一种基于人工智能的神经网络方法,用于实时监测与水管理相关的高分子电解质(PEM)燃料电池的退化情况

《Energy Conversion and Management-X》:An AI-based neural network approach for real-time monitoring of water management related PEM fuel cells degradation

【字体: 大 中 小 】 时间:2026年05月04日 来源:Energy Conversion and Management-X 7.6

编辑推荐:

  奥利弗·肖彭(Oliver Schopen)、莱昂·贝林豪森(Leon Bellinghausen)、托马斯·埃施(Thomas Esch)、巴赫曼·沙巴尼(Bahman Shabani) 德国亚琛应用科技大学(FH Aachen University of Applied

  奥利弗·肖彭(Oliver Schopen)、莱昂·贝林豪森(Leon Bellinghausen)、托马斯·埃施(Thomas Esch)、巴赫曼·沙巴尼(Bahman Shabani)
德国亚琛应用科技大学(FH Aachen University of Applied Sciences, Aachen)

**摘要**
本研究通过使用阻抗数据来评估和分类燃料电池的退化机制。重点关注影响聚合物电解质膜燃料电池(PEMFC)正常运行的与水管理相关的退化趋势。为了对燃料电池的健康状态进行分类,专门建立了一个神经网络,并利用在不同运行条件下的阻抗退化数据对其进行训练,验证准确率达到99.502%。这使得能够将燃料电池的阻抗行为与不同的退化现象联系起来,并进一步识别受这些现象影响的内部组件。开发了一个全面的训练数据库,其中包含1,289,939个不同阻抗谱的健康新燃料电池的实验数据以及退化条件的人造数据。该数据库用于训练前馈神经网络,网络的设置和设计采用了超参数研究方法。这些涵盖健康和退化燃料电池状态的阻抗数据取决于空气化学计量比、相对空气湿度和电池温度。通过应用全局和局部优化策略(如粒子群优化和模式搜索)生成的退化数据,用于描述燃料电池在退化过程中的阻抗行为,而退化行为的细节则基于广泛的文献综述。最后,使用实验中获得的运行中的阻抗数据对所提出的方法进行了验证,神经网络正确分类了36个谱中的34个,分类准确率达到94.444%,证明了该方法的高性能。这种方法为精确分类运行中的阻抗数据提供了可能性,并能够及早识别退化效应。

**1. 引言**
在未来的场景中,氢燃料电池(FCs)被视为实现碳中和能源转换的关键技术解决方案,可以显著减少对化石燃料的需求[1]、[2]、[3]。燃料电池是将氢的化学能转化为电能的电化学装置,其副产品是水(当使用纯氢时)和热量[3]、[4]、[5]。与汽油/柴油发动机相比,燃料电池通过引入碳中和的驱动系统减少了温室气体排放[6],同时在堆栈层面提供了约50%的高能量效率[7]、[8]、[9]、[10]。与电池不同,燃料电池系统提供了可扩展的能量和功率密度。只要持续供应燃料和氧化剂,堆栈的大小就可以根据功率需求进行调整,而不依赖于燃料储存[11]。由于这些优势,燃料电池已成为碳中和固定和移动应用(包括汽车、重型非道路移动机械、航空和海洋领域)的可行选择[12]、[13]、[14],其中重型运输和海上应用目前被认为是最有前景的[15]。在燃料电池的概念在全球范围内得到广泛接受之前,仍存在一些挑战,其适用性和耐用性需要进一步提高[6]、[16]。此外,尽管近年来取得了显著改进,成本和可靠性仍然是需要关注的要素[6]、[17]。通过有针对性的研发工作解决这些问题,燃料电池系统在关键移动应用中的实施将获得动力。与这些研发需求一致,燃料电池的测试和诊断在开发可靠和耐用的燃料电池系统中起着关键作用[18]、[19]。因此,燃料电池的健康监测和车载诊断目前正受到研究和开发活动的广泛关注[6]、[20]。

为了根据电化学系统的内部状态量化其电性能和退化情况,需要进行原位测量[21]、[22]。电化学阻抗谱(EIS)是一种强大的技术,适用于此类测试系统,可以覆盖广泛的频率范围[3]、[16]、[22]。在宽频率范围内以恒定振幅的正弦电流信号进行恒电流模式测量时,利用每个频率的电压响应和激励信号之间的相位差来计算表示各种内部电阻的复阻抗[16]、[23]、[24]。通过这种方式,可以获得关于燃料电池内部电气和电化学特性的信息。通过这些测量得到的Nyquist图形式的阻抗曲线用于确定和量化燃料电池系统的内部状态。

为了确定和分类聚合物电解质膜燃料电池(PEMFCs)的健康状态(SOH),已经开发了多种健康管理方法[20]。这些方法大致可以分为两类:一类是检测与水管理相关的运行故障的方法[25]、[26]、[27]、[28]、[29]、[30];另一类是识别与水管理过程相关的退化现象的方法[31]、[32]、[33]、[34]、[35]、[36]。例如,Dhimish等人[25]开发了一种方法,利用神经网络(NN)区分六种故障类别以及无故障状态。该方法能够区分正常运行和运行参数的偏差,如反应物压力增加或氢消耗量升高。该方法仅依赖于入口和出口处的电流和电压测量。神经网络架构包括一个隐藏层(8个神经元)、一个输入层(4个神经元:输入和输出电流/电压)以及一个输出层(每个故障类别一个神经元),分类准确率超过90%,实现了运行故障的早期检测。然而,由于分类仅基于运行参数,该方法无法识别潜在的退化过程。在另一项工作中,Xiao等人[26]开发了一种结合了一维卷积神经网络(CNN)进行特征提取和极端梯度提升分类器的水管理故障诊断方法。该方法将燃料电池状态分为干燥、正常和淹没三类,诊断变量包括阴极压降、电压和电流密度,分类准确率为98.1%。尽管作者指出阻抗数据也可用于故障诊断,但他们强调了由于设备昂贵和测量速度低而导致的适用性有限。虽然该方法具有高分类性能,但它仅限于检测正常、干燥和淹没状态,无法识别由不当水管理引起的退化路径。此外,Wang等人[27]提出了一种双输入CNN用于故障诊断,结合了分段电池电流分布数据和传感器测量数据(如阴极和阳极压力、温度差异和电池电压),分类准确率为98.5%,用于区分干燥、正常和淹没状态。然而,该方法依赖于分段电池技术,由于测量设备成本高昂,其适用性仅限于实验室环境。与之前的研究类似,该方法也仅关注与水管理相关的运行故障和电压特性,未能提供关于由不当水管理引起的永久性退化过程的见解。

相比之下,Lv等人[30]研究了一种基于在EIS数据上训练的神经网络的故障检测策略,用于将运行状态分类为正常、干燥和淹没状态。为了提高训练效率,引入了P分数来根据严重程度对故障进行排序。该方法同时实现了分类和基于严重程度的区分。局限性包括足够的EIS数据集的可用性和相对较慢的测量过程,作者建议通过提高测量速度来缓解这些问题。虽然阻抗数据有助于改善运行条件的分类并可能减少传感器需求,但该方法并未提供关于实际SOH或潜在退化过程的直接信息。此外,Yuan等人[28]通过开发一种结合了残差网络和长短期记忆(LSTM)单元的混合NN扩展了这一研究方向,以包含时间特征和历史数据。使用阻抗数据作为输入,网络将燃料电池状态分类为正常、干燥、淹没和缺氧状态。通过纳入严重程度级别,定义了总共25个故障类别,即使在噪声数据条件下,分类准确率也达到了99.632%及以上。尽管该方法的粒度比Lv等人[30]的更细,但它仍然仅描述了运行状态,而没有提供关于特定组件退化的见解。最后,Yu等人[29]提出了一种使用阻抗数据和电流密度作为输入的CNN来确定PEMFCs的SOH。研究了三种故障情况,如二氧化碳交叉、甲醇交叉和氢质量流量减少。使用不同浓度的这些污染物来模拟多个严重程度级别。尽管引入高达10%的噪声时分类准确率略有下降,但该方法仍然具有很高的准确性(约99%),并且对抗过拟合的鲁棒性得到了提高。与之前的方法类似,该研究主要将外部运行条件与阻抗变化联系起来,没有提供关于内部退化机制的结论。

另一方面,Lopez等人[31]引入了识别与水管理过程相关的退化现象的方法,他们提出了一种多模态氟化物传感传感器,能够将燃料电池流出水中氟化物浓度量化到低于10 ppb的水平。为此,作者使用了由氟化镧组成的高氟化物敏感性膜,这种膜对氟化物阴离子具有强烈的亲和力。氟化物阴离子在氟化镧膜界面上的吸附产生了与流出液中氟化物浓度成比例的负表面电荷。随后测量并校准了这种电荷变化。因此,该传感器提供了一种实时且易于集成的方法来确定膜的退化状态。然而,尽管这种方法能够可靠地检测特定的膜退化过程,但它不能转移到其他膜类型、退化模式或替代的燃料电池退化机制。Suboti?等人[32]提出了一种基于总谐波失真(THD)分析的固体氧化物燃料电池SOH诊断方法。该方法依赖于检测电压响应中的非线性,这些非线性发生在电池偏离稳定运行条件时。在受控实验中,作者施加了燃料匮乏、空气匮乏和碳沉积,每种情况都产生了具有特征幅度和频率范围的THD特征。随后将这些特征与离体发现相关联,如燃料匮乏引起的镍再氧化、空气匮乏引起的阴极退化和碳沉积引起的分层。通过将THD模式与特定的退化路径联系起来,作者展示了一种比传统EIS方法快得多的退化感知诊断工具。然而,该方法未在堆栈层面进行验证,也无法从THD特征中量化退化的严重程度,这对于工业应用至关重要。此外,Yue等人[33]提出了一种在动态运行条件下识别燃料电池退化的方法。退化通过一个随时间变化的变量来表示,该变量捕捉极化模型中的参数变化。极化模型通过从可逆电池电位中减去累积损失并按堆栈中的电池数量进行缩放来估计电池电压。通过监测退化指标在模型参数中的演变,可以跟踪退化的进展。该方法进一步与预测算法结合,以预测退化变量的未来演变。尽管这种方法能够实时识别燃料电池的退化,但作者没有具体说明涉及的退化机制。因此,制定有针对性的缓解策略受到限制。此外,该模型基于极化数据,没有结合提供更多内部信息的阻抗数据。另一方面,Kim等人[34]通过结合输出电压衰减分析和电等效电路(EEC)建模来研究燃料电池堆的退化。这种混合方法基于测量和估计的堆栈电压再现了阻抗曲线,从而能够识别与膜、催化剂和质量传输相关组件的退化机制。这种方法允许评估组件级别的电流和预测的未来SOH,为相应调整运行条件(如水管理)提供了可能性。然而,该方法的有效性仅限于稳态运行。此外,固定选定的电化学性能(EEC)参数,特别是与虚部阻抗分量相关的参数,限制了该模型的一般适用性。除此之外,Song等人[35]通过分析燃料电池(FC)在运行过程中的电压衰减,并通过一个经验模型区分初始调节阶段和随后的退化过程,推导出了剩余使用寿命(RUL)。作者定义了一个退化系数,该系数将运行时间t时的电压与运行开始时0小时的初始电压相关联。评估基于在不同运行点下稳态运行时极化曲线的变化。关键运行参数包括电流密度、进气氢气和氧气温度及压力,以及出口气体温度。尽管该方法能够实现连续的SOH(状态-of-health)监测,但它仅基于电压,并未结合阻抗数据。因此,虽然可以区分运行初期和退化阶段,但该方法无法提供关于电池内部物理化学状态的洞察,也无法将退化归因于特定组件。

