پیش‌بینی دقیق پایان عمر سلول‌های لیتیوم‌یون با هوش مصنوعی

چرا پیش‌بینی عمر باتری مهم است؟

در صنعت باتری، دانستن اینکه یک سلول لیتیوم‌یون چه زمانی به پایان عمر مفید خود می‌رسد، اهمیت حیاتی دارد. چه در خودروهای برقی و چه در سیستم‌های ذخیره انرژی، خرابی غیرمنتظره‌ی باتری می‌تواند باعث توقف عملیات، افزایش هزینه و حتی خطرات ایمنی شود. در حال حاضر، بیشتر سیستم‌های مدیریت باتری (BMS) برای ارزیابی سلامت سلول از مدل‌های ساده‌ی مبتنی بر ظرفیت یا تعداد چرخه استفاده می‌کنند. اما این روش‌ها معمولاً به‌دلیل رفتار پیچیده و غیرخطی سلول‌ها، تخمین دقیقی ارائه نمی‌دهند.

اینجاست که یادگیری عمیق (Deep Learning) وارد عمل می‌شود — ابزاری که می‌تواند از داده‌های بزرگ عملیاتی، الگوهای پنهان تخریب را استخراج کرده و پیش‌بینی بسیار دقیق‌تری از عمر مفید باقی‌مانده باتری (Remaining Useful Life – RUL) ارائه دهد.

ترکیب سه فناوری برای تخمین

در مقاله‌ای که به‌تازگی در نشریه Nature Scientific Reports (2025) منتشر شده، گروهی از پژوهشگران چینی و کره‌ای مدلی جدید برای پیش‌بینی عمر باتری معرفی کرده‌اند. این مدل، چندین فناوری پیشرفته یادگیری ماشین را ترکیب می‌کند تا هم دقت و هم پایداری پیش‌بینی را به شکل چشمگیری افزایش دهد.

مدل پیشنهادی از سه جزء کلیدی تشکیل شده است:

1. شبکه عصبی بازگشتی TLSTM – برای درک روندهای زمانی طولانی در داده‌های عملکردی باتری.
2. شبکه کانولوشن یک‌بعدی با فواصل گسترش‌یافته (Dilated CNN) – برای استخراج ویژگی‌های مؤثر از سیگنال‌های چندکاناله (ولتاژ، جریان، دما، ظرفیت).
3. مکانیزم توجه فضایی (Spatial Attention) – برای تمرکز مدل بر بخش‌های مهم داده و حذف نویز و اطلاعات کم‌اهمیت.

در کنار این اجزا، پژوهشگران از الگوریتم بهینه‌سازی تکاملی برای تنظیم خودکار پارامترها استفاده کرده‌اند تا مدل به سرعت به بهترین نقطه‌ی یادگیری برسد.

فرآیند پیشنهادی برای پیش‌بینی عمر باقی‌مانده باتری لیتیوم‌ یون

داده‌های واقعی و طراحی آزمایش

برای ارزیابی عملکرد، داده‌های واقعی از سلول‌های لیتیوم‌یون ۱۸۶۵۰ استفاده شد؛ سلول‌هایی که در لپ‌تاپ‌ها، ابزارهای برقی و برخی خودروهای برقی به‌کار می‌روند. داده‌ها شامل اندازه‌گیری‌های دقیق از چرخه‌های شارژ و دشارژ بودند — از جمله ولتاژ، جریان، دما و ظرفیت در هر چرخه.

پژوهشگران مدل را روی مجموعه داده‌های عمومی ناسا آموزش دادند و سپس روی داده‌های دیگر آزمایش کردند تا اطمینان حاصل کنند مدل فقط به یک نوع سلول خاص وابسته نیست. به گفته‌ی نویسندگان، کل فرآیند آموزش حدود ۲ ثانیه برای هر دوره‌ی یادگیری طول کشیده و بنابراین در کاربردهای صنعتی (مثلاً برای آموزش دوره‌ای در BMS) نیز قابل اجراست.

دستاوردهای اصلی: دقتی در حد آزمایشگاه

نتایج این پژوهش چشمگیر است. مدل پیشنهادی توانست زمان باقی‌مانده عمر سلول‌ها را با خطایی کمتر از ۱ درصد پیش‌بینی کند. به زبان ساده‌تر، اگر عمر واقعی باتری ۱۰۰ چرخه باشد، مدل به‌طور میانگین فقط در حدود یک چرخه خطا دارد.

این دقت در مقایسه با روش‌های متداول یادگیری ماشین مثل SVM، LSTM ساده یا GRU حدود 10 تا ۱۵ درصد بهبود نشان می‌دهد.
همچنین مدل در برابر نوسانات غیرمنتظره مانند «بازسازی ظرفیت» (پدیده‌ای که گاهی ظرفیت باتری به‌طور موقت افزایش می‌یابد) پایداری بالایی دارد — چیزی که بسیاری از مدل‌های قبلی از پس آن برنمی‌آمدند.

