshqa savolni beradi: yashirin xususiyatlar fazosida qaysi sikllar boshqalardan tuzilma jihatidan izolyatsiyalangan?

Algoritm xususiyatlar fazosini tasodifiy bo‘lib, noodatiy nuqtalarning kamroq bo‘linish bilan ajratilishidan foydalanadi. Shu tariqa qayta tiklash xatosi yuqori bo‘lmagan, biroq yashirin xususiyatlar kombinatsiyasi jihatidan noodatiy bo‘lgan namunalar ham potensial ravishda aniqlanishi mumkin.

Tadqiqot ikki usul bir-birini to‘ldirishini ta’kidlaydi; ammo yorliqlangan haqiqiy nosozlik ma’lumotiga nisbatan aniqlik ko‘rsatkichini bermaydi. Shu sababli bu yerda “anomaliya” bevosita fizik batareya nosozligi bilan teng ma’noli emas.

SoH uchun qaysi baholash modellari taqqoslangan?

To‘rtta model ishlatilgan:

• Linear Regression (LR): Yashirin fazoning chiziqli bashorat qobiliyati uchun oddiy tayanch model.
• Random Forest (RF): Yashirin xususiyatlar orasidagi chiziqli bo‘lmagan munosabatlarni qaror daraxtlari ansambli bilan modellovchi usul.
• CNN-LSTM: Sikl/yashirin xususiyatlar bo‘yicha tuzilmaviy va ketma-ket munosabatlarni o‘rganish uchun ishlatilgan chuqur model.
• GRU: Vaqt bog‘liqliklarini yanada ixcham rekurrent tarmoq tuzilmasi bilan modellovchi usul.

Random Forest uchun Optuna yordamida 50–120 daraxt va 3–12 maksimal chuqurlik oralig‘ida sakkizta sinov o‘tkazilgan. Eng yaxshi tuzilma 86 daraxt va maksimal chuqurlik 11 deb hisobot qilingan va cross-validation validatsiya MAE taxminan 0,00789 topilgan.

CNN-LSTM va GRU esa 64 yashirin birlik, 64 batch hajmi, Adam optimizatori va \(10^{-3}\) o‘rganish tezligi bilan o‘qitilgan. Manba har bir fold faqat besh iteratsiya o‘qitilganini bildiradi. Shu sababli chuqur modellar bilan optimallashtirilgan Random Forest orasidagi unumdorlik farqi model sinflarining mutlaq ustunlik reytingi sifatida talqin qilinmasligi kerak.

Leave-One-Group-Out nima uchun muhim?

Leave-One-Group-Out (LOGO) cross-validationda ma’lum bir guruh treningdan butunlay chiqarib tashlanadi va model ilgari ko‘rmagan shu guruhda baholanadi. Tadqiqot ushbu yondashuvdan turli batareyalar orasidagi umumlashtirish mustahkamligini baholash uchun foydalanadi.

Bu yondashuv oddiy tasodifiy namuna bo‘linishiga nisbatan muhim; bir xil batareyaning bir-biriga juda o‘xshash sikllari ham trening, ham test tomonida bo‘lishidan kelib chiqishi mumkin bo‘lgan ortiqcha optimistik natijani kamaytirishga qaratilgan.

Qaysi model eng past bashorat xatosini berdi?

Manba 2-jadvalida Random Forest aniq ravishda eng past MAE va RMSEga ega. LR ikkinchi o‘rinda. CNN va GRU xato qiymatlari ancha yuqori, R² qiymatlari esa manfiy.

Manfiy R² nimani anglatadi?

Manba 2-jadvalida CNN uchun R² −21,2515 va GRU uchun −15,2340 deb hisobot qilingan. Manfiy R² tegishli test tuzilmasida model bashoratlari maqsad o‘zgaruvchisining oddiy o‘rtacha qiymatini ishlatishga nisbatan ham zaif bo‘lishi mumkinligini ko‘rsatuvchi belgidir.

Ammo manbada CNN va GRU faqat sobit arxitektura va cheklangan trening bilan ishlatilgan. Shu sababli manfiy natijalardan “CNN yoki GRU batareya SoH baholashiga mos emas” degan umumiy xulosa chiqarib bo‘lmaydi.

Yashirin fazo haqiqatan mazmunli axborot tashiydimi?