另外,Tang等人[36]引入了一个预测框架,在该框架中,一个动态的、时间依赖的退化模型捕捉了不同退化条件下的FC性能。该模型基于EEC和热力学关系,能够提取与退化相关的参数,如欧姆电阻、电荷转移电阻和质量传输电阻,以及交换电流密度、交叉电流密度和极限电流密度。这些参数作为输入,用于一个信息神经网络(Informer neural network),该网络采用编码器-解码器架构进行优化,以实现长期预测。该框架的平均SOH预测误差为0.5%,能够可靠地估计退化状态和RUL。然而,与Yue等人[33]和Song等人[35]一样,SOH的确定主要基于电压衰减,表现为相对于新鲜电池的电压损失百分比,而没有直接参考通过阻抗解析的退化路径。虽然适用于连续的SOH监测,但这一限制阻碍了对FC内部状态的详细机械洞察。

综述的研究表明,可以高精度地检测到FC的运行故障状态。然而,所报告的方法存在几个根本性的限制,这些限制限制了它们在全面诊断质子交换膜燃料电池(PEMFC)健康状况方面的适用性。首先,大多数研究主要将外部运行条件与极化或阻抗特性的变化相关联。因此,它们仅限于检测与水管理相关的运行状态,如正常、干燥或浸水状态,而没有识别潜在的退化路径。其次,大多数基于神经网络的方法要么专注于预测电压行为,要么专注于分类故障运行条件(Dhimish等人[25]、Lv等人[30]、Yuan等人[28]和Yu等人[29])。尽管这些方法能够实现可靠的故障检测,但它们没有解决实际SOH的确定或识别电池内正在进行退化过程的问题。第三,现有的退化监测方法主要基于电压衰减或极化曲线分析(Yue等人[33]、Song等人[35])。尽管这些技术允许连续的SOH跟踪,但它们缺乏与阻抗解析的物理化学过程的直接联系,因此只能提供有限的关于燃料电池内部状态的机械洞察。其他方法虽然成功检测到了特定的退化过程,但要么缺乏对其他退化模式或组件的可转移性(Lopez等人[31]),要么无法量化退化严重程度(Suboti?等人[32])。总之,这些限制揭示了一个明显的研究空白:当前的诊断方法要么检测运行故障,要么监测整体性能退化,但它们无法在现实运行条件下实现基于阻抗解析的退化路径的机械分类。因此,全面识别和分类PEMFC退化机制仍然是一个未解决的研究挑战。

基于这些发现,并得到了Schopen等人[20]之前研究的支持,已经在多项研究中探讨了在FC诊断背景下应用神经网络(NN)技术,这是当前研究和开发的中心焦点[25]、[26]、[27]、[28]、[29]、[30]、[35]、[36]。因此,基于人工智能(AI)的健康监测和机载诊断可以被认为是识别和分类FC退化机制的最有前景的方法之一。

为了克服上述限制,本研究提出了一种基于复杂阻抗分类的运行中诊断方法。与依赖电压衰减或极化行为的传统方法不同,所提出的方法利用阻抗解析信息直接捕捉内部电化学过程和退化特征。具体来说,所提出的方法通过以下方式解决了已识别的限制:? 机械退化识别:通过分析复杂阻抗谱,可以解析出内部离子和电荷转移电阻,从而识别退化机制而不仅仅是运行状态。? 在不同运行条件下的SOH确定:所提出的基于NN的分类框架经过训练,能够识别与特定退化状态相关的阻抗特征,从而在相对空气湿度(RHAir)、空气化学计量比(λAir)和电池温度(TCell)变化的情况下确定PEMFC的SOH。? 可转移的退化分类:通过结合经验阻抗数据和通过EEC模型生成的模拟阻抗响应,可以建立一个全面的退化数据库,提高诊断模型的鲁棒性和可转移性。为此,之前为水管理相关运行条件建立的PEMFC经验数据库[37]被扩展了一个包含由水管理效应引起的特定退化状态相关的复杂阻抗特征的退化数据库。此外,EEC模型被用来模拟特定退化场景下的阻抗响应,并为分类NN生成额外的训练数据。

所提出方法的新颖之处在于结合了阻抗解析诊断、面向退化的数据库生成和基于NN的分类,实现了在运行过程中对PEMFC退化机制的在线识别和分类。这与仅限于性能监测或故障状态检测的传统诊断策略相比是一个重大进步。

2. 方法
2.1. 概述
在本研究中开发了一种算法,用于将PEMFC的运行状态分类为健康状态和退化状态,该算法基于一个经验阻抗数据库。如第4节介绍的分类算法的功能原理,将在先前项目[37]中获得并处理的健康PEMFC阻抗数据(第2.2节展示)与通过在线电化学阻抗谱(EIS)程序获得的实时运行中阻抗数据(第2.3节)进行比较。此外,通过将这些经验数据与从文献中获得的经过EEC处理的验证过的复杂阻抗数据相结合,创建了一个退化数据库,代表了特定的PEMFC退化状态。这个扩展的退化数据库在第3节中介绍,用于训练分类NN,以评估在不同测试参数下的PEMFC健康状况。大型数据集涵盖了多种运行条件,使得能够分析内部电阻、参数相互作用和定义的退化状态,这些构成了NN设计的基础。该工作流程的概述如图1所示。

2.2. 经验数据
测试台配备了一个由48个电化学活性表面积为195平方厘米(ECSA)的PowerCell S2 PEMFC堆栈组成。由于开路电压为1伏特,因此FC的最大电压约为48伏特,最大额定电功率输出为6.5千瓦。紧凑的设计确保了阳极和阴极内的低压降。PEMFC集成在Schopen等人[16]介绍的测试台设置中,并增加了自动加湿和温度调节功能。在阳极,引入了纯加压氢气(H2浓度=99.99%),而阴极则供给加压和过滤后的环境空气(颗粒过滤器孔径≥0.01微米,化学过滤器)。为了设置和维持定义的运行条件,测试台操作了三个主要系统:阴极的自动加湿空气供应、阳极的自动循环氢气供应以及带有自动电池温度调节的冷却水供应。第一项研究中介绍的测试台布局,以及Schopen等人[16]、[37]在第二项研究中扩展的布局,见附录图A.3。关于阴极和阳极侧的化学计量比、相对湿度以及电池温度的测试运行条件都在PowerCell给出的系统规格范围内。

在Schopen等人[37]的先前研究中,基于内部FC电阻开发了FC的经验运行图谱。为此,建立了一个阻抗数据库,以评估PEMFC相对于水管理参数RHAir、TCell和λAir的效率。所研究的PEMFC基于其原始状态的商用PowerCell S2燃料电池堆栈。因此,经验数据库代表了新状态、未老化情况下的健康PEMFC的行为。由于本研究的分类分析专注于PEMFC的水管理,因此考虑的运行参数仅限于此范围。其他典型的PEMFC运行条件,如变化的电流密度或反应物压力,以及由老化或不同电池配置引起的材料性质变化,在本研究中没有进行探讨。尽管如此,所提出的方法原则上也可以应用于分析这些额外的运行条件。实验获得的阻抗数据是通过EIS测量得出的,并使用多变量多项式回归模型进行扩展的。基于两个统计设计的实验系列,收集了参数范围RHAir=30 – 100%、TCell=20 – 65°C和λAir=2 – 4的数据,同时保持恒定的氢气入口条件RHH2=40%和λH2=1.5,以及恒定的电流密度I=307 mA/cm2。详细的模型边界条件在[37]中有描述。由此产生的数据库包含了15,877个与其相应运行点相关的阻抗谱。这个数据库构成了随后生成退化数据库和训练神经网络的基础。以下将这些经验测量数据称为原始数据。

2.3. 实验室和在线应用的电化学阻抗谱
使用Schopen等人[16]描述的实验室设置,通过电化学阻抗谱技术获取了经验阻抗数据。注入的交流电流幅度为直流(DC)负载点的5% – 10%,以避免干扰PEMFC的稳态运行点[38]。记录了所得到的电压响应[3]、[22]、[39]、[40]、[41]。Z(ω)的计算公式如下:
(1) Zω = U0·ej·ω·t + φ
U0I0·ej·ω·t + φ
I0 = U0I0·ej·φ
U0 - φ
I0 = U0I0·ej·φ
其中Z表示复阻抗,索引t表示电压U0或电流I0的时间依赖性,电压和电流都是以正弦波形式变化的。ω表示角频率,φ表示注入扰动电流和电压响应之间的相位差。通过转换为笛卡尔坐标rZ=|Z|=U0/I0,得到:
(2) rZ·ej·φ = rZ·(cosφ + j·sin(φ))
EIS激励在0.1 – 1,000赫兹的频率范围内进行。低频率(< 10赫兹)捕获质量传输和电荷转移电阻,而高频率(≤ 1,000赫兹)反映欧姆损耗。对于实验室EIS激励和数据采集,将实验室EIS设置应用于第2.2节介绍的燃料电池测试台设置。

对于移动EIS应用,在Schopen等人[42]的先前研究中,使用了一个紧凑的在线EIS系统,该系统专门设计用于最小化信号应用和数据采集的时间,同时记录运行中的燃料电池参数(RHAir、λAir和TCell)。为了实现快速测量,在1,000赫兹 – 0.1赫兹的频率范围内应用了多频率阶梯扫描信号,电流幅度可连续调节,范围从1安培到5安培,不超过直流负载点的5% – 10%。激励包括与实验室EIS系统相同的37个离散频率,确保了测量数据的兼容性和可比性。数据采集使用紧凑型USB示波器进行。同时,开发了在线EIS分析软件,以实现数据的自动化处理,并将结果完全自动传输到基于AI的分类算法。

3. 退化数据库的设计
3.1. 概述
第3.2.1节中介绍的文献数据作为生成代表不同类型燃料电池退化的阻抗数据的基础,包括它们各自的严重程度。为了建立退化数据库,每种退化类型使用了一个单独的EEC(第3.2.2节)。在本研究中使用不同的EEC模型,是为了确保与文献中得出的阻抗数据集的一致性和兼容性。对于从文献中获得的每个数据集,都保留了原始来源中使用的相应EEC(电化学等效电路)公式。这样可以避免使用替代电路拓扑结构进行重新拟合,因为重新拟合可能会引入与模型选择、参数可识别性和拟合稳定性相关的额外不确定性。保持原始的EEC结构确保提取的参数在各自研究的背景下仍然具有物理意义,并保留了与每个模型相关的假设。这一点尤为重要,因为不同的EEC拓扑结构可能表示相似的电化学现象,但在参数化方面存在差异,从而导致直接比较参数时的潜在歧义。从系统理论的角度来看,只要参数适当调整,不同的EEC可以表现出等效的阻抗响应。然而,这种结构上的非唯一性可能会影响参数的可识别性以及用于数据驱动建模的特征的可转移性。因此,在整合基于不同电路表示的异构数据集时需要仔细考虑。为了解决这个问题,第3.4.1节(图11)系统地评估了从不同EEC公式获得的阻抗表示的可比性和一致性。研究表明,在适当的参数调整和归一化之后,得到的阻抗谱显示出一致的特征,使得它们可以在所提出的框架内联合使用。这支持了相关阻抗特性可以在不同EEC结构之间转移的假设。

关于整个数据采集和生成过程,该方法采用了一种结构化的多阶段方法。首先,使用回归模型[37]处理实验测量的经验数据(第2.2节),以扩展PEMFC(质子交换膜燃料电池)的整个工作范围的数据集。这一步确保了相关操作条件的连续覆盖,并减少了测量数据的稀疏性。随后,使用EEC模型对得到的数据集进行参数化。这些数据被定义为“无降解”状态的基线条件。对于每个操作点,识别出相应的EEC参数,并作为健康系统状态的参考表示。接下来,根据第3.2.2节描述的降解趋势,系统地修改这些基线EEC参数。基于这个参数化的“无降解”数据集,生成代表逐渐增加的降解严重程度的阻抗谱。该过程结合了第3.2.1节中概述的常见PEMFC降解机制。为了确保与文献中的降解特性一致,考虑了多种EEC公式(第3.2.2节)。对于每种降解机制和严重程度,根据文献中的发现应用参数变化,从而生成低严重度和高严重度的降解场景。这些变化应用于经验基线数据集,确保所有生成的阻抗谱在物理上都是合理的,并且与实验观察到的系统行为一致。

