发展氢燃料电池是实现低碳经济的重要途径,然而主流的质子交换膜燃料电池(PEMFC)的安全性、高成本和耐久性制约了其商业化发展,PEMFC的有效寿命预测可望提高其可靠性、可维护性及降低总使用成本,已成为燃料电池行业和学界共同关注的重要问题。PEMFC因其复杂的物理化学过程、环境条件和工况,以及数据存在噪音、高度非线性关系,为寿命预测带来巨大挑战。现有模型驱动的预测方法过于复杂而不实用,而数据驱动的统计分析方法、传统机器学习方法,受制于信息丢失风险和有限拟合能力,预测精度还有待提升。深度学习因其强大的非线性拟合能力和灵活的建模方式,成为该领域主流方法。然而常用的循环神经网络在长序列上的全局学习能力不足,而Transformer模型受制于有限样本量而易于过拟合。因此,本文结合长短期记忆神经网络(LSTM)、1维卷积神经网络(1D-CNN)等方法的特点和局限性,提出了一种新型的复合深度神经网络AACNN-LSTM(attention after CNN-LSTM)。该方法借助1D-CNN进行平滑和滤波,通过LSTM层进行多维向量间的时序关系学习,最后引入注意力机制(Attention)模块,从全局角度对不同时间步的多维向量进行自适应加权。模型最后以PEMFC的输出电压为预测结果,用于寿命评估。本文在某真实PEMFC的寿命测试数据集上,进行了不同寿命阶段数据划分、多种架构组合的消融实验、与不同类型算法比较等对比实验。结果表明,相比其他方法,精度得到了显著提升,并保持了较好的运算效率。同时,在IEEE PHM 2014燃料电池寿命预测挑战赛数据集上也验证了模型的普适性和优越性。此外,还对PEMFC寿命的多步时间序列预测进行了探索,在适中的预测步长(10小时)内能够取得可接受的精度,具备一定的工程实用价值。本文提出的CNN-LSTM组合,验证了CNN归纳偏差学习可与LSTM序列学习�
