Bu tədqiqat, avtomotiv tipi proton dəyişim membranlı yaxınt hüceyrələrinde (proton exchange membrane fuel cell, PEMFC) membran quruması, su sıxması və oksigen yetərsizliyi arızalarının yalnızca tək hüceyrə gərginlikləri istifadə edilərək erken diaqnozmlanmasını araşdırır. Tədqiqatçılar, on hüceyrəli eksperimental bir yanacaq hüceyrəsi yığınından əldə edilən 46.896 örneği kullanmış; en erken və en aydın pozulmayı gösteren hüceyrəyi seçen bir özellik belirleme üsulu ilə DenseNet tabanlı, fizika bilikli uzlpeyəndm kümələməsini birleştiren DPICC modelini geliştirmiştir. Tək hüceyrə xüsusiləriyle ulpeyəndlan test dəqiqliyi %98,15 iken yığın ortalama gərginliyiyle dəqiqlik %86,42 olmuştur. Su sıxması şərtunda tək hüceyrə siqnali, yığın ortalamasına görə 35 saniyəye kadar daha erkən arıza işareti vermiştir. Bununla belə tədqiqat, yalnızca on hüceyrəli bir laboratoriya tezgâhında oluşturulan nəzarətlü arızalara dayanan və rəyçi qiymətləndirməsindən keçməmiş preprintdir.

DPICC, yoğun keçidlı bir özellik kodlayıcıyı K-means, Mini-batch K-means və Dərin Gömülü Kümələmə (Deep Embedded Clustering, DEC) nəticələrindan oluşturulan uzlpeyəndm matrisiyle birləşdirməktedir. Modelde az sayıdaki etiketli nümunəler sinifsal yönlendirme sşəbəkəlarken nümunələrin təxminən %90’ı etiketsiz kabul edilmiştir. Küme merkezlerinin fizik bilgisiyle başlatılması, fiziksel kimi olanaksız sinifləra məlumatlen olasılığın cezalandırılması və test nəticələrinın fiziki tətbiq edilə bilmə alanlarıyla düzeltilmesi, modelin üç aşamalı fizika bilikli mekanizmasını yaratmaqtadır.

Aşamalı çıxarma təcrübələrinde klasik kümeleme düzeninin doğruluğu %56,17 iken tam DPICC strukturlandırması %98,05 doğruluğa ulaşmıştır. Bşəbəkəımsız üsul müqayisəsında DPICC %98,15; dəstək vektor mpeyəndnı %92,12; Propagate %90,21; Aggressive %89,77; yığılmış səs-küy giderici otokodlayıcı %87,34 və DenseNet-DEC təxminən %79,13 dəqiqlik sşəbəkəlamıştır. Bu nəticələr, fizik bilgisiyle sınırlandırılan temsil öğrenmesinin nəzarətlü təcrübə məlumatlarindeki sinif qarışmasını azaltabildiğini göstərir; lakin gerçek araç filolarında, fərqli yığın boyutlarında və sensor dumantemlerinde eyni başarım henüz gösterilmemiştir.

Türkiyə bşəbəkəlamına yönelik dəyərləndirmə: Yaklpeyəndm; hidrogen yanacaq hüceyrəli nəqliyyat vasitələri, avtobusler, özel amaçlı tpeyəndtlar və sabit güc dumantemləri üçün hüceyrə bazlı erkən xəbərdarlıq yazılımlarının geliştirilmesine metodoloji töhfə sşəbəkəlayabilir. Bu dəyərləndirmə tədqiqatın birbaşa Türkiyə tapıntısu değildir. Modelin Türkiyədə istifadə edilən yanacaq hüceyrəsi yığınları, sürüş dövrləri, temperatur və rütubət şərtlərı, məlumat toplama donanımları və texniki xidmət tətbiqları üzərində bşəbəkəımsız biçimde yeniden eğitilmesi və doğrulanması lazımdır.

Araşdırmanın təməl problemu nedir?

Bir PEM yanacaq hüceyrəsi yığını, elektriksel kimi seri bşəbəkəlanan çox sayıda tək hüceyrəden oluşur. Yığın çıkış gərginliki bütün hüceyrələrin toplam və ya ortalama davranışını temsil eder. Bunun əksinə bir arıza başlanğıcta yalnızca gaz dşəbəkəılımı zəif, temperaturu fərqli və ya su yönetimi bozulan bir ya da birkaç hüceyrəde ortaya çıkabilir. Normal hüceyrələrin gərginliki bu yerli düşüşü ortalama üçünde seyrelttiğinde, yığın gərginliyine dayanan bir diaqnoz dumantemi arızayı geç algılayabilir.