图2展示了经验训练数据库的结构及其在神经网络训练工作流中的集成。该图明确区分了实验测量的阻抗谱和基于文献信息的参数变化得出的EEC降解谱。这种分层的数据生成流程确保了从原始实验测量到用于神经网络训练的最终训练标签的完全可追溯性。此外,还展示了运行中的数据,包括实验获得的在线阻抗测量及其相应的降解适应谱。这些数据集用于在最终评估之前对训练好的神经网络进行运行中的验证,从而能够在实际操作条件下评估模型性能。

因此,得到的降解数据库包含了一组系统构建的阻抗谱,涵盖了广泛的操作条件和降解状态。该数据库的主要目标是为第4节中介绍的神经网络提供一个全面的、基于物理信息的训练数据集。特别是,EEC参数的结构化变化有助于学习稳健的特征表示,同时减少了由于有限的实验降解数据而引入的偏差风险。

3.2. 降解曲线的开发
3.2.1. 常见的PEMFC降解机制
3.2.1.1. 概述
关于PEMFC内部阻抗的实验确定及其与定义的水管理相关降解场景之间的相关性,本文讨论了关键的PEMFC组件,即膜、电极和气体扩散层(GDL),以及最常见的相关降解机制。在实际操作中,这些现象很少单独发生,而是以耦合且通常是非线性的方式相互作用,导致混合或重叠的降解效应。在水管理的背景下,这些相互作用尤为明显。膜降解,如变薄、脱水或化学分解,直接影响质子导电性并增加欧姆电阻,同时改变膜的水传输性质。这反过来又影响电极的水合程度,并可能加剧局部干燥或淹水情况。电极降解,包括催化剂层老化、离子聚合物降解或活性表面积的损失,影响电荷传输过程并由于电化学反应速率和热生成的变化而改变局部水分平衡。同时,GDL降解,如结构压缩、孔隙堵塞或疏水性丧失,影响气体传输和水分去除能力,从而根据操作状态促进淹水或干燥条件。这些机制是高度相互依赖的,例如,由于GDL降解导致的水分去除不足可能导致电极淹水,从而减少氧气传输并改变局部电流密度,进而加速催化剂降解。同样,膜脱水会增加局部电阻和温度梯度,进一步影响电极动力学和水分分布。因此,PEMFC在实际操作条件下的阻抗响应反映了多种降解过程的叠加,这些过程在频域中往往具有重叠的特征。然而,在本工作的范围内,分类框架假设这些现象是分离的,并分别处理每种降解机制。具体来说,膜变薄、催化剂层降解、GDL降解和碳腐蚀被建模并分析为不同的类别。这种假设的目的是为了建立一个受控且可解释的基线,以便识别与个别降解模式相关的特征阻抗模式。因此,本研究有意排除了对重叠降解效应的考虑,因为主要关注点是孤立降解特征的可检测性和可分离性。尽管如此,未来的工作将通过结合降解场景并研究它们对阻抗特性和分类性能的影响来扩展当前框架。在识别出不同的基线模式的基础上,这样的研究将能够系统地推导和解释混合降解特征,最终提高所提出方法在实际操作条件下的鲁棒性和泛化能力。

为了介绍本工作中涉及的降解现象,首先阐明了PEMFC水管理和操作条件之间的耦合关系,然后讨论了水管理对关键PEMFC组件降解的影响。最后,介绍了本工作中考虑的各个降解机制。

3.2.1.2. 水管理对降解机制的影响
PEMFC水管理和操作条件之间的耦合源于关键操作参数的影响,包括进气气体相对湿度、反应物化学计量比、电池温度和电流密度。PEMFC中的水传输受多种机制的共同作用,包括电渗流阻力、反向扩散、相变(蒸发/冷凝)和通过多孔介质的对流传输[3],[43]。这些过程在膜电极组件中是高度相互依赖的,并且根据操作条件在局部有所不同。水通过加湿的进气气体以及阴极处的电化学氧还原(ORR)反应产物引入电池。膜上的净水通量由电渗流阻力(将水从阳极传输到阴极,与电流密度成正比)和反向扩散(将水从高浓度区域传输到低浓度区域,通常是从阴极到阳极)之间的平衡决定。因此,在高电流密度下,电渗流阻力可能占主导地位,导致阳极干燥和阴极淹水;而在较低电流密度或较高膜水合度下,反向扩散可以部分补偿这种不平衡[44]。进气气体相对湿度直接决定了膜水合和气相水含量的边界条件。低进气湿度会降低膜的水活性,导致欧姆电阻增加和潜在的膜脱水。相反,高进气湿度促进膜水合,但可能在高电流密度条件下增加液态水积累和淹水的风险。反应物化学计量比通过其对对流传输和气相饱和度的影响来影响水管理[45]。增加空气化学计量比可以增强氧气的供应并促进水从阴极的对流去除。然而,其对局部水含量的净效应是非单调的,取决于进气湿度、电流密度和局部饱和条件之间的相互作用。在低化学计量比下,水分去除不足可能导致淹水;而过高的化学计量比可能导致膜脱水,因为气体通道和扩散层的干燥加剧[46]。电池温度通过多种耦合机制影响水管理。温度升高会增强反应动力学并增加水的饱和蒸气压,从而增加气相水的携带能力。这促进了蒸发并减少了液态水的积累。同时,对于给定的绝对湿度,相对湿度随温度升高而降低,如果得不到足够的加湿,可能会导致膜脱水。此外,温度还影响膜传输性质,包括质子导电性和水扩散性。多孔电极和气体扩散层内的局部饱和效应进一步复杂化了水管理。液态和气相的共存导致毛细驱动的传输,这取决于孔结构、润湿性和降解状态。特别是,GDL中的疏水性丧失会改变液态水的分布和去除,直接影响质量传输和电池性能。

反应物湿度和操作温度显著影响过氧化氢的形成及其相关的降解途径。根据ORR的动力学,过氧化氢的形成强烈依赖于水活性[47]。过高的水含量会减少质量传输,从而降低过氧化氢形成的选择性;而水合不足会降低离子活性,同样降低选择性[47]。关于化学膜降解,电池内的水含量与过氧化氢和溶解的金属氧化物的存在直接相关。这些物质强烈促进活性氧物种(ROS)的形成,从而攻击和降解聚合物膜(第3.2.1.3节)。在燃料电池操作期间,尤其是热循环条件下,湿度的波动会加剧不锈钢双极板的腐蚀,从而导致金属离子的释放[48]。水含量和温度的变化还会在膜内引起机械应力[48]。这种湿热负荷导致拉伸应力,进而引起裂纹、撕裂和针孔。这些缺陷促进了氢气的交叉,并导致效率损失[49]。

关于化学电极和GDL降解,水含量的变化还会加速GDL和催化表面附近区域的碳氧化。这一过程减少了ECSA(电化学选择性膜),从而降低了燃料电池的性能。碳氧化速率特别敏感于反应物的相对湿度[50]。此外,相对空气湿度还会影响催化剂降解。催化剂层中的铂(Pt)质量损失随着相对湿度的增加而增加。此外,在电池内水分含量较高时,Pt的溶解和再沉积过程也会加速[51]。来自过氧化氢和溶解金属氧化物的活性氧物种还会攻击GDL的聚四氟乙烯(PTFE)层,降低其疏水性,从而损害水管理。

总之,PEMFC的水管理受到传输、相变和电化学过程的复杂相互作用的影响,这些过程强烈依赖于操作条件和膜电极组件内的局部状态。因此,为了分析本质上与水分分布和传输过程耦合的降解现象,本文考虑了关键操作参数的影响,即进气空气相对湿度、空气化学计量比和电池温度。

3.2.1.3. 膜降解
膜通常由基于PTFE的材料制成,如Nafion?或Gore Primea?[52]。在燃料电池中,膜会受到热应力、化学应力和机械应力的影响[53]。化学降解通常与PTFE结构中原本稳定的-CF2单元受到活性氧(ROS)的攻击有关,这些ROS将它们转化为高度反应性的极性末端基团,这些基团容易进一步受到ROS诱导的降解[54]。这最终导致膜的逐渐破坏,从而降低膜的机械强度和厚度[54]。非稳态操作也会对膜产生机械应力,从而导致膜含水量的变化,进而引起膜的周期性膨胀[55]、[56]。在加速应力测试后进行的离体分析显示膜上出现了裂纹、撕裂和针孔[57]。因此,氢气可以直接从阳极流向阴极,在那里它可能与氧气直接反应,以热量的形式释放能量,从而对膜产生热应力[56]。

3.2.1.4. 电极降解
影响电极的降解机制也会对燃料电池的整体性能产生显著影响。在这种情况下,一个关键因素是电化学接触面积(ECSA)的丧失[53]。电极降解主要影响催化层和碳支撑结构[58]、[59],导致ECSA不可逆地减少。主要原因包括奥斯特瓦尔德熟化(Ostwald ripening)、铂颗粒的再结晶和聚集。升高的电池电位(约1 V)和高相对湿度(> 80%)会加速这些过程,这就是为什么通常使用瞬态电压循环来诱导这种失效模式[58]、[60]。此外,电极上的碳氧化也会进一步减少ECSA,因为电极和气体扩散层(GDL)的碳骨架,特别是在催化剂颗粒附近,会遭到降解[58]。频繁的启动和关闭过程也被认为会触发这种氧化过程[61]。

3.2.1.5. 气体扩散层降解
气体扩散层与电极无缝结合,确保了双极板和电极之间的质量和电荷传输。由于化学或机械影响,可能会发生形态变化[52]、[62]。气体扩散层(GDL)也会发生碳腐蚀,其机制与前面描述的相同。由于碳腐蚀的过程,GDL的PTFE涂层表面会发生化学降解,从而失去其疏水性,这也改变了其电学行为。这导致欧姆损耗增加[52]、[62]。GDL的机械降解可以通过粘合碳纤维的树脂的破坏来观察。这增加了孔隙率,降低了强度,并削弱了GDL的毛细效应,从而减慢了液体反应产物的去除速度,导致整体损耗增加[62]。

3.2.2. 阻抗曲线建模
3.2.2.1. 电等效电路的应用
可以使用不同的方法对电化学系统进行建模。最常见的是通过微分方程的机械方法、数据驱动的方法以及通过经验方法的系统建模[63]。在经验方法中,描述系统的经验公式是从现有数据集中得出的[38]。在这方面,电等效电路(EEC)被用来建模质子交换膜燃料电池(PEMFC)堆栈[38]。为了模拟第3.2.1节中描述的降解机制,本工作中使用了三种不同的EEC模型。这些电路的选择基于之前的研究[16]、[57]、[64]、[65]。在这些研究中,通过离体和原位实验进行了降解模式分析。随后使用专门设计的EEC模型对得到的电化学行为进行了分析,以进一步通过模拟研究相应的降解机制。这种方法包括对极化曲线和电化学阻抗谱的分析。这些研究中报告的全面实验调查为本工作中提出的方法提供了可靠的基础。因此,这里采用了相同的EEC结构来模拟不同降解模式下的阻抗谱,并再现其特征性的电化学特征。EEC中的阻抗对应于电阻ZR、电感阻抗ZL、电容阻抗ZC、Warburg扩散阻抗ZW和恒相位元件阻抗ZCPE。相应的数学方程在附录的表A.1中提供。

3.2.2.2. 膜厚度减少
图3展示了用于模拟膜厚度减少的电路。该电路基于Shan等人[57]引入的模型,并在方程(3)中定义。(3)Zf=ZL+ZR2+ZR1·ZC1ZR1+ZC1+ZR3·ZC2ZR3+ZC2
该电路由电感L、电阻R1 – R3和电容C1和C2组成。R2模拟了发生在膜、催化层和气体扩散层中的欧姆损耗,其中膜电阻是主要贡献。电阻R3和电容C2代表阴极损耗,特别是与氧化还原反应(ORR)相关的损耗。R1和C1代表阳极损耗。与Shan等人[57]引入的EEC不同,这里增加了一个电感,以考虑电缆和测量仪器的电感。EEC的阻抗如下所示。

