基于注意力神经网络的燃料电池寿命衰减预测

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...