《Energies》：Machine Learning-Based Anomaly Detection in Hydrogen Fuel Cells: A Path Toward Sustainable and Reliable Energy Systems
编辑推荐：
为促进氢能利用并提高氢燃料电池的可靠性，本研究开发了一种两阶段半监督框架，用于异常模式的发现与编码。研究首先将孤立森林（Isolation Forest）、一类支持向量机（One-Class Support Vector Machine, OC-SVM）和局部
为促进氢能利用并提高氢燃料电池的可靠性，本研究开发了一种两阶段半监督框架，用于异常模式的发现与编码。研究首先将孤立森林（Isolation Forest）、一类支持向量机（One-Class Support Vector Machine, OC-SVM）和局部离群因子（Local Outlier Factor, LOF）应用于未标记的时间序列数据；随后，研究使用六种监督分类器在集成派生的伪标签上进行训练，以高效学习这些模式。分析使用了来自NASA预测数据存储库（NASA Prognostics Data Repository）中四个燃料电池的185,721条观测数据中的可复现20%样本（随机种子42），共计37,144条观测值。三种无监督算法表现出不同的检测模式，其中共有280个共同检测结果（占每个模型标记观测值的15.07%，占样本的0.754%）。共识加权集成识别出1296个潜在异常（3.49%）。随机森林（Random Forest）最佳地再现了集成伪标签，测试准确率为99.365%；该值衡量的是模式的可学习性，并非对物理故障的独立验证。Gini重要性分析确定功率差、容量、负载功率、负载电流、实测功率和负载电阻为主要预测变量。由于无法获得独立确认的故障标签和维护结果，所报告的检测结果被解释为需要电化学或专家验证的系统性偏差。
论文解读：基于机器学习的氢燃料电池异常检测——迈向可持续与可靠能源系统
一、研究背景与问题
氢燃料电池作为一种清洁能源转换装置，通过电化学反应将氢气与氧气中的化学能直接转化为电能、热能和水，其唯一副产物为水，因而在交通运输脱碳、电网稳定以及长期太空任务等领域具有广阔的应用前景。然而，燃料电池在实际运行中面临可靠性挑战：电压、温度或压力等参数的细微偏差可能预示性能衰退或安全隐患。传统的异常检测方法存在多重局限：基于物理模型的方法需详尽参数且难以捕捉非线性退化；固定阈值系统忽略变量间的关联，在启动、停机及负载变化时易产生误报；单一算法对特定异常形态敏感，可能遗漏其他类型的偏差；且多数方法仅输出二值判定，未识别导致异常的变量。为此，研究人员提出了一种结合多种互补无监督检测器与监督学习的两阶段半监督框架，旨在提升氢燃料电池异常检测的可靠性、安全性及寿命，从而促进氢能的推广应用。
二、研究方法概述
研究人员基于NASA Prognostics Data Repository中四台燃料电池在2008年4月至8月期间采集的185,721条不均匀间隔观测数据，采用固定随机种子42抽取20%代表性样本（n=37,144）。研究首先构建了包含实测功率、负载功率、功率差、平均功率、温差、实测电阻、负载电阻及电压效率等衍生变量的特征集，并采用StandardScaler标准化。无监督阶段分别应用孤立森林（Isolation Forest, IF）、一类支持向量机（OC-SVM）和局部离群因子（LOF）三种互补算法；随后基于F1分数加权共识构建集成伪标签，训练逻辑回归、线性SVM、RBF-SVM、决策树、随机森林和K近邻六种监督分类器进行模式编码。此外，采用主成分分析（PCA）进行可视化和降维，并利用随机森林Gini重要性评估特征贡献。
三、研究结果
3.1 数据特征与预处理结果
原始数据集包含四台燃料电池的循环数、环境温度、日期时间、容量、实测电压/电流/温度、负载电流/电压、运行时间及电池标识等变量。研究未进行重采样、插值或跨电池时间对齐，保留了各电池自身的运行循环进程。20%随机抽样在保持四台电池相对代表性的同时有效降低了OC-SVM和LOF的计算负担。衍生变量计算涵盖实测功率、负载功率、功率差、平均功率、温差、电池电阻、负载电阻及电压效率。
3.2 无监督机器学习的异常检测结果