下载:下载高分辨率图像(20KB)
下载:下载全尺寸图像
图3. 用于模拟膜厚度减少的EEC。

3.2.2.3. 催化剂层降解
为了模拟催化层的降解,使用了图3中所示的EEC,该EEC之前已在Schulze等人的研究[64]中使用。Schulze等人通过离体实验明确展示了催化层的降解,并将其与EEC参数的变化相关联。相应的电路如图4所示。它由电感L、电阻(R1 – R4)和电容(C1 – C3)以特定方式连接组成。这里,R3代表欧姆膜电阻,而R2和R4分别与阴极和阳极的电荷传输损耗相关。阳极和阴极的双层电容由电容C2和C3模拟。为了分别考虑扩散过程,在模型中添加了R1和C1的并联连接。然后使用以下方程计算电路的总阻抗。(4)Zf=ZL+ZR3+ZR1·ZC1ZR1+ZC1+ZR2·ZC2ZR2+ZC2+ZR4·ZC3ZR4+ZC3
下载:下载高分辨率图像(20KB)
下载:下载全尺寸图像
图4. 用于模拟催化剂层降解的EEC。

3.2.2.4. 气体扩散层降解和碳腐蚀
到目前为止介绍的EEC满足了两个核心条件:参数变化可以具体归因于定义的组件,并且能够再现测量的PEMFC行为。然而,Zhang等人[65]和Shan等人[57]的研究中引入的EEC模型无法完全再现原始数据中观察到的堆栈行为。因此,采用了Schopen等人[16]提出的模型(图5)。为了确保结果的可转移性,将这些元件的功能与Zhang等人[65]和Shan等人[57]的元件进行了比较,并根据其中报告的离体和原位数据进行了调整。这样,可以定性和定量地再现Zhang等人[65]和Shan等人[57]描述的降解机制。在所选模型中,L代表布线的电感损耗,R1代表膜的欧姆电阻,R2和CPE1代表阳极损耗,R3和CPE2代表阴极损耗。Warburg元件W描述了质量传输损耗,这些损耗被纳入了总阻抗计算中。为了模拟总阻抗,应用了以下公式。(5)Zf=ZL+ZR1+ZCPE1+1ZR2+ZCPE2+1ZR3+ZW
下载:下载高分辨率图像(21KB)
下载:下载全尺寸图像
图5. 用于模拟气体扩散层降解的EEC。

3.2.3. 降解建模
3.2.3.1. 极化曲线和降解严重程度
第1节中描述的降解状态分为三个严重程度级别,用于训练数据:?无降解表现 0 ?低降解表现 1 ?高降解表现 2
严重程度级别指的是燃料电池的特定降解电压降,可以通过实验测量的极化曲线来识别。使用方程(6),可以在阻抗曲线的实轴上的电阻与极化曲线上的电阻之间建立关系,反之亦然[60]。(6)EPol=nCell·(ETh-ηA)-RTotal·ILoad
因此,极化曲线的电压EPol是由激活过电位损耗ηA和内部电池损耗RTotal在施加的扰动频率f ? 0.1 Hz时的总和产生的。这里,ETh指的是燃料电池的可逆理论电池电压。
PEMFC的内部电池损耗可以分解为与欧姆、电荷传输(激活)和质量传输(扩散)现象相关的贡献。在EEC表示中,这些贡献被总内部电阻RTotal汇总,可以表示为:(7)RTotal=RΩ+RCt+RDiff
这里,RΩ表示欧姆电阻,包括膜电极组件和电流收集器内的离子和电子传导损耗。RCt代表与电化学反应动力学和激活过电位相关的电荷传输电阻。RDiff描述了与多孔电极和气体扩散层内的反应物和产物的质量传输限制相关的扩散损耗。这种分解提供了对控制电池阻抗响应的主导损耗机制的物理解释。
根据文献数据,特征性的极化电压行为被分配给四个特定的降解类别,每个类别由上述定义的严重程度级别区分。在此基础上,为每个降解类别建立了具体的分类标准和详细特征。因此,表1提供了降解类型、严重程度级别及其相应电压特征的明确定义。表1提供了具体的降解类型、严重程度级别及其相应的电压特征的定义。
表1. 具体降解类型及其相应的电压特征的定义。
降解机制 电压变化(ΔU) 运行点
参考 空电池 低降解(1) 高降解(2)
空电池 空电池
膜厚度减少(NEDC电压循环) +0.6 V (比较评估) -0.5 V (50次循环) RHAir = 100% TCell = 70°C λAir = 2.5 [53], [57]
膜-电极分层(NEDC电压循环) -3.5 V (100次循环) -6.3 V (200次循环) RHAir = 100% TCell = 70°C λAir = 2.5 [57]
催化剂降解(方波电压循环) -3.36 V (1,000次循环) -6.24 V (5,000次循环) RHAir = 84% TCell = 65°C λAir = 2 [60]
碳氧化(锯齿波电压循环) -1.35 V (1,000次循环) -1.92 V (5,000次循环) RHAir = 100% TCell = 75°C λAir = 2 [65]
表1作为量化第3.2.2节中引入的各个EEC组件(包括R1 – R4、C1 – C3、CPE1 – CPE2和RW)的基础。这一程序使得文献中得出的降解特征能够系统地转化为适合后续建模和分类的参数化阻抗特征。

3.2.3.2. 膜降解建模
在接下来的部分中,将基于EEC参数变化和第3.2.2节中介绍的EEC,展示膜降解状态的建模结果。
对于膜厚度减少的轻微降解表现,图3中的膜厚度模型中的EEC参数C2和R3进行了相应的调整。这里,参数C2和R3代表阴极的电荷传输损耗[57]、[66]。为了模拟轻微的降解表现,R2减少了22%。这一假设得到了Choi等人[66]的研究结果的支持,他们直接将初始膜变薄与欧姆膜-电极电阻的增加联系起来。Choi等人解释说,较厚的膜表现出更高的质子传导电阻,从而导致欧姆膜-电极电阻的增加。代表ORR电容的参数C2减少了12%。这种减少对应于Shan等人[57]在25次电压循环后观察到的电容电阻的减少。他们认为较薄的膜可以更快更有效地被湿润,从而确保水、反应物和产物的更快传输[56]、[57]。由此产生的电阻变化最初导致电压水平暂时增加了0.6 V。
对于膜厚度减少的严重降解表现,基于几项研究报告的结果。在Wu等人的研究[56]中,一个燃料电池堆栈在接近开路电压的条件下运行了1,200小时。使用原位和离位方法对电池进行了监测。在其他观察结果中,检测到了过氧化氢,这是一种导致ROS形成的反应产物,这些ROS会化学攻击并削弱膜。在500小时内,测量到欧姆损耗增加了5.2 mΩ。Shan等人[57]观察到50次循环后电压下降了0.5 V。然而,在50次循环后没有观察到严重的分层现象。为了模拟轻微的电压下降,参数C2和R2被重置为初始值,而电阻值R1增加了20%。这种调整再现了观察到的0.5 V的电压下降。图6显示了用于模拟膜厚度减少现象的EEC。

下载:下载高分辨率图像(154KB)
下载:下载全尺寸图像
图6. 基于膜厚度减少的PEMFC阻抗特性的Nyquist图。
对于由于膜分层导致的轻微降解表现,基于Shan等人[57]的研究和Jouin等人[53]的结果,假设电压下降了3.5 V。为了定量模拟电压下降并定性再现Nyquist图的形状,增加了电阻R1和R2以及EEC元件CPE1的时间常数TCPE(见表A.1),如图7所示。参数R1增加了40%。这种调整使阻抗谱沿实轴发生偏移,从而对应于Park等人[67]报告的燃料电池运行500小时后实部阻抗的定量变化。膜从电极上脱落会导致ECSA的损失。与之相关的电荷传输损失增加可以通过建模来预测[57]。为此,CPE1中的R2和时间常数TCPE分别增加了30%和150%。这种调整使得低频环的形状与Shan等人[57]在150个负载循环后测量的阻抗弧相匹配。此外,Warburg阻抗参数增加了50%。在假设双极板和气体扩散层没有损坏的情况下,这种增加可以解释为电极和膜之间的接触面积减小,从而导致质量传输损失增加。总体而言,所提出的参数调整导致电压降为3.5V。

下载:下载高分辨率图像(172KB)
下载:下载全尺寸图像

图7. 基于膜-电极分离的PEMFC阻抗特性的Nyquist图。

关于膜分离导致的严重退化现象的描述基于额外的研究结果。在Shan等人的研究[57]中,也测量到了整个200个电压循环过程中ECSA的减少,重点关注由分离过程引起的减少。ECSA的减少可以初步假设为随时间线性变化,因此测量的阻抗弧,也就是电阻的实部,在退化现象之间大约翻倍。通过调整参数R1、R2和Warburg电阻RW以及CPE2中的时间常数TCPE,模拟的阻抗谱在质量上与200个循环后测量的阻抗谱相匹配(参见Shan等人[57])。具体来说,R1和R2分别增加了78%和50%;CPE2中的时间常数TCPE增加了150%;Warburg电阻RW增加了90%。这些调整导致电压降为6.3V,这与Shan等人[57]在200个循环后测量的值相符。Jouin等人[53]的分类也被考虑在内,即分离在所有退化状态中导致最大的电压降。为了说明这一现象,图7中的Nyquist图显示了三种退化现象。

3.2.3.3. 电极退化建模
为了对电极退化进行建模,使用了额外的EEC(图8),其参数根据定义的电压降进行了定量调整。从质量上看,这些变化与已发表的代表性阻抗谱一致。碳氧化过程也会影响GDLs。因此,这些过程与GDL中的退化过程一起进行建模。图8展示了在操作点RHAir=80%、λAir=2和TCell=55°C以及电流密度I=307 mA/cm2下的退化建模。

下载:下载高分辨率图像(171KB)
下载:下载全尺寸图像

图8. 基于电极催化层退化的PEMFC阻抗特性的Nyquist图。

以下部分描述了电极退化的轻微退化现象。上述ECSA的减少与Bezmalinovic等人[60]在1000个循环后测量的极化曲线中的3.36V电压降相关。这种电压降明显归因于He等人[59]和Pivac等人[58]之前描述的过程。此外,He等人使用电子显微镜确认了ECSA的减少,并通过直方图评估了颗粒大小分布。在研究开始时,铂颗粒的平均直径较小,但随着循环次数的增加而增大,导致ECSA减少。对于运行时间较短的燃料电池,主要的退化过程是铂颗粒的聚集[59]。He等人[59]、Bezmalinovic等人[60]和Pivac等人[58]都报告了阴极处电荷传输损失的增加。在这种情况下,与双层电容相关且直接导致ECSA减少的电容电阻减小。通过调整参数R4和C3(图8),可以再现这种行为。具体来说,C3减少了50%,R4增加了45%。这些调整导致电压降为3.36V。

以下部分描述了电极退化的严重退化现象。随着循环次数的增加,主要的退化机制发生了变化。现在主要是铂颗粒的脱落和碳载体的疏水性丧失[59]、[64]。疏水性的丧失导致质量传输损失增加,因为细胞内的水传输受到阻碍。通过将R4增加90%来模拟质量传输损失的增加。由于Pt溶解导致的ECSA进一步减少是通过减少双层电容C3来建模的。这里,C3的值减少了60%。总体而言,根据方程(6),这些参数调整导致电压降为6.35V。这与Bezmalinovic等人[60]在5000个电压循环后测量的电压降相对应。此外,阻抗弧在质量上也与Bezmalinovic等人[60]在5000个循环后报告的测量阻抗曲线相匹配。

3.2.3.4. 气体扩散层退化建模
图9显示了由于化学和机械退化导致的阻抗曲线变化。例如,图9展示了在操作点RHAir=80%、λAir=2和TCell=55°C以及电流密度I=307 mA/cm2下,基于气体扩散层和电极中碳载体结构氧化的退化机制建模。

