연료전지 시스템의 장기 운전 중 신뢰성과 유지 보수 효율성을 향상시키기 위해, 본 연구에서는 미분 기반의 특징 향상과 전이 학습 전략을 결합한 양방향 장기 단기 메모리-게이트 순환 유닛(DI-Bi-LSTM-GRU) 예측 모델을 제안한다. 이 모델은 단일 채널 전압 시퀀스를 입력으로 사용하며, 변화율과 누적 열화 추세를 특성화하기 위해 미분 및 적분 특성을 통합한다. 전이 메커니즘은 이전 열화 지식을 사용하여 목표 도메인 매개변수를 초기화하고, 제한된 데이터로 초기 단계 열화 예측을 가능하게 한다. 여러 운영 조건 및 연료전지 유형에서 수행된 실험은 이 모델이 높은 예측 정확도와 강인성을 달성함을 보여준다. 이 모델은 전압 회복 및 갑작스러운 하락과 같은 일시적인 동작을 효과적으로 포착하고 대응한다. 특히, 동적 사이클-9.4A 데이터셋에서는 Bi-LSTM-GRU에 비해 평균 제곱근 오차가 55.49% 감소하였다. 안정적인 데이터셋에서는 150시간의 훈련 데이터만으로 RMSE가 0.00295를 달성하여 비전이 모델에 비해 85% 향상된 결과를 보였다. 또한, 현재의 주류 방법들과 비교했을 때, 제안된 프레임워크는 상당한 우수성을 보여준다. 이러한 결과는 본 방법의 실시간 배포와 연료전지 조기 건강 모니터링에 대한 잠재력을 입증한다.
Yin et al. (수요일,)은 이 문제를 연구하였다.