یادگیری ماشین دمای باتری خودروهای برقی را در سلول‌هایی که هرگز ندیده است پیش‌بینی می‌کند
باتری‌های لیتیوم‌یونی قلب تپنده انقلاب خودروهای برقی هستند، اما در برابر گرما نیز حساسیت خطرناکی دارند. هنگامی که یک سلول با سرعت زیادی تخلیه می‌شود، واکنش‌های داخلی آن گرما تولید می‌کنند. اگر این گرما کنترل نشود، روند افت ظرفیت باتری تسریع می‌شود، عملکرد آن کاهش می‌یابد و در بدترین حالت، ممکن است فرار حرارتی رخ دهد؛ پدیده‌ای که در آن زنجیره‌ای از واکنش‌های گرمازا از کنترل خارج می‌شود و می‌تواند به آتش‌سوزی یا انفجار بینجامد. اکنون گروهی از پژوهشگران در مؤسسات مختلف هند چارچوبی مبتنی بر یادگیری ماشین توسعه داده‌اند که دمای باتری را در چرخه‌های تخلیه با دقت چشمگیری پیش‌بینی می‌کند. نکته مهم‌تر آن است که این مدل‌ها در پیش‌بینی دمای سلول‌هایی نیز موفق بوده‌اند که پیش‌تر هرگز با آن‌ها مواجه نشده‌اند. این پژوهش که در مجله Frontiers in Mechanical Engineering منتشر شده است، به یکی از مشکلات کمتر آشکار در عیب‌یابی باتری می‌پردازد: اعتماد بیش‌ازحدی که از ارزیابی مدل با داده‌هایی ناشی می‌شود که مدل بخشی از آن‌ها را پیش‌تر آموخته یا به خاطر سپرده است.
این گروه پژوهشی به سرپرستی آنوج پراپاتی از مؤسسه فناوری و تحقیقات ترینیتی در بوپال و با همکاری پژوهشگرانی از دانشگاه هنر، طراحی و فناوری ام‌آی‌تی در پونه و مؤسسات همکار، از مجموعه‌داده عمومی فرسودگی باتری‌های لیتیوم‌یونی مرکز تعالی پیش‌بینی خرابی ناسا ایمز استفاده کرد. این مجموعه‌داده، عملکرد سلول‌های تجاری با قالب ۱۸۶۵۰ را ثبت می‌کند که بارها چرخه شارژ و تخلیه را پشت سر گذاشته‌اند تا ظرفیت آن‌ها حدود ۳۰ درصد از ظرفیت اسمی اولیه ۲ آمپرساعت کاهش یافته و به حدود ۱٫۴ آمپرساعت رسیده است. پژوهشگران از چهار باتری با شناسه‌های B0005، B0006، B0007 و B0018، تعداد ۱۶۹٬۷۶۶ نمونه مربوط به چرخه‌های تخلیه استخراج کردند. این داده‌ها در دمای محیط ۲۴ درجه سانتی‌گراد و با جریان تخلیه حدود ۲ آمپر ثبت شده بودند؛ جریانی که با توجه به ظرفیت اسمی باتری، تقریباً معادل نرخ تخلیه 1C است. فاصله زمانی میان نمونه‌برداری‌ها ثابت نبود و تقریباً بین ۹ تا ۲۰ ثانیه تغییر می‌کرد؛ جزئیاتی که در طراحی ویژگی‌های ورودی مدل اهمیت پیدا کرد.
ویژگی متمایز این پژوهش در مقایسه با بسیاری از مطالعات پیشین، تأکید بر روشی برای اعتبارسنجی است که به نشت داده منجر نشود. در مطالعات متداول پیش‌بینی دما، داده‌ها اغلب به‌صورت تصادفی میان مجموعه‌های آموزش و آزمون تقسیم می‌شوند. در نتیجه، ممکن است اندازه‌گیری‌های مربوط به یک باتری فیزیکی واحد هم در داده‌های آموزش و هم در داده‌های آزمون حضور داشته باشند. به این ترتیب، مدل عملاً پیش از ارزیابی، نمونه‌هایی از همان سلولی را می‌بیند که قرار است عملکردش روی آن سنجیده شود. این وضعیت می‌تواند ارقام دقت را، که گاهی به همبستگی تقریباً کامل می‌رسند، به‌شدت بهتر از عملکرد واقعی نشان دهد.