Tadqiqot buni bir nechta usulda tekshiradi. PCA, t-SNE va UMAP 64 o‘lchamli yashirin fazoni ikki o‘lchamga tushirib, namunalar tuzilmasini vizuallashtiradi.

6-rasmdagi PCA grafikda nuqtalar reconstruction error bo‘yicha ranglangan va yuqori xatoli hududlarning ma’lum mahalliy klasterlarda to‘planishi ko‘rinadi. 7-rasm t-SNE bilan mahalliy tuzilmani, 8-rasm esa UMAP orqali yanada global yashirin fazo tuzilmasini ko‘rsatadi.

Bular vizual tasvir natijalaridir; klasterlar bevosita ma’lum elektrokimyoviy nosozlik turlarini ifodalashi yorliqlangan validatsiya bilan ko‘rsatilmagan.

Yashirin xususiyat fizik o‘lchovlar bilan bog‘liqmi?

9-rasmda birinchi yashirin o‘lcham bilan kuchlanish, tok va harorat orasidagi korrelyatsiya matritsasi berilgan. Tadqiqotchilar birinchi yashirin xususiyat bilan kuchlanish orasida 0,766 ijobiy korrelyatsiyani hisobot qiladi.

Rasmda taxminan Lat0–tok munosabati −0,18 va Lat0–harorat munosabati −0,38 darajasida ko‘rsatiladi. Ushbu tahlil yashirin fazo butunlay tasodifiy kod emasligini va kamida ayrim o‘lchanadigan fizik signallar bilan statistik munosabatga ega ekanini qo‘llab-quvvatlaydi. Korrelyatsiya yashirin o‘lcham bevosita muayyan elektrokimyoviy o‘zgaruvchini o‘lchaydi yoki sababiy jihatdan uni ifodalaydi degani emas.

Anomaliya grafiklarida nima ko‘rinadi?

10-rasm sikl boshiga reconstruction error qiymatlarining katta qismi past darajada ekanini, biroq ayrim indekslarda keskin ko‘tarilishlar paydo bo‘lishini ko‘rsatadi. 11-rasm gistogrammasi ham xato taqsimotining asosan past qiymatlarda to‘planishi va oz sonli yuqori xato namunalarining uzun dum hosil qilishini ko‘rsatadi.

12-rasm Isolation Forest natijalarini yashirin fazoning past o‘lchamli proyeksiyasida ikki xil guruh sifatida ko‘rsatadi. Bu vizual tuzilmaviy ajralish mavjudligini ko‘rsatadi, ammo qaysi nuqta qaysi fizik nosozlik mexanizmiga mos kelishi manbada tasdiqlanmagan.

Statistik taqqoslash nima deydi?

Tadqiqotchilar model unumdorliklarini juftlangan t-testlar bilan taqqoslagan va RF–LR, RF–CNN hamda RF–GRU taqqoslashlarining barchasi uchun \(p<0,001\) hisobot qilgan.

Bu natija tadqiqotning o‘z fold va model konfiguratsiyalari doirasida unumdorlik farqlari statistik jihatdan aniq ekanini qo‘llab-quvvatlaydi. Ammo statistik ahamiyat taqqoslangan barcha model oilalari bir xil darajada giperparametr optimallashtirishdan o‘tkazilganini anglatmaydi.

Haqiqiy vaqt BMS qo‘llanilishi rostdan sinovdan o‘tkazildimi?

Qisman. Tadqiqotda faqat CNN va GRU uchun batafsil inference kechikishi va parametrlar soni berilgan:

Random Forest va chiziqli regressiya yengil va tez ekani aytilsa-da, ushbu ikki model uchun ayni tajribada raqamli latency yoki parametr/xotira o‘lchovi berilmagan. Bundan tashqari, avtokoder + Random Forest zanjiri to‘liq holda haqiqiy avtomobil BMS protsessorida benchmark qilinmagan.

Tadqiqotning kuchli tomonlari nimalar?

