Bu çalışma, otomotiv tipi proton değişim membranlı yakıt hücrelerinde (proton exchange membrane fuel cell, PEMFC) membran kuruması, su basması ve oksijen yetersizliği arızalarının yalnızca tek hücre gerilimleri kullanılarak erken tanımlanmasını incelemektedir. Araştırmacılar, on hücreli deneysel bir yakıt hücresi yığınından elde edilen 46.896 örneği kullanmış; en erken ve en belirgin bozulmayı gösteren hücreyi seçen bir özellik belirleme yöntemi ile DenseNet tabanlı, fizik bilgili uzlaşım kümelemesini birleştiren DPICC modelini geliştirmiştir. Tek hücre özellikleriyle ulaşılan test doğruluğu %98,15 iken yığın ortalama gerilimiyle doğruluk %86,42 olmuştur. Su basması koşulunda tek hücre sinyali, yığın ortalamasına göre 35 saniyeye kadar daha erken arıza işareti vermiştir. Bununla birlikte çalışma, yalnızca on hücreli bir laboratuvar tezgâhında oluşturulan kontrollü arızalara dayanan ve hakem değerlendirmesinden geçmemiş bir preprinttir.

DPICC, yoğun bağlantılı bir özellik kodlayıcıyı K-means, Mini-batch K-means ve Derin Gömülü Kümeleme (Deep Embedded Clustering, DEC) sonuçlarından oluşturulan uzlaşım matrisiyle birleştirmektedir. Modelde az sayıdaki etiketli örnekler sınıfsal yönlendirme sağlarken örneklerin yaklaşık %90’ı etiketsiz kabul edilmiştir. Küme merkezlerinin fizik bilgisiyle başlatılması, fiziksel olarak olanaksız sınıflara verilen olasılığın cezalandırılması ve test sonuçlarının fiziksel uygulanabilirlik alanlarıyla düzeltilmesi, modelin üç aşamalı fizik bilgili mekanizmasını oluşturmaktadır.

Aşamalı çıkarım deneylerinde klasik kümeleme düzeninin doğruluğu %56,17 iken tam DPICC yapılandırması %98,05 doğruluğa ulaşmıştır. Bağımsız yöntem karşılaştırmasında DPICC %98,15; destek vektör makinesi %92,12; Propagate %90,21; Aggressive %89,77; yığılmış gürültü giderici otokodlayıcı %87,34 ve DenseNet-DEC yaklaşık %79,13 doğruluk sağlamıştır. Bu sonuçlar, fizik bilgisiyle sınırlandırılan temsil öğrenmesinin kontrollü deney verilerindeki sınıf karışmasını azaltabildiğini göstermektedir; ancak gerçek araç filolarında, farklı yığın boyutlarında ve sensör sistemlerinde aynı başarım henüz gösterilmemiştir.

Türkiye bağlamına yönelik değerlendirme: Yaklaşım; hidrojen yakıt hücreli araçlar, otobüsler, özel amaçlı taşıtlar ve sabit güç sistemleri için hücre bazlı erken uyarı yazılımlarının geliştirilmesine yöntemsel katkı sağlayabilir. Bu değerlendirme çalışmanın doğrudan Türkiye bulgusu değildir. Modelin Türkiye’de kullanılan yakıt hücresi yığınları, sürüş çevrimleri, sıcaklık ve nem koşulları, veri toplama donanımları ve bakım uygulamaları