基于LSTM与贝叶斯RT-CPD的氢能固体氧化物燃料电池（SOFCs）温度异常与变点预测及运行安全提升

《Process Safety and Environmental Protection》：Enhancing Operational Safety in Hydrogen Solid Oxide Fuel Cells: An LSTM-Based Model for Predicting Temperature Anomalies and Change Points

　　

过程安全对于扩大氢经济至关重要，特别是考虑到以运输为重点的燃料电池应用所带来的挑战。固体氧化物燃料电池（SOFCs）中的热异常，例如局部热点或快速温度偏移，会严重损害电化学性能，加速材料退化（例如电解质、电极或密封材料开裂），并可能导致热失控或灾难性失效。在基于氢的发电系统中，SOFCs对高效、清洁能源转化起着关键作用，早期识别这些热应力前兆对于提高可靠性、延长运行寿命和确保安全至关重要。本文介绍了一种先进的数据驱动框架，将用于预测建模的长短期记忆（LSTM）神经网络与用于异常检测的贝叶斯实时变点检测（RT-CPD）相结合。该LSTM模型旨在捕捉多变量时间序列数据中的时间依赖性，并在来自实验室规模纽扣电池（4.52 cm²几何活性面积）的高分辨率实验温度曲线上训练。电池电位被同时记录并用作诊断变量，以支持对检测到的异常进行物理解释，但不作为模型输入。训练数据集涵盖标称运行条件和故障诱发场景，包括密封剂损坏（导致气体泄漏）和氢气交叉（模拟早期泄漏）。模型生成残差预测，即预测温度与观测温度之差，随后输入RT-CPD算法。结果表明，在七次独立运行中，LSTM在未见过的标称运行数据上取得平均RMSE为0.041 °C、平均MAPE为0.004%。当与RT-CPD耦合时，该框架在相同实验数据集上实现了99.1%的真阳性检测率和0.3%的误报率，优于Fixed-Threshold和CUSUM基线方法。与依赖固定阈值的传统监测策略相比，所提出的混合方法能够实现主动干预，例如电负载调整或停机，从而支持预测性维护并减少停机时间。该框架为SOFCs的实时健康监测和主动干预（例如电负载调整或停机）提供可扩展、可泛化的解决方案，并易于扩展到其他高温电化学系统，如固体氧化物电解槽，为商业氢经济中的稳健部署铺平道路。

论文主体解读

研究背景与问题：氢被视为去化石燃料趋势中的下一代能源载体，但其易泄漏、可燃范围、低最小点火能和高燃烧速度给运输、利用和储存全链条带来安全挑战。主动风险管理策略，如先进泄漏检测、优化通风和详细安全协议，对氢技术安全部署至关重要。扩大氢应用需通过稳健韧性框架和基于风险的检查策略确保基础设施完整性与安全，并可利用先进机器学习（ML）工具。氢燃料电池将氢转化为电，水为唯一副产物。聚合物电解质燃料电池（PEMFCs）商业化成熟但需高纯氢；SOFCs在500-1000 °C高温运行，对燃料杂质更耐受，通常由陶瓷电解质（如氧化钇稳定氧化锆，YSZ；钆掺杂二氧化铈，GDC）和Ni-YSZ阳极、混合离子电子导体（MIECs）阴极（如镧锶锰矿，LSM；镧锶钴铁氧体，LSCF）构成。高温运行可实现很高效率和燃料灵活性，但热稳定性是挑战，温度梯度和热点严重影响性能、安全和耐久性。热应力可在微观尺度促进阳离子扩散导致化学退化，并在电池和电堆尺度造成结构损伤。运输应用中氢泄漏安全需要先进集成安全管理系统。方法上仍缺乏将依赖材料能量平衡、物理原理和现象行为的机理模型与数据模型整合；需要主动模型和可解释人工智能（XAI）范式下建立观测输入输出因果关系。已有研究关注SOFC温度控制、热应力、计算流体动力学（CFD）和三维数值模型，但热异常早期检测对安全至关重要。电池应用中已有热失控预测研究，但本研究关注弱信号和前兆，从过程操作和控制室数据中提取价值。研究人员在前期研究基础上提出LSTM网络监测温度并检测热应力异常，进一步引入LSTM预测建模与贝叶斯RT-CPD结合的先进数据驱动框架，概率识别残差分布中的统计显著变点，实时标记从正常到异常状态的转变。创新在于整合LSTM温度预测器与贝叶斯RT-CPD应用于预测残差，而非直接从原始温度或固定阈值检测异常，从而学习SOFC标称时间行为并识别残差分布统计显著变化，提供敏感早期预警。