گروه پژوهشی هند به‌جای این روش، از راهبرد «اعتبارسنجی با کنارگذاشتن یک باتری در هر نوبت» استفاده کرد. در هر یک از چهار مرحله اعتبارسنجی، تمام داده‌های یک باتری کنار گذاشته شد تا به‌عنوان مجموعه آزمونی کاملاً مستقل و دیده‌نشده به کار رود؛ سپس داده‌های سه باتری دیگر برای آموزش مدل ترکیب شدند. بسته به اینکه کدام باتری کنار گذاشته می‌شد، مجموعه آموزش بین ۱۲۱٬۴۶۷ تا ۱۳۷٬۷۷۵ نمونه و مجموعه آزمون بین ۳۱٬۹۹۱ تا ۴۸٬۲۹۹ نمونه داشت. این طراحی به شرایط واقعی یک سامانه مدیریت باتری شباهت دارد: چنین سامانه‌ای باید بتواند دمای سلولی جدید را که قبلاً با آن مواجه نشده است تخمین بزند، نه اینکه صرفاً مقادیر میان داده‌های یک سلول آشنا را برآورد کند.
مهندسی ویژگی‌ها نیز با دقت انجام شد. پژوهشگران به‌جای استفاده صرف از سیگنال‌های خام، پنج ورودی با معنای فیزیکی مشخص تعریف کردند: ولتاژ اندازه‌گیری‌شده، جریان اندازه‌گیری‌شده، توان لحظه‌ای تخلیه، انرژی تخلیه انباشته‌شده در هر چرخه و افت ولتاژ. توان از حاصل‌ضرب ولتاژ اندازه‌گیری‌شده در قدر مطلق جریان تخلیه محاسبه شد تا با وجود منفی بودن علامت جریان در قرارداد متداول تخلیه، مقدار توان برحسب وات مثبت باشد.
از آنجا که فاصله زمانی نمونه‌برداری ثابت نبود، انرژی انباشته‌شده با انتگرال‌گیری از توان لحظه‌ای در طول فاصله زمانی میان هر دو نمونه متوالی محاسبه شد. همچنین، انباشت انرژی در آغاز هر چرخه تخلیه از نو شروع می‌شد تا انرژی یک چرخه به چرخه مستقل بعدی منتقل نشود. افت ولتاژ، که از اختلاف ولتاژ شارژ یا ولتاژ مرجع با ولتاژ اندازه‌گیری‌شده به دست می‌آمد، به‌عنوان شاخصی تقریبی از تلفات ناشی از مقاومت داخلی در نظر گرفته شد. دمای اندازه‌گیری‌شده متغیر هدف پیش‌بینی بود و شناسه باتری فقط برای گروه‌بندی داده‌ها در مرحله اعتبارسنجی استفاده شد و هرگز به‌عنوان ورودی مدل به کار نرفت.
تحلیل توصیفی داده‌ها پیش از آموزش مدل، روابط قابل‌توجهی را آشکار کرد. ولتاژ اندازه‌گیری‌شده و توان هر دو همبستگی منفی شدیدی با دما داشتند و ضریب همبستگی آن‌ها حدود ۰٫۹۲- بود. در مقابل، انرژی تخلیه انباشته‌شده همبستگی مثبت و قوی، در حدود ۰٫۹۰، با دما نشان داد. این نتایج تأیید می‌کردند که با مصرف انرژی بیشتر در طول چرخه تخلیه، دمای سلول افزایش می‌یابد. افت ولتاژ تنها رابطه مثبت ضعیفی با دما داشت و جریان اندازه‌گیری‌شده نیز تقریباً هیچ همبستگی خطی مستقیمی نشان نداد.
بااین‌حال، پژوهشگران جریان را از میان ورودی‌ها حذف نکردند؛ زیرا استدلال کردند که مدل‌های تجمیعی مبتنی بر درخت، برخلاف معیارهای همبستگی خطی، قادرند روابط غیرخطی و اثرات متقابل میان متغیرها را شناسایی کنند. منحنی‌های روند هموارشده نیز همین تصویر را تقویت کردند: میانگین دما با افزایش انرژی انباشته‌شده به‌طور پیوسته بالا می‌رفت، هرچند این افزایش در سطوح بالاتر انرژی تا حدی کند می‌شد. رابطه دما و توان نیز الگویی معکوس و غیرخطی داشت؛ زیرا ولتاژ و توان در مراحل اولیه تخلیه، زمانی که سلول خنک‌تر است، بیشترین مقدار را دارند و با گرم‌شدن سلول در مراحل بعدی کاهش می‌یابند.
