车载动态工况下燃料电池健康指标提取与寿命估计方法研究

doi:10.19562/j.chinasae.qcgc.2026.03.018

汽车工程 ›› 2026, Vol. 48 ›› Issue (3): 690-699.doi: 10.19562/j.chinasae.qcgc.2026.03.018

• • 上一篇

车载动态工况下燃料电池健康指标提取与寿命估计方法研究

杨云亮¹,杜常清^1,²,李威岐³,朱文超¹(),吴航宇¹,谢长君⁴

^1.武汉理工大学汽车工程学院，武汉 430070
^2.国家能源氢能及氨氢融合新能源技术重点实验室，佛山仙湖实验室，佛山 528200
^3.潍柴动力股份有限公司，潍坊 261061
^4.武汉理工大学国家卓越工程师学院，武汉 430070

收稿日期:2025-05-14 修回日期:2025-06-26 出版日期:2026-03-25 发布日期:2026-03-19
通讯作者: 朱文超 E-mail:zhuwenchao@whut.edu.cn
基金资助:
国家自然科学基金智能电网联合基金重点支持项目（U24B20103）和先进能源科学与技术广东省实验室佛山分中心（佛山仙湖实验室）开放基金（XHRD2024-11233100-01）资助。

Health Indicator Extraction Strategy and Life Estimation of Fuel Cells Under Dynamic Operating Condition

Yunliang Yang¹,Changqing Du^1,²,Weiqi Li³,Wenchao Zhu¹(),Hangyu Wu¹,Changjun Xie⁴

^1.School of Automotive Engineering，Wuhan University of Technology，Wuhan 430070
^2.National Energy Key Laboratory for New Hydrogen-Ammonia Energy Technologies，Foshan Xianhu Laboratory，Foshan 528200
^3.Weichai Power Co. ，Ltd. ，Weifang 261061
^4.National Graduate College for Engineers，Wuhan University of Technology，Wuhan 430070

Received:2025-05-14 Revised:2025-06-26 Online:2026-03-25 Published:2026-03-19
Contact: Wenchao Zhu E-mail:zhuwenchao@whut.edu.cn

摘要/Abstract

摘要：

有效的健康指标（HI）和预测方法是评估质子交换膜燃料电池（PEMFC）剩余使用寿命（RUL）的关键，而在工况复杂的动态负载下直接获取HI是具有挑战性的。此外，传统的深度学习方法受限于一维数据结构的分析模式，难以准确预测PEMFC中包含多种变化模式的老化趋势。因此，本文提出了一种应对动态工况的预测框架，针对动态负载进行分级处理以得到具有老化趋势的伪动态数据，随后提出了一种经验模态分解、功率谱密度和能量分析相结合的方法（EPE），从分级负载中提取了反映动态工况老化趋势的HI。此外在预测方法上，采用了TimesNet网络将一维HI时间序列转换到二维空间并估计了RUL。结果表明，提取的HI可有效表征PEMFC的老化趋势。在RUL估计方面，TimesNet相比BiLSTM和CNN-BiLSTM的误差分别下降了61.8%和25%。

关键词: 质子交换膜燃料电池, 动态工况, 剩余使用寿命, 健康指标, 深度学习

Abstract:

Effective health indicators （HI） and predictive methods are crucial for assessing the remaining useful life （RUL） of proton exchange membrane fuel cell （PEMFC）. However， directly obtaining HIs under complex dynamic load conditions poses significant challenges. Traditional deep learning methods， constrained by their one-dimensional data analysis framework， struggle to accurately predict the aging trends of PEMFCs， which encompass various modes of degradation. To address this， our study proposes a novel prediction framework tailored for dynamic operating conditions. This framework involves a hierarchical processing of dynamic loads to generate pseudo-dynamic data that encapsulates aging trends. Subsequently， a method that combines empirical mode decomposition （EMD）， power spectral density （PSD）， and energy analysis （EA） is proposed to extract HIs that reflect aging trends under dynamic conditions. Furthermore， in terms of prediction methods， the TimesNet network is utilized to transform one-dimensional HI time series into two-dimensional space and estimate RUL. The results demonstrate that the extracted HIs effectively capture the aging trends of PEMFCs. In terms of RUL estimation， TimesNet reduces the prediction error by 61.8% compared to bidirectional long-short term memory （BiLSTM） and by 25% compared to bidirectional long short-term memory with convolutional neural network （CNN-BiLSTM）.

Key words: proton exchange membrane fuel cell, dynamic condition, remaining useful life, health indicator, deep learning

杨云亮,杜常清,李威岐,朱文超,吴航宇,谢长君. 车载动态工况下燃料电池健康指标提取与寿命估计方法研究[J]. 汽车工程, 2026, 48(3): 690-699.