研究人员开展研究，测试与结论意义：研究人员使用常规阳极支撑纽扣电池，直径24 mm，电极活性面积4.52 cm²，总厚度约330 μm；阳极为NiO-YSZ（240 μm阳极基底、30 μm功能层），电解质为8YSZ（8 μm），阴极为LSCF-GDC10（50 μm），层通过流延和丝网印刷沉积。以1.5 °C/min升温减少启动热应力；800 °C下还原阳极2 h使NiO转化为金属Ni；冷却至750 °C，开路电压（OCV）稳定2 h。H₂由商业PEM电解槽（Clained Hygen 400）生产，N₂和O₂购自Alphagaz?。氢侧用Thermiculite? 866环密封。先采集未损坏密封剂下电位和温度，再破坏密封环模拟气体泄漏和氢气交叉。测量电池电位、温度（K型1级热电偶，距阴极≤5 mm）、归一化电位和温度。AUTOLAB PGSTAT302N控制电位，Keithley 2700检查温度，采样1 s。参考流量为阳极50 ml/min、阴极11.2 ml/min空气。测试改变阳极流量和组成。研究结论为：正常操作LSTM平均RMSE 0.041 °C、MAPE 0.004%；与RT-CPD耦合实现高真阳性检测和低误报，优于Fixed-Threshold和CUSUM；可主动干预，支持预测性维护，减少停机，并可扩展到其他高温电化学系统。意义在于为SOFC实时健康监测和商业氢经济稳健部署提供可扩展通用方案。

主要关键技术方法：研究数据来自实验室规模阳极支撑SOFC纽扣电池（4.52 cm²活性面积）实验队列，涵盖标称与故障（密封剂损坏、氢气交叉）温度及电位序列。关键技术包括：单变量LSTM一步温度预测，两个堆叠LSTM层各50单元，dropout 0.2，Adam优化器和均方误差（MSE）损失，输入前10个归一化温度，输出下一温度；正常数据训练模型生成残差；贝叶斯实时变点检测（RT-CPD）采用贝叶斯在线变点检测（BOCPD），常数风险、Normal-Inverse-Gamma共轭先验和Student-t预测密度，递推运行长度后验，以P(r_t=0|x_1:t)>0.95宣告变点；与Fixed-Threshold（μ±2σ）和标准CUSUM（k=0.5σ，h=5σ）基线比较。

研究结果：在按时间顺序且无泄漏的划分下，LSTM在标称SOFC操作中训练损失0.0010–0.0017（MSE），测试损失0.0009–0.0010，平均测试RMSE=0.041 °C，MAPE=0.004%，七次独立运行范围0.040–0.043 °C，表明对未见正常测试数据有良好泛化且稳态残差最小。在故障诱发数据集（密封剂损坏伴氢气交叉）上，模型损失更高且变化更大：训练损失0.0014–0.0266，测试损失0.0006–0.0044，平均测试RMSE=0.066 °C，MAPE=0.008%，七次运行范围0.031–0.100 °C，反映退化期间温度动态随机性和非平稳性增加，以及单独训练、有效样本更小的故障模型对权重初始化变化更敏感。训练和验证损失曲线确认两种工况稳定收敛且无过拟合，验证损失紧随训练损失。这种受控性能差异构成异常检测基础：正常操作训练模型应用于新数据时，异常条件下残差系统性超过阈值，为RT-CPD提供统计显著前兆。正常条件下模型以高保真捕捉稳态热动态，RMSE低于2 °C，预测与测量在延长测试序列中近乎对齐；异常条件下残差系统性超过±3 °C，表明模型对扰动热曲线敏感同时保持趋势方向准确性。指标显示正常工况train MSE=0.0011、test MSE=0.0009、RMSE=0.041 °C、MAPE=0.004%；异常工况train MSE=0.0112、test MSE=0.0008、RMSE=0.037 °C、MAPE=0.004%。训练后的正常操作LSTM部署于流式温度数据，以10样本回看窗口进行实时一步预测；残差定义为T_actual,t?T_predicted,t，连续计算并输入RT-CPD，概率识别残差均值和方差的统计显著偏移。正常操作初始段残差紧密围绕零，无假警；转向异常动态时RT-CPD标记变点，后验概率超过0.95，相对固定±3σ残差比较器具有5–12分钟提前时间，不同于原始信号±2σ Fixed-Threshold基线。该早期检测源于贝叶斯算法对残差分布的非参数建模，通过量化不确定性和避免瞬态波动过早报警优于静态阈值。混合框架在验证中假阳性率<1%，可区分热应力前兆与良性变化；氢泄漏场景中异常触发负载降低、气流调整或安全停机。与传统阈值监测相比，检测延迟降低60–75%。表2比较显示：Fixed-Threshold真阳性87.5%、误报15.2%、延迟92 s、鲁棒性差；CUSUM真阳性98.2%、误报16.4%、延迟46 s、鲁棒性低；混合LSTM-RT-CPD温度预测0.041 °C/0.004%，真阳性99.1%、误报0.3%、最小提前时间41 s、鲁棒性高。文中也报告混合框架真阳性98.8%、检测提前5–12 min，固定阈值延迟超过25 min，CUSUM误报14.2%，混合误报低于1.5%。

