Диагностика высокотемпературных PEM-топливных элементов на основе электрохимической импедансной спектроскопии: повышение и оценка робастности

Использование методов машинного обучения для диагностики высокотемпературных топливных элементов с протонообменной мембраной (PEM) на основе данных полезно и значимо для обеспечения долговечности системы. Тем не менее обеспечение робастности диагностики остается критически важной и сложной задачей при практическом применении. Для повышения робастности диагностики и более всесторонней оценки ее эффективности в работе предложена и исследована робастная диагностическая процедура на основе электрохимической импедансной спектроскопии (EIS), а также новый метод оценки робастности диагностики. Для повышения робастности диагностики: (1) сначала были проанализированы механизмы деградации, связанные с различными неисправностями высокотемпературного PEM-топливного элемента, с использованием распределения времен релаксации по данным EIS, чтобы определить эквивалентную электрическую схему (ECM), обладающую лучшей интерпретируемостью, простотой и точностью; (2) извлечение признаков выполнялось на основе идентифицированных параметров ECM, причем особое внимание уделялось различению длительной нормальной деградации и других неисправностей; (3) для получения более робастных признаков в новом пространстве вложения была применена сиамская сеть. Диагностика проводилась с использованием шести классических алгоритмов классификации — метода опорных векторов (SVM), метода k ближайших соседей (KNN), логистической регрессии (LR), дерева решений (DT), случайного леса (RF) и наивного байесовского классификатора — на наборе данных, включавшем в общей сложности 1935 измерений EIS. Для оценки робастности обученных моделей: (1) к признакам добавлялись ошибки различного уровня для оценки эффективности; (2) был определен коэффициент робастности (Roubust_C) для количественной и явной оценки робастности диагностики. Диагностические модели, использующие предложенный метод извлечения признаков, не только обеспечивали эффективность около 100%, но и демонстрировали более высокую робастность. Несмотря на сходные исходные показатели, KNN продемонстрировал превосходную робастность после отбора признаков и повторного вложения с использованием метода тройной потери, whi...