Yunliang Yang,Changqing Du,Weiqi Li,Wenchao Zhu,Hangyu Wu,Changjun Xie. Health Indicator Extraction Strategy and Life Estimation of Fuel Cells Under Dynamic Operating Condition[J]. Automotive Engineering, 2026, 48(3): 690-699.

图/表 15

表1

表2

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

表3

表4

图11

参考文献 31

[1]	王亚雄，范依莹，欧凯，等. 融合交通信息的燃料电池汽车能量管理研究进展［J］. 汽车工程，2024，46（12）： 2314-2328，2338.
	WANG Y X， FAN Y Y， OU K， et al. Research progress on energy management of fuel cell vehicles integrating traffic information［J］. Automotive Engineering， 2024， 46（12）： 2314-2328， 2338.
[2]	WU H， WANG W， LI Y， et al. Hybrid physics-based and data-driven prognostic for PEM fuel cells considering voltage recovery［J］. IEEE Transactions on Energy Conversion， 2023： 1-11.
[3]	汪建锋，王荣杰，林安辉，等.质子交换膜燃料电池退化预测方法［J］.电工技术学报，2024，39（11）：3367-3378.
	WANG J F， WANG R J， LIN A H， et al. Degradation prediction method for proton exchange membrane fuel cells［J］. Transactions of China Electrotechnical Society， 2024， 39（11）： 3367-3378.
[4]	PAN R， YANG D， WANG Y， et al. Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach［J］. International Journal of Hydrogen Energy， 2020， 45（55）： 30994-31008.
[5]	OU M， ZHANG R， SHAO Z， et al. A novel approach based on semi-empirical model for degradation prediction of fuel cells［J］. Journal of Power Sources， 2021， 488： 229435.
[6]	ZHU W， GUO B， LI Y， et al. Uncertainty quantification of proton-exchange-membrane fuel cells degradation prediction based on Bayesian-Gated Recurrent Unit［J］. eTransportation， 2023， 16： 100230.
[7]	吴航宇，王玮，朱文超，等.基于ARIMA-BiGRU双数据驱动的燃料电池性能退化预测方法［J/OL］.中国电机工程学报，1-10［2025-02-11］.
	WU H Y， WANG W， ZHU W C， et al. A fuel cell performance degradation prediction method based on ARIMA-BiGRU dual data-driven approach［J/OL］. Proceedings of the CSEE， 1-10［2025-02-11］.
[8]	李浩，李浩，杨扬，等.基于改进鲸鱼算法优化GRU的PEMFC老化预测［J/OL］.中国电机工程学报，1-14［2024-05-29］.
	LI H， LI H， YANG Y， et al. PEMFC aging prediction based on improved whale optimization algorithm optimized GRU［J/OL］. Proceedings of the CSEE， 1-14［2024-05-29］.
[9]	MA R， LI Z， BREAZ E， et al. Data-fusion prognostics of proton exchange membrane fuel cell degradation［J］. IEEE Transactions on Industry Applications， 2019， 55（4）： 4321-4331.
[10]	毕贵红，谢旭，蔡子龙，等. 动态条件下基于深度学习的锂电池容量估计［J］. 汽车工程，2022，44（6）： 868-877，885.
	BI G H， XIE X， CAI Z L， et al. Lithium battery capacity estimation based on deep learning under dynamic conditions［J］. Automotive Engineering， 2022， 44（6）： 868-877， 885.
[11]	GU X， HOU Z， CAI J. Data-based flooding fault diagnosis of proton exchange membrane fuel cell systems using LSTM networks［J］. Energy and AI， 2021， 4： 100056.
[12]	LI C， LIN W， WU H， et al. Performance degradation decomposition-ensemble prediction of PEMFC using CEEMDAN and dual data-driven model［J］. RENEWABLE ENERGY， Oxford： Pergamon-Elsevier Science Ltd， 2023， 215： 118913.
[13]	WILBERFORCE T， ALASWAD A， GARCIA-PEREZ A， et al. Remaining useful life prediction for proton exchange membrane fuel cells using combined convolutional neural network and recurrent neural network［J］. International Journal of Hydrogen Energy， 2023， 48（1）： 291-303.
[14]	XIE G， SHANGGUAN A， FEI R， et al. Motion trajectory prediction based on a CNN-LSTM sequential model［J］. Science China Information Sciences， 2020， 63（11）： 212207.
[15]	杨志刚，李俣静，夏超，等. 基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构［J］. 汽车工程，2024，46（7）： 1302-1313.