Araşdırmanın təməl sualsu şudur: Yığın ortalamasında henüz aydınleşmeyen yerli bir arıza, en duyarlı tək hüceyrənin gərginlik gelişimi izlenerek daha erken və daha doğru siniflandırılabilir mi? İkinci sual isə çox az etiketli nümunə bulunduğunda, yanacaq hüceyrəsinin fiziksel davranışına ilişkin bilgilər dərin kümələmə müddətcine eklenerek model sabitlığının artırılıp artırılamayacşəbəkəıdır.

Literatürde hədəflenen boşluq

Tədqiqatda üç təməl boşluq diaqnozmlanmaktadır:

• Yığın gərginlikine dayanan üsullerin hüceyrələr arası fərqlilıkları və yerli arıza başlanğıclarını yeterince temsil etmemesi,
• Geleneksel kümeleme üsullerinin çoğunlukla yalnızca sayısal nümunə benzerliğine dayanması və fiziksel kimi olanaksız sinif atamalarını engellememesi,
• Gerçek araç şərtlərində etiketli arıza örneği üretmenin pahalı, zor və bazı arızalar üçün geri döndürülemez riskler tpeyəndması.

Tədqiqatçılar bu boşluqları, tək hüceyrə gərginliklərinden açar hüceyrə seçimi yapan bir ön işleme mekanizması və fizika bilikli yarı denetimli dərin kümələmə modeliyle birlikte ele almaktadır.

DPICC iş axınşı nasıl tədqiqatktadır?

Şegil 1, üsulu üç ana qatda göstərir. İlk qatda təcrübə tezgâhından alınan tək hüceyrə gərginlikləri işlenmekte və en aydın pozulmayı gösteren hüceyrə belirlenmektedir. İkinci qatda DenseNet esinli kodlayıcı, bu gərginlik xüsusilərini düşük boyutlu bir gömülmə uzayına aktarmaktadır. K-means, Mini-batch K-means və DEC tarafından oluşturulan bölümler bir uzlpeyəndm matrisinde birləşdirilir. Üçüncü qatda isə küme mərkəzi başlatma, təlim ardıcıllıqsındaki tutarlılık kistiliktı və test ardıcıllıqsındaki tətbiq edilə bilmə doğrulaması fiziksel bilgiyle yönlendirilmektedir.

Şegil 2’də açar hüceyrə belirleme axınşı; gərginlik həddleri, ardıcıllıqlama sabitliyi, zaman davamlılığı və çox səviyyəli geri dönüş mekanizması üzərindən gösterilmektedir. Amaç, tek bir rastlantısal gərginlik sıçramasını arıza başlangıcı kimi işaretlemek yerine, pozulmanın belirli bir hüceyrəde yeterince uzun müddət və tutarlı biçimde görülmesini sşəbəkəlamaktır.

Tək hüceyrə gərginlik fərqi nasıl hesaplanmaktadır?

a numaralı hüceyrənin t anındaki gərginliki v_a(t), hüceyrələrin ortalama gərginliki isə v̄(t) kimi diaqnozmlanmıştır. Hücrenin ortalamadan mutlak sapması şu ilişkiyle hesaplanmaktadır:

\[ \Delta v_a(t)=|\bar{v}(t)-v_a(t)|,\qquad \Delta v_a(t)\geq\delta_{\mathrm{thr}} \]

Δv_a(t) volt cinsinden hüceyrələr arası yerli gərginlik fərqinı, δ_thr isə qarar eşiğini göstərir. Bir hüceyrə ortalamadan yeterince uzaklaştığında olası anormal hüceyrə kimi işaretlenmektedir.

Gerilim farkının yığın üçündeki doğal dşəbəkəılıma görə ne kadar olşəbəkəandışı olduğunu ölçmek üçün standartlaşdırılmış göstərici istifadə edilmişdir:

\[ r_a(t)=\frac{|\bar{v}(t)-v_a(t)|}{\sigma_v(t)},\qquad r_a(t)\geq r_{\mathrm{thr}} \]

σ_v(t), eyni andaki tək hüceyrə gərginliklərinin standart sapmasıdır. r_a(t) dəyəri 2 olduğunda hüceyrənin gərginliki, mevcut dşəbəkəılımın təxminən iki standart sapması kadar dışında kabul edilmektedir.

Tədqiqatda ortalama hüceyrə gərginliyi bu şəgildə məlumatlmiştir:

\[ \bar{v}(t)=\frac{V(t)}{a} \]

V(t) yığın gərginliyidir. Bununla belə mətnde a daha əvvəl hüceyrə ardıcıllıq numarası üçün də kullanılmaktadır. Ortalama hesabının paydasında toplam hüceyrə sayistiliknın bulunması beklenirken eyni sembolün kullanılması gösterimsel bir qeyri-müəyyənlik yaratmaqtadır; tədqiqat sessizce düzeltilmemiştir.

Rastlantısal gərginlik sıçramaları nasıl elenmektedir?