• Xususiyat chiqarishni qo‘lda loyihalash o‘rniga avtokoder bilan o‘rganishi.
• SoH baholash bilan nazoratsiz anomaliya tahlilini bir xil yashirin tasvir ustida birlashtirishi.
• To‘rtta alohida NASA batareyasidan foydalanishi.
• Leave-One-Group-Out cross-validation qo‘llashi.
• MAE, RMSE, R² va %95 ishonch oraliqlarini birgalikda hisobot qilishi.
• PCA, t-SNE va UMAP bilan yashirin tasvirni vizuallashtirishi.
• Yashirin xususiyat bilan fizik o‘zgaruvchilar orasida korrelyatsiya tahlilini taqdim etishi.
• Reconstruction error va Isolation Forest kabi ikki turli anomaliya yondashuvidan foydalanishi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• 64 o‘lchamli avtokoder yashirin xususiyatlari manbada ishlatilgan NASA ma’lumotlarida SoH baholash uchun foydali axborot tashiydi.
• Manbada qo‘llangan trening protokolida yashirin xususiyat + Random Forest konfiguratsiyasi taqqoslangan modellar orasida eng past MAE va RMSE ni bergan.
• Linear Regression ham yuqori R² olgani yashirin tasvirda SoH bilan bog‘liq kuchli tuzilma borligini qo‘llab-quvvatlaydi.
• Reconstruction error ayrim sikllarni normal qayta tiklash naqshidan keskin ajrata oladi.
• Isolation Forest yashirin xususiyatlar fazosidagi noodatiy namunalarni aniqlashda ikkinchi nazoratsiz usul sifatida ishlatilishi mumkin.
• Birinchi yashirin xususiyat bilan o‘lchangan kuchlanish orasida manbada 0,766 korrelyatsiya hisobot qilingan.

Tadqiqot qo‘llab-quvvatlamaydigan yoki sinamagan natijalar

• AE+RF haqiqiy elektr transport vositalari parkida ayni MAE/RMSE qiymatlarini saqlab qolishini ko‘rsatmaydi.
• Model turli batareya kimyolari va turli ishlab chiqaruvchilar hujayralarida tasdiqlanmagan.
• Nol osti harorat, dinamik haqiqiy haydash, tez zaryadlash va haqiqiy paket darajasidagi hujayra nomutanosibliklari keng qamrovda sinovdan o‘tkazilmagan.
• Reconstruction error yoki Isolation Forest belgilagan har bir nuqta haqiqiy fizik batareya nosozligi ekani isbotlanmagan.
• Anomaliya aniqlash uchun precision, recall, F1, specificity yoki ROC-AUC berilmagan.
• Random Forest barcha CNN, LSTM yoki GRU arxitekturalaridan umuman ustun ekani isbotlanmagan.
• AE+RF ning end-to-end inference kechikishi haqiqiy avtomobil BMS apparatida o‘lchanmagan.
• Tadqiqot SoH maqsad qiymati qanday hosil qilinganini batafsil va yagona ma’noli fizik tenglama bilan hisobot qilmaydi.
• Yashirin o‘zgaruvchilar muayyan elektrokimyoviy holat o‘zgaruvchilariga birma-bir mos kelishi isbotlanmagan.
• Silhouette Score uchun raqamli natija berilmagani sababli klaster ajratish unumdorligi ushbu mezon bilan miqdoriy baholanmaydi.

Tadqiqot usuli va natijalari

Ishlatilgan NASA batareya ma’lumotlar to‘plamlari

Manba ushbu to‘rtta batareyaning bir xil tajriba doirasida turli degradatsiya trayektoriyalarini ko‘rsatishini modelning batareyalararo mustahkamligini sinash uchun foydali deb hisoblaydi.

Avtokoder sozlamalari

Manba avtokoderning batafsil qatlamma-qatlam convolution topologiyasini to‘liq hisobot qilmaydi. Annotatsiya “convolution neural network autoencoder” iborasini ishlatadi, usul bo‘limi esa umumiyroq encoder–decoder matematik ta’rifini beradi.

Random Forest giperparametr optimallashtirilishi

Manba ichidagi e’tiborli nuqta: Random Forestning nazariy tushuntirishida \(N=200\) daraxt iborasi ham mavjud. Yakuniy Optuna sozlamasida esa 86 daraxt hisobot qilingan; ikki qiymat manbada turli kontekstlarda uchraydi.