سه مدل یادگیری نظارت‌شده برای دستیابی به بهترین عملکرد با یکدیگر مقایسه شدند. رگرسیون خطی به‌عنوان مدل پایه و قابل‌تفسیر در نظر گرفته شد. جنگل تصادفی با استفاده از مجموعه‌ای از درختان تصمیم که از طریق نمونه‌گیری بوت‌استرپ ساخته می‌شوند، رفتار غیرخطی الکتروحرارتی را مدل‌سازی کرد. مدل ماشین تقویت گرادیان با درخت‌های سبک یا LightGBM نیز نماینده رویکرد پیشرفته‌تر بود؛ این مدل با راهبرد رشد درخت به‌صورت برگ‌محور و بهینه‌سازی مبتنی بر هیستوگرام، برای تحلیل داده‌های حرارتی پرتواتر مناسب است.
نتایج روشن بود. مدل LightGBM بهترین عملکرد کلی را در تعمیم به باتری‌های دیده‌نشده به دست آورد. میانگین ریشه میانگین مربعات خطا (RMSE) آن در چهار مرحله اعتبارسنجی ۱٫۰۷۰ درجه سانتی‌گراد و میانگین ضریب تعیین (R²) آن ۰٫۹۱۰ بود. جنگل تصادفی نیز عملکردی نزدیک داشت: میانگین RMSE آن ۱٫۰۸۱ درجه سانتی‌گراد و R² آن ۰٫۹۰۹ بود. این مدل با میانگین خطای مطلق ۰٫۸۹۳ درجه سانتی‌گراد، کمترین خطای مطلق را در میان سه مدل ثبت کرد.
رگرسیون خطی فاصله محسوسی با دو مدل دیگر داشت. میانگین RMSE آن ۱٫۸۲۶ درجه سانتی‌گراد، میانگین خطای مطلق آن ۱٫۵۷۶ درجه سانتی‌گراد و ضریب تعیین آن تنها ۰٫۷۴۴ بود. در مقایسه با این مدل پایه، LightGBM خطای RMSE را حدود ۴۱٫۴ درصد و خطای مطلق را ۴۳ درصد کاهش داد، ضریب تعیین را ۲۲٫۳ درصد بهبود بخشید و واریانس توضیح‌داده‌نشده را حدود ۶۴٫۸ درصد کم کرد.
بررسی نتایج به تفکیک باتری‌ها نیز تفاوت‌های معناداری را نشان داد. هر دو مدل تجمیعی بهترین عملکرد خود را روی سلول B0007 داشتند. LightGBM برای این سلول به RMSE برابر با تنها ۰٫۶۷۸ درجه سانتی‌گراد و R² برابر با ۰٫۹۶۷ رسید. در مقابل، خطاها برای سلول‌های B0006 و B0018 نسبتاً بیشتر بود. این تفاوت نشان می‌دهد که الگوهای فرسودگی مختص هر سلول و اختلاف شرایط عملیاتی در سطح چرخه، واقعاً بر توانایی مدل برای انتقال آموخته‌های خود از سلول‌های دیگر به یک سلول جدید تأثیر می‌گذارند.
تحلیل عدم‌قطعیت، که با استفاده از انحراف معیار معیارهای ارزیابی در چهار مرحله اعتبارسنجی انجام شد، نشان داد مدل‌های تجمیعی عملکردی بسیار باثبات‌تر از رگرسیون خطی دارند. نوسان بیشتر خطاهای مدل خطی، شکنندگی آن را آشکار می‌کرد. پژوهشگران همچنین داده‌های دما را به چهار بازه تقسیم کردند: ۲۰ تا ۳۰ درجه، ۳۰ تا ۳۵ درجه، ۳۵ تا ۴۰ درجه و بیش از ۴۰ درجه سانتی‌گراد. نتایج نشان داد که خطای پیش‌بینی در دماهای بالاتر برای هر سه مدل افزایش می‌یابد. این یافته بیانگر آن است که مدل‌سازی رفتار غیرخطی و مختص هر سلول در باتری‌های داغ، به‌ویژه در شرایطی که مدل باید روی سلولی کاملاً جدید تعمیم پیدا کند، ذاتاً دشوارتر است.