Bir hüceyrənin son ω nümunə üçünde en kötü gərginlik ardıcıllıqları arasında en az γ_thr kez bulunması istenmektedir:

\[ \sum_{t=t_{\mathrm{key}}^{(a)}-\omega+1}^{t_{\mathrm{key}}^{(a)}}I(\mathrm{rank}(t)\in\mathrm{worst})\geq\gamma_{\mathrm{thr}} \]

I şərt doğruysa 1, değilse 0 dəyərini alan göstərici fonksionudur. t_key^(a) hüceyrədeki pozulmanın başlanğıc zamanı, worst isə en kötü hüceyrə ardıcıllıqlarının aralığıdır.

Bu şərtun tek bir pencere üçünde sşəbəkəlanması yetərli görülmemiş; ardıcıl k_thr nümunə boyunca korunması istenmiştir:

\[ \forall t\in\{t_{\mathrm{key}}^{(a)},\ldots,t_{\mathrm{key}}^{(a)}+k_{\mathrm{thr}}-1\},\quad \sum_{t'=t}^{t+k_{\mathrm{thr}}-1}I(\mathrm{rank}(t')\in\mathrm{worst})\geq\gamma_{\mathrm{thr}} \]

Örnoynaqe tezlikı 4 Hz və müddətklilik eşiği 6 nümunə olduğundan dəyərləndirmə təxminən 1,5 saniyəlik kesintisiz bir davranışı kapsamaktadır. Böylece qısamüddətli yük değişimleri və ya sensor sıçramalarının yanlış arıza tetiklemesi azaltılmaya çalışılmıştır.

Eşik dəyərlərindeki uyğunsuzluq

Tədqiqatda həddler bir yerde δ_thr=0,03, r_thr=2, γ_thr=5 və k_thr=6 kimi məlumatlmektedir. Hemen sonraxın açıklamada isə gərginlik ölçmə çözünürlüğünün 0,001 V olduğu və δ_thr dəyərinin 0,003 kimi seçildiği yazılmıştır. 0,03 V ilə 0,003 V arasında on kat fark bulunduğu üçün gerçek tətbiq eşiği mətn üzərindən kesin biçimde belirlerütubətemektedir.

Çok seviyeli geri dönüş mekanizması

Sabit həddler zəif pozulmaları yakalayamadığında model kistiliktları aşamalı biçimde gevşetmektedir. En zəif pozulma düzeyinde median mütləq sapma və standart sapma birlikte kullanılmaktadır:

\[ MAD_a=1.4826\cdot\mathrm{median}(|x_a-\mathrm{median}(x_a)|) \]

x_a, belirli zaman penceresindeki hüceyrə gərginlik dizisidir. Medyan mutlak sapma, tegil sıçramalardan standart sapmaya görə daha az etgilənmektedir.

\[ Std_a=\sqrt{\mathrm{mean}[(x_a-\mathrm{mean}(x_a))^2]} \]

Standart sapma, gərginlik dşəbəkəılımının ortalama çevresindeki yayılımını məlumatr və ani uç dəyərlerden daha fazala etgilənir.

\[ R_a=\frac{MAD_a}{Std_a} \]

Tədqiqatçılar yüksek R_a dəyərini hüceyrə davranışının rastlantısal sıçramalardan ziyade daha sabit bir pozulma eğilimi göstermesi kimi yorumlamış və ən yüksək dəyəre sahip hüceyrəyi aday açar hüceyrə kimi seçmiştir.

Uzlpeyəndm kümelemesi ne yapmaktadır?

Tek bir kümeleme algoritması fərqli başlanğıc dəyərlərinde və ya məlumat pozulmalarında fərqli nəticələr verebilir. DPICC bu nedenle üç ayrı üsulun bölümlerini birləşdirməktedir. Bir nümunə cüti eyni kümede bulunuyorsa eş-kümeleme göstəricisi 1, fərqli kümelerdeyse 0 alınmaktadır:

\[ C_{ij}^{(m)}= \begin{cases} 1,& i\ \mathrm{ve}\ j\ m.\ \mathrm{bölümde\ aynı\ kümedeyse}\\ 0,& \mathrm{aksi\ durumda} \end{cases} \]

Birden fazala bölümün ortalaması uzlpeyəndm matrisini yaratmaqtadır:

\[ C_{ij}=\frac{1}{M}\sum_{m=1}^{M}C_{ij}^{(m)},\qquad C_{ij}\in[0,1],\quad C_{ii}=1 \]

C_ij 1’e yaklaştıkça iki örneğin fərqli algoritma və yinelemelerde müddətkli kimi eyni kümeye atandığı anlpeyəndlmaktadır. K-means küresel uzaklık strukturunı, Mini-batch K-means daha düşük hesablama maliyetli rastlantısal güncellemeleri, DEC isə derin gömülmə uzayındaki doğrusal olmayan sinif strukturunı temsil etmektedir.