以下部分描述了GDL退化的轻微退化现象。Zhang等人[65]对燃料电池循环应用了三角电压曲线,从而在GDL和电极中特意诱导了碳氧化。3000个循环后,测量到了1.35V的电压降。碳腐蚀改变了电学性质,导致电压损失增加[62]、[65]、[68]。为了模拟这种电学损失的增加,对于轻微的退化现象,R1增加了15%。由于孔隙率的增加和碳纤维疏水性的丧失,还必须模拟质量传输损失的增加[62]、[65]、[68],这归因于细胞内的高水分含量。通过调整Warburg电阻RW和CPE2的时间常数TCPE,将这些现象纳入模型。在轻微退化现象的情况下,这些值分别增加了70%和45%。总的来说,这些变化导致电压降为1.35V。

在GDL退化严重的情况下,已经为轻微退化现象调整的电阻进一步增加。5000个电压循环后,Zhang等人[65]报告了极化曲线中略高的电压降,达到1.92V。使用方程(6),可以再次建立阻抗谱与极化曲线之间的联系。为了模拟相应的1.92V电压降,R1进一步增加了10%,与初始状态相比总共增加了25%。此外,Warburg电阻RW增加到初始值的90%。

3.3. 退化数据库
3.3.1. 概述
上述优化算法用于确定EEC组件的尺寸,以便最初为每种退化类型建模基于测量的无退化严重程度的数据。为此,使用了一个自定义开发的MATLAB程序来处理数据。从经验原始数据(第2.2节)计算出的EEC参数为后续操作提供了基础,这些操作根据之前描述的退化机制生成退化数据(参见第3.2.1节)。为了最佳参数识别,该程序应用了一种结合粒子群优化和模式搜索的混合优化策略(参见3.3.2和3.3.3)。最后,生成的退化数据被格式化并存储起来,以便以后用于训练神经网络。

3.3.2. 粒子群优化
粒子群优化(PSO)基于群体的集体搜索行为,由Kennedy和Eberhart[69]开发,用于全局优化非线性函数。每个粒子xPSO∈Rn都有一个速度vPSO,并存储其已知最佳位置pb以及全局最佳粒子pg。c1(认知)和c2(社交)表示权重因子,r1、r2∈[1]被定义为均匀分布的随机数。更新后的粒子x'PSO及其速度v'PSO的计算如下:
(8)v′PSO = vPSO + c1·r1·pb - xPSO + c2·r2·pg - xPSO
(9)x′PSO = xPSO + v′PSO

3.3.3. 模式搜索
另一方面,模式搜索是一种无梯度的优化方法,用于在受限搜索空间S∈Rn内识别局部最小值[70]。起点是一组模式点,初始步长为Δ0。在每次迭代中,目标函数在相邻点xk+Δk·djk处进行评估。改进会导致中心的移动,可能增加第k步长Δk,而恶化则会导致Δk的减少。在这项工作中,模式搜索用于局部细化PSO获得的全局解[70]。

3.3.4. 损失函数的选择
对于优化问题的定义,选择合适的目标函数至关重要。典型的损失函数包括平均绝对误差(MAE)和均方根误差(RMSE)。它们的适用性取决于数据分布,MAE特别适用于拉普拉斯分布的数据,而RMSE适用于正态分布的数据[71]。
为了评估测量数据的统计特性,生成了分位数-分位数图来比较经验分布和相应的理论分布。分析显示,阻抗的虚部表现出明显的非线性行为,最好用指数分布来近似(R2=0.98),而实部显示出近似正态分布(ND)(R2=0.88)。这些不同的特性表明,实部和虚部对整体拟合误差的贡献不同。特别是,虚部显示出更强的动态变化和更大的偏差,必须在参数优化过程中充分捕捉到。因此,需要一个对较大偏差更敏感的损失函数。在方程(10)中定义的指数损失函数(EXP)被认为适合这一目的,因为它比传统的二次误差指标更强烈地惩罚经验值和模型值之间的较大差异。ζ表示用于评估测量和模型阻抗谱之间拟合优度的指数损失函数。
(10)ζ = ∑[(eReZEmp - ReZModelled)^2 + eImZEmp - ImZModelled)^2]
方程中的“-2”项确保当测量数据和模型数据相同时,损失值为零。指数方法放大了虚部的偏差,因此考虑了它们的特征波动。为了防止非物理参数值,施加了约束。
EXP、RMSE和MAE之间的交叉验证(表2)显示,EXP在描述模型和测量数据之间的RMSE方面表现最佳。具体来说,损失函数EXP在15,877个模型阻抗谱数据集中的11,139个数据集中实现了RMSE<0.02,而损失函数RMSE和MAE的成功率较低。

表2. 损失函数的定量性能比较
损失函数 RMSE<0.02的数据集数量
EXP 11,139 / 15,877(最小数量:11,040)
RMSE 9,399 / 15,877
MAE 10,057 / 15,877
平均而言,EXP损失函数在11,139个模型阻抗谱中实现了RMSE<0.02,同时正确再现了所有特征。相比之下,有4,647个数据集的描述不够准确。这些数据集主要位于实验空间的边界处,根据Schopen等人[37]的说法,第2.2节中介绍的生成操作图的方法的准确性显著降低。在这些区域,出现了不合理的或不完整的阻抗谱,无法使用EEC模型的属性充分再现。最后,还必须将约束纳入优化问题中。这些约束限制了优化变量的允许范围,使其具有物理上的可解释性(例如,电阻不能取负值)。
对于全局最小值搜索,最初将优化目标和约束提供给PSO。此外,还必须定义群体大小,即粒子的数量,以便应用PSO。必须找到计算成本和精度之间的折中,因为计算工作量随着粒子数量的增加而增加。表现出RMSE>0.02的模型数据点数量应该与群体大小无关,从500个粒子开始就是这种情况。PSO在损失函数值在过去20次迭代中的收敛误差达到1·10^-6的容忍度时终止[72]。在此过程中获得的损失函数参数,或等效于相应EEC的阻抗方程参数,随后被作为初始值传递给模式搜索算法。这局部优化了识别出的最小值,从而提高了结果。通过优化算法确定的EEC参数被传输到第3.2.2节描述的EEC参数调整函数中。程序完成后,结果(包括每个工作点的参数和阻抗、退化机制以及相关的严重程度级别)将被存储并格式化,以便根据输入和输出层传输到神经网络中。

3.4 退化数据库的评估
3.4.1 建模
退化数据库中应用的数据建模质量直接影响神经网络的分类准确性,因为这些数据构成了训练数据集的基础。因此,对于每种退化类型,在无退化严重程度下建模的初始经验阻抗数据(第3.2.2节)在由RHAir、TCell和λAir定义的操作范围内进行评估。该范围的选择确保只有测量数据与建模数据之间的RMSE≤0.02的工作点被包括在内(图10中的绿色部分),从而得到10,823个剩余的工作点。这些工作点准确再现了阻抗谱的所有特征。较高的偏差(RMSE>0.02,图10中的红色部分)主要发生在边界区域,在这些区域燃料电池无法在测试台上以完全稳态的方式运行。这些瞬态状态导致回归模型的准确性降低,如第2.2节所述(参见Schopen等人[37]),在受影响区域产生无法被应用的EEC复制的非物理谱。

3.4.2 退化数据库
总之,由于燃料电池类型的变化、加速应力测试以及来自不同来源的工作点数据的不同,基于文献的退化建模本质上是复杂的。这些数据的有限可比性带来了只能通过实验验证来解决的缺点。尽管如此,本工作中的建模是基于当前的知识状态,通过电压损失进行量化,并使用已发布的阻抗曲线进行定性验证,每种退化机制的初始建模都是在相同的工作点上进行的。未来的稳健验证将需要在新燃料电池组件中有意引入特定类型的退化,以便能够明确归因于阻抗变化。鉴于水管理的高相关性,影响水分去除和水含量的相关退化状态被选为开发算法的分类对象。因此,这项工作重点关注由燃料电池水分平衡控制的退化模式,这些模式被用作算法的分类案例。
进一步强调的是,所考虑的退化类型可以灵活选择,因为原则上,任何影响燃料电池阻抗谱的参数都可以通过所提出的方法捕获。因此,本工作中建模的退化模式主要用来展示该方法的一般适用性及其可靠地进行目标退化分类的能力。

3.5 训练数据库的设计
第3.3节确保了建模数据与训练数据库的数据只有微小偏差。训练数据是通过添加围绕实验室EIS测量得到的曲线呈正态分布的阻抗曲线生成的。目标是训练神经网络对经验数据和实时数据之间的偏差做出更稳健的响应[28],[29]。这一过程的第一步是构建适当的训练数据库。构建此训练数据库的各个步骤在图12中示意性地列出。

为了提高数据集的稳健性,向阻抗数据中引入了合成测量噪声。假设测量设备具有高精度,并遵循良好的实验实践,来自实验设置的测量噪声被认为会对阻抗值产生呈正态分布的偏差[73],[74]。因此,噪声阻抗值被建模为围绕相应的实验室测量值呈正态分布,代表典型的测量噪声。为了估计这种分布的标准差,分析了在线EIS测量数据与退化数据库中无退化工作点之间的偏差(图10中的绿色区域)。EEC模型之间的最大偏差约为0.13(图11中以橙色表示),并且仅发生在个别情况下,这些情况被认为是异常的。理想的偏差对应于0(以深蓝色表示),而大多数数据位于0到0.04的绝对偏差范围内(深蓝色到浅蓝色)。由此产生的颜色梯度突出了来自各个EEC模型的阻抗谱之间的差异。这些偏差在图11中进行了可视化。

3.4.2 退化数据库
总之,由于燃料电池类型的变化、加速应力测试以及来自不同来源的工作点数据的不同,基于文献的退化建模本质上是很复杂的。这些数据的有限可比性带来了只能通过实验验证来解决的缺点。尽管如此,本工作中的建模是基于当前的知识状态,通过电压损失进行量化,并使用已发布的阻抗曲线进行定性验证,每种退化机制的初始建模都是在相同的工作点上进行的。未来的稳健验证将需要在新燃料电池组件中有目的地引入特定类型的退化,以便能够明确归因于阻抗变化。鉴于水管理的高相关性,影响水分去除和水含量的相关退化状态被选为开发算法的分类对象。因此,这项工作重点关注由燃料电池水分平衡控制的退化模式,这些模式被用作算法的分类案例。
进一步强调的是,所考虑的退化类型可以灵活选择,因为原则上,任何影响燃料电池阻抗谱的参数都可以通过所提出的方法捕获。因此,本工作中建模的退化模式主要用来展示该方法的一般适用性及其可靠地进行目标退化分类的能力。

3.5 训练数据库的设计
第3.3节确保了建模数据与训练数据库的数据只有微小偏差。训练数据是通过添加围绕实验室EIS测量得到的曲线呈正态分布的阻抗曲线生成的。目标是训练神经网络对经验数据和实时数据之间的偏差做出更稳健的响应[28],[29]。这一过程的第一步是构建适当的训练数据库。构建此训练数据库的各个步骤在图12中示意性地列出。

为了提高数据集的稳健性,向阻抗数据中引入了合成测量噪声。假设测量设备具有高精度,并遵循良好的实验实践,来自实验设置的测量噪声被认为会对阻抗值产生呈正态分布的偏差[73],[74]。因此,噪声阻抗值被建模为围绕相应的实验室测量值呈正态分布,代表典型的测量噪声。为了估计这种分布的标准差,分析了在线EIS测量数据与退化数据库中无退化工作点之间的偏差。假设实验室EIS系统具有高测量精度,在线EIS测量的平均值被认为与实验室测量值一致。标准差的选择确保所有值都位于最大的正负偏差范围内,同时仍然遵循正态分布,从而确保大的偏差很少发生。单变量ND由方程(11)描述,其中pxEmp表示期望值,σN2表示测量噪声方差,μEmp表示经验阻抗数据的平均值,这里的xEmp表示实验室EIS的经验阻抗数据。

为了确定ND的合理值,使用了与实验室EIS偏差最大的在线EIS曲线,该曲线位于非常低或非常高的百分位数。通过迭代选择每个频率的标准差,以满足这一条件。由于测量误差随频率波动,标准差也随频率变化。图13显示了一个经验工作点(蓝色)和偏差最大的工作点(红色);垂直的蓝线表示根据方程(11)每个频率点的正态分布范围。

