《Results in Engineering》：Optimization of Operating Conditions for a PEMFC Automotive Stack Using Design of Experiments and a multi-factor ANOVA method
编辑推荐：
专业术语翻译（论文摘要）
针对车用质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC）电堆的运行条件优化，研究人员提出了一套系统的试验设计（Design of Experiments, DOE）工作流程。通过
专业术语翻译（论文摘要）
针对车用质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC）电堆的运行条件优化，研究人员提出了一套系统的试验设计（Design of Experiments, DOE）工作流程。通过多因素方差分析（Analysis of Variance, ANOVA）进行因子筛选，结果表明反应物压力（reactant pressure）可解释超过75%的单电池电压（cell voltage）方差。研究人员采用Box-Behnken试验矩阵进行细化，将测试时长缩短了33%。此外，研究人员在两个数据集上对模型性能进行了对比分析，并开发了基于多项式模型插值的响应面法（Response Surface Methodology, RSM），用于预测平均单电池电压（mean cell voltage）及其离散度（dispersion）。
论文解读文章
一、研究背景与问题提出
质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC）被认为是减少温室气体排放的重要解决方案，但其开发与工业化进程面临诸多挑战。电堆电性能的提升与系统效率的改善至关重要，同时成本降低和耐久性增强也是燃料电池制造企业面临的重大难题。进入重型移动出行、固定式系统和越野车辆等竞争激烈的全球市场，需要可靠且经济实惠的燃料电池系统。
尽管纯电动汽车（Battery Electric Vehicle, BEV）市场份额在许多国家不断增长，但其仍存在技术局限，例如在无需长时间充电的情况下持续提供高功率的能力有限。相比之下，氢燃料电池驱动的应用能够为高要求场景提供大电流输出，且加注时间与内燃机相当。因此，新燃料电池的设计需要一套系统化的方法，不仅用于评估性能，还要找到能够最大化目标输出指标的最优运行条件组合。
现有研究中，基于机理的现代多物理场模型虽然能够准确捕捉PEMFC的物理特性，但计算成本高昂，并非工业电堆产品开发框架中优化运行条件的最有效工具。试验设计（Design of Experiments, DOE）技术被广泛认为是机理模型方法的相关替代方案。然而，现有PEMFC的DOE研究大多在单电池层面开展，很少涉及测试时间缩减目标，且较少针对工业级电堆进行系统化的因子筛选与试验方案优化。
二、研究内容与主要结论
针对上述问题，研究人员提出了一种两阶段式的车用PEMFC电堆实验优化框架。该框架首先基于选定的运行因子构建试验矩阵，命名为TP1，用于在多因素方差分析（Analysis of Variance, ANOVA）的统计假设下进行因子筛选。随后，研究人员设计了一个精简后的试验矩阵TP2，主要聚焦于显著因子并涵盖其对单电池电压响应的二次效应。基于此，开发了多项式模型，用于实验数据的插值和响应面法（Response Surface Methodology, RSM）研究。
研究得出以下主要结论：第一，通过六因素ANOVA的定量排序，证明反应物压力解释了超过75%的观测单电池电压方差，且该结论在另一模型和数据集上得到验证。第二，初始试验计划从六个因子精简至四个因子，测试时间减少约33%，同时保持了分析的统计显著性。第三，在配备单电池电压监测的现代流通式构型测试台上，对6 kW车用短堆进行了试验验证。第四，开发并独立验证了能够同时预测电堆内平均单电池电压和电压离散度的多项式响应面模型。第五，通过实验识别出可使单电池电压增益超过60 mV、电压离散度降低高达35%的运行条件组合。第六，基于多因子期望函数（desirability function），识别出包含单电池电压信号时间不稳定性的故障运行条件。
三、关键技术与方法
研究人员采用的主要关键技术方法包括：其一，全因子与部分因子试验计划设计，通过仅保留所有因子处于中等水平且仅一个因子处于高或低水平的组合，在不损失正交性的前提下大幅减少试验次数；其二，多因素方差分析（ANOVA）方法，用于将变量的总方差按模型进行分解，并将各因子方差与残差方差进行比较，从而定量筛选出对响应变量影响显著的因子；其三，响应面法（RSM），通过多项式模型在参数空间内进行插值，捕捉因子的非线性效应及其交互作用。研究在配备单电池电压监测的现代流通式构型测试台上，对6 kW车用短堆进行了实验验证。
四、研究结果
4.1 试验计划定义
研究人员将运行条件命名为因子，其各水平值被视为分类变量，水平标记为{低, 中, 高}。对于k因子研究涉及N种组合，得到N×k试验矩阵，其中每个元素属于{-1; 0; 1}。全因子试验计划需要测试所有组合，当因子数增加时组合数急剧膨胀，例如6参数3水平将代表729种组合，从测试角度而言过于冗长。因此引入部分因子试验计划以在不丢失关键信息的前提下减少测试时间。
4.2 正交性与自由度
试验矩阵需满足正交性条件，即不同因子列向量之间的内积为零。正交性条件与自由度要求共同构成了试验矩阵设计的数学约束，确保各因子效应能够被独立估计。
4.3 ANOVA因子筛选
基于TP1试验矩阵，研究人员进行了多因素方差分析，对六个运行因子进行了定量排序。结果表明，反应物压力是解释单电池电压方差的最主要因子，其贡献超过75%。这一结论通过另一个模型和数据集得到了验证，确认了反应物压力对电堆性能的主导作用。
4.4 试验方案精简
基于ANOVA筛选结果，研究人员将初始的六因子试验计划精简为四因子，形成TP2试验矩阵。这一精简使测试时间减少约33%，同时保留了主导电堆性能的关键物理效应，保证了分析的统计显著性。
4.5 多项式响应面模型
研究人员开发了多项式响应面模型，能够同时预测平均单电池电压和电堆内电压离散度。模型经过独立验证，表现出良好的预测能力。通过该模型，研究人员识别出能够使单电池电压增益超过60 mV、电压离散度降低高达35%的运行条件组合。
4.6 故障条件识别
基于多因子期望函数，研究人员识别出可能导致故障的运行条件，包括单电池电压信号的时间不稳定性。这为电堆运行中的故障预防和水管理策略提供了实验依据。
五、讨论与结论
本研究的讨论部分指出，与现有文献中通常在单电池层面开展的DOE研究不同，本工作引入了基于ANOVA的中间筛选步骤，为试验方案的精简选择提供了工程动机和统计一致性依据。该工作流程可在电堆群体中复现，用于比较性能评估，解决了工业电堆产品开发过程中对低成本实验的固有需求。
研究结论部分总结指出，研究人员提出了一套系统的DOE工作流程，用于车用PEMFC电堆性能优化。通过六因素ANOVA定量排序，证明了反应物压力对单电池电压方差的主导贡献（超过75%），并在另一模型和数据集上得到验证。初始试验计划从六因子精简至四因子，测试时间减少约33%，同时保持了统计显著性。研究在6 kW车用短堆上进行了实验验证，开发并独立验证了能够预测平均单电池电压和电压离散度的多项式响应面模型。实验识别出可使单电池电压增益超过60 mV、电压离散度降低高达35%的运行条件组合，并基于多因子期望函数识别出故障运行条件。该工作弥合了ANOVA筛选、试验方案精简与RSM在车用电堆上联合应用的空白，为运行条件优化和统计模型开发提供了完整的工作流程。