Yarı denetimli sinifləndirmə kaybı

Etiketli nümunəler çapraz entropiyayle, etiketsiz nümunəler isə yalnızca model inamı belirli bir eşiği geçtiğinde sözde etiketlerle təlime katılmaktadır:

\[ L_{\mathrm{scl}}= -\sum_{i\in L}\sum_{c=1}^{k}I(y_i=c)\log p_i(c) -\alpha_W\sum_{i\in W}I(\max_c p_i(c)\geq\tau)\log p_i(\hat{s}_i) \]

\[ \hat{s}_i=\arg\max_c p_i(c) \]

L etiketli, W etiketsiz nümunə kümesini; p_i(c) örneğin c sinifına ait proqnoz olasılığını; τ etibar həddini və α_W sözde etiket kaybının şəbəkəırlığını göstərir. Bu struktur, inamı düşük sözde etiketlerin təlimi bozmasını sınırlandırmayı amaçlamaktadır.

DEC öz-təlim strukturu

DEC, nümunə ilə küme mərkəzi arasındaki uzaklığa görə Student-t dşəbəkəılımı tabanlı yumuşak üyelik yaratmaqtadır:

\[ q_{ij}= \frac{(1+\|r_i-\mu_j\|^2/\alpha)^{-(\alpha+1)/2}} {\sum_k(1+\|r_i-\mu_k\|^2/\alpha)^{-(\alpha+1)/2}} \]

μ_j küme mərkəzini və α serbestlik derecesi hiperparametrsini göstərir. Önceki açıklamalarda embedding vektörü z_i kimi adlandırılırken bu formulade r_i kullanılması bir başka gösterim tutarsızlığıdır.

Her kümenin toplam yumuşak üyeliği və hədəf dşəbəkəılımı şu biçimde məlumatlmiştir:

\[ f_j=\sum_i q_{ij} \]

\[ p_{ij}=\frac{q_{ij}^2/f_j}{\sum_k(q_{ij}^2/f_k)} \]

Basılı formulade paydanın küme indeksleri açık və tutarlı biçimde ayrılmamıştır. DEC’nin amacı yüksek inamli nümunələrin şəbəkəırlığını artırmak və kümeler arasındaki dengesizliği azaltmaktır.

Hedef dşəbəkəılım ilə mevcut yumuşak üyelik arasındaki fark Kullback–Leibler ayrışımıyla küçültülmektedir:

\[ L_{\mathrm{cluster}}=KL(P\parallel Q)=\sum_i\sum_j p_{ij}\log\frac{p_{ij}}{q_{ij}} \]

Fiziksel özellik vektörü və tutarlılık kaybı

Her zaman penceresi üçün dört komponentli fiziksel göstərici vektörü oluşturulmaktadır:

\[ \xi_i=[ \mathrm{mean}(\Delta v_a(t)), \mathrm{mean}(r_a(t)), Std(v_a(t)), \max|v_a(t)-v_a(t-1)| ] \]

• Ortalama gərginlik fərqi: Anahtar hüceyrənin yığın ortalamasından genel uzaklığı,
• Ortalama standartlaşdırılmış fark: Sapmanın mevcut hüceyrə dşəbəkəılımına görə olşəbəkəandışılık derecesi,
• Gerilim standart sapması: Pencere üçündeki dalğalanma şiddeti,
• En böyük ardıcıl değişim: Kısa müddətli gərginlik sıçramasının genliği.

Her sinif üçün təlim məlumatsindeki fiziksel özellik aralıklarından tətbiq oluna bilən bir alan oluşturulmaktadır:

\[ F_i=\{c\mid\xi_i\in\Omega^c\} \]

\[ L_{\mathrm{phys}}=\frac{1}{|b|}\sum_{i\in b}\sum_{c\notin F_i}p_i(c) \]

F_i, örneğin fiziksel kimi uyumlu olabiləceği sinifləri; Ω^c sinifa ait fiziksel alanı və b mevcut təlim grubunu göstərir. Model fiziksel kimi uygulanamaz bir sinifa yüksek olasılık verdiğinde itki artmaktadır.

Küme çökmesini engelleyen çeşitlilik itkisi

Küme merkezlerinin birbirine yaklaşarak tek bölgede toplanmasını engellemek üçün itici düzenliləştirme istifadə edilmişdir:

\[ L_{\mathrm{div}}= \frac{2}{k(k-1)} \sum_{i=1}^{k}\sum_{j=i+1}^{k} \exp(-2\|\mu_i-\mu_j\|_2) \]

Merkezler birbirine yaklaştığında üstel terim büyümekte və model cezalandırılmaktadır. Amaç, dört tədqiqat durumunun gömülmə uzayında birbirinden ayrılmasını korumaktır.

