一种基于物理原理的迁移学习方法，用于汽车质子交换膜燃料电池故障诊断

《International Journal of Hydrogen Energy》：A physics-informed transfer learning method for automotive proton exchange membrane fuel cell fault diagnosis

　　张佳明|杜长青|严福武|朱文超|朱静|聂明阳|李良东 中国武汉430070，武汉工业大学，汽车零部件先进技术湖北重点实验室 摘要：在汽车质子交换膜燃料电池故障诊断领域，迁移学习因能减少对标注数据的依赖而备受关注。然而现有方法未能充分将物理知识融入深度学习模型，从而限制了其可解释性。为解决这一问题，本文将经过挤压-激励注意力机制增强的一维DenseNet与基于物理知识的长短期记忆网络相结合，构建了1D-DenseSE-PI-LSTM故障诊断框架。该框架通过渐进式故障场景实验方法和动态故障阈值确定方法，能够有效捕捉完整的故障演化过程，并仅利用一维时间序列数据就能自适应判断故障发生时刻。实验结果表明，该方法在原始测试集和平衡测试集上的准确率分别达到98.68%和98.96%，较最佳基准方法高出5.95%和9.03%。文中还比较了五种迁移策略以优化跨条件泛化能力，并通过消融实验验证了物理约束的有效性。该框架为汽车燃料电池系统的健康监测提供了有效方法。引言：质子交换膜燃料电池因其高效率、低工作温度以及零排放特性，已成为最具前景的清洁能源转换技术之一[1,2]。这些优势使得它在交通[3]、分布式发电[4]以及便携式能源系统[5]等领域得到越来越广泛的应用，为化石燃料基技术提供了低碳且可持续的替代方案[6]。不过，汽车用质子交换膜燃料电池仍面临稳定性不足和故障率较高的问题，这些问题阻碍了其大规模商业化应用及进一步发展[7,8]。因此，研发快速准确的故障诊断技术对于确保燃料电池汽车的安全性、可靠性及长期使用性能至关重要。质子交换膜燃料电池的故障诊断技术通常可分为两大类：基于模型的方法[9]和数据驱动的方法[10]。数据驱动的诊断方法利用历史数据来进行故障检测与诊断，能够克服传统建模方法的局限性，因而具有较大应用潜力[11]。随着人工智能的快速发展，越来越多的研究人员开始运用深度学习技术来提升质子交换膜燃料电池故障诊断的准确性。刘等人[12]提出了一种Inc-DenseNet网络，该网络将电池电压转换为二维图像，融合了Inception网络与DenseNet结构。这种轻量级架构能够对正常状态、淹水状态、膜干燥状态以及缺氧状态这四种不同状态实现高精度诊断。吕等人[13]则提出了一种基于深度学习的电化学阻抗谱诊断框架，其在约40%的频率下可实现约90%的诊断准确率。蒲等人[14]为解决汽车高功率质子交换膜燃料电池中的水分管理问题，采用了马尔可夫转移场技术将多变量时间序列映射为图像。基于Transformer的模型在能源系统健康管理领域展现出巨大潜力。吴等人[15]提出了一种基于置信度的分位数Transformer模型，用于电池储能系统，该模型可将电压和电流信号转化为容量增量特征，并通过分位数损失函数来预测电池的退化区间。但该模型的应用依赖于较长的电池退化历程以及明确的容量相关特征。相比之下，质子交换膜燃料电池的故障诊断主要关注由故障引发的短期电压瞬变现象，且往往标注样本数量有限。因此，Transformer模型可能会增加模型复杂度并提高数据需求，不太适合用于质子交换膜燃料电池的故障分类任务。而卷积神经网络-长短期记忆网络组合架构则更为适合这一应用场景。