ما هي المقاييس المستخدمة في اختبارات البحث والتطوير للبطاريات لتقييم دقة خوارزمية العمر التشغيلي المتبقي (RUL)، وكيف يؤثر وقت الاختبار التشغيلي على دقة التنبؤ؟

تستخدم فرق البحث والتطوير في مجال البطاريات بشكل أساسي مقياسي MAE وMAPE لتقييم دقة خوارزمية العمر التشغيلي المتبقي (RUL). تقارن هذه المقاييس العمر التشغيلي المتبقي المتوقع مع الوقت الفعلي أو عدد الدورات حتى فشل البطارية عبر الخلايا التي تم اختبارها. مع تقدم الاختبار التشغيلي، تتحسن دقة التنبؤ بشكل عام لأن بيانات التدهور الإضافية - مثل فقدان السعة ونمو المقاومة الداخلية - تقلل من عدم اليقين وتحيز تقدير المعلمات.

الخلاصة الأساسية: استخدم MAE لخطأ RUL المطلق، وMAPE لخطأ النسبة المئوية الموحد للمقياس، وRMSE أو فترات عدم اليقين عندما تكون الأخطاء الكبيرة وثقة التنبؤ مهمة أيضاً. عادةً ما تؤدي زيادة البيانات التشغيلية إلى تحسين الدقة، ولكن الفائدة تعتمد على جودة البيانات، وصلاحية النموذج، ومدى تمثيل ملف تعريف الحمل الذي تم اختباره.

كيف يتم قياس دقة RUL

يقيس متوسط الخطأ المطلق (MAE) انحراف التنبؤ العملي

MAE هو متوسط الفرق المطلق بين RUL المتوقع والفعلي:

[ MAE=\frac{1}{N}\sum_{i=1}^{N}\left|\widehat{RUL}_i-RUL_i\right| ]

يتم التعبير عنه بنفس وحدة الهدف، مثل الدورات أو الساعات أو الدقائق.

يعني انخفاض MAE أن الخوارزمية أقرب إلى وقت الفشل الفعلي في المتوسط. غالباً ما يكون هذا هو المقياس الأكثر بديهية للقرارات الهندسية لأنه يجيب مباشرة على سؤال: "ما مدى بعد التنبؤ عن الواقع؟"

يقوم متوسط خطأ النسبة المئوية المطلقة (MAPE) بتوحيد الخطأ

MAPE يعبر عن خطأ التنبؤ المطلق بالنسبة إلى RUL الفعلي:

[ MAPE=\frac{100}{N}\sum_{i=1}^{N} \left|\frac{\widehat{RUL}_i-RUL_i}{RUL_i}\right| ]

يسمح MAPE بمقارنات الأداء عبر الخلايا أو حالات الاختبار ذات الأعمار التشغيلية المختلفة.

ومع ذلك، يصبح MAPE غير مستقر عندما يكون RUL الفعلي صغيراً جداً. بالقرب من نهاية العمر الافتراضي، يمكن أن يؤدي خطأ مطلق صغير إلى خطأ نسبة مئوية كبير بشكل غير متناسب، لذا لا ينبغي تفسير MAPE بدون MAE أو مقياس خطأ مطلق آخر.

يؤكد جذر متوسط مربع الخطأ (RMSE) على إخفاقات التنبؤ الكبيرة

يُستخدم جذر متوسط مربع الخطأ (RMSE) أيضاً في التحقق من RUL لبطاريات الليثيوم أيون:

[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N} \left(\widehat{RUL}_i-RUL_i\right)^2} ]

لأن الأخطاء يتم تربيعها، فإن RMSE يعاقب الإخفاقات الكبيرة بشكل أقسى من MAE. إنه مفيد عندما يمكن أن تؤدي بعض التنبؤات الخاطئة أو المبالغ فيها بشكل كبير إلى مخاطر تتعلق بالسلامة أو الصيانة أو الضمان.

يُظهر الخطأ النسبي والتكرارية سلوك النموذج الأوسع

قد تبلغ برامج البحث والتطوير أيضاً عن خطأ التنبؤ النسبي، والانحراف المعياري للخطأ، والتباين عبر دورات الشحن والتفريغ المتكررة.

تساعد هذه المقاييس في التمييز بين النموذج القريب باستمرار من الحقيقة والنموذج الذي ينتج انحرافات كبيرة في بعض الأحيان. وهي مهمة بشكل خاص عند مقارنة الخوارزميات عبر دفعات الخلايا، أو ظروف الشيخوخة، أو ملفات تعريف التشغيل الديناميكية.

ما هي البيانات التي يجب استخدامها للتحقق من صحة الخوارزمية؟

وقت الفشل الفعلي هو الهدف المرجعي

يجب مقارنة تنبؤات RUL بحقيقة أساسية محددة، مثل الدورة الفعلية أو الوقت الذي تصل فيه الخلية إلى عتبة نهاية العمر.