Toplam təlim kaybı

Dört itki terimi şəbəkəırlıklı biçimde birləşdirilir:

\[ L=\lambda_1L_{\mathrm{scl}}+\lambda_2L_{\mathrm{cluster}}+ \lambda_3L_{\mathrm{phys}}+\lambda_4L_{\mathrm{div}} \]

\[ \hat{\theta}_{en},\hat{\theta}_{cls},\hat{\mu}_i= \arg\min_{\theta_{en},\theta_{cls},\mu_i} L(\theta_{en},\theta_{cls},\mu_i) \]

θ_en kodlayıcı, θ_cls sinifləndirmə başlığı və μ_i küme mərkəzi parametreleridir. λ₁–λ₄ her itki komponentinin etkisini müəyyən etməktedir.

Üç aşamalı fizika bilikli mekanizma

1. Küme merkezlerinin fizik bilgisiyle başlatılması

Küme merkezi; az sayıdaki etiketli nümunəten gelen sinif merkezi, bütün məlumat üzərindəki K-means merkezi və fiziksel kimi tətbiq oluna bilən nümunəlerden seçilən merkez istifadə edilərək oluşturulmaktadır:

\[ \mu_i=\lambda_l\mu_{\mathrm{lab}}+ \lambda_k\mu_{\mathrm{kmeans}}+ \lambda_p\mu_{\mathrm{phy}} \]

Bu işlem təsadüfi başlanğıcların modeli fiziksel kimi anlamsız bir yerli çözüme götürme riskini azaltmayı amaçlamaktadır.

2. Eğitim ardıcıllıqsında fiziki tutarlılıq

Fiziksel özellik vektörüyle uyumsuz sinifləra məlumatlen olasılık, L_phys kaybıyla azaltılmaktadır. Böylece gərginlik sapması, dalğalanma və sıçrama xüsusiləriyle uyuşmayan bir arıza sinifının yalnızca sayısal benzerlik nedeniyle seçilmesi engellenmeye çalışılmıştır.

3. Test ardıcıllıqsında fiziksel tətbiq edilə bilmə doğrulaması

Test zamanı artırımıyla əldə edilən oylama dşəbəkəılımı, fiziksel kimi tətbiq oluna bilən sinif kümesiyle birlikte son kez nəzarət edilmektedir:

\[ s_i= \begin{cases} \tilde{s}_i,& \tilde{s}_i\in F_i\ \mathrm{ve}\ \max_c p_i(c)\geq\theta\\ \arg\max_{c\in F_i}p_i(c),& \mathrm{aksi\ durumda} \end{cases} \]

s̃_i ilk proqnoz, s_i düzeltilmiş nəticə və θ etibar həddidir. İlk proqnoz yeterince inamli və fiziksel kimi mümkünse korunmakta; değilse yalnızca tətbiq oluna bilən siniflər arasındaki ən yüksək olasılık seçilmektedir.

Deney düzeneği neyi temsil etmektedir?

Şegil 3’te hidrogen girişi və çıkışı, hava hattı, nəmləndirmə dumantemi, soyuducu giriş və çıkışı, elektron yük, izləmə kompüteri və on hüceyrəli PEMFC yığını gösterilmektedir. Yığın soğutma kanallarından geçen deionizə suyla istiliktılmış və ya soğutulmuş; iç rütubət, nəmləndirmə tankıyla düzenlenmiştir.

Her hüceyrənin aktiv sahəı 347 cm²’dir. Membran kalınlığı 12 µm, qaz diffuziya təbəqəsi kalınlığı 190 µm kimi məlumatlmiştir. Bu böyük aktiv sahəın avtomotiv tətbiqlarına benzer bir mühendislik ölçeği sşəbəkəladığı belirtilmektedir; lakin yığın yalnızca on hüceyrəden oluşmaktadır.

Hangi arızalar yaradılmışdır?

• N — Normal durum: Referans temperatur, nisbi rütubət və gaz stokiyometriyasi,
• F1 — Membran quruması: Bşəbəkəıl rütubətin %0’a indirilmesi və temperaturun yükseltilmesi,
• F2 — Su sıxması: Bşəbəkəıl rütubətin %70’e çıqarılması və yığın temperaturunın düşürülmesi,
• F3 — Oksijen yetersizliği: Katot hava stexiometrik nisbətının azaltılması.

Akım sıxlıqları düşük, orta və yüksek yük üçün ardıcıllıqsıyla 0,58 A/cm², 1,15 A/cm² və 1,80 A/cm² kimi ayarlanmıştır. Gerilimler 0,001 V ayırdetmə və 4 Hz nümunələmə tezliyiyla kaydedilmiştir.

Tək hüceyrə siqnali neden daha erkən xəbərdarlıq vermiştir?

Şegil 4, yığın ortalama gərginliyiyle seçilən açar hüceyrənin gərginlikini teksturaz ayrı yük–arıza birleşiminde müqayisəktadır. Membran qurumasında zəif hüceyrədeki rütubət kaybı və yerli kutuplanma əvvəl tek hüceyrə gərginliyini düşürmektedir. Su sıxmasında maye suyun yerli kanal və ya qaz diffuziya təbəqəsinı aralıklı biçimde tıkaması, “ani düşüş–toparlanma–yeniden düşüş” biçiminde hüceyrə düzeyinde aydın işaretler yaratmaqtadır. Diğer hüceyrələr normal istehsale devam ettiğinden bu işaretler yığın ortalamasında seyrəlməktedir.