	YANG Z G， LI M J， XIA C， et al. High-time-resolution velocity field reconstruction of automotive turbulent wake based on LSTM-POD［J］. Automotive Engineering， 2024， 46（7）： 1302-1313.
[16]	LIU H， CHEN J， HISSEL D， et al. A multi-scale hybrid degradation index for proton exchange membrane fuel cells［J］. Journal of Power Sources， 2019， 437： 226916.
[17]	兰凤崇，陈继开，陈吉清，等. 实车数据驱动的锂电池剩余使用寿命预测方法研究［J］. 汽车工程，2023，45（2）： 175-182.
	LAN F C， CHEN J K， CHEN J Q， et al. Research on lithium battery remaining useful life prediction method driven by real vehicle data［J］. Automotive Engineering， 2023， 45（2）： 175-182.
[18]	LI S， LUAN W， WANG C， et al. Degradation prediction of proton exchange membrane fuel cell based on Bi-LSTM-GRU and ESN fusion prognostic framework［J］. International Journal of Hydrogen Energy， 2022， 47（78）： 33466-33478.
[19]	PENG W， WEI Z， HUANG C G， et al. A hybrid health prognostics method for proton exchange membrane fuel cells with internal health recovery［J］. IEEE Transactions on Transportation Electrification， 2023，9（3）：4406-4417.
[20]	WANG C， DOU M， LI Z， et al. A fusion prognostics strategy for fuel cells operating under dynamic conditions［J］. eTransportation， 2022， 12： 100166.
[21]	XIE R， LI C， MA R， et al. An explainable data-driven framework for fuel cell aging prediction under dynamic condition［J］. IEEE Transactions on Industrial Electronics， 2023， 70（6）： 5960-5970.
[22]	ZUO J， LV H， ZHOU D， et al. Deep learning based prognostic framework towards proton exchange membrane fuel cell for automotive application［J］. Applied Energy， 2021， 281： 115937.
[23]	BENCHIKHA K， KANDIDAYENI M， AMAMOU A， et al. Fuel cell ageing prediction and remaining useful life forecasting［C］. 2022 IEEE Vehicle Power and Propulsion Conference （VPPC）. Merced， CA， USA： IEEE， 2022： 1-6.
[24]	WANG C， DOU M， LI Z， et al. Data-driven prognostics based on time-frequency analysis and symbolic recurrent neural network for fuel cells under dynamic load［J］. Reliability Engineering & System Safety， 2023， 233： 109123.
[25]	JOUIN M， GOURIVEAU R， HISSEL D， et al. Degradations analysis and aging modeling for health assessment and prognostics of PEMFC［J］. Reliability Engineering & System Safety， 2016，148：78-95.
[26]	LIU J， LI Q， CHEN W， et al. Remaining useful life prediction of PEMFC based on long short-term memory recurrent neural networks［J］. International Journal of Hydrogen Energy， 2019，44：5470-5480.
[27]	ZUO B， CHENG J， ZHANG Z. Degradation prediction model for proton exchange membrane fuel cells based on long shortterm memory neural network and Savitzky-Golay filter［J］. Int J Hydrogen Energy， 2021，46（29）：15928-15937.
[28]	LIU H， CHEN J， HOU M， et al. Data-based short-term prognostics for proton exchange membrane fuel cells［J］. Int J Hydrogen Energy， 2017，42（32）：20791-20808.
[29]	CHEN K， LAGHROUCHE S， DJERDIR A. Prognosis of fuel cell degradation under different applications using wavelet analysis and nonlinear autoregressive exogenous neural network［J］. Renew Energy， 2021，179：802-814.
[30]	WU H， HU T， LIU Y， et al. TimesNet： temporal 2D-variation modeling for general time series analysis［J］. ICLR， 2023.
[31]	HUA Z， ZHENG Z， PAHON E， et al. A review on lifetime prediction of proton exchange membrane fuel cells system［J］. Journal of Power Sources， 2022， 529： 231256.

