固体氧化物燃料电池（SOFCs）由于其高效率（40-60%）、燃料多样性（氢气、甲烷）和低排放量[1]，对于可持续能源系统至关重要。它们较高的工作温度（600-1000°C）有助于与热电联产（CHP）系统集成，从而促进脱碳能源基础设施的发展。在实际的动态过程中，如电力生产中，持续的温度波动会加速退化并影响长期可靠性[2]。在启动、关闭或负载变化期间，超过10 K/cm的温度梯度会产生局部热应力，导致微裂纹、分层和密封失效[3]。来自500小时测试的实验数据显示，快速且不规则的温度升高可能会引发泄漏，严重的泄漏会导致开路电压（OCV）在几分钟内降低多达78%，从而带来重大安全隐患[4,5]（见表1、表3、表10）。
传统的离线诊断方法，如定期检查和故障后分析，不足以识别瞬态热机械问题。手动热电偶测量在空间分辨率和实时监测所需更新频率方面存在不足，而基于阈值的方法（例如，在温度超过1200°C时触发警报）经常忽略早期故障，如初期分层。实时缺陷检测的不足增加了工业SOFC系统发生灾难性故障的潜在风险[6,7]。
数字孪生（DT）技术将传感器数据与基于物理的模型相结合，用于预测性分析，为实时系统健康监测提供了有前景的解决方案。尽管决策树已在燃气轮机和风电场中得到应用，但专门针对固体氧化物燃料电池的框架尚未得到充分发展。当前的固体氧化物燃料电池（SOFC）数字孪生主要关注稳态性能，并未结合人工智能（AI）进行动态热循环期间的故障预测。尽管无迹卡尔曼滤波器（UKF）在静态条件下的温度误差可控制在<0.15 K，但其与机器学习（ML）结合用于瞬态负载下的故障预测的研究尚未展开[8,9]。
SOFC建模的进步包括改进的二维和三维热电化学仿真。Song等人（2022年）创建了一个5×5网格的二维交叉流堆栈模型，在计算效率（每次仿真小于10秒）和精度（±5%的误差）之间取得了平衡。虽然三维计算流体动力学（CFD）模型能更准确地表示边缘效应和流动不均匀性，但其高昂的计算成本（每次仿真8-12小时）限制了其实时应用。降阶模型（ROMs）提高了效率，但经常过度简化动态过程，导致热瞬态期间的误差超过15%[10,11]。
卡尔曼滤波器的各种变体被用于实时状态估计，以便从有限的传感器数据中获取未测量的属性。扩展卡尔曼滤波器（EKF）通过线性化简化了热电化学动态，但在快速负载变化下会导致超过2 K的误差，详见第3.1节。UKF利用西格玛点采样来保持非线性，并将误差降低到0.15 K以下，尽管气流有25%的波动。然而，当前的UKF解决方案忽略了机械应力耦合，并且在较大堆栈（>30个电池）的可扩展性方面存在问题，从而限制了其实时适用性[12,13]。
传统的故障检测依赖于超过1200°C的温度阈值和每小时电压下降超过1%的警报。这些方法对初始缺陷（如产生8-10 K/cm梯度的微裂纹）缺乏敏感性，可能在标准振荡期间产生误报[14]。人工智能/机器学习方法——特别是长短期记忆（LSTM）网络和卷积神经网络（CNN）——能够将多变量传感器数据与故障特征关联起来，从而提高密封失效和不对称温度模式的识别能力[15]。
然而，大多数AI模型仍然作为“黑箱”运行，在没有集成物理约束的情况下可能会产生非物理预测；基于物理的神经网络（PINNs）在固体氧化物燃料电池（SOFC）应用中的开发仍处于初级阶段[16]。当前的SOFC数字孪生应用通常将基于传感器的状态估计（例如UKF）与离线应力模拟（例如ANSYS）分开，阻碍了全面的故障预测。此外，验证研究主要限于小规模堆栈（例如15×15 cm2，22个电池）。扩展到工业尺寸（20×20 cm2，30个以上电池）受到基于节点的模型的计算需求的限制，这些模型包含超过100个状态变量[17,18]。
本文提出了一个基于物理-人工智能的混合数字孪生框架，用于在动态热循环期间实时识别SOFC堆栈中的热机械故障，以克服这些不足。该平台结合了一个经过验证的热电化学模型、基于UKF的状态估计以及AI驱动的异常检测（LSTM/CNN），并进行了基于物理的应力验证，从而实现了早期缺陷检测和跨堆栈几何形状的可扩展实现。本文的后续部分结构如下：第2节概述了整个过程，包括模型构建、无迹卡尔曼滤波器设计、人工智能/机器学习算法、实验配置和混合集成。第3节讨论了结果，包括性能估计、故障检测精度、可扩展性和比较分析。第4节提供了一个关于泄漏检测和应力分析的案例研究。第5节总结了分析并提出了未来的研究方向。
