בעידן הרכבים החשמליים והאחסון אנרגטי, תקלה אחת בסוללת ליתיום-יון עלולה להוביל לאסון. מחקר חדש מציג את BatteryAgent – מסגרת היררכית המשלבת ידע פיזיקלי עם יכולות חשיבה של מודלי שפה גדולים (LLM). המערכת פותרת בעיות של שיטות למידת מכונה מסורתיות: חוסר פרשנות וניתוח שורשי תקלה. לפי המחקר, BatteryAgent משיגה דיוק גבוה ומספקת המלצות תחזוקה, מה שמשנה את חוקי המשחק בבטיחות סוללות.
BatteryAgent מורכבת משלושה מודולים מרכזיים. שכבת התפיסה הפיזיקלית משתמשת ב-10 תכונות מבוססות מנגנונים אלקטרוכימיים, שמאזנות בין הפחתת מימדיות לשמירה על נאמנות פיזיקלית. שכבת הזיהוי והייחוס משלבת עצי החלטה עם Gradient Boosting וכלי SHAP כדי לכמת תרומות של תכונות. כך, המערכת מזהה תקלות ומצביעה על הגורמים העיקריים, מעבר לסיווג בינארי פשוט.
שכבת החשיבה והאבחון, בליבת BatteryAgent, מנצלת LLM כסוכן מרכזי. היא בונה גשר 'מספרי-סמנטי' בין ייחוסי SHAP לבסיס ידע מנגנוני, ומפיקה דוחות מקיפים: סוגי תקלות, ניתוח שורשי תקלה והצעות תחזוקה. ניסויים מראים כי BatteryAgent מתקנת סיווגים שגויים בדגימות גבול קשות, ומגיעה ל-AUROC של 0.986 – תוצאה המשמעותית מעל שיטות מתקדמות קיימות.
החדשנות של BatteryAgent נעוצה בשילוב בין פרשנות מבוססת פיזיקה לבינה מלאכותית מתקדמת. בעוד שיטות עמוקות קודמות היו 'קופסה שחורה', המסגרת הזו מציעה אבחון רב-סוגי פרשני, מהלך פרדיגמה מ'זיהוי פסיבי' ל'אבחון אינטליגנטי'. זה רלוונטי במיוחד לישראל, עם צמיחת תעשיית הרכב החשמלי והאנרגיה המתחדשת, שבה סוללות הן מרכיב קריטי.
עבור מנהלי עסקים בתחום הטכנולוגיה, BatteryAgent פותחת אפשרויות לשילוב בבקרת איכות ובתחזוקה חזויה. כיצד תשלבו AI כזה במערכות הסוללות שלכם? המחקר מזמין יישום מיידי לשיפור בטיחות וביעילות.