讨论部分总结：
4.1 损伤后残差偏移的物理起源：密封失效后LSTM残差系统增长主要归因于电池热平衡改变，而非传感器漂移或炉控变化。密封完整时阴阳极气流分开，热行为主要受炉温支配；密封开裂后，阳极侧H₂可与氧化剂流直接混合，在阴极附近发生直接催化/均相氧化，释放标称操作中不存在热量。LSTM未学习该额外热源，导致一步预测系统性低估观测温度，产生正残差漂移，被RT-CPD作为变点信号。
4.2 候选机制归因：可能机制包括泄漏点直接氢氧燃烧、局部气体组成和反应物活度变化、热传递改变、炉控对感知负荷变化响应。电池电位同时下降反对纯热或炉控解释，因为密封损坏改变局部氢可用性和电极处气体组成，影响电位。温度残差上升与电位下降联合特征更符合直接非电化学氢氧化。炉设定点保持恒定，可排除炉控响应。
4.3 电压和气体组成数据的佐证作用：虽然电位和流量/组成点不作为LSTM输入，它们提供独立非热证据。电位不稳定性增加与较高H₂分数、较高流量点一致，表明密封损坏影响热响应和电化学环境。OCV条件下电位变化与局部气体组成和反应物分压变化一致，因阴阳极腔有效分离丧失。独立电化学测量与热残差跨通道一致增强物理解释。
4.4 混合方法优于简单基线的原因：性能差距源于操作对象不同。Fixed-Threshold和CUSUM作用于原始或轻过滤温度信号，仍含流量/组成变化引起的负载驱动变化；该变化掩盖小故障偏移并引发误报。LSTM学习并去除温度轨迹中负载驱动可预测成分，RT-CPD作用于接近平稳残差序列，真实故障产生较大、更可识别均值/方差偏移，解释更低误报和更短延迟。
4.5 失效模式和漏检：98.8%总体真阳性率意味着少部分故障漏检或延迟超出5–12 min。最难检测的是低流量、低H₂分数点（如C、E），热签名弱接近标称残差噪声；误报更可能聚集在流量阶跃变化点A、B、D、H，合法瞬态可能被误认为退化起始。缓解措施包括多变量输入、自适应或学习阈值、集成架构。
4.6 传感器漂移、缺失数据、负载变化和分布外条件鲁棒性：当前验证基于单个实验室纽扣电池和单个K型热电偶，未直接测试三种现场部署条件。逐渐热电偶漂移未评估，可能误认为或掩盖真实变点；周期校准或冗余传感可缓解。缺失或丢失样本未模拟；LSTM回看窗口需10个连续读数，缺口需插补或重设窗口，实际数据丢失率下检测性能未表征。范围外负载条件和燃料组成（如氨共混、更大电流密度或多电池堆热耦合）构成分布外输入，LSTM预测及RT-CPD残差基线未验证，部署到不同电池几何或燃料前可能需重训练或域适应。
4.7 安全关键设置中假阴性管理：98.8%真阳性率意味着仍有故障不会标记或晚于报告提前时间。RT-CPD作为纵深防御安全架构的一层而非唯一保护机制；独立硬编码安全联锁（如绝对温度或压力跳闸）和周期手动或计划检查应保留，避免漏检直接导致未缓解危险。
4.8 单传感器空间覆盖局限：所有温度测量来自靠近阴极的一个K型热电偶。足以证明传感器附近局部热事件产生可检测残差，但不能证明空间定位或热点映射。若热异常发生在远离传感器处，可能未检测或仅当传导使扰动接近传感器影响读数时才检测。扩展需分布式传感器阵列或成像模态（如红外热像）结合时空或多变量模型，列为未来研究关键步骤。