CNN-LSTM va GRU trening sozlamalari

To‘liq model unumdorligi jadvali

Jadvalning asosiy xabari shuki, tadqiqotning o‘z trening va LOGO validatsiya sharoitlarida RF va LR CNN/GRU ga qaraganda ancha past xato hosil qilgan. Biroq RF maxsus Optuna bilan sozlangan, CNN va GRU esa cheklangan trening ostida baholangan.

Statistik ahamiyat

Juftlangan t-testlarda:

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

hisobot qilingan. Bu qiymatlar tadqiqot qo‘llagan fold natijalari doirasida RF xato taqsimoti boshqa modellardan farq qilishini qo‘llab-quvvatlaydi.

2–5-rasmlar: Model natijalari nimani ko‘rsatadi?

2-rasm haqiqiy maqsad qiymatlari bilan RF, LR, CNN va GRU bashoratlarini bir xil namuna indeksida taqqoslaydi. RF egri chizig‘i haqiqiy qiymatlarga eng yaqin bo‘lsa, CNN va GRU keng chetlanishlarni ko‘rsatadi.

3-rasm modellarni MAE, RMSE va R² mezonlari bo‘yicha jamlanma tarzda taqqoslaydi. CNN va GRU ning katta manfiy R² qiymatlari bir o‘qda ko‘rsatilgani sababli vizual masshtab RF va LR orasidagi kichik farqlarni bostiradi.

4-rasm xato taqsimoti boxplotlarida RF eng tor va nolga yaqin xato taqsimotini, CNN va GRU esa kengroq xato oraliqlarini ko‘rsatishini bildiradi.

5-rasm cross-validation o‘rtacha MAE va standart og‘ishlarni taqdim etadi; RF va LR past, CNN va GRU yuqori xato hududida qolishi ko‘rinadi.

6–9-rasmlar: Yashirin fazo nimani anglatadi?

6-rasm 64 o‘lchamli tasvirning PCA proyeksiyasini reconstruction error bilan ranglab ko‘rsatadi.

7-rasm t-SNE ning mahalliy yashirin tuzilmadagi normal/anomaliya ajralishini vizuallashtiradi.

8-rasm UMAP proyeksiyasida global tuzilmani va yuqori reconstruction error hududlarini ko‘rsatadi.

9-rasm birinchi yashirin o‘zgaruvchi bilan fizik signallar orasidagi korrelyatsiya matritsasidir. Matnda kuchlanish korrelyatsiyasi 0,766 deb alohida ta’kidlanadi.

10–12-rasmlar: Anomaliya aniqlash

10-rasm sikl bo‘yicha qayta tiklash xatosining vaqt/indeks bo‘ylab o‘zgarishini va ayrim yuqori xato sakrashlarini ko‘rsatadi. 11-rasm xato gistogrammasida past MSE hududida kuchli to‘planish va oz sonli yuqori xato qiymatlari borligini ko‘rsatadi. 12-rasm Isolation Forest ajratgan nuqtalarni past o‘lchamli yashirin tasvirda taqdim etadi.

Bu uchta vizual anomaliyalar ma’lumotlar fazosida aniqlanishi mumkinligini ko‘rsatadi; biroq yorliqlangan haqiqiy nosozlik sinflari bo‘lmagani sababli aniqlash aniqligi hisoblanmagan.

14-rasm: Hisoblash xarajati

CNN uchun 4,2 ms, GRU uchun 0,8 ms inference kechikishi hisobot qilingan. GRU ham kichikroq parametrlar soniga, ham pastroq kechikishga ega. AE+RF ning to‘liq end-to-end kechikishi shu jadvalda bo‘lmagani sababli bu natijadan bevosita AE+RF ning millisekund darajadagi ishlash vaqti hisoblab bo‘lmaydi.

15-rasm: Yashirin xususiyat ablyatsiyasi

15-rasmning x o‘qi 64 yashirin o‘lcham indeksini, y o‘qi esa tegishli xususiyat olib tashlanganda yoki o‘zgartirilganda MAE ortishini ko‘rsatadi. Ayrim yashirin o‘lchamlar bashorat xatosiga boshqalarga qaraganda katta ta’sir qilishi ko‘rinadi.

Biroq bo‘lim matni “farklı latent sizes” sinovdan o‘tkazilganini aytsa-da, grafik individual latent o‘lchamlar muhimligini ko‘rsatayotganga o‘xshaydi. Shu sababli tadqiqotdan 16, 32 yoki 64 o‘lchamli encoderlar tizimli ravishda taqqoslangan degan xulosa chiqarilmasligi kerak.