Oksijen yetersizliği daha sürətli və yığın genelinde etgili bir konsantrasyon kutuplanması oluşturduğu üçün tək hüceyrə ilə yığın ortalaması arasındaki zaman farkı yalnızca 0,5–1 saniyə düzeyinde qalmışdır. Bu nəticə, tək hüceyrə siqnalınin her arıza üçün eyni ölçüde avantajlı olmadığını göstərir.

Arıza tespit zamanları ne göstərir?

Tablo 5’te məlumatlen 35 saniyə, tədqiqatın sayısal kimi desteklenen en böyük erkən aşqar etmə dəyəridir. Bununla belə düşük axınmdaki membran quruması üçün 1830,5−1811,0 işlemi 19,5 saniyə olmasına rşəbəkəmen cədvəlda 17,5 saniyə yazılmıştır. Yüksek axınmdaki membran qurumasında 1822,5−1810,5 işlemi 12,0 saniyədir; cədvəlda 12,5 saniyə məlumatlmiştir. Sonuç bölümündeki “təxminən 37 saniyə” ifadesi də Tablo 5 və özetle uyuşmamaktadır.

Tək hüceyrə və yığın gərginliyiyle diaqnoz doğruluğu

Şegil 5’te eyni DPICC modeli iki fərqli girişle qarşılaştırılmıştır. Tək hüceyrə xüsusiləriyle genel dəqiqlik %98,15, yığın ortalama gərginliyiyle %86,42’dir. Aradaki fark 11,73 yüzde puanıdır.

Yığın ortalamasındaki en böyük itki membran qurumasında görülmüştür. Bu durum, yerli qurumanın ilk aşamada yalnızca zəif hüceyrəlerde ortaya çıkması və normal hüceyrələrin çıkışının ortalama gərginlikdeki değişimi bastırmasıyla ilişgiləndirilmiştir.

Aşamalı çıqarım təcrübəi ne göstərir?

M1’den M7’ye kadar yedi strukturlandırma istifadə edilmişdir. Metinde bunlar “altı varyant” kimi adlandırılsa da M1–M7 aralığı yedi modeli kapsamaktadır.

M4 ilə M7 arasındaki fark 16,60 yüzde puanıdır. Bu dəyər, tədqiqatçıların üç aşamalı fizika bilikli mekanizmaya atfettiği toplam kazanımdır. On fərqli təsadüfi başlanğıcla oluşturulan kutu qrafiklerinde M7’nin yalnızca ortalama doğruluğu yükselmemiş, dşəbəkəılımı və aykırı nəticələri da daralmıştır.

Diğer algoritmalarla müqayisə

DPICC, SVM’den 6,03 yüzde puanı; Propagate’ten 7,94; Aggressive üsulunden 8,38 və SDAE’den 10,81 yüzde puanı daha yüksek dəqiqlik sşəbəkəlamıştır. Sonuç bölümünde KNN’ye qarşı 12,81 puanlık bir üstünlük də yazılmıştır; lakin KNN üsulu müqayisə düzeninde, Şegil 7’də və ya ilgili üsul açıklamasında bulunmadığı üçün bu dəyər sunulan təcrübələrden bşəbəkəımsız biçimde doğrulanamamaktadır.

Tədqiqatın güclü yönleri

• Yalnızca genel yığın gərginliyi yerine hüceyrələr arası uzamsal fərqlilığı kullanması,
• Kontrollü bir təcrübə tezgâhında üç yük və üç arıza türünün sınanması,
• Normalden arızaya geçişin zaman üçünde izlenmesi,
• Veri ayrımının nümunə penceresi yerine təcrübə tekrarı düzeyinde strukturlması və zaman komşuluğundan doğabiləcek məlumat sızmasının azaltılması,
• Az etiketli məlumat şərtunun açık biçimde modellenmesi,
• Her modulün töhfəsinı gösteren aşamalı çıxarma təcrübələrinin strukturlması,
• Model qararlarının gərginlik sapması, dalğalanması və sıçraması gibi fiziksel göstəricilərle sınırlandırılması.