卷积神经网络能够有效提取与故障演化相关的局部电压波动模式，而长短期记忆网络则可以捕捉从正常状态向故障状态转变过程中的时间依赖关系，从而为质子交换膜燃料电池故障诊断提供更为简洁的解决方案。深度学习模型通常需要大量且多样化的标注数据才能实现可靠的诊断性能[16]。但在汽车质子交换膜燃料电池系统中，构建大规模的故障样本库面临诸多挑战。首先，在车辆实际运行环境下获取故障样本既复杂又成本高昂。其次，许多故障会带来不可逆的风险，无法在运行中的系统中反复诱发[17]。因此，近期研究多采用受控诱导方法来模拟故障状况并构建故障数据集。例如，李等人[18]提出了一种基于向量距离的特征映射方法，用于定量诊断质子交换膜燃料电池膜的湿度，证明通过受控的湿度敏感实验即可表征与水分相关的运行状态。毛等人[19]通过调节温度和湿度来制造淹水状态和膜干燥状态，仅在故障状态稳定后才收集数据，以便进行特征选择与诊断。郭等人[20]则通过改变温度、湿度以及化学计量比来创建正常状态、膜干燥状态、淹水状态以及缺氧状态。他们在系统稳定后收集电压数据，并提出了基于电压迁移学习卷积神经网络的在线质子交换膜燃料电池故障诊断方法。徐等人[21]提出了一种多级诊断框架，该框架采用多尺度卷积神经网络，直接注入多种故障类型，并在稳态下整合多源运行数据，从而在可恢复故障、致命故障以及复合故障等多种场景下实现高识别率。不过值得注意的是，这些方法大多将“正常稳态阶段”与“故障稳态阶段”对立起来，忽视了从正常状态向故障状态过渡的过程，而且所采用的故障触发标准也不一致。这种做法会掩盖故障特有的演化规律，降低对瞬态变化的敏感性，进而影响模型的泛化能力，最终限制诊断的准确性。为克服这些局限，一种更合理的策略是收集涵盖正常状态、过渡状态以及故障状态的完整轨迹数据，并采用自适应的动态阈值来进行决策判断。这样的设计更能反映实际运行情况，提高对动态演变的敏感度，从而提升质子交换膜燃料电池故障诊断的准确性与稳定性。另一方面，为缓解标注样本匮乏带来的瓶颈问题，迁移学习逐渐成为能源系统故障诊断领域的热门研究方向[22]。其核心理念是在源领域学习可迁移的表示形式和决策边界，然后将其应用到目标领域——在该领域数据分布已发生变化且标注样本极为稀缺。这种方法能够提高目标领域的数据利用效率及诊断性能[24]。高等人[25]提出了一种基于先验特征和马氏距离的源目标域相似度衡量方法，并结合了经样本重加权优化的TrAdaBoost算法，显著提升了样本稀缺环境下的水故障诊断的准确率与稳定性。孙等人[26]则提出了一种数字孪生无监督域适应框架，该框架通过孪生模型生成源域的故障数据集，并通过对抗性域对齐技术提取与领域无关的特征。该框架无需真实标签即可实现九类故障的诊断，在动态工作条件下也能保持约92.5%的诊断准确率。龚等人[27]运用数字孪生技术生成源域数据集，构建了域自适应迁移卷积网络，从而实现了跨设备的少样本诊断，即使在目标领域仅有少量正常状态数据，也能获得超过97%的诊断准确率。刘等人[28]提出了一种基于深度迁移学习的质子交换膜燃料电池故障诊断方法，首次实现了从单个电池到电池堆的知识迁移。但由于质子交换膜燃料电池的运行机制与工况之间存在着复杂的耦合关系，仅仅依靠各种物理模型很难准确描述实际车辆环境下的内部状态，这在模型的可识别性和泛化能力方面存在一定限制。此外，目前关于如何将物理知识有效融入深度学习诊断框架的研究还不够充分。张等人[29]通过用洛伦兹函数对Q-V/IC衰减曲线进行参数化处理，并基于主成分分析-高斯混合模型从物理知识驱动的潜在空间中采样，从而将物理知识融入数据生成过程。但在质子交换膜燃料电池的故障诊断场景中，膜干燥、淹水以及缺氧等故障会引发不同的电压瞬变响应，这使得可靠故障模拟的生成变得十分复杂。