一种基于健康优先级的级联和类平衡域适应框架，用于无标签的实验室到汽车型质子交换膜燃料电池（PEMFC）水管理故障诊断

《International Journal of Hydrogen Energy》：A health-prior cascaded and class-balanced domain adaptation framework for label-free laboratory-to-automotive PEMFC water-management fault diagnosis

　　•该方法能够在没有目标标签的情况下诊断跨规模的PEMFC水故障。•健康的先验筛选能够区分正常和可疑的操作窗口。•基于物理的类平衡对齐提高了干燥/填充的传输效果。•该方法达到了99.08±0.25%的准确率和98.88±0.32%的Macro-F1分数。

引言
质子交换膜燃料电池因其高功率密度和零局部排放而被视为商业车辆和重型运输的有前途的清洁能源。然而，PEMFC的运行涉及到紧密耦合的电化学反应、气体传输、液水生成与去除、膜水合以及热量散发。在动态载荷条件下，水和热管理很容易失衡。局部填充（液水堵塞多孔介质或流动通道）和膜干燥（质子导电性急剧下降）都可能导致性能严重下降，并加速关键组件的物理老化[1] [2]。因此，具有强大泛化能力的可靠故障诊断和预测性健康管理对于高功率PEMFC系统的长期安全运行至关重要[3] [4]。
由于PEMFC内部的水状态难以直接观察且在工业应用中获取故障标签的成本较高，因此已经进行了大量的PEMFC故障诊断研究。现有的方法可以根据对标记数据的依赖性和技术路线大致分为三类：基于机制建模或专门测量的物理驱动方法、基于标记故障样本的监督数据驱动方法，以及用于跨平台知识传输的无监督领域适应方法。对这些类别的仔细研究揭示了数据要求、工程适用性和跨领域鲁棒性方面的持续局限性。
第一类方法使用电化学、流体传输或等效电路机制来提高诊断的可解释性。例如，电化学阻抗谱（EIS）可以反映欧姆电阻、活化极化和质量传输动态，并已成为PEMFC故障表征的代表性工具[5]。最近的研究探索了基于在线EIS的检测和隔离[6]、深度学习辅助的EIS频率选择[7]，以及使用EIS特征的适应性神经模糊诊断[8]。其他工作结合了物理模型和神经网络，如多正弦激励与ECM信息神经网络[9]和在老化及运行变化下的物理指导LSTM诊断[10]，以及使用在线阻抗相关信息的堆叠自动编码器/BiLSTM诊断[11]。
除了EIS之外，无模型检测、等效物理特征和分段电池测量也被用于水管理诊断[12] [13]。尽管这些方法具有可解释性，但EIS通常需要额外的扰动信号和阻抗计算，且分段电池硬件难以在大规模生产的汽车堆中安装。因此，硬件依赖性、参数校准和堆之间的模型不匹配限制了纯物理驱动方法的部署。
第二类方法使用常规的外围传感器信号（如端电压、电池电压、压力、温度和流量）来构建监督诊断模型。对于水管理故障诊断，已经使用了马尔可夫转移场、相关性分析、特定于填充的实验和深度学习来识别PEMFC的水状态[14] [15] [16]。多尺度卷积网络、时空特征提取、稳态机器学习、高功率分层诊断和深度诊断模型也被提出用于PEMFC系统[17] [18] [19] [20] [21] [22]。此外，集成学习、核极限学习机、特征选择方法和支持向量数据描述也被用来提高鲁棒性和可解释性[23] [24] [25] [26] [27] [28] [29]。Lu等人提出了一种用于PEMFC故障诊断的动态半径支持向量数据描述方法，其中描述边界会根据运行条件进行调整，以提高传统SVDD在复杂运行状态下的适应性[25]。他们的PCA-SVDD水管理诊断工作还表明，低维物理特征和单类描述边界可以支持干燥和填充的识别[26]。针对PEMFC气体供应系统，也探索了智能容错管理方法，显示出向数据驱动健康管理的更广泛趋势[30]。这些研究表明，当训练和测试数据来自同一平台或分布时，监督或同一平台的数据驱动模型可以表现良好。然而，其有效性依赖于两个假设。首先，源数据和测试数据预计是独立同分布的，因此学习到的决策边界可能强烈依赖于特定的堆结构、传感器范围和运行边界。其次，需要大量准确标记的故障样本。在高功率PEMFC系统中，重复诱导干燥和填充故障成本高昂，并可能对膜电极和其他组件造成不可逆的损坏。因此，当在低功率实验室堆上训练的模型转移到具有不同电池数量、结构或运行条件的高功率系统时，领域偏移和标签稀缺会严重降低性能。