Tədqiqatın məhdudlıkları

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.
• Deneyler gerçek nəqliyyat vasitəsi parkında değil, on hüceyrəli laboratoriya tezgâhında gerçekleştirilmiştir.
• Arızalar temperatur, rütubət və stexiometrik nisbətların nəzarətlü biçimde değiştirilmesiyle yaradılmışdır; saha arızalarının tamamını temsil etmeyebilir.
• Farklı yığın üreticiləri, hüceyrə sayıları, yaşlanma düzeyleri və sensor dumantemleri üzərində xarici doğrulama sunulmamıştır.
• Model real zamanlı yerləşdirilmiş aparat təminatıda hesablama müddəti, yaddaş istifadəsi və ya enerji istehlaxın açistilikndan dəyərlendirilmemiştir.
• Uzun dəhəmiyyət elektrokimyəvi yaşlanma ilə ani su və gaz yönetimi arızalarının birlikte bulunduğu durumlar araşdırılmamışdır.
• Eşik, sembol, zaman farkı və müqayisə nəticələrinda çeşitli mətn içi uyğunsuzluqlar bulunmaktadır.
• Fiziksel tətbiq oluna bilənlik alanları təlim məlumatsinin istatistiksel aralıklarından tistehsal edilmişdir; tamamen bşəbəkəımsız təməl fizik tənliklerine dayalı değildir.
• Yaklpeyəndk %10 etiketli məlumat gereksinimi devam etmektedir; tamamen etiketsiz bir üsul değildir.

Tədqiqat neyi destoynaqektedir?

• İncelenen təcrübə şərtlərində tək hüceyrə gərginlik xüsusiləri, yığın ortalama gərginliyinden daha erken və daha ayırt edici arıza bilgisi tpeyəndmıştır.
• Fizik bilgili kistiliktlar, eyni məlumat setindeki dərin kümələmə doğruluğunu və nəticə sabitlığını yükseltmiştir.
• Az etiketli və çox etiketsiz nümunə içeren yarı denetimli struktur, dört tədqiqat durumunu yüksek dəqiqlikla ayırabilmiştir.
• Su sıxması arızasında yerli hüceyrə gərginliyinin erkən xəbərdarlıq avantajı xüsusilə aydın olmuştur.

Tədqiqat neyi sübut etmir?

• DPICC’nin bütün avtomotiv yanacaq hüceyrəsi yığınlarında %98’in üzərində dəqiqlik sşəbəkəlayacşəbəkəını sübut etmir.
• Gerçek yol, iklim, vibrasiya, yaşlanma və texniki xidmət şərtlərində eyni erkən xəbərdarlıq müddətini göstermemektedir.
• Modelin arızayı önlediğini, yanacaq hüceyrəsi ömrünü uzattığını və ya araç inamliğini birbaşa artırdığını göstermemektedir.
• Tek hüceyrə gərginliyinin bütün arıza türlerinde yığın gərginliyinden mühüm ölçüde daha erken olduğunu göstermemektedir; oksigen yetərsizliyinde fark çox kiçiktür.
• Fiziksel kistiliktların gerçek elektrokimyəvi mekanizmaları əskiksiz temsil ettiğini sübut etmir.
• Ticari miqyaslı çevrim içi tətbiq, maliyet, sensor dayanıklılığı və ya sənaye sertifikasyon kanıtı sunmamaktadır.

Tədqiqatın Yöntemi və Bulguları

Deneysel yığın və məlumat toplama

Yük və arıza şərtlərı

Örnek oluşturma və məlumat ayrımı

Her təcrübə əvvəl 1800 saniyə sabit normal tədqiqat ilə başlamış, ardından nəzarət değişkenleri değiştirilərek kademeli biçimde arıza durumuna geçilmiştir. Toplam 46.896 nümunə yaradılmışdır.

Verilər %70 təlim və %30 test kimi ayrılmışdır. Aynı təcrübə tekrarı və birbirine komşu zaman pencereleri yalnızca təlim və ya yalnızca test grubuna atanmıştır. Bu tercih, zaman açistilikndan birbirine çox benzeyen nümunələrin iki gruba dşəbəkəıtılmasıyla oluşabiləcek bilgi sızıntistiliknı azaltmaktadır.

Yarı denetimli təlim düzeni

• Etiketli–etiketsiz nümunə nisbəti: 1:9,
• Yaklpeyəndk etiketli nümunə nisbəti: %10,
• Derin modellerde eniyiləyici: Adam,
• Öğrenme nisbəti: 0,001,
• Mini grup böyüklüğü: 128,
• Aşamalı çıqarım təcrübəinde təsadüfi başlanğıc sayistilik: 10.

Yük və arıza durumuna görə seçilən açar hüceyrəler

Anahtar hüceyrənin arıza və yük şərtuna görə değişmesi, yığın üçündeki gaz, su, temperatur və axınm dşəbəkəılımının uzamsal kimi eyni olmadığını göstərir. Tədqiqat belirli bir hüceyrənin bütün şərtlərda müddətkli kimi en zəif hüceyrə olduğunu iləri sürmemektedir.