چرا این مدل متفاوت است؟

سه نوآوری مهم باعث شده‌اند این روش نسبت به مدل‌های قبلی عملکرد بهتری داشته باشد:

1. درک هم‌زمان چند سیگنال:
   برخلاف مدل‌هایی که تنها بر ظرفیت تمرکز می‌کنند، این روش هم‌زمان داده‌های ولتاژ، جریان و دما را نیز تحلیل می‌کند. این دید چندبعدی باعث می‌شود مدل تصویر کامل‌تری از وضعیت سلول داشته باشد.
2. توجه فضایی هوشمند:
   مدل یاد می‌گیرد کدام بخش از داده‌ها واقعاً حامل نشانه‌های تخریب هستند. مثلاً در سیکل‌هایی که نوسان حرارتی زیاد است، بخش‌هایی از داده ممکن است گمراه‌کننده باشند. مکانیزم توجه فضایی به‌طور خودکار وزن آن‌ها را کاهش می‌دهد.
3. یادگیری تطبیقی:
   شبکه TLSTM می‌تواند خود را با داده‌های جدید (مثلاً سلول‌های متفاوت یا شرایط محیطی جدید) تطبیق دهد. به همین دلیل، مدل حتی در مجموعه داده‌ای متفاوت هم دقت بالایی حفظ کرده است.

” بیشتر بخوانید: افزایش طول عمر باتری‌ها به کمک ساختار کریستالی منحصربه‌فرد “

کاربردهای صنعتی و مزایای بالقوه

نتایج این پژوهش فقط در محیط آزمایشگاه کاربرد ندارند. مدل ترکیبی پیشنهادی می‌تواند در آینده نزدیک در صنایع مختلفی به‌کار رود، از جمله:

۱. خودروهای برقی (EV)

پیش‌بینی دقیق عمر سلول‌ها کمک می‌کند:

• زمان مناسب برای تعویض یا بالانس پک‌ها مشخص شود.
• خطر افت ناگهانی ظرفیت کاهش یابد.
• برنامه‌ریزی سرویس‌ها و گارانتی‌ها دقیق‌تر انجام شود.

۲. ذخیره‌سازی انرژی شبکه

در سیستم‌های بزرگ ذخیره انرژی، خرابی چند ماژول می‌تواند عملکرد کل شبکه را مختل کند.
مدلی مانند این می‌تواند به BMS کمک کند تا سلول‌های در معرض خطر را پیش از خرابی شناسایی کند.

۳. صنایع هوافضا و نظامی

در مأموریت‌هایی که دسترسی به سیستم محدود است، پیش‌بینی دقیق RUL اهمیت فوق‌العاده دارد. این مدل با دقت بالا و قابلیت یادگیری تطبیقی، گزینه‌ای مناسب برای چنین کاربردهایی است.

۴. بهینه‌سازی طراحی و تست باتری

سازندگان می‌توانند از این نوع مدل برای پیش‌بینی عمر باتری‌های آزمایشی استفاده کنند، بدون آنکه نیاز به چرخه‌های پرهزینه و زمان‌بر داشته باشند.

چالش‌ها و مسیر آینده

با وجود دستاورد چشمگیر، پژوهشگران تأکید کرده‌اند که برای کاربرد تجاری، هنوز چند مانع باقی مانده است:

• تنوع شیمی باتری‌ها:
  مدل فعلی عمدتاً بر پایه‌ی سلول‌های لیتیوم‌یون با ترکیب خاص (مثلاً NMC) آموزش دیده است. برای سلول‌های لیتیوم-فسفات یا لیتیوم‌متال نیاز به داده‌های جدید وجود دارد.
• تغییر شرایط کاری واقعی:
  در عمل، باتری‌ها در دما، نرخ شارژ و الگوهای استفاده‌ی بسیار متفاوتی کار می‌کنند. مدل باید بتواند این تغییرات را شناسایی و خودش را تطبیق دهد.
• شفافیت تصمیم‌گیری مدل:
  همانند بسیاری از شبکه‌های عصبی، توضیح اینکه مدل دقیقاً چرا پیش‌بینی خاصی انجام داده دشوار است. پژوهشگران در آینده قصد دارند نسخه‌ی «توضیح‌پذیرتر» این مدل را توسعه دهند.

نتیجه‌گیری: گامی به‌سوی هوشمندسازی کامل باتری‌ها

این پژوهش نشان می‌دهد یادگیری عمیق می‌تواند به قلب فناوری باتری نفوذ کند — جایی که تاکنون تحلیل‌ها عمدتاً بر پایه‌ی مدل‌های فیزیکی و تجربی بوده است.

مدل ترکیبی TLSTM–CNN پیشنهادی، با دقتی در حد ۹۹٪، راه را برای توسعه نسل جدید سیستم‌های مدیریت باتری باز می‌کند: سیستم‌هایی که نه‌تنها وضعیت فعلی باتری را می‌دانند، بلکه آینده‌ی عملکرد آن را نیز پیش‌بینی می‌کنند.

در چشم‌انداز صنعتی، چنین مدلی می‌تواند:

• هزینه نگهداری ناوگان‌های الکتریکی را کاهش دهد،
• عمر مفید پک‌ها را افزایش دهد،
• و به‌طور کلی، اقتصاد چرخه عمر باتری را بهینه کند.

تاریخ انتشار مقاله: سپتامبر 2025