质子交换膜燃料电池（PEMFC）的退化预测与剩余使用寿命（RUL）估计方法综述

《International Journal of Hydrogen Energy》：Degradation prediction and Remaining Useful Life (RUL) estimation methods for Proton Exchange Membrane Fuel Cells (PEMFC): A review

　　

• 本文概述了PEMFC（质子交换膜燃料电池）的退化机制和RUL（剩余使用寿命）预测方法。
• 本文对基于物理的模型、数据驱动的模型以及混合预测模型进行了比较。
• 结合机器学习与数据驱动方法的混合方法在PEMFC退化预测方面前景广阔。
• 讨论了PEMFC退化研究方法从基于物理的模型向混合机器学习框架的发展趋势。
• 在综述基础上，提出粒子群优化算法优化的长短期记忆网络（LSTM）是一种具有前景的方法。

引言

本文综述了质子交换膜燃料电池（PEMFC）退化诊断和剩余使用寿命（RUL）预测的最新进展，特别关注传统方法和基于机器学习的方法在预测精度和性能方面的比较。随着全球能源领域加速迈向碳中和，质子交换膜燃料电池（PEMFC）已成为重卡交通脱碳和固定式发电的核心技术之一。其高功率密度、快速加注能力以及零排放运行特性使其特别适用于多种商业应用场景。虽然初期部署主要集中于城市公交车[1]和重型卡车[2]，但近期研究已将应用扩展至轨道交通车辆[3]、越野重型设备[4]和邮政配送车队[5]。在公共交通领域，燃料电池公交车（FCB）是重型氢能交通最具商业可行性的应用之一。然而，实际车队部署使燃料电池电堆暴露于复杂的动态运行条件中，包括频繁的启停循环、快速功率瞬态变化以及受乘员依赖的空调系统等可变寄生负载。智能能源管理领域的最新进展，如面向FCB的乘员感知强化学习控制策略，凸显了运行效率与退化抑制之间的深度关联。因此，开发能够在这些随机的、真实世界动态工况下运行的可靠预测与健康管理（PHM）模型，是防止电堆过早失效并降低总拥有成本（TCO）的紧迫工业需求。

精确退化预测的经济必要性不容低估。燃料电池电堆仍是动力总成中最昂贵的部件，约占系统总成本的40%-50%。因此，延长电堆服务寿命以满足美国能源部（DOE）针对重型应用提出的25,000小时最终目标是至关重要的[6]。缺乏精确的剩余使用寿命（RUL）预测，运营商被迫采用保守的使用策略，导致资产利用不足，或面临现场突发性灾难性故障的风险。此外，定义"寿命终点"（EoL）本身仍是一个挑战；Jouin等人[7]强调需要超越简单电压阈值的标准化EoL指标，以确保准确的预测。同样，从整个生命周期来看，Férriz等人[8]指出，预测技术还必须为回收策略提供信息，以回收铂等珍贵材料，为氢产品创造循环经济。

此外，退化预测是实现高级"健康感知"控制策略的前提。与被动监控不同，现代PHM系统正向规定性维护[9]发展。在这种范式中，系统不仅预测故障，还建议缓解措施。例如，如果预测模型检测到因膜干燥导致的加速老化趋势，系统可以自主调整湿度、温度或混合配置中的负载分配等运行参数，以减缓老化过程。这种能力对于城市公交车等动态应用尤为关键，因为随机负载循环会引起快速的电压退化[1]。因此，研究重点已从简单的电压预测转向开发复杂的、可解释的且面向控制的预测模型。

实验室退化模型与现场运行随机现实之间仍存在关键差距。虽然实验室测试通常采用固定循环（例如NEDC或WLTP），但实际涉及"非固定"动态条件。Li等人[10]表明，非固定工作条件会在电压退化中引入显著噪声和不可预测性，而传统静态模型无法捕捉这些变化。例如，邮政配送车辆经历频繁的启停和变化的怠速时间，诱导的退化模式与长途卡车截然不同[5]。此外，电气环境本身也存在风险——Jarry等人[11]发现，DC/DC变换器产生的高频电流纹波会加速催化剂退化，这一因素在标准预测框架中通常被忽略。应对这些真实世界复杂性需要模型不仅准确，还必须对噪声和不同时间尺度具有鲁棒性。

研究重点已从简单回归转向复杂的生成式和可解释AI模型。数据驱动预测面临的主要障碍之一是跑到底数据（run-to-failure data）的稀缺。Tamilarasan等人[12]最近通过采用生成对抗网络（GANs）合成逼真的退化数据，有效解决了困扰行业的样本量不足问题。与此同时，对可解释机器学习（IML）的需求也在增长。正如Yu等人[13,14]所展示的，整合注意力机制和SHAP值使运营商能够理解模型为何预测特定的RUL，从而从"黑箱"预测转向透明的决策支持。

图1展示了剩余使用寿命（RUL）估计和寿命终点（EoL）概率分布跟踪的一般示意图。在经典的数据驱动预测中，最小二乘支持向量机（LSSVM）等机器学习算法将历史电压退化测量值映射到预定义的失效阈值，以预测未来的性能轨迹。如示意图所示，模型从检查时间构建预测趋势，以确定在TEoL时刻预测的EoL分布的上界和下界。

尽管近期的一些综合性综述（如Deng等人[6]）已提供广泛的概述，总结了PEMFC的一般机制、预测方法和可用的开放数据集，但在将离线预测算法与实时车载控制相关联方面仍存在关键差距。本综述通过采用面向应用、以控制为中心的视角，并在四个关键维度上进行评估，明确建立了相对于Deng等人[6]的独特价值。