第三类方法是无监督领域适应（UDA），旨在在没有目标领域故障标签的情况下传输知识，因此在标签稀缺的情况下对于PEMFC诊断非常具有吸引力。最近的PEMFC研究调查了从单个电池到堆的无监督传输、数字孪生辅助的传输学习和基于UDA的多故障诊断[31] [32] [33]。对于水管理故障，已经使用了样本重加权和辅助传输网络来减少领域差异[34] [35]。还探索了自我监督预训练和知识注入来减少对手动标签的依赖[36]。尽管如此，现有的UDA和传输学习方法仍然面临两个关键挑战。首先，数字孪生或模拟源数据可能与真实的高功率堆故障分布不匹配，从而造成负面传输风险。其次，长期PEMFC运行数据通常由正常样本主导，而干燥和填充故障相对较少。在伪标签驱动的局部对齐中，缺乏类平衡约束可能会使多数正常样本主导对齐过程，降低少数故障伪标签的可靠性并导致漏检[37] [38]。最近关于不平衡激励数据的注意力增强数据增强的工作也突出了处理PEMFC水管理诊断中的类不平衡的需求[39]。
最近的研究进一步表明，PEMFC诊断应该被视为更广泛的健康管理及系统控制问题的一部分，而不仅仅是一个孤立的分类任务。健康管理研究强调了通过优化的运行轨迹和以行动为导向的PHM策略来平衡性能下降、效率和长期运行的必要性[40] [41]。系统级协调控制研究也表明，实际的燃料电池应用必须考虑大规模混合动力系统中的耐用性、经济性和多源运行一致性[42]。同时，关于PEMFC安全和水管理的最新综述强调了填充、干燥和其他与水相关的故障直接影响运行安全、堆的耐用性和控制效果[43] [44]。在多个稳态运行条件下的数据驱动故障诊断也表明，正常样本主导、故障样本稀缺和条件依赖的分布变化仍然是基于学习的可靠诊断的主要障碍[28]。这些研究激发了本无标签实验室到汽车诊断框架的提出，该框架结合了健康的先验筛选、类平衡的领域适应和保守的正常回退，以提高在目标领域标签稀缺下的故障识别能力。
总之，可靠的跨尺度PEMFC诊断需要一种方法，该方法能够避免目标领域故障标签的泄露，使用源标签和未标记的目标数据，结合目标领域的历史健康数据，并在类不平衡和正常主导的运行下保持鲁棒性。为此，本文提出了HP-CADA，一种基于物理知识和注意力引导的无监督诊断框架。该框架在训练、阈值选择或模型选择时不使用目标领域故障标签，而是使用历史目标领域正常数据来构建健康先验。在第一阶段，使用正常数据训练HP-TAE进行初始异常筛选；正常窗口直接分配给正常类别，而可疑窗口则转发到第二阶段。在第二阶段，PA-CBDA使用特征注意力来强调可传输的故障敏感通道，通过CE损失、全局MMD和LMMD动态平衡源区分和领域对齐，并采用类平衡的伪标签锚定来减少伪标签偏差。最后，注意力权重分析提供了不同特征如何响应干燥和填充故障的物理可解释视图。在本文中，跨尺度特指从500W实验室堆到30kW汽车PEMFC系统的评估传输。
本工作的主要贡献总结如下：
1. 一种零目标故障标签的实验室到汽车的诊断框架。HP-TAE使用源正常样本和历史目标正常样本构建健康先验，筛查正常和可疑窗口，并仅将可疑窗口转发给PA-CBDA进行干燥/填充分类。这种级联直接解决了正常样本主导和故障样本稀缺的问题，为可疑窗口保留了更强大的故障传输分类器。
2. 一种基于物理的类平衡动态对齐方法。PA-CBDA使用渐进式分布对齐，共同优化源分类、全局MMD和LMMD。它进一步引入了类平衡的伪标签锚定（CB-PLA），其中动态确定类置信阈值以减少由类不平衡引起的伪标签偏差。
3. 跨尺度无监督实验验证。与仅限于同一平台传输或基于仿真的数字孪生的研究不同，本研究在不使用目标领域故障标签的情况下，评估了从实验室规模堆到汽车规模PEMFC系统的传输任务，并报告了十次运行的平均值和标准差。
本文的其余部分组织如下。第2节描述了跨领域实验平台和数据处理。第3节介绍了HP-CADA诊断方法。第4节报告了实验验证和与基线方法的比较。第5节总结了本文并讨论了未来工作。