现有研究大多采用单一的、预先定义好的迁移策略，且该策略是针对特定网络结构设计的，缺乏对多种迁移策略的系统性比较以及机理分析。为应对这些挑战，有望通过将质子交换膜燃料电池的关键物理知识以约束条件、正则化手段或辅助任务的形式融入深度学习与迁移学习过程中，从而在提升诊断准确性的同时提高模型的可解释性。此外，通过设计并评估不同的迁移策略以找出最优组合，可以有效降低对稀缺标注数据的依赖，提升模型在不同工况及不同平台下的泛化能力，这无疑将为提升质子交换膜燃料电池在各类场景下的诊断准确性带来重大突破。为解决故障过渡阶段演化过程不完整、物理知识整合不足以及迁移策略缺乏对比等问题，本文提出了一种将经过挤压-激励注意力机制增强的一维密集连接卷积网络与融入了物理知识先验信息的长短期记忆网络相结合的1D-DenseSE-PI-LSTM框架，用于质子交换膜燃料电池的故障诊断。其主要创新点与贡献如下：1. 提出了渐进式故障场景实验方法与动态故障阈值确定方法，能够准确还原从正常状态到过渡状态再到故障状态的完整演化过程，并能在不同运行条件下实时、根据实际工况动态调整故障阈值。2. 为质子交换膜燃料电池的运行特性设计了基于物理知识的引导模块，使得数据驱动特征与表示空间中的物理机制保持一致，从而显著提升诊断准确性及模型的可解释性。3. 设计了1D-DenseSE-PI-LSTM框架，旨在利用有限的标注数据实现跨尺度故障诊断模型最佳的泛化性能与预测能力。本文的其余部分安排如下：第2节介绍1D-DenseSE-PI-LSTM框架；第3节阐述实验方案；第4节对实验结果进行分析与解读；第5节给出结论。方法框架示意图：图1展示了完整的1D-DenseSE-PI-LSTM故障诊断工作流程，该流程主要包括三个部分：数据预处理、模型框架以及迁移策略。模型框架由两个核心元素组成：经过注意力机制增强的DenseNet以及基于物理知识的LSTM。在感知层，DenseNet通过跨层密集连接全面复用多尺度特征，从而有效捕捉燃料电池电压信号中的细微变化。源域数据构建：为评估所提方法在质子交换膜燃料电池故障诊断中实现跨尺度知识迁移的效果，本研究采用了单电池和电池堆两种不同的质子交换膜燃料电池结构来生成相应的数据库。系统中同时采集电压和温度信号，但模型仅以电压序列作为直接输入特征。采用这种输入配置是基于这样一个考虑：电压能够最直接地反映系统对各种工况的电学响应。结果与讨论：为验证所提方法的有效性及其泛化能力，我们从三个方面进行了全面评估：迁移策略对比、消融实验以及算法对比。这些评估旨在展现该方法在汽车质子交换膜燃料电池故障诊断领域的优势。结论：本研究提出了一种1D-DenseSE-PI-LSTM迁移学习框架，用于在目标领域标注样本较为匮乏的情况下实现汽车质子交换膜燃料电池的跨领域故障诊断。本研究的创新之处在于，将渐进式故障场景实验方法、动态故障阈值确定方法、基于一维电压的时间序列特征学习方法以及基于物理知识的引导机制整合到一个统一的诊断框架之中。在……CRediT作者贡献说明：张佳明：概念构思、数据整理、形式分析、研究调查、方法设计、资源协调、软件应用、结果验证、可视化处理、初稿撰写、论文修改与润色。杜长青：概念构思、资金申请、项目管理、课题指导、论文修改与润色。严福武：概念构思、资金申请、项目管理、课题指导、论文修改与润色。朱文超：概念构思、数据整理、形式分析。利益冲突声明：作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。致谢：本研究得到了中国国家重点研发计划（项目编号2022YFB4003703）以及广东省先进能源科学技术佛山仙湖实验室（项目编号XHRD2024-11233100-01）的资助。