基于深度稀疏自编码神经网络的燃料电池健康状态诊断
机器学习
2025-10-21 v1 人工智能
摘要
有效准确地诊断燃料电池健康状态对于确保燃料电池堆的稳定运行至关重要。在各种参数中，高频阻抗是评估燃料电池状态和健康条件的关键指标。然而，其在线测试难以实现且成本高昂。本文采用深度稀疏自编码网络对燃料电池的高频阻抗进行预测和分类，实现了准确率超过92%。该网络进一步部署在FPGA上，实现了几乎达到90%的硬件识别率。
引用
@article{arxiv.2510.17214,
title = {Diagnosis of Fuel Cell Health Status with Deep Sparse Auto-Encoder Neural Network},
author = {Chenyan Fei and Dalin Zhang and Chen Melinda Dang},
journal= {arXiv preprint arXiv:2510.17214},
year = {2025}
}