قد تستند هذه العتبة إلى تدهور السعة، أو المقاومة الداخلية، أو سلوك نهاية التفريغ، أو معيار آخر خاص بالتطبيق. إذا كان تعريف الفشل غير متسق، فلن تكون مقاييس الدقة ذات مغزى.

ملاحظات التدهور تدفع تحديثات التنبؤ

تشمل المدخلات المفيدة قياسات السعة، وتطور المقاومة الداخلية، وحالة الشحن (SoC)، ودرجة الحرارة، والتيار، والجهد، وتاريخ الدورات المنقضي.

بالنسبة للتطبيقات الديناميكية، يجب أن تلتقط أنظمة الاختبار أيضاً إحصائيات ملف تعريف الحمل مثل متوسط التيار، وتغير التيار، والحد الأقصى والأدنى للتيار، ومدة المرحلة. تساعد هذه المتغيرات نموذج التنبؤ في مراعاة الفرق بين دورات المختبر المستقرة وطلب التشغيل الفعلي.

يتحقق اختبار "الأجهزة في الحلقة" (HIL) من المتانة في العالم الحقيقي

الدقة دون اتصال بالإنترنت على بيانات الدورات التاريخية ليست كافية بحد ذاتها. يمكن أن يربط اختبار الأجهزة في الحلقة (Hardware-in-the-loop) خوارزمية التنبؤ بمعدات البطاريات القابلة للبرمجة وتعريضها لأحمال متغيرة، وظروف بيئية، وقيود تشغيلية.

تختبر هذه العملية ما إذا كان النموذج يظل مستقراً عندما يتعين عليه تقدير RUL عبر الإنترنت بدلاً من مجرد ملاءمة سجل تدهور مكتمل.

لماذا يؤثر وقت الاختبار التشغيلي على دقة التنبؤ

التنبؤات المبكرة لديها أدلة تدهور محدودة

في بداية الاختبار، لا تملك الخوارزمية سوى تاريخ قصير لسلوك الخلية الفردية.

يجب أن تعتمد بشكل أكبر على افتراضات مستوى السكان، أو تقديرات المعلمات الأولية، أو بيانات الخلايا التاريخية. وبالتالي، يمكن أن يؤدي تباين التصنيع وضوضاء القياس في الدورات المبكرة إلى عدم يقين كبير في RUL.

تكشف الدورات الإضافية عن مسار التدهور الفردي

مع استمرار الاختبار، يلاحظ النظام المزيد من مسار التدهور الفعلي للخلية.

على سبيل المثال، يمكن أن تساعد قياسات المقاومة الداخلية المتراكمة في تحديث معدلات التدهور ومعلمات نموذج المخاطر. ينتقل النموذج تدريجياً من تقدير سكاني عام نحو توقع خاص بالخلية، مما يقلل بشكل عام من MAE وMAPE.

غالباً ما تنتج بيانات المرحلة المتأخرة ثقة أعلى

عندما تكون الخلية أقرب إلى عتبة الفشل المحددة لها، يكون اتجاه تدهورها أكثر قابلية للتحديد.

يسمح هذا عادةً للخوارزمية بالتنبؤ بالفشل بثقة أكبر مما كانت تستطيع من بيانات الحياة المبكرة. من الناحية العملية، غالباً ما تضيق فترة التنبؤ مع تراكم الاختبار لملاحظات غنية بالمعلومات.

المزيد من الوقت لا يضمن تنبؤات أفضل

يساعد الوقت التشغيلي الإضافي فقط عندما ينتج بيانات موثوقة وتمثيلية.

يمكن أن تمنع ضوضاء المستشعر، أو أخذ العينات غير المنتظم، أو تغير درجات الحرارة، أو ظروف الحمل غير المصممة، أو نموذج التدهور غير الصحيح من تحسن الدقة. قد يكون الاختبار الأطول ببيانات ذات جودة رديئة أو غير تمثيلية أقل قيمة من اختبار أقصر بقياسات دقيقة وغنية بالمعلومات.

كيف يجب الإبلاغ عن عدم اليقين في التنبؤ

دقة النقطة لا تحكي القصة كاملة

تلخص MAE وMAPE وRMSE المسافة بين التنبؤات والنتائج الفعلية، لكنها لا تشير إلى مدى يقين التنبؤ الفردي.

لذلك يجب أن تبلغ أنظمة RUL أيضاً عن فترات التنبؤ، أو فترات الثقة، أو توزيعات الاحتمالات حيثما أمكن ذلك.

تحدد فترات الثقة نطاقات الخطأ المحتملة

يمكن استخدام توزيع تم ملاءمته لمخرجات RUL لتقدير فترات مثل مستويات ثقة 68% و95%.

تساعد هذه الفترات المهندسين على فهم ما إذا كان التنبؤ مركزاً بإحكام أو غير مؤكد للغاية. قد يظل النموذج ذو الخطأ المتوسط المنخفض ولكن الفترات غير المعايرة بشكل جيد غير آمن للصيانة أو تخطيط المهام.