研究结论部分翻译：本研究介绍了一种数据驱动框架，用于SOFCs热异常检测，SOFCs是下一代氢发电系统的关键组件，该框架利用LSTM神经网络与贝叶斯RT-CPD相结合。通过连续监测高分辨率温度曲线并识别热应力前兆，该混合方法能够实现主动操作员警报，显著提高燃料电池电堆的安全性和运行寿命，同时减少非计划停机和灾难性失效风险。LSTM网络与RT-CPD的集成创建了强大的双层监测架构，兼顾预测预报和突发状态检测。LSTM网络擅长捕捉SOFC热行为固有的长期时间依赖和非线性动态，其中温度演化反映电化学反应、气流、材料性质和逐渐退化过程之间复杂相互作用。在涵盖标称稳态操作和故障场景（密封剂损坏、氢气交叉泄漏）的综合实验数据集上训练后，LSTM实现良好一步预测精度，正常条件下最终MSE为0.0024（训练）和0.0025（验证）。RT-CPD算法基于实时预测残差运行，采用贝叶斯推断检测残差分布统计显著偏移。该非参数方法量化变点时间和幅度不确定性，以5–12分钟提前时间标记正常到异常状态转变，对热失控或结构损伤前抢先干预至关重要。与瞬态操作中高假阳性率和缓慢演变故障下延迟检测的传统阈值监测不同，该框架提供：Early Warning Capability（早期预警能力）：RT-CPD在残差超过固定±3σ边界之前识别细微统计偏移，检测延迟降低60–75%。Robust Generalization（鲁棒泛化）：LSTM序列到序列建模捕捉稳态热惯性和故障诱发随机性，验证中保持<1%误报率。Computational Efficiency（计算效率）：边缘可部署推理（每次预测<50 ms）支持在工业控制器实时实现且不牺牲精度。LSTM在健康操作时预测平滑温度轨迹，在退化期间产生系统正残差，为RT-CPD创建清晰判别签名。在氢泄漏场景中，检测到的异常触发适当缓解措施，如燃料流节流、阳极空气吹扫或受控电堆冷却，防止电解质开裂、Ni氧化或密封失效。这种基于状态的维护（CBM）范式将运营从反应性维修转向预测性调度，可能延长电堆寿命，同时确保符合氢基础设施严格安全标准。预测与RT-CPD概率流叠加可视化展示无缝协同，变点精确对齐实验数据中已知故障注入。尽管模型具有预测精度和低延迟，本研究仍存在局限：框架主要依赖单变量温度时间序列数据，可能忽略电堆电压、电流密度和压差等其他关键变量的复杂交叉耦合动态。模型使用实验室规模纽扣电池实验数据训练和验证，在多电池堆或工业兆瓦级系统上的性能和可扩展性尚未验证。由于LSTM纯数据驱动，缺乏嵌入式物理或电化学约束，部署到不同电池几何或替代燃料组成时需大量数据集重训练。鉴于本研究展示的积极结果，框架可扩展性提供未来增强潜力：Multivariate Inputs（多变量输入）：纳入电堆电压、电流密度、压差和气体组成以建模耦合退化模式。Advanced Architectures（先进架构）：双向LSTM、时间卷积网络或带注意力机制的Transformer模型用于多尺度模式识别。Hyperparameter Optimization（超参数优化）：贝叶斯优化用于跨不同SOFC几何和燃料（氨、甲醇）自动架构搜索。Physics-Informed Extensions（物理信息扩展）：嵌入电化学阻抗谱（EIS）原理或计算流体动力学（CFD）约束的混合灰箱模型。Cross-Domain Transfer（跨域迁移）：域适应技术用于从微型热电联产（micro-CHP）单元到兆瓦级固定电站的商业电堆快速部署。随着氢经济向2030净零目标扩大，所述LSTM-RT-CPD框架在进一步验证后有望成为SOFC系统预测性维护、安全保证和性能优化的强大工具，从而促进其广泛安全部署和全球商业化。