负载/%	持续时间/s
0	81
5	409
12.5	52
26.7	140
29.2	100
41.7	162
58.3	143
83.3	50
100	44

参数	数值
活化面积/cm²	25
温度/℃	85
相对湿度/%	50
空气相对湿度/%	80
氢气入口压力/kPa	110
进气压力/kPa	110
满载电流/A	35.6

训练比例	模型	MAE/V	RMSE/V	MAPE/V
0.2	BiLSTM	0.005 731	0.006 641	0.839 128
	CNN-BiLSTM	0.005 413	0.006 425	0.793 559
	TimesNet	0.003 030	0.003 547	0.439 237
0.3	BiLSTM	0.003 542	0.004 444	0.516 880
	CNN-BiLSTM	0.003 651	0.004 396	0.536 043
	TimesNet	0.002 397	0.003 133	0.350 971
0.4	BiLSTM	0.007 196	0.007 997	1.057 978
	CNN-BiLSTM	0.004 350	0.005 136	0.641 130
	TimesNet	0.001 909	0.002 246	0.279 055
0.5	BiLSTM	0.004 745	0.005 596	0.699 637
	CNN-BiLSTM	0.003 192	0.003 930	0.466 968
	TimesNet	0.000 890	0.001 126	0.130 666
0.6	BiLSTM	0.003 666	0.004 511	0.539 319
	CNN-BiLSTM	0.003 230	0.003 954	0.474 079
	TimesNet	0.001 124	0.002 098	0.165 352
0.7	BiLSTM	0.003 226	0.004 075	0.467 468
	CNN-BiLSTM	0.002 852	0.003 602	0.417 051
	TimesNet	0.001 796	0.001 954	0.261 153

误差指标	训练比例	BiLSTM	CNN-BiLSTM	TimesNet
RE/%	0.2	0.725 596	0.643 584	0.573 243
	0.3	0.637 773	0.534 273	0.447 394
	0.4	1.969 613	1.207 468	0.830 574
	0.5	2.677 916	1.362 083	1.022 115

车载动态工况下燃料电池健康指标提取与寿命估计方法研究

Health Indicator Extraction Strategy and Life Estimation of Fuel Cells Under Dynamic Operating Condition

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 31

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	孙秦豫,周航,付锐,王畅,黄涛,杨骏锋,王芸豪. 基于驾驶人认知决策空间的换道意图预测[J]. 汽车工程, 2025, 47(8): 1468-1478.
[2]	陆继轩,郑伟波,李翔,王倩倩,李冰,明平文. 质子交换膜燃料电池氢气渗透研究进展及抑制措施概述[J]. 汽车工程, 2025, 47(7): 1238-1257.
[3]	李楠,白雪宜,杨抖,李贵敬,马诗会. PEMFC金属泡沫流场全形态三维性能模拟及结构优化[J]. 汽车工程, 2025, 47(7): 1277-1284.
[4]	常文,邵赓华,郭凤刚,张敬贵,吴永豪,赵宏建,刘尹,张健,姚东升. 实际道路工况下燃料电池寿命性能衰减研究[J]. 汽车工程, 2025, 47(7): 1296-1304.
[5]	高凯,刘欣宇,胡林,黄向明,邹铁方,刘鹏. 基于稀疏注意力的时空交互车辆轨迹预测[J]. 汽车工程, 2025, 47(5): 809-819.
[6]	刘宸宇,王海,蔡英凤,陈龙. 面向自动驾驶道路场景的相机与毫米波融合的多目标检测算法[J]. 汽车工程, 2025, 47(5): 829-838.
[7]	秦启瑞,王海,蔡英凤,陈龙,李祎承. 基于实例激活图的自动驾驶实时实例分割算法[J]. 汽车工程, 2025, 47(4): 614-624.
[8]	张曦,杨颖,陈超君,王春风,杨磊. 增强双流Transformer的柴油发动机剩余寿命预测模型[J]. 汽车工程, 2025, 47(2): 292-300.
[9]	李飞宇,焦道宽,郝冬,侯永平. 运行工况对双极板腐蚀加速因子的量化研究[J]. 汽车工程, 2025, 47(12): 2346-2357.
[10]	赵路甜,王佳,王易,方海峰. 高耐久性低铂氧还原催化剂的设计与开发[J]. 汽车工程, 2025, 47(12): 2366-2377.
[11]	乔鹏宇,吴思远,包志铭,焦道宽,刘学良,朱凯歌,杜浩然,罗炜睿,杜青,焦魁. 多工况下质子交换膜燃料电池物理场分布均匀性与运行状态研究[J]. 汽车工程, 2025, 47(11): 2126-2140.
[12]	曾升,岳美玲,李昕彤. 基于扩展状态观测的燃料电池空气供应系统容错控制研究[J]. 汽车工程, 2025, 47(11): 2159-2167.
[13]	刘好年,蔡鑫,Harenbrock Michael,林瑞. 单原子催化剂赋能下一代燃料电池：从计算筛选到实际应用[J]. 汽车工程, 2025, 47(11): 2178-2186.
[14]	韩悦,蔡英凤,陈龙,孙晓强,王海,刘泽,饶中钰. 基于动态注意目标导向的车辆轨迹预测方法[J]. 汽车工程, 2025, 47(10): 1861-1871.
[15]	蔺昱鹏,马利,兰婷婷,付锐. 基于BiLSTM-Transformer的人车多维参数融合的晕动症评估模型研究[J]. 汽车工程, 2025, 47(10): 1885-1894.