آزمون‌های ناهمسانی واریانس بروش–پاگان و وایت نیز این نتیجه را از نظر آماری تأیید کردند. مقدار p در هر دو آزمون و برای تمام مدل‌ها کمتر از ۰٫۰۰۱ بود؛ بنابراین، واریانس باقیمانده‌ها در سراسر دامنه پیش‌بینی ثابت نبود. این یافته، رویکرد ارزیابی پایداری مدل‌ها به تفکیک بازه‌های دمایی را تأیید می‌کند.
بررسی دقیق‌تر باقیمانده‌های پیش‌بینی نیز همین الگو را نشان داد. باقیمانده‌های مدل خطی تقریباً از منفی ۹ تا مثبت ۶ درجه سانتی‌گراد گسترده بودند، حول صفر مرکزیت نداشتند و گرایشی آشکار به توزیع دومدالی نشان می‌دادند. در نمودار باقیمانده‌ها در برابر دمای پیش‌بینی‌شده نیز الگوهایی خمیده با پراکندگی رو به افزایش دیده می‌شد. این مدل در دماهای بالاتر به‌طور نظام‌مند دما را کمتر از مقدار واقعی برآورد می‌کرد؛ نشانه‌ای از ناتوانی آن در بازنمایی پاسخ حرارتی غیرخطی باتری.
جنگل تصادفی دامنه پراکندگی باقیمانده‌ها را به حدود مثبت و منفی ۳ درجه سانتی‌گراد محدود کرد، هرچند در مقادیر بالاتر دمای پیش‌بینی‌شده هنوز روند نزولی خفیفی وجود داشت. LightGBM نیز پراکندگی خطای مشابه و محدودی داشت، اما در مجموع بهترین توازن را میان دقت، کنترل باقیمانده‌ها و قدرت توضیح‌دهندگی ارائه کرد.
سپس گروه پژوهشی از روش SHAP، مخفف توضیحات افزایشی شاپلی (SHapley Additive exPlanations)، برای تفسیر رفتار مدل استفاده کرد. این روش مبتنی بر نظریه بازی‌هاست و سهم هر ویژگی را در هر پیش‌بینی مشخص می‌کند. تحلیل نشان داد که توان، انرژی تخلیه انباشته‌شده و ولتاژ اندازه‌گیری‌شده مهم‌ترین پیش‌بینی‌کننده‌ها هستند. مقادیر پایین‌تر توان، پیش‌بینی مدل را به سمت دماهای بالاتر سوق می‌دادند؛ الگویی که با روند تخلیه باتری سازگار است، زیرا توان هم‌زمان با گرم‌شدن سلول کاهش می‌یابد. افزایش انرژی انباشته‌شده نیز پیش‌بینی دما را به سمت مقادیر بالاتر می‌برد و افت ولتاژ با وضعیت‌های گرم‌تر سلول ارتباط داشت.
نکته جالب آن بود که تحلیل وابستگی SHAP نشان داد تأثیر توان مستقل از سایر متغیرها نیست. در توان‌های کمتر از حدود ۷ وات، مقادیر SHAP عمدتاً مثبت بودند؛ اما با عبور توان از این آستانه، این مقادیر به سمت صفر و سپس مقادیر منفی حرکت می‌کردند. جهت و شدت این اثر به وضعیت هم‌زمان ولتاژ سلول نیز بستگی داشت. این یک اثر متقابل واقعی میان ویژگی‌هاست که مدل خطی به‌تنهایی قادر به بازنمایی آن نیست.
