基于时频分析与符号递归神经网络的动态负载下燃料电池数据驱动 prognostics
机器学习
2023-02-22 v1 系统与控制
系统与控制
摘要
以数据为中心的 prognostics 有助于提高质子交换膜燃料电池(PEMFC)的可靠性和安全性。对于动态负载下运行的 PEMFC 的 prognostics,挑战在于提取退化特征、提高预测精度、扩展 prognostics 时间范围以及降低计算成本。为解决这些问题,本文提出一种数据驱动的 PEMFC prognostics 方法,其中使用希尔伯特-黄变换提取动态工况下的健康指标,并使用基于符号的门控循环单元模型来提高寿命预测精度。与其他最先进的方法相比,所提出的数据驱动 prognostics 方法以更低的计算成本提供了有竞争力的 prognostics 时间范围。在不同失效阈值设置下,prognostics 性能表现出一致性和泛化性。
引用
@article{arxiv.2302.10771,
title = {Data-driven prognostics based on time-frequency analysis and symbolic recurrent neural network for fuel cells under dynamic load},
author = {Chu Wang and Manfeng Dou and Zhongliang Li and Rachid Outbib and Dongdong Zhao and Jian Zuo and Yuanlin Wang and Bin Liang and Peng Wang},
journal= {arXiv preprint arXiv:2302.10771},
year = {2023}
}