16–17-rasmlar: Qoldiq tahlili

Random Forest va Linear Regression qoldiq gistogrammalari nolga yaqin to‘planadi. CNN va GRU qoldiqlarida esa keng, musbat tomonga og‘gan taqsimot ko‘rinadi.

Residual–prediction grafiklarida ham RF va LR nol chizig‘i atrofida cheklanganroq tarqalishni, CNN va GRU esa bashorat darajasiga bog‘liq aniqroq xato tuzilmalarini ko‘rsatadi. Bu manba 2-jadvalidagi yuqori xato qiymatlariga mos keladi.

Tadqiqotning asosiy metodologik cheklovlari

• Faqat to‘rtta NASA batareya ma’lumotlar to‘plami ishlatilgan.
• Haqiqiy avtomobil vazifa sikllari cheklangan darajada ifodalangan.
• O‘zgaruvchan harorat sharoitlari va ayniqsa nol ostidagi ishlash keng qamrovda emas.
• CNN va GRU sobit tuzilma va cheklangan trening bilan baholangan.
• Yashirin o‘lcham 64 empirik ravishda tanlangan.
• SoH maqsad yorlig‘i manbada ochiq fizik formula bilan aniqlanmagani qayta ishlab chiqish uchun hisobot bo‘shlig‘idir.
• Anomaliya aniqlash yorliqlangan nosozlik ground-truth asosida miqdoriy klassifikatsiya mezonlari bilan tasdiqlanmagan.
• AE+RF ning avtomobil darajasidagi BMS protsessorida end-to-end kechikishi hisobot qilinmagan.

Manba va usul qaydi

To‘liq asl tadqiqot nomi: Autoencoder-Based Latent Representation Learning, SoH Estimation, and Anomaly Detection in Electric Vehicle Battery Energy Storage Systems

Mualliflar va tartibi: Nagendra Kumar; Anubhav Agrawal; Rajeev Kumar; Manoj Badoni.

Teng hissa/teng birinchi muallif: Manbada ko‘rsatilmagan.

Mas’ul muallif: Rajeev Kumar.

Muassasalar: 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.

Jurnal: Vehicles.

Nashriyot: MDPI, Basel, Switzerland.

Nashr ma’lumoti: Vehicles 2026, 8, 81.

DOI: 10.3390/vehicles8040081.

Rasmiy havola:https://doi.org/10.3390/vehicles8040081

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi; ommaga ochiq litiy-ion batareya qarish ma’lumotlar to‘plamlarida avtokoder asosidagi tasvir o‘rganish, regressiya modellarini taqqoslash va nazoratsiz anomaliya tahlili tadqiqotidir.

Taqriz/nashr holati: Manbada maqola 28 Fevral 2026 da qabul qilingani, 30 Mart 2026 da qayta ko‘rib chiqilgani, 2 Aprel 2026 da qabul qilingani va 7 Aprel 2026 da nashr etilgani ko‘rsatiladi.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmaganini bildiradi.

Ma’lumotlar mavjudligi: Asl hissalar tadqiqot ichida ekani va qo‘shimcha savollar mas’ul muallifga yuborilishi mumkinligi ko‘rsatilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Konseptualizatsiya, metodologiya va dasturiy ta’minot N.K.; validatsiya R.K. va M.B.; formal tahlil A.A., R.K. va M.B.; tadqiqot R.K.; resurslar A.A. va M.B.; ma’lumotlarni kuratsiya qilish A.A.; dastlabki qo‘lyozma N.K.; ko‘rib chiqish va tahrirlash R.K.; vizuallashtirish A.A., R.K. va M.B.; nazorat va loyiha boshqaruvi R.K.; moliyalashtirishni olish R.K. deb ko‘rsatilgan.

Ilmiy mazmun chegarasi: Ushbu Verianla maqolasidagi ma’lumotlar to‘plami, formulalar, model sozlamalari, unumdorlik qiymatlari, anomaliya yondashuvi, statistika, grafik talqinlari va cheklovlar faqat ko‘rib chiqilgan tadqiqotga asoslanadi. Tashqi manbalardan yangi batareya unumdorligi yoki SoH natijasi qo‘shilmagan.