پیامدهای عملی این پژوهش برای طراحی سامانه‌های مدیریت باتری قابل‌توجه است. از آنجا که چارچوب توسعه‌یافته مهم‌ترین پارامترهای مؤثر را مشخص می‌کند، مهندسان می‌توانند انتخاب حسگرها و گردآوری داده‌ها را بر متغیرهای الکتریکی و الکتروحرارتی تعیین‌کننده رفتار دما متمرکز کنند، به‌جای آنکه بدون تمایز همه‌چیز را اندازه‌گیری کنند. تحلیل باقیمانده‌ها و عدم‌قطعیت نیز الگویی برای ارزیابی قابلیت اطمینان مدل پیش از استقرار آن فراهم می‌کند. افزون بر این، نتایج SHAP نقشه‌ای قابل‌تفسیر از نظر فیزیکی به دست می‌دهند که نشان می‌دهد بار لحظه‌ای، انرژی عبوری انباشته‌شده و پاسخ ولتاژ چگونه در کنار یکدیگر روند تغییر دما را کنترل می‌کنند.
نویسندگان محدودیت‌های پژوهش را نیز به‌صراحت بیان کرده‌اند. مطالعه فقط بر یک مجموعه‌داده شامل چهار سلول ۱۸۶۵۰ و شرایط کنترل‌شده متکی است و اطلاعاتی درباره ترکیب شیمیایی دقیق سلول‌ها، دقت حسگرها یا سخت‌افزار گردآوری داده‌ها ارائه نمی‌کند. همچنین، شاخص‌های فرسودگی، پاسخ امپدانس، رفتار خنک‌کننده و الگوهای بارگذاری در شرایط واقعی رانندگی در تحلیل وارد نشده‌اند.
به گفته پژوهشگران، مطالعات آینده باید اعتبارسنجی را به ترکیب‌های شیمیایی متنوع‌تر، نرخ‌های مختلف تخلیه، دماهای محیطی متفاوت و چرخه‌های رانندگی پویا گسترش دهند. آن‌ها همچنین توسعه مدل‌های ترکیبی یادگیری ماشین مبتنی بر دانش فیزیکی را پیشنهاد می‌کنند که پیش‌بینی داده‌محور را با دانش الکتروشیمی و اصول حوزه حرارتی ادغام کنند. در حال حاضر، این پژوهش به‌خوبی نشان می‌دهد که اعتبارسنجی واقع‌بینانه، یعنی آزمودن مدل روی سلول‌هایی که واقعاً هرگز ندیده است، صرفاً یک الزام روش‌شناختی نیست؛ بلکه تفاوت میان برآورد دمایی است که فقط در محیط آزمایش و تحلیل رایانه‌ای دقیق به نظر می‌رسد و برآوردی است که بتوان به آن در سامانه یک خودروی برقی در حال حرکت اعتماد کرد.
موضوع پژوهش: پیش‌بینی دمای باتری لیتیوم‌یونی با یادگیری ماشین در چرخه‌های تخلیه، همراه با اعتبارسنجی به تفکیک باتری و تفسیرپذیری مبتنی بر SHAP.
عنوان مقاله پژوهشی: بهینه‌سازی پیش‌بینی دما در چرخه‌های تخلیه باتری‌های لیتیوم‌یونی خودرو با استفاده از یادگیری ماشین و تحلیل SHAP.
منبع مقاله پژوهشی: Prajapati, A., Thorat, S. G., Pradhan, G., Gund, S., Paraye, P., & Singh, V. (2026). Optimizing temperature prediction in automotive lithium-ion battery discharge cycles using machine learning and SHAP analysis. Frontiers in Mechanical Engineering, 12، مقاله ۱۹۴۹۰۹۰. https://doi.org/10.3389/fmech.2026.1949090
اعتبار تصویر: تولیدشده با هوش مصنوعی.
شناسه DOI: 10.3389/fmech.2026.1949090
کلیدواژه‌ها: باتری‌های لیتیوم‌یونی، یادگیری ماشین، LightGBM، جنگل تصادفی، تحلیل SHAP، مدیریت حرارتی، سامانه‌های مدیریت باتری، خودروهای برقی، مجموعه‌داده باتری ناسا، پیش‌بینی دما، اعتبارسنجی با کنارگذاشتن یک باتری در هر نوبت، مهندسی ویژگی‌ها.
منبع خبر: فیت مک‌نیل، ۱۷ اکتبر ۲۰۲۶، «یادگیری ماشین دمای باتری خودروهای برقی را در سلول‌هایی که هرگز ندیده است پیش‌بینی می‌کند»، Scienmag.