التقييم عبر مجموعات البيانات لكشف الشذوذ ذاتي الإشراف متعدد المستشعرات للإنذار المبكر بالانفلات الحراري في خلايا بطاريات المركبات الكهربائية

الملخص

يمكن أن يتطور الانفلات الحراري بسرعة، مما يشكل مخاطر جسيمة على أنظمة بطاريات المركبات الكهربائية. ويُعد الإنذار المبكر بهذه الحالة تحديًا كبيرًا بسبب ندرة سجلات الأعطال المتاحة للعامة واختلاف مجموعات المستشعرات المستخدمة بين التجارب المختلفة. تهدف هذه الدراسة إلى تقييم كاشف للشذوذ متعدد المستشعرات يعتمد على التعلم الذاتي الإشراف باستخدام ثلاث مجموعات بيانات عامة على مستوى خلايا البطاريات. وقد استُخدمت سجلات الشحن السريع السليمة لتوفير بيانات طبيعية غير موسومة من ست خلايا من بطاريات فوسفات حديد الليثيوم (LFP). كما شملت خمس سجلات مستهدفة حالات تشغيل ديناميكي، وتسخينًا موضعيًا، وتسخينًا منتظمًا، واختبارين للإجهاد على خلايا منشورية من بطاريات النيكل والمنغنيز والكوبالت (NMC). وتعلّم نموذج المشفر التلقائي لإزالة الضوضاء المقنّع (Masked Denoising Autoencoder) من خلال 42 سمة حرارية وكهربائية، إضافة إلى بيانات الضغط وتوافر المستشعرات. وقورِن أداء هذا النموذج مع كل من المشفر التلقائي التقليدي، وخوارزمية Isolation Forest، وتحليل المكونات الرئيسية (PCA)، وآلة المتجهات الداعمة أحادية الفئة (One-Class SVM)، إضافة إلى نموذج يعتمد على السمات الحرارية فقط. واعتمد التقييم على تقسيمات مستقلة للخلايا الفيزيائية، ومعايرة آمنة تمنع تسرب البيانات باستخدام البادئات الزمنية، وآلية استمرارية للإنذار في الزمن الحقيقي، وفواصل ثقة محسوبة بطريقة Block Bootstrap.
أظهر النموذج المقنّع قدرةً على اكتشاف جميع حالات الانفلات الحراري الثلاث، حيث بلغت فترات الإنذار المبكر المصححة 43.77 و34.52 و1.25 دقيقة. ومع ذلك، بلغ متوسط قيمة مساحة منحنى خصائص التشغيل للمستقبل (AUROC) عبر جميع البيانات 0.744، في حين بلغت مساحة منحنى الدقة–الاستدعاء (AUPRC) 0.492. في المقابل، حقق النموذج المعتمد على السمات الحرارية أداءً أفضل، إذ سجل قيمة AUROC بلغت 0.924 وقيمة AUPRC بلغت 0.812، كما بلغ معدل الإنذارات الكاذبة في الفترات السليمة للنموذج المقنّع 0.546، وأصدر أيضًا إنذارًا مستمرًا واحدًا أثناء سجل التشغيل الديناميكي السليم. ولم يُظهر التدريب المقنّع تحسنًا ذا دلالة إحصائية مقارنةً بالمشفر التلقائي التقليدي، حيث بلغ الفرق المزدوج في قيمة AUROC مقدار −0.001 مع قيمة p = 0.294 وتشير هذه النتائج إلى أن الاعتماد على اكتشاف الأحداث وحده قد يُخفي مشكلات جوهرية في معايرة النماذج. كما أظهرت السمات الحرارية البسيطة قابلية أفضل للنقل والتعميم في ظل الاختلاف الكبير بين المجالات (Domain Shift). ورغم ذلك، يظل التعلم الذاتي الإشراف متعدد المستشعرات قادرًا على توفير تمثيلات مفيدة للبيانات، إلا أنه يتطلب تحسين تقنيات التكيف مع اختلاف المجالات وتعزيز جودة توصيف الأحداث. وتوفر هذه الدراسة معيارًا مرجعيًا قابلًا لإعادة الإنتاج لدعم عمليات التحقق المستقبلية وتحسين سلامة أنظمة الإنذار المبكر.