跨领域实验平台和数据处理
本节使用500W PEMFC水管理数据作为标记的源领域，30kW汽车PEMFC系统数据作为未标记的目标领域，构建了一个跨尺度诊断任务。分析表明，两个平台在物理领域存在显著差异，而干燥和填充在电压、压降和动态波动方面仍然具有可传输的表示。基于此分析，提出了一个由四个基本物理特征组成的八维输入。

HP-CADA：健康先验级联领域适应诊断
为了解决功率水平不匹配、目标领域故障标签缺失、正常主导的运行数据和正常主导的在线操作下的跨尺度PEMFC水管理诊断问题，本节提出了HP-CADA。该方法按照其推理流程进行描述：任务符号、物理特征构建、HP-TAE健康先验筛选、PA-CBDA干燥/填充适应和CNF正常回退。符号遵循这一级联流程，并定义了样本、特征、损失和...

实验结果和讨论
为了验证HP-CADA在跨尺度PEMFC水管理诊断中的性能，本节评估了诊断性能、后端调用结构、模块贡献、训练动态、参数鲁棒性、物理可解释性和在零目标领域故障标签设置下的基线比较。实验设计与摘要和引言中的问题设置相匹配：训练过程中不使用目标领域故障标签；标记的源样本提供基本故障...

结论和未来工作
本文解决了目标领域标签稀缺和跨功率尺度传输下的PEMFC水管理故障诊断问题。所提出的HP-CADA框架使用干燥和填充作为典型的水管理故障目标，并结合了标记的源样本、未标记的目标运行数据和历史目标正常段。通过HP-TAE健康先验筛选、PA-CBDA无监督跨领域故障分类和CNF正常回退，该方法实现了跨尺度诊断。

作者贡献声明
Wang Jinfei：编写 - 审稿与编辑、软件、方法论、调查、数据策划。
Gao Yan：编写 - 审稿与编辑、资源、方法论、概念化。
Lu Yu：验证、调查。
Yang HaiYu：验证、数据策划。
Tan Yufang：资源、项目管理。
Xu Bin：资源、项目管理。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作得到了国家自然科学基金（编号22503015）、四川省自然科学基金（编号2025ZNSFSC1248）和中央高校基本科研业务费（编号ZYGX2025XJ019）的支持。作者感谢电子科技大学-华昌联合氢能研究所的财政支持。

Jinfei Wang | Yan Gao | Yu Lu | HaiYu Yang | Yufang Tan | Bin Xu