基于注意力神经网络的燃料电池寿命衰减预测

作     者：高明 刘超 唐加福 孙思晶 邹广宇 GAO Ming;LIU Chao;TANG Jia-fu;SUN Si-jing;ZOU Guang-yu

作者机构：东北财经大学管理科学与工程学院辽宁省大数据管理与优化决策重点实验室辽宁大连116025 东北大学计算机科学与技术博士后流动站辽宁沈阳110819 林德加氢站设备(大连)有限公司辽宁大连116100 辽宁达练律师事务所辽宁大连116001 大连理工大学电子信息与电器工程学部辽宁大连116024 

出 版 物：《中国管理科学》 (Chinese Journal of Management Science)

年 卷 期：2023年第31卷第3期

页      面：155-166页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(71831003,71772033,71771035) 东北财经大学科研平台研究能力提升专项(PT-Y202214) 辽宁省自然科学基金资助项目(2020-KF-11-11) 大连市科技人才创新支持计划(2022RG17) 

主　　题：寿命预测 注意力机制 时间序列预测 长短期记忆神经网络 

摘      要：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序列学习形成互补,以及Attention与CNN、LSTM的互补性和有效位置,印证了复合深度神经网络的必要性。提出的方法在PEMFC寿命预测领域具有重要的技术价值,可用于燃料电池加速老化试验、预测性维护、异常检测、安全保障等方面,对于类似的能源电池如锂电池等,也具有一定的借鉴意义。