تتطلب توزيعات الفشل المنحرفة عناية

أوقات فشل البطارية ليست دائماً موزعة بشكل طبيعي. يمكن أن يؤدي تباين التدهور والاختلافات بين الخلايا إلى توزيعات RUL منحرفة.

بالنسبة لمثل هذه الحالات، يمكن اختيار فترات ذات عرض ثابت لزيادة احتمالية وقوع RUL الحقيقي داخل الفترة. تعالج مناهج "فترة الطاقة القصوى" هذا الهدف بشكل مباشر أكثر من مجرد توسيط فترة حول المتوسط أو الوسيط.

فهم المقايضات

يمكن أن يبالغ MAPE في أخطاء ما قبل الفشل

يعتبر MAPE جذاباً لأنه من السهل مقارنته عبر مجموعات البيانات، لكن مقامه هو RUL الفعلي.

مع اقتراب RUL الفعلي من الصفر، يمكن أن يصبح MAPE كبيراً بشكل غير متناسب. استخدمه جنباً إلى جنب مع MAE أو RMSE أو مقياس نسبة مئوية بديل بدلاً من استخدامه كمعيار قبول وحيد.

يمكن أن يخفي متوسط الخطأ المنخفض قيماً متطرفة خطيرة

قد يحقق النموذج MAE مناسباً بينما يرتكب أحياناً خطأ تنبؤ فادحاً.

يجب مراجعة RMSE، والخطأ الأقصى، ومئويات الخطأ، ونتائج كل خلية عندما يمكن أن تؤدي التنبؤات المتأخرة إلى تفريغ مفرط، أو صيانة ضائعة، أو استبدال مبكر للبطارية.

قد لا تمثل دقة المرحلة المتأخرة فائدة المرحلة المبكرة

خوارزمية تصبح دقيقة للغاية بالقرب من نهاية العمر قد تظل غير مؤكدة للغاية خلال الأجزاء المبكرة والمتوسطة من المهمة أو فترة الضمان.

لذلك يجب تصنيف التقييم حسب العمر التشغيلي، مثل نقاط التنبؤ في الدورة المبكرة، ومنتصف العمر، ونهاية العمر.

يمكن أن يقلل الاختبار الأسرع من القابلية للملاحظة

تقلل الشيخوخة المتسارعة من الوقت التقويمي ولكنها قد تغير آليات التدهور أو ظروف الحمل التي تظهر في التشغيل العادي.

قد تتنبأ الخوارزمية الناتجة بسلوك الاختبار المتسارع بدقة بينما يكون أداؤها ضعيفاً في ملفات تعريف الميدان. يجب أن يتضمن التحقق ملفات تعريف ديناميكية، وحيثما كان ذلك مناسباً، اختبار الأجهزة في الحلقة أو الاختبار التشغيلي التمثيلي.

اتخاذ الخيار الصحيح لهدفك

التقييم الأكثر فائدة هو مجموعة مقاييس تتناسب مع القرار الذي يجب أن تدعمه خوارزمية RUL.

• إذا كان تركيزك الأساسي هو الدقة الهندسية المتوسطة: استخدم MAE كمقياس رئيسي وأبلغ عنه بالدورات أو الساعات أو الدقائق.
• إذا كان تركيزك الأساسي هو المقارنة عبر الخلايا ذات الأعمار المختلفة: أضف MAPE أو الخطأ النسبي، مع التعامل بحذر مع نتائج RUL القريبة من الصفر.
• إذا كان تركيزك الأساسي هو تجنب إخفاقات التنبؤ الجسيمة: قم بتضمين RMSE، والخطأ الأقصى، وتوزيعات الخطأ للكشف عن القيم المتطرفة.
• إذا كان تركيزك الأساسي هو الصيانة أو سلامة المهمة: أبلغ عن فترات التنبؤ أو مستويات الثقة المعايرة بالإضافة إلى مقاييس خطأ النقطة.
• إذا كان تركيزك الأساسي هو التنبؤ في بداية العمر: قيم الدقة في أعمار تشغيلية متعددة بدلاً من الإبلاغ فقط عن الأداء النهائي أو في المرحلة المتأخرة.
• إذا كان تركيزك الأساسي هو النشر الميداني: تحقق من صحة النموذج باستخدام ملفات تعريف الحمل الديناميكية، وقياسات التدهور الدقيقة، واختبار الأجهزة في الحلقة.

يجمع تقييم RUL الموثوق بين الخطأ المطلق، والخطأ النسبي، وعدم اليقين، والأداء بمرور الوقت التشغيلي بحيث يتم إثبات الدقة المحسنة بدلاً من افتراضها.

جدول الملخص:

قم بتحسين البحث والتطوير في مجال البطاريات باستخدام حلول الاختبار المتقدمة لدينا. اتصل بنا اليوم لتحسين دقة التنبؤ بـ RUL وإطالة عمر البطارية. تواصل معنا!