为了确定ND的合理值,使用了与实验室EIS偏差最大的在线EIS曲线,该曲线位于非常低或非常高的百分位数。通过迭代选择每个频率的标准差,以满足这一条件。由于测量误差随频率波动,标准差也随频率变化。图13显示了一个经验工作点(蓝色)和偏差最大的工作点(红色);垂直的蓝线表示根据方程(11)每个频率点的正态分布范围。

确定的标准差被存储为一个向量,并用于构建训练数据库。除了格式化步骤外,新生成数据的趋势必须遵循经验阻抗曲线的特征趋势。为此,使用普遍适用的径向基函数(RBF)核构建了一个协方差矩阵,该核根据两点之间的欧几里得距离来确定它们的相似性。如果也将先前确定的标准差纳入公式中,结果将是一个包含每个值变化强度及其与相邻值相似性的信息的矩阵[75]。RBF核由以下方程给出[75]。

为了确定ND的合理值,使用了与实验室EIS偏差最大的在线EIS曲线,该曲线位于非常低或非常高的百分位数。通过迭代选择每个频率的标准差,以满足这一条件。由于测量误差随频率波动,标准差也随频率变化。图13显示了一个经验工作点(蓝色)和偏差最大的工作点(红色);垂直的蓝线表示根据方程(11)每个频率点的正态分布范围。

确定的标准差被存储为一个向量,并用于构建训练数据库。除了格式化步骤外,新生成数据的趋势必须遵循经验阻抗曲线的特征趋势。为此,使用普遍适用的径向基函数(RBF)核构建了一个协方差矩阵,该核根据两点之间的欧几里得距离来确定它们的相似性。如果还将先前确定的标准差纳入公式中,结果将是一个包含每个值变化强度及其与相邻值相似性信息的矩阵[75]。RBF核由以下方程给出[75]。

通过协方差矩阵的帮助,在最后一步生成了多变量ND,从中可以采样阻抗谱。在多变量ND中,nD∈N表示维度,μD∈RnD表示均值向量,Σ∈RnD×nD表示正定对称协方差矩阵[76]。ND的概率密度函数?(xEmp)根据[76]由以下方程给出:

为了确定ND的合理值,使用了与实验室EIS偏差最大的在线EIS曲线,该曲线位于非常低或非常高的百分位数。通过迭代选择每个频率的标准差,以满足这一条件。由于测量误差随频率波动,标准差也随频率变化。图13显示了一个经验工作点(蓝色)和偏差最大的工作点(红色);垂直的蓝线表示根据方程(11)每个频率点的正态分布范围。