三种无监督算法在氢燃料电池容量退化数据中表现出不同的检测模式：IF对急剧下降敏感，LOF对局部偏差敏感，OC-SVM对偏离学习到的“正常”分布敏感。相对F1分数（基于两两共识）分别为IF 0.7077、OC-SVM 0.7580、LOF 0.3557，归一化权重分别为0.3885、0.4162和0.1953。加权分数大于0.5被定义为集成伪异常。严格三重交集共280个观测值，占单模型标记观测值的15.07%及完整样本的0.754%。三种算法的一致性在一定程度上增加了这些点为系统性偏差的可信度，但尚不足以确认为物理故障。
3.3 基于重要特征与循环数的异常检测图
容量退化图显示四台电池均呈现随时间退化的趋势，且异常高密度簇集中在启动和停机阶段，这可能反映了系统在运行周期开始和结束时的剧烈变化与潜在不稳定性。功率差图中，异常主要围绕0瓦功率差处被检测，表明实测功率与负载功率相等时的平衡状态可能隐藏问题；0至12,000循环区间内异常密度较高，且6至10瓦区间存在微弱的异常带，可能源于该状态数据稀疏或运行转换过程中的不稳定性。
3.4 重要特征直方图
容量直方图呈现双峰模式，异常在容量范围的两端及两个主要运行状态之间的低频区域更为集中。功率差直方图揭示约0、2和10至14瓦的三种主要运行状态，0瓦和2瓦运行点附近检测到大量异常。循环直方图确认异常在启动和停机阶段显著频繁，中间阶段相对稳定但仍有零星异常。
3.5 各燃料电池检测异常数
四台电池在异常频率和性质上存在显著差异：电池2和3更倾向于出现异常行为，电池1运行更为稳定，电池4因数据点较少（超过15,000个）故记录到较少的总体异常。重叠异常数量极少，表明仅少量偏差被三种算法一致标记为高置信度异常事件。
3.6 无监督异常的主成分分析可视化
PCA三维图显示数据投射为四个形状和方向一致的簇，其中一个簇几乎完全由异常点组成（LOF除外）。IF的PCA呈现清晰的分离效果，正常点与异常点在簇内几乎没有混合；OC-SVM表现中等；LOF显示显著的类间重叠。集成方法的PCA中，重叠异常图相对清晰地分离了正常与异常点，而F1加权图在大簇内呈现明显混合，表明严格三重共识相比加权方法具有更清晰的异常分离度。
3.7 监督学习模式编码与特征重要性
监督分类器在80/20训练/测试划分下表现出不同的伪标签再现能力。随机森林（RF）和决策树（DT）达到最高的测试准确率（99.365%和99.163%），RBF-SVM亦表现良好（93.654%）；逻辑回归准确率最低（85.907%），线性SVM和KNN分别为86.555%和97.517%。训练与测试之间的差异提示DT和RF存在一定过拟合，但不影响总体模式可学习性的结论。RF的Gini重要性分析识别出功率差、燃料电池容量、负载功率和负载电流为预测异常最重要的特征，表明功率生成与消耗之间的不平衡、电池电荷存储能力的退化以及运行需求是识别异常行为的核心指标。
3.8 监督主成分分析
监督PCA将F1加权异常投射到前三个主成分上，异常形成五个不同的子簇，其中两个子簇仅包含异常点，提示这些子簇可能对应不同的异常运行状态或模式。前三个主成分保留了92.5%的方差，前五个主成分保留99.4%，表明在保留绝大多数观测变异性的前提下可实现显著的降维。
四、讨论与结论
研究人员指出，不同假设的检测器标记了运行空间中不同的区域，这支持了集成方法的必要性。异常在观测循环范围的起始和结束阶段更为集中，但若无运行模式标签或诊断确认，这些集中性无法直接归因于特定故障状态。PCA子簇同样仅表明结构化的偏离模式，而非已确认的失效模式。将特定簇与膜退化、水淹、脱水、催化剂中毒、反应物饥饿或传感器故障关联，仍需电化学专业知识和额外测量。未来的实时工程应用可采用“传感数据采集—衍生变量计算—标准化—并行运行三类无监督模型—加权决策—RF可选验证—工程师人工审查”的流水线流程。需要强调的是，本研究的检测结果是对系统性偏差的识别，并未通过独立维护结果证明故障预防或寿命延长效果。
研究结论总结如下：本研究提出了一种半监督集成方法，用于发现和编码NASA PEMFC传感器数据中的系统性偏差。三种无监督模型识别出互补的模式；加权集成共标记1296个观测值；RF的Gini重要性分析确定功率差和容量为集成决策的主要预测因子。监督学习准确率证明了伪标签模式的可学习性，而非其作为独立验证故障的有效性。研究的五方面局限包括：缺乏独立确认的真值故障标签；监督阶段若解释为验证具有循环性，因而仅作为模式编码呈现；结果受限于特定的历史NASA PEMFC数据集及其采样、传感器和运行偏差；正常启停瞬态与传感器噪声无法与故障明确区分；数据中缺乏证明故障预防或寿命延长的维护结果。该工作流本身可通过特征调整、参数调优和迁移学习进行推广；未来工作应使用具有已知故障标签、专家标注、受控老化及失效后分析的数据集，并纳入运行模式分类、时间传播分析、校准置信度加权及多类型燃料电池跨设施的外部验证。