Ana tapıntılar

• Tək hüceyrə gərginlik girdisiyle genel test dəqiqliyi %98,15; yığın ortalama gərginliyiyle %86,42 olmuştur.
• Tək hüceyrə girdisinin dəqiqlik üstünlüğü 11,73 yüzde puanıdır.
• Sayısal kimi doğrulanabilən en böyük erkən aşqar etmə avantajı, yüksek axınmdaki su sıxması şərtunda 35 saniyədir.
• Membran qurumasında tək hüceyrə işareti təxminən 12–20 saniyə əvvəl görünmüştür; mətndeki bazı fark dəyərləri aritmetik kimi tutarsızdır.
• Oksijen yetersizliğinde erkən aşqar etmə farkı yalnızca 0,5–1 saniyədir.
• Fizik bilgili üç mekanizmanın M4’ten M7’ye toplam töhfəsi 16,60 yüzde puanıdır.
• DPICC, eyni məlumat və etiket bütçesi altında qarşılaştırılan altı üsul arasında ən yüksək doğruluğu vermiştir.
• DPICC’nin sinif bazlı doğru diaqnoz nisbətları normal, quruma, su sıxması və oksigen yetərsizliyi üçün ardıcıllıqsıyla %96,3, %98,7, %99,4 və %98,2’dir.

Mənbə və Metod Qeydi

Tədqiqatın tam özgün adı: A Physics-Informed Deep Clustering Framework with Single-Cell Voltage Features for Early Fault Identification in Automotive PEM Fuel Cell

Yazarlar: Jiaming Zhang; Changqing Du; Fuwu Yan; Wenchao Zhu; Mingyang Nie; Jing Zhu; Zhe Li; Liangdong Li.

Yazar ardıcıllıqlaması: Yuqarıdaki liste özgün tədqiqatdaki ardıcıllıqyı korumaktadır.

Eş birinci müəllif: Tədqiqatda eş birinci müəllif və ya bərabər töhfə bilgisi yer almamaktadır.

Sorumlu müəlliflər: Fuwu Yan və Wenchao Zhu.

Kurumlar: Hubei Key Laboratory of Advanced Technology for Automotive Components, Wuhan University of Technology; Foshan Xianhu Laboratory; Nanyang Technological University School of Mechanical and Aerospace Engineering.

DOI: 10.2139/ssrn.6935078

Yayın platformau: SSRN.

Dergi: Hakemli bir jurnal nəşrı təsdiqlənməmişdir. Tədqiqat SSRN üzərində preprint kimi sunulmaktadır.

Yayımlama altstrukturu: SSRN, Elsevier bünyesindeki preprint sunucusudur.

Yayın yılı: 2026.

Qaynaq türü: Deneysel tezgâh tədqiqatsı, üsul geliştirme və yarı denetimli mpeyəndn öyrənməsi içeren preprint.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmişdir. Sonuçlar bşəbəkəımsız hakemlik və xarici doğrulama tamamlanmış bir bilimsel uzlpeyənd gibi dəyərlendirilmemelidir.

Resmî kayıt:SSRN 6935078 rəsmi tədqiqat sayfası

DOI keçidsı:10.2139/ssrn.6935078

Sürüm uyaristilik: Aynı başlıq və müəllif listesiyle 10.2139/ssrn.6333504 DOI’sini tpeyəndyan ayrı bir SSRN kaydı da bulunmaktadır. İncelenen tədqiqat üzərində 6935078 numarası yer aldığı üçün bu makalede 10.2139/ssrn.6935078 sürümü esas alınmıştır. İki kayıt arasındaki sürüm ilişkisi açık biçimde belirtilmemiştir.

Bu Verianla içeriği yüklenen bilimsel tədqiqatın metni, matematiksel ifadeleri, təcrübə cədvəlları, iş axınşı şemaları, gərginlik qrafikleri, mərhələli çıxarma nəticələri və qarışıklık matrisleri incelenerek hazırlanmışdır. Dış mənbəlar yalnızca DOI, platforma və nəşr durumu gibi bibliyoqrafik alanların doğrulanması amacıyla kullanılmış; tədqiqatın bilimsel tapıntılarına dışarıdan yeni nəticə eklenmemiştir.

Tədqiqatın təməl üsulbilimsel sınırları; on hüceyrəli laboratoriya yığını, nəzarətlü biçimde oluşturulan üç arıza, tek araşdırma düzenine ait nümunəler, təxminən %10 etiketli məlumat gereksinimi və gerçek nəqliyyat vasitəsi parkında xarici doğrulama bulunmamasıdır. Tədqiqat çevrim içi kommersiya tətbiq başaristilik, texniki xidmət maliyyəti düşüşü, araç inamliği artışı və ya yanacaq hüceyrəsi ömrünün uzanması konusunda birbaşa kanıt sunmamaktadır.

Metindeki 0,03–0,003 V hədd farkı, bazı zaman farklarındaki aritmetik uyumsuzluk, 35–37 saniyə çelişkisi, M1–M7’nin “altı varyant” kimi adlandırılması və müqayisə bölümünde bulunmayan KNN sonucunun nəticə kısmında kullanılması tədqiqatçılar tarafından açıklığa kavuşturulması gereken noktalar kimi saxlanmışdır.