Elektr transport vositasi qo‘llanilishi chegarasi: Tadqiqot nomi va maqsadi elektr transport vositalari batareya energiya saqlash tizimlarini nishonga oladi; biroq model validatsiyasi haqiqiy ishlab chiqarish elektr transport vositalari parki yoki avtomobil ustidagi BMS o‘rniga NASA B0005, B0006, B0007 va B0018 qarish ma’lumotlari bilan bajarilgan.

Kirish o‘zgaruvchisi hisobot qaydi: Ma’lumotlar to‘plami tavsifi va avtokoder matni kuchlanish, tok va harorat signallarini ta’kidlaydi, 3.2-bo‘lim matematik kirish vektori esa kuchlanish, tok va sig‘imdan foydalanadi. Ushbu manba ichidagi farq moslashtirilgan ma’lumot sifatida taqdim etilmagan.

SoH yorlig‘i qaydi: Ko‘rib chiqilgan usul bo‘limida bashorat maqsadi SoH deb atalgan bo‘lsa-da, sig‘imdan SoH ga o‘tishni aniqlovchi ochiq va yagona ma’noli maqsad yorlig‘i formulasi berilmagan. Shu sababli MAE va RMSE qiymatlari bevosita “SoH foiz punkt xatosi” deb qayta nomlanmagan.

Random Forest parametr qaydi: 3.6.2-bo‘lim umumiy RF tushuntirishida N=200 qaror daraxti iborasidan foydalanadi. Optuna optimallashtirishida esa eng yaxshi model n_estimators=86 va max_depth=11 deb hisobot qilingan. Ikki son manba ichida turli kontekstlarda bo‘lgani uchun jimgina birlashtirilmagan.

R² qaydi: Annotatsiya R² qiymatini taxminan 0,96, 2-jadval 0,9693 deb beradi, natijalar bo‘limida esa qiymat tipografik ravishda “099” ko‘rinishida uchraydi. Raqamli taqqoslashda 2-jadvaldagi 0,9693 ishlatilgan.

PCA/PSA qaydi: Annotatsiya yashirin fazo tahlillaridan birini “PSA” deb yozadi; natijalar bo‘limi va 6-rasm usuli PCA sifatida ko‘rsatadi. Ushbu Verianla maqolasida natijalar bo‘limidagi haqiqiy grafik PCA deb atalgan va annotatsiyadagi yozuv ushbu qaydda alohida saqlangan.

Silhouette Score qaydi: Annotatsiya klasterlash unumdorligi Silhouette Score bilan o‘lchanganini aytadi; biroq ko‘rib chiqilgan usul va natijalar bo‘limlarida raqamli Silhouette Score natijasi berilmagan. Manbada yo‘q qiymat yaratilmagan.

Anomaliya validatsiyasi chegarasi: Reconstruction error va Isolation Forest anomalilari vizual tarzda tekshirilgan; biroq yorliqlangan haqiqiy anomaliya sinflari asosida sensitivity, specificity, precision, recall, F1 yoki ROC-AUC hisobot qilinmagan.

Model taqqoslash chegarasi: Random Forest Optuna giperparametr optimallashtirishidan o‘tkazilgan, CNN va GRU esa sobit tuzilma va har fold uchun besh iteratsiya bilan baholangan. Shu sababli tadqiqot natijalari tegishli tajriba protokoli ichidagi taqqoslashni qo‘llab-quvvatlaydi; barcha chuqur o‘rganish arxitekturalariga nisbatan umumiy ustunlik isboti emas.

Haqiqiy vaqt chegarasi: CNN va GRU uchun raqamli inference kechikishi berilgan, RF/LR va to‘liq AE+RF zanjiri uchun taqqoslanadigan raqamli latency o‘lchovi hisobot qilinmagan. Haqiqiy avtomobil darajasidagi BMS da end-to-end dala sinovi taqdim etilmagan.

15-rasm qaydi: Bo‘lim matni turli latent dimensionality qiymatlari sinovdan o‘tkazilganini bildiradi, rasm o‘qlari esa individual latent o‘lcham indekslariga qarshi MAE ortishini ko‘rsatadi. Ablatsiya protokolining bu qismi manbada to‘liq bir ma’noli emas.