Deep learning-based prognostics for fuel cells under variable load operating conditions - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2022

Deep learning-based prognostics for fuel cells under variable load operating conditions

Pronostics basés sur l'apprentissage profond pour les piles à combustible dans des conditions de fonctionnement à charge variable

Résumé

Proton Exchange Membrane Fuel Cell (PEMFC) systems are suitable for various transportation applications thanks to their compact structure, high power density, low start/running temperature, and zero carbon emissions. High cost and lack of durability of PEMFC are still the core factors limiting their large-scale commercialization. In transportation applications, the deterioration of PEMFCs is aggravated by variable load conditions, resulting in a decrease in their Remaining Useful Life (RUL). Prognostics and Health Management (PHM) is an effective tool to forecast potential system risks, manage system control/maintenance schedules, improve system safety and reliability, extend system life, and reduce operation/maintenance costs. Prognostics is an important foundation and key support for PHM, and its core tasks include health indicator extraction, degradation trend prediction, and RUL estimation. The long-term degradation characteristics of PEMFC are concealed in variable load conditions, which increases the difficulty of health indicator extraction, reduces the accuracy of degradation prediction, and inhibits the reliability of life estimation. In view of this, the thesis work starts from modeling the degradation behavior of PEMFC under variable load conditions and carries out research work on health indicator extraction, short/long-term degradation trend prediction, RUL estimation and reliability evaluation. The main research contents and contributions of the thesis are as follows: (1) real-time extraction of fuel cell health indicators under variable load conditions; (2) data-driven short/long-term fuel cell degradation trend prediction; and (3) RUL prediction under variable load conditions based on hybrid methods.
Les systèmes de pile à combustible à membrane échangeuse de protons (PEMFC) conviennent à diverses applications de transport grâce à leurs structure compacte, densité de puissance élevée, faible température de démarrage/fonctionnement et absence d'émissions de carbone. Le coût élevé et le manque de durabilité des PEMFC restent les principaux facteurs limitant leur commercialisation à grande échelle. Dans les applications de transport, la détérioration des PEMFC est aggravée par des conditions de charge variables, ce qui entraîne une diminution de leur durée de vie utile restante (RUL). La gestion des pronostics et de la santé (PHM) est un outil efficace pour prévoir les risques du système, gérer les calendriers de contrôle/maintenance du système, améliorer la sécurité et la fiabilité du système, prolonger la durée de vie du système et réduire les coûts d'exploitation/maintenance. Le pronostic est une base importante et un support clé pour le PHM, et ses tâches principales incluent l'extraction d'indicateurs de santé, la prédiction des tendances de dégradation et l'estimation de la RUL. Les caractéristiques de dégradation à long terme des PEMFC sont dissimulées dans des conditions de charge variables, ce qui augmente la difficulté d'extraction des indicateurs de santé, réduit la précision de la prédiction de la dégradation et inhibe la fiabilité de l'estimation de la durée de vie. Dans cette optique, le travail de thèse part de la modélisation du comportement de dégradation des PEMFC dans des conditions de charge variables et mène des travaux de recherche sur l'extraction d'indicateurs de santé, la prédiction des tendances de dégradation à court/long terme, l'estimation RUL et l'évaluation de la fiabilité. Les principaux contenus de recherche et contributions de la thèse sont les suivants : (1) extraction en temps réel des indicateurs de santé des piles à combustible dans des conditions de charge variables ; (2) prévision des tendances de la dégradation des piles à combustible à court/long terme basée sur les données ; et (3) prédiction RUL dans des conditions de charge variables basées sur des méthodes hybrides.
Fichier principal
Vignette du fichier
HAL_Chu WANG_La thèse.pdf (6.91 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY NC ND - Paternité - Pas d'utilisation commerciale - Pas de modification

Dates et versions

tel-03939585 , version 1 (15-01-2023)
tel-03939585 , version 2 (03-10-2023)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : tel-03939585 , version 2

Citer

Chu Wang. Deep learning-based prognostics for fuel cells under variable load operating conditions. Automatic. Aix-marseille université, 2022. English. ⟨NNT : 2022AIXM0530⟩. ⟨tel-03939585v2⟩
156 Consultations
12 Téléchargements

Partager

Gmail Facebook X LinkedIn More