本综述论文旨在提供关于用于确定和预测PEMFC退化现象及RUL估计的现有、当前及潜在方法的全面综述。本文通过四个领域分析文献：（1）机制特异性分析，（2）高级数据驱动预测，（3）物理-数据混合方法，（4）可解释机器学习框架。

虽然已有多个综述分别独立地调查了PEMFC退化机制或一般机器学习（ML）技术，但在将物理老化现象与最先进的面向预测和控制的框架联系起来方面仍存在关键差距。大多数现有文献采用宽泛的二元分类（数据驱动 vs 基于物理模型）对预测方法进行归类，这无法捕捉混合和可解释AI日益增长的复杂性。为应对这一差距，本综述明确通过一个新的四领域分类框架定义了其创新性：

- **机制特异性分析**：评估局部物理和电化学失效模式（如ECSA损失、碳腐蚀、离子交换膜变薄），以定义物理真值指标。
- **高级数据驱动预测**：聚焦于能够处理非固定动态负载和小样本约束的时空架构（Bi-LSTM、Transformers、GANs）。
- **物理-数据混合方法**：考察物理信息损失约束和基于等效电路的健康指标（HI）提取，以确保物理一致性和抗噪声能力。
- **可解释机器学习（IML）框架**：研究可解释AI方法（SHAP、注意力机制），使预测从不透明的黑箱预测转向透明的决策支持。

通过在这四个领域中系统分类文献，本文提供了独特的见解，将实时退化预测与规定性维护联系起来，从而能够实现主动控制干预（如动态湿度调节和操作脉冲）以延长燃料电池电堆寿命。

为确保对文献进行系统化、代表性且无偏的综述，在Web of Science、Scopus、IEEE Xplore和Google Scholar等主要科学数据库上进行了结构化搜索。主要搜索聚焦于2018年至2026年间发表的同行评审期刊论文和高质量会议论文，捕捉从传统回归到物理信息引导和可解释AI范式的快速演变。2018年之前发表的关于物理机制的基础性论文被选择性保留，以建立基线真值。文章根据以下预设标准进行筛选：

纳入标准：（i）提出PEMFC明确退化诊断或RUL预测框架的同行评审研究；（ii）针对动态或真实世界运行条件（如车载驾驶循环、重型应用）的研究；（iii）纳入物理特征提取、数据驱动建模或混合范式的研究；以及（iv）经过实验数据集或高保真多物理场模拟验证的工作。

排除标准：（i）仅关注非PEMFC类型燃料电池（如SOFC、PAFC）的研究；（ii）纯材料合成或催化剂制备研究，缺乏诊断/预测模型；（iii）重复记录或无法获取全文的英文文章；以及（iv）未经同行评审的专利或预印本。

为阐明本工作相对于先前文献综述的独特贡献，本论文的主要创新总结如下：

1. 面向多尺度集成的结构化四领域分类法
2. 标准化和定量基准测试框架
3. 明确聚焦于规定性维护和主动寿命延长
4. 实用的边缘预测架构

**章节摘要**

**PEMFC退化基础**

理解底层的物理化学退化机制是开发准确预测模型的前提。根据所综述的文献，退化主要发生在催化剂层（CL）、质子交换膜（PEM）和气体扩散层（GDL）。该退化机制如图2所示。

**基于物理的建模与机理模型**

基于机理的模型是预测的基础层，依赖于第一性原理方程来模拟燃料电池内部的物理化学过程。这些模型对于理解实验上难以测量的真实现象至关重要。3D计算流体力学（CFD）已被证明对于捕捉0D或1D模型所遗漏的空间分辨退化特征是不可或缺的。例如，Haslinger & Lauer[28]和Gao等人[20]

**讨论与未来挑战**

评估最新PEMFC预测算法的一个根本挑战是已发表文献之间的巨大异质性。报告的预测精度源自完全不同的实验条件，使得直接数值比较具有误导性。

虽然预测连续电压退化是基础步骤，但正式的剩余使用寿命（RUL）估计需要明确定义运行边界。在综述的文献中，失效...

**基于文献综述的退化预测框架建议**

根据文献综述，长短期记忆网络（LSTM）在预测退化方面展现出令人信服的性能。然而，在动态运行条件下调谐深度学习超参数时，LSTM的应用面临重大挑战。虽然Transformer、时序卷积网络（TCNs）和物理-数据混合模型等先进数据驱动架构在离线基准评估中展现了最先进的预测精度，但它们...

**结论**

研究人员广泛研究了预测质子交换膜燃料电池（PEMFC）退化的各种方法。这些方法从物理层面的研究到基于机器学习的退化预测方法不等。物理层面的研究通常在实验室环境中进行，通过观察PEMFC组成材料的物理变化来实施，而数据驱动方法则依赖于可测量的传感器数据。快速且准确的...

**CRediT作者贡献声明**

Rendra Dwi Firmansyah：撰写——初稿、可视化、验证、方法论、调查、形式化分析、数据管理。Ocktaeck Lim：撰写——审阅与编辑、验证、监督、资金支持获取、概念化。

**利益冲突声明**

作者声明没有已知的竞争性财务利益或个人关系可能影响本文所报告的工作。

**致谢**

本研究由韩国大邱市教育 ministry（MOE）和大邱大邱市（Republic of Korea）资助的ANCHOR计划通过大邱ANCHOR中心提供资金支持（2026-ANCHOR-07-001）。本研究由韩国贸易、工业和能源部（MOTIR）的区域创新集群发展（R&D）项目资助[项目名称：交通电气化和能源生产/储存用电池/燃料电池融合产业的开放式创新项目（P0025406）]。本研究...

Rendra Dwi Firmansyah | Ocktaeck Lim