图14展示了噪声数据的模拟,用亮色表示,非噪声数据用虚线表示。

图15展示了开发分类NN算法的逐步过程。

除了测量噪声外,移动式PEMFC应用中还出现了其他干扰特性,包括负载波动、电力电子设备的切换效应、空气供应系统的振荡以及机械引起的振动。这些效应在本文的范围内没有明确讨论。然而,鉴于实际驾驶循环中存在非平稳干扰和高频纹波成分,必须考虑对预处理方法和神经网络架构的调整。关于噪声适应,本章介绍的程序原则上可以扩展以包含额外的噪声源。这首先需要明确定义相应的噪声类型,其次需要对其对测量数据和合成生成数据的影响进行现实估计。基于此,必须开发适当的噪声模型并将其集成到数据生成流程中。虽然必须单独处理每个噪声源的特定特性及其对阻抗谱的影响,但如图12所示构建训练数据库的一般工作流程无需根本修改即可适用。关于神经网络设计,必须满足两个关键要求。首先,训练数据库必须扩展以反映额外的噪声特性。其次,必须使用这个增强后的数据集重新训练NN,以确保对新引入的干扰具有敏感性和稳健性。如果训练数据的统计属性或分布发生显著变化,则可能需要对NN架构进行调整。然而,只有在存在显著偏差的情况下才需要这样的修改。总结来说,所提出的用于生成专用训练数据库的方法论可以应用于具有不同噪声特征的场景,前提是系统地实施上述调整。4. 分类神经网络的设计与开发 4.1. 神经网络组件 神经网络由神经元(感知器)[77]组成,其输出 h = fAct(z) 由激活函数 fAct(z) 决定。激活函数的输入 z 是神经元输入向量(向量用粗斜体字母表示,矩阵用粗大写字母表示,标量用斜体字母表示)x = [xj1, xj2, …, xjn] 与前一层的激活输出 a(j-1)k 以及神经元权重向量 w = [wj1, wj2, …, wjn] 的加权和,再加上偏置项 bB。激活函数的输入以向量形式表示如下:(14) z = xT·w + bB 在神经网络训练过程中,权重 w 和偏置项 bB 的值会被调整以最小化预定义的损失函数值。在神经网络中,神经元被组织成层。每个神经网络包括一个输入层和一个输出层,中间可能有一个或多个隐藏层。根据应用的不同,这些层可以是全连接的,即一层中的每个神经元都与下一层中的每个神经元相连(前馈网络)。这样的全连接层被称为密集层。每个密集层的输出根据方程 (15) [77] 确定。(15) HW,b(X) = Λ(X·WW + 1n·bBT) 这里,HW,b(X) 表示密集层的输出矩阵,X 表示密集层的输入矩阵,WW 表示对应于每个连接的权重矩阵。向量 bB 包含所有偏置项,并乘以向量 1n 以保持正确的维度,而 Λ 表示应用于加权和的特定激活函数。损失函数的优化使用梯度下降(GD)方法进行。在这种方法中,损失函数的梯度(例如交叉熵(第 4.4 节)根据权重和偏置使用链式法则计算。这使得可以系统地调整权重以最小化损失。4.2. 神经网络训练算法 神经网络的学习过程基于使用梯度下降更新权重,通常通过反向传播算法实现。该过程包括一个前向传递,数据从输入层流向输出层,同时存储中间结果以进行损失计算;以及一个反向传递,应用链式法则确定每个权重对总损失的贡献。随后,梯度下降调整参数以最小化损失。为了加速收敛,经常使用随机梯度下降(SGD),在每次迭代中只使用训练数据的一个随机采样的小批量 [77]。4.3. 激活函数 在前面的章节中介绍了激活函数的概念。这个函数在决定神经元的行为和输出方面起着决定性作用。为了设计本文后面介绍的神经网络,在超参数研究中比较了三种不同的激活函数,以评估它们对可实现的验证准确性的影响。这些函数包括双曲正切函数(Tanh)、修正线性单元函数(ReLU)和软最大值函数(Softmax)。Tanh 函数通常用于改善收敛行为 [77]。ReLU 函数虽然具有在 x = 0 时不可微分的缺点,但具有非常低的计算成本和对于 x > 0 时梯度始终稳定的优点,从而在广泛的应用中提供良好的训练性能 [77]。Softmax 函数通常用于多类分类的神经网络,它将输出映射到 0 – 1 的范围内,使得结果值可以解释为类别的概率分布,这对于分类任务至关重要 [77]。4.4. 损失函数 - 交叉熵 用于分类的神经网络和用于回归任务的神经网络之间的一个根本区别在于所使用的损失函数。在回归神经网络中,通常使用 MAE 或 RMSE 等损失函数来量化测量数据与神经网络预测数据之间的偏差。相比之下,训练分类网络的目标是最大化将输入分配到正确类别的概率 [77]。对于多类分类问题,通常应用交叉熵损失。交叉熵具有这样的性质:每当神经网络错误地将实例分类到类 Xn 时,损失就会增加 [77]。交叉熵在数学上由以下方程定义。(16) JΘ = -1/m ∑i=1m ∑kN=1KNykN(i)·log(p^kNi) 在方程 (16) 中,Θ 表示包含神经网络所有可训练权重和偏置的参数向量。Softmax 函数产生 p^kNi,即第 i 个输入实例属于第 kN 个类别的概率,这取决于参数 Θ。由于 p^kNi 由可微函数组成,因此可以计算其梯度并用于梯度下降优化。ykN(i) (∈ {0,1}) 是第 k 类中第 i 个实例的目标值。p^kNi 的对数乘以 ykN(i) 决定了损失。只有对应于 ykN(i) = 1 的项会对损失有贡献,因为所有其他项都乘以零。这意味着只有真实类别的概率会影响损失。5. 神经网络设置 5.1. 神经网络方法 在以下部分中,将介绍用于检测 PEMFCs 状态-of-health (SOH) 的分类网络的神经网络的各个组件(第 4 节)。下面的示意图说明了神经网络开发过程中必要的步骤。步骤 1 到 4 已在前面的章节和部分中描述。根据 Schopen 等人 [20] 的说法,神经网络非常适合基于燃料电池的阻抗数据构建健康监测系统 (HMS)。具体来说,第 4 节中描述的组件被组合成一个反向传播神经网络。通过在输出层实现 Softmax 函数并结合稀疏分类交叉熵损失,该网络可以实际扩展到分类任务。此外,这样的神经网络具有高计算效率、适应性和精度 [77]。基本布局和微调将在下一节中讨论。5.2. 神经网络布局 对于基于第 3 和第 4 章中呈现的结果用于分类 PEMFC SOH 的所选神经网络,采用了使用监督学习范式的反向传播神经网络。训练数据已经预先标记(第 3.5 节)。损失函数由稀疏分类交叉熵定义,而 Softmax 函数作为输出层神经元的激活函数。在输出层使用 Softmax 对确保正确计算损失至关重要(参见第 4 节)。输出层包含九个神经元,每个对应于九个退化类别中的一个,包括一个代表“无退化”类别的神经元。输入层的维度与退化数据库或训练数据集中的分类输入数据的维度完全匹配。这些输入数据包括当前工作点的操作参数 RHAir、TCell 和 λAir,以及相应的虚部和实部。因此,输入向量 x 的维度是 1 × 40。相关的退化类别在训练期间以 1 × 1 向量的形式提供给算法。5.3. 关键绩效指标和微调 为了量化损失,必须定义一个关键绩效指标 (KPI)。KPI 将损失转化为特定于任务的上下文。对于当前的分类案例,合适的指标包括验证准确性、精确度、F1 分数、混淆矩阵和召回率 [77]。在这项研究中,神经网络在超参数分析中以验证准确性作为主要 KPI 进行训练,因为它易于应用和解释。对于平衡的数据集(即所有类别都得到平等表示),验证准确性也关于分类性能提供了大量信息。分类结果分为四类。KPI 验证准确性通过测量正确和错误分类的数据点数量来确定分类准确性 [77]。模型的微调涉及根据 KPI 调整超参数,以最大化验证准确性。为此,超参数研究会改变优化器、激活函数、每个隐藏层的神经元数量、批量大小、学习率和训练周期或训练步骤等参数。5.4. 自动化超参数调整 在当前的超参数调整中,使用了 Python 工具箱 Optuna,并以验证准确性作为 KPI。Optuna 能够高效地探索大型超参数空间,同时排除与选定 KPI 不相关的配置。候选超参数组合的选择基于贝叶斯优化框架内的概率模型。默认情况下,Optuna 应用树结构 Parzen 估计器算法。关于贝叶斯优化和获取函数的基本原理的详细讨论,请参阅 [75]。5.5. 要优化的超参数选择 表 3 列出了在超参数调整过程中根据 KPI 调整的超参数,并最初传递给神经网络。超参数的选择基于第 4 节“分类神经网络的设计与开发”和第 5 节“神经网络设置”中讨论的考虑因素。为了避免过拟合,即神经网络对训练数据的过度适应,并确保其对未见数据的泛化能力,每个超参数的搜索空间被限制在定义的区间内(表 3)。确定所有参数的最佳组合是第 5.4 节中介绍的超参数研究的一部分。表 3. 在超参数调整过程中要优化的超参数,突出显示了各个区间和属性。超参数区间属性优化算法[SGD, Adam]用于调整权重和偏置的算法激活函数[ReLU, Tanh]计算神经元输出;影响反应强度隐藏层的数量[1,5]神经网络中连接的层数量每个层的容量或同时处理的特征数量学习率[1 · 10-5, 1 · 10-2]在同时计算梯度更新时处理的训练数据点数量小 = 更快的学习速度,大 = 更稳定的收敛批量大小[16,100]每个训练步骤处理的数据点数量小 = 快速学习,大 = 均匀收敛训练周期[10,20]整个训练集运行的次数输入层和输出层的维度及其激活函数是根据输入和输出数据的维度固定的。损失函数也是预先确定的。因此,很明显,超参数调整主要针对隐藏层的属性,因为输入层和输出层的特性已经由数据结构和神经网络的具体任务定义。神经网络的示意图可以在附录的图 A.2 中找到。6. 结果和讨论 6.1. 神经网络架构 通过系统地改变超参数组合,获得了优化的神经网络设置。为此,使用了 Optuna 工具箱,该工具箱记录、测试、排名并根据选定的 KPI(验证准确性)选择超参数配置,使用贝叶斯优化(第 5.4 节)。该工具箱被嵌入到一个自定义开发的程序中。该程序导入训练数据集,缩放数据,设置 Optuna 研究,训练最高效的模型,最后存储它。图 16 以平行坐标图的形式展示了 Optuna 测试的超参数组合。每条线代表一个组合,轴上的交点表示相应的超参数值。x 轴表示各个超参数,而每个 y 轴根据每个超参数量化相应的值。左侧的 y 轴显示了每个配置对应的 KPI 值。灰线表示由于改进 KPI 的概率较低而提前终止的尝试。图表还显示许多超参数组合实现了高验证准确性,进一步验证了数据集的高质量。如果数据集不足,则无法达到这种程度的验证准确性。下载:下载高分辨率图像(358KB)下载:下载全尺寸图像图 16. 基于验证准确性量化的超参数组合的平行坐标图。特别是在模型对未见数据的泛化能力方面,改进尤为明显。在没有超参数调整的情况下,只有 29 个在线 EIS 数据集被正确分类,而在调整后,36 个数据集中有 34 个被正确分类。图16进一步突显了Optuna在采样超参数组合时的目标性。例如,优化器轴清楚地显示,使用自适应矩估计器(Adam)的参数组合数量明显更多,这些组合通常比使用SGD的参数组合获得了更高的KPI值。对于激活函数也观察到了类似的现象,在测试的20种组合中有13种使用了ReLU。此外,每个隐藏层的神经元数量呈现出明显的趋势,即倾向于每层超过40个神经元的配置。相比之下,其他超参数(如激活函数、训练周期数和批量大小)并没有显示出对特定值范围的明显偏好(见图17)。下载:下载高分辨率图像(84KB)下载:下载全尺寸图像。图17. 在神经网络训练过程中的损失-准确率行为,展示了训练数据和验证数据的准确率和损失情况。作为方差功能分析(ANOVA)的一部分,可以识别出对KPI影响最大的超参数。在这项工作中,采用了PED-ANOVA方法,即使对于相对较小的数据集,它也能提供稳健的结果,相比传统的f-ANOVA方法更为有效。表4通过ANOVA图表展示了各个超参数对KPI的影响,其中较大的绝对值表示更强的影响。ANOVA结果间接证实了从平行坐标图中获得的见解,即对KPI影响最小的超参数并没有对特定值或范围有明显的偏好。学习率在ANOVA分析中被认为对关键性能指标的影响较小。尽管学习率通常对优化过程和损失函数的演变有显著影响,但在本研究中考虑的参数范围内,其对最终KPI的影响仍然有限[77]。这种行为可以通过使用自适应矩估计器来解释。Adam优化器根据梯度的第一和第二矩估计自动调整有效学习率。因此,ANOVA分析中分析的学习率值仅对应于最初指定的学习率。在训练过程中,这个初始值会被优化器迭代调整,从而降低了最终模型性能对最初选定学习率的敏感性。结果,初始学习率在ANOVA分析中的影响较小[77]。下表总结了当前任务中最有效的超参数配置,代表了在后续章节中验证的最终神经网络结构。表4. 用于确定最高效神经网络的最终超参数设置。超参数| 超参数值 | 超参数对KPI的重要性 | 神经元数量 | 优化器 | 批量大小 | 激活函数 | 隐藏层数量 | 训练周期数 | 学习率 |
|--------|------------------|-----------|--------|---------|---------|-----------|------------|-----------|
| |------------------|------------------|--------|---------|---------|------------|-----------|
| | 5 | 4 | Adam | 2 |ReLU | 15 | 6 | 0.001 |
本研究提出的最终模型架构是一个前馈神经网络,包含一个由54个神经元组成的隐藏层。与第1节讨论的神经网络架构相比,这种配置代表了一个相对简单的模型结构。尽管如此,所选架构在所有测试数据集中都取得了最佳性能,并且在使用Optuna进行超参数优化过程中也优于更复杂的模型(见图16)。简单模型表现更好的原因在于输入数据的结构。与许多先前的研究不同,本工作中的模型输入包含了与特定工作点明确相关的特征阻抗值。这种额外的上下文信息降低了分类的复杂性,相比之下,仅依赖阻抗谱而不进行工作点分配的方法则无法做到这一点。这些结果表明,模型复杂性的增加并不一定带来性能的提升。相反,神经网络架构的效率在很大程度上取决于输入数据的结构以及应用的具体特性[77]。6.2. 神经网络功能6.2.1. 数据分离和类别权重神经网络功能的验证是本研究的关键组成部分。在超参数优化过程中,第3.5节中介绍的原始训练数据集被随机分为两个子集。数据的分配是伪随机的,从而可以重复生成随机分割。这确保了在不同的超参数研究和程序中,始终使用相同的数据进行训练和验证,前提是每次分割的数据集是相同的。训练过程中使用了第3.5节中描述的80%的数据集,而剩余的20%用于训练期间和之后的验证。这两个子集分别称为Train_set_full和Val_set_full。模型可以访问Train_set_full的结果和数据,而Val_set_full的结果对模型来说是未知的,并在超参数研究过程中进行预测。Optuna被集成到程序中,以最大化准确率,该准确率是基于验证数据计算得出的,称为验证准确率(Val_accuracy)。在训练过程中,每次都会确定Accuracy和Val_accuracy。如果这两个值非常接近,那么过拟合的可能性就很低。过拟合是指模型对Train_set_full的过度适应,而对类似数据集的泛化能力较差。在多项Optuna优化研究中观察到,由于错误类别1和6对应的阻抗谱相似,算法经常将它们错误分类。在这种情况下,应该注意的是,不同的或耦合的退化机制可能会对阻抗行为产生类似的影响,特别是当变化幅度相对较小时。这可能会使识别潜在的退化机制变得复杂。为了提高内部电阻特性的可识别性,本工作中提出的方法经验性地将特征电压损耗(表1)和EEC参数变化分配给特定的退化现象。此外,当相关阻抗值受到前一节中引入的测量噪声的影响时,类别1和6之间的相似性变得更加明显。应用的噪声阈值进一步减少了这些类别阻抗谱之间的可识别差异,从而增加了错误分类的概率。为了应对这些挑战,需要更大的训练数据集来提高神经网络对由相应退化机制引起的阻抗谱微妙变化的敏感性。作为立即的缓解措施,手动调整了类别权重以补偿训练过程中观察到的类别重叠。因此,在验证过程中必须分别考虑这些类别,特别是在测量噪声的影响下,并相应地进行调整。为了实现高验证准确率、精确度和召回率(见第5.3节),在模型训练期间引入了类别权重。这些权重影响神经网络的损失函数,从而间接影响KPI。权重为1.0表示类别对损失的标准化影响,而权重为2.0则使其影响加倍。因此,权重较高的错误类别对神经网络的权重更新以及损失和KPI有更大的影响。类别1和6的类别权重被设置为2.0,而其他类别的权重保持为1.0。在这项超参数研究中,实现了99.502%的验证准确率。由于与验证数据集相关的验证准确率和与训练数据集相关的训练准确率只有微小的差异,因此可以基本上排除过拟合的可能性。6.2.2. 结果验证如前所述,首先仅使用训练数据集对模型进行验证,通过将原始完整数据集分为训练集(Train_set)和验证集(Val_set)。鉴于数据集的大小,使用混淆矩阵可视化来量化预测分类准确率与实际验证准确率99.502%之间的关系是合适的。混淆矩阵比较了真实类别和预测类别。附录中的图A.1展示了未用于训练的验证数据的混淆矩阵。神经网络事先不知道这些数据的真实值,必须依赖于训练期间学到的知识来进行预测。表示方式是相对于Val_set的百分比。混淆矩阵清楚地显示,几乎6个类别中的9个类别的预测准确率为100%,而剩余的3个类别的预测准确率为99.9%。这一高分类准确率首先证实了所选择的方法的有效性,因为神经网络显示出对Val_set的泛化能力。此外,以下曲线展示了损失-准确率行为,包括验证损失和验证准确率的发展。可以观察到损失明显趋于一个较低的值,而验证准确率趋于一个较高的值。此外,训练损失和验证损失之间以及训练准确率和验证准确率之间也有很强的一致性。在初始差异之后,随着训练周期的增加,这两个指标都迅速趋于一致。这证实了所选的网络架构既不会过拟合也不会欠拟合。随后,根据在线EIS数据的分类对NN的性能进行了验证。这些数据是使用Schopen等人[42]介绍的在线EIS设置测量的,并在第2.3节中进行了预处理,以便与基于阻抗的健康监测系统一起使用。如第3.5节所述,将测量噪声转移到了训练数据集中,确保算法能够熟悉这些噪声。此外,根据第3节生成了退化数据,以便将退化特征叠加到在线EIS数据上,其中代表退化类别0的样本实际上是在真实系统上测量的。在基于在线EIS数据评估分类准确率的背景下,应该注意的是,训练数据和在线操作中的EIS数据来自两个不同的测量来源。训练数据是根据标准化的DOE程序在专用实验室EIS测量中获得的(见第2.2节)。相比之下,在线EIS数据是使用单独的在线EIS应用程序获得的(见第2.3节)。在线EIS测量程序在相同的边界条件和相同的PEMFC测试台上进行,与实验室EIS测量结果具有很高的一致性。比较分析证实了两个数据集的可比性,表明在线EIS数据可以以与用于神经网络训练的实验室数据相同的精度级别提取。这两种数据源之间的一致性确立了使用在线EIS数据进行健康状态分类的有效性,并支持了所提出的诊断方法在实际操作条件下的适用性。总共测量了4个在线EIS阻抗数据集,得到了36个不同的阻抗数据集用于最终验证。使用所提出的NN设置,36个数据集中有34个被正确分配到各自的类别,分类准确率为94.444%。以94.444%的分类准确率,分类性能显然处于高水平[37]。为了明确评估模型在实验测量数据上的性能,表5总结了4个原始测量数据集的分类结果,包括每个退化类别的预测类别概率。所有4个样本都代表了健康的PEMFC操作条件(类别0),并且被正确分类,置信度很高。因此,没有观察到错误的分类(即错误的退化警报),实验测量数据集的错误警报率为0%。对于样本1,有5.6%的概率被分配给退化类别7。这种行为可以归因于模型对测量阻抗谱微妙变化的敏感性,同时仍然保持了正确的分类。同时,这也可能表明存在与PEMFC早期退化相关的轻微偏差。总体而言,这些结果表明,所提出的分类方法能够基于实际测量数据可靠地识别健康的PEMFC状态,而不会触发错误的退化警报。表5. 实验测量阻抗数据集的分类概率。退化类别| 样本1 | 样本2 | 样本3 | 样本4 | 预测类别 | 真实类别 |
|--------|--------|--------|--------|--------|---------|
| | 0 | 9 | 4 | 9 | 9 | 1 |
| | 9 | 8 | 4 | 9 | 9 | 1 |
| | 0 | 0 | 0 | 0 | 0 | 0 |
| | 0 | 0 | 0 | 0 | 0 | 0 |
| | 0 | 0 | 0 | 0 | 0 | 0 |
| | 0 | 0 | 0 | 0 | 0 | 0 |
| | 5 | 6 | 0 | 0 | 0 | 0 |
| | 0 | 0 | 0 | 0 | 0 | 0 |
为了进一步证实结果,Python API scikit-learn提供了生成分类报告的功能。表6展示了相应的输出。模型从精确度、召回率、F1分数和分类准确率等方面进行了评估。分类准确率是单独报告的,因为它是在所有数据上计算一次的。总体而言,该神经网络在分类任务中达到了95%的精确度、94%的召回率、94%的F1分数以及94.444%的分类准确率。表6显示了使用在线EIS数据验证的每个降解类别的精确度、召回率、F1分数和分类准确率。

| 降解类别 | 精确度 | 召回率 | F1分数 | 分类准确率 |
|--------|-------|--------|--------|---------|
| 01 | 1.00 | 1.00 | 1.00 | 0.94444 |
| 10 | 1.00 | 1.00 | 0.89 | |
| 21 | 1.00 | 0.75 | 0.86 | |
| 31 | 1.00 | 1.00 | 1.00 | |
| 41 | 1.00 | 1.00 | 1.00 | |
| 50 | 1.00 | 0.80 | 0.89 | |
| 61 | 1.00 | 0.75 | 0.86 | |
| 71 | 1.00 | 1.00 | 1.00 | |
| 81 | 1.00 | 1.00 | 1.00 | |
| 宏平均 | 0.96 | 0.94 | 0.94 | |
| 加权平均 | 0.96 | 0.94 | 0.94 | |

