مع الازدياد السريع في انتشار السيارات الكهربائية، أصبحت سلامة موثوقية بطاريات الليثيوم أيون مصدر قلق رئيسي. ففعالية كشف الشذوذ (anomaly detection) تُعتبر ضرورية لضمان عمليات آمنة لهذه البطاريات. ومع تعقد أنظمة البطاريات والسيناريوهات التشغيلية، أصبحت الحاجة ملحة لتشخيص الأخطاء وصيانة البطاريات عبر تطبيق تقنيات ذكية تكون قادرة على التكيف عبر مختلف المجالات والتعاون بين البشر والذكاء الاصطناعي.

تُظهر الأساليب التقليدية المستخدمة في كشف الأخطاء وتشخيصها عدم فاعليتها في التطبيقات الواقعية المعقدة، حيث إنها مصممة في العادة لمواقف محددة وعمليات مسبقة المعرفة. لذلك، تقترح هذه الدراسة نهجاً حديثاً لنمذجة النصوص الوصفية (descriptive text modeling) لتقارير إشارات البطاريات. حيث يتم تحويل إشارات المراقبة، والميزات الإحصائية، وسجلات الشذوذ، ونتائج تقييم الحالة إلى أوصاف بلغة طبيعية منظمة وقابلة للقراءة، مُشكلةً حزمة لغوية تهدف إلى تشخيص صحة البطارية وصيانتها.

استناداً إلى هذه الحزمة اللغوية، تم اقتراح VBFDD-Agent، وهو عميل لكشف الأخطاء وتشخيصها في بطاريات المركبات، مصممة خصيصاً لأنظمة البطاريات المستخدمة في السيارات. يدمج VBFDD-Agent النصوص الوصفية لحالة البطارية، واسترجاع الحالات التاريخية، وأدلة الصيانة المحلية، واستدلال نماذج اللغة الكبيرة (large language model reasoning) لإنتاج نتائج تشخيصية منظمة وتوصيات صيانة.

تظهر التجارب أن الإطار المقترح يمكنه أداء رصد الشذوذ بدقة استنادًا إلى التمثيلات النصية الوصفية، ويقدم اقتراحات صيانة مرنة، فعالة، وقابلة للتنفيذ. كما تؤكد التقييمات الخبراء القيمة العملية للتوصيات المُنتَجة. بشكل عام، يوسع VBFDD-Agent مجال تشخيص البطاريات التقليدي من توقعات التصنيف إلى دعم قرارات قابلة للتفهم وموجهة للصيانة.