为了计算精确度,需要知道正确分类为正例的案例数量(即真正例TP)以及被错误分类为正例的案例数量(即假正例FP)。精确度根据以下公式(18)计算:
(18) 精确度 = TP / (FP + TP)
96%的平均精确度表明只有非常少的数据点被错误地标记为正例。因此,精确度也被称为正面预测的准确性[77]。精确度的优势在于它是一个基于类别的指标,因此可以衡量分类的“干净”程度。召回率定义为真正例TP与模型错误预测为负例(即假负例FN)的总和之比[77]。94%的召回率表示较高的分类率。召回率根据以下公式计算:
(19) 召回率 = TP / (FN + TP)
只有当假负例FN的数量较少时,才能实现较高的召回率。因此,召回率反映了数据被正确分配到各自类别的“完整性”。F1分数是一个综合的模型评估指标,它代表了召回率和精确度的调和平均值:
(20) F1 = 2 · 精确度 · 召回率 / (精确度 + 召回率)
在这种情况下,调和平均值意味着只有当精确度和召回率同时增加时,F1分数才会增加。当前模型确实实现了94%的F1分数。总之,可以得出结论,该模型在NN训练期间的验证数据集(验证准确率:99.502%)和实际分类过程中的实验测量数据(分类准确率:94.444%)上都表现出了高水平的性能,并且具有很强的泛化能力,适用于新数据。

6.2.3 可重复性
上述详细评估了表现最佳的模型。为了评估训练结果的可重复性,进而评估所提出的神经网络结构的稳健性,使用不同的随机种子多次重新训练了该模型以初始化权重和偏置。在十种不同的种子初始化下,模型在测试数据集上的平均分类准确率为90.3%,标准差为±2.45%。值得注意的是,其中有三种种子重现了之前讨论的94.444%的最高分类准确率。考虑到测试数据集规模较小(仅有36个样本),并且每个错误分类的样本会导致大约2.8%的分类准确率变化,所取得的性能仍然可以被认为是令人满意的。此外,预计扩展测试数据集将进一步提高整体分类准确率,接近观察到的最大值94.444%。

6.3 局限性
本研究的范围有意识地集中在与水管理相关的降解问题上,包括相对空气湿度、空气化学计量比和电池温度的影响。这些参数被认为是控制水管理行为的关键因素,因此对PEMFC系统的长期性能和耐用性有重大影响。因此,本研究没有明确考虑其他典型的PEMFC运行条件,如电流密度的变化、反应物压力、材料属性、老化堆栈条件或替代电池配置。在这个定义的范围内,对降解现象的研究集中在与特定燃料电池组件相关的四种代表性降解机制上(第3.2.1节)。涉及耦合降解机制的更复杂情景在实际燃料电池系统中可能会发生,因此超出了当前分析的范围。目前验证数据集包括四个直接在线测量数据集和32个由降解引起的数据集,为评估所提出的方法提供了初步基础。此外,应用于阻抗数据的噪声处理主要关注与测量相关的噪声(第3.5节),而没有明确包括与移动PEMFC应用相关的噪声特性,如负载波动、电力电子设备切换、空气供应振荡或机械振动。尽管如此,开发的数据库结构本质上是可扩展的,可以扩展以包括额外的降解现象和不同的噪声特性。相应地,所提出的算法可以进一步开发,以诊断额外的降解机制,包括耦合降解过程,并在更广泛的运行范围内运行。此外,未来的研究可以纳入扩展的验证数据集,以进一步增强所提出方法的稳健性。总体而言,这些特性突显了所提出的诊断框架在未来的PEMFC应用中的可扩展性和适应性。

7. 前景
本文介绍的分类神经网络以及开发的数据库旨在检测与定义的降解类别相对应的数据。这提供了一种使用从在线EIS获得的数据来评估组件级别当前降解状态的方法。神经网络是专门为检测本研究中定义的与水管理相关的降解状态而设计的。为了能够分类其他降解状态,必须根据开发的方法扩展数据库,并相应地重新训练神经网络。为了确保在较长和动态变化的运行期间获得可靠的分类结果,还必须考虑无法直接归类为降解故障的自然降解过程。为此,神经网络可以以在线结构实现,其中训练数据不断更新为实测阻抗值。将极化曲线和极化滞后纳入分类过程可能进一步有助于区分自然电压降解和非自然加速的降解。此外,降解数据库是根据空气化学计量比、相对湿度和电池温度等参数开发的,因为这些参数对电池的水管理有重大影响。因此,扩展降解数据库以包括额外的运行边界条件是合理的,特别是在考虑燃料电池在移动应用中的操作情况时。当前数据库的另一个重要方面是,测量是在聚合物电解质膜燃料电池上进行的,因此特别适用于这种类型的燃料电池。此外,这里呈现的降解状态是针对PEMFC进行的调查。然而,基于这里和[37]中提出的方法论,该方法可以扩展到其他类型的燃料电池。尽管如此,不同燃料电池技术之间的部分显著差异需要相应的数据集调整或扩展。

与受控的实验室环境相比,PEMFC在现实世界中的车辆运行面临一系列额外的挑战。这些挑战包括快速变化的负载需求、环境温度和湿度的波动、机械引起的振动和冲击,以及来自高功率开关组件的电磁干扰。总体而言,这些因素导致了复杂的、随时间变化的阻抗响应,这是真实降解过程的特征。此外,如第3.2.1节中介绍的多种降解机制的叠加可能导致阻抗谱内的重叠特征。目前,这些机制之间的相互作用尚未被充分理解,无法纯理论地推导出它们的综合效应[78]。因此,需要在单电池测试台上进行系统的实验研究,以识别、量化并更好地理解不同降解路径之间的相关性和相互作用。这样的研究对于评估是否可以可靠地分离和识别个别降解效应至关重要,例如通过数据驱动的方法,如机器学习。在这种情况下,在具有代表性和动态变化的操作条件下获取高质量测量数据至关重要。这包括健康状态和逐渐退化的系统状态,以确保全面覆盖相关的操作范围。然而,一个主要限制在于对大量高质量数据的强烈依赖,其获取既具有实验要求又成本高昂[79]。为了解决这一挑战,需要专门的测试台实验,包括受控的操作条件和明确定义的降解场景。这样的实验能够生成代表现实世界操作的阻抗数据集,同时保持可重复性和可解释性。这些数据集为开发、训练和验证用于PEMFC系统实时健康状态分类和诊断的稳健数据驱动模型提供了必要的基础。

评估操作状态和健康状态对于缓解燃料电池系统的当前缺点非常重要[16]、[20]、[37]。将本文提出的方法整合到商业FC系统中,可以基于当前操作点和系统在运行中的测量阻抗来分类燃料电池的当前降解状态。在未来的工作中,还需要解决在真实世界驾驶场景中验证和确认系统这一关键任务。准确检测降解状态随后可以作为从开发的操作图中得出操作建议或策略的基础,从而提高燃料电池的可用性,降低总拥有成本,并减少停机时间。此外,所提出的系统也可以应用于长期研究。与其定期进行离线检查,不如使用该算法进行原位分类,以确定哪些组件受到了操作降解的影响。只有在长期研究结束时才需要进行最终验证。这些扩展为实际应用提供了显著的附加价值,从而增加了燃料电池在移动领域的接受度。

8. 结论
本研究中的分类神经网络以及开发的数据库旨在检测与定义的降解类别相对应的数据。这提供了一种使用从在线EIS获得的数据来评估组件级别当前降解状态的方法。神经网络是专门为检测本研究中定义的与水管理相关的降解状态而设计的。为了能够分类其他降解状态,必须根据开发的方法扩展数据库,并相应地重新训练神经网络。为了确保在较长和动态变化的运行期间获得可靠的分类结果,还必须考虑无法直接归类为降解故障的自然降解过程。为此,神经网络可以以在线结构实现,其中训练数据不断更新为实测阻抗值。将极化曲线和极化滞后纳入分类过程可能进一步有助于区分自然电压降解和非自然加速的降解。此外,降解数据库是根据空气化学计量比、相对湿度和电池温度等参数开发的,因为这些参数对电池的水管理有重大影响。因此,扩展降解数据库以包括额外的运行边界条件是合理的,特别是在考虑燃料电池在移动应用中的操作情况时。当前数据库的另一个重要方面是,测量是在聚合物电解质膜燃料电池上进行的,因此特别适用于这种类型的燃料电池。此外,这里呈现的降解状态是针对PEMFC进行的调查。然而,基于这里和[37]中提出的方法论,该方法可以扩展到其他类型的燃料电池。尽管如此,不同燃料电池技术之间的部分显著差异需要相应的数据集调整或扩展。

与受控的实验室环境相比,PEMFC在现实世界中的车辆运行面临一系列额外的挑战。这些挑战包括快速变化的负载需求、环境温度和湿度的波动、机械引起的振动和冲击,以及来自高功率开关组件的电磁干扰。这些因素共同导致了复杂且随时间变化的阻抗响应,这是真实降解过程的特征。此外,如第3.2.1节中介绍的多种降解机制的叠加可能导致阻抗谱内的重叠特征。目前,这些机制之间的相互作用尚未得到充分理解,无法纯理论地推导出它们的综合效应[78]。因此,需要在单电池测试台上进行系统的实验研究,以识别、量化并更好地理解不同降解路径之间的相关性和相互作用。这样的研究对于评估是否可以可靠地分离和识别个别降解效应至关重要,例如通过数据驱动的方法,如机器学习。在这种情况下,在具有代表性和动态变化的操作条件下获取高质量测量数据至关重要。这包括健康状态和逐渐退化的系统状态,以确保涵盖相关的操作范围。然而,一个主要限制在于对大量高质量数据的强烈依赖,其获取既具有实验要求又成本高昂[79]。为了解决这一挑战,需要专门的测试台实验,包括受控的操作条件和明确定义的降解场景。这样的实验能够生成代表现实世界操作的阻抗数据集,同时保持可重复性和可解释性。这些数据集为开发、训练和验证用于PEMFC系统实时健康状态分类和诊断的稳健数据驱动模型提供了必要的基础。

评估操作状态和健康状态对于缓解燃料电池系统的当前缺点非常重要[16]、[20]、[37]。将本文提出的方法整合到商业FC系统中,可以基于当前操作点和系统在运行中的测量阻抗来分类燃料电池的当前降解状态。在未来的工作中,还需要解决在真实世界驾驶场景中验证和确认系统这一关键任务。准确检测降解状态随后可以作为从开发的操作图中得出操作建议或策略的基础,从而提高燃料电池的可用性,降低总拥有成本,并减少停机时间。此外,所提出的系统也可以应用于长期研究。与其定期进行离线检查,不如使用该算法进行原位分类,以确定哪些组件受到了操作降解的影响。只有在长期研究结束时才需要进行最终验证。这些扩展为实际应用提供了显著的附加价值,从而增加了燃料电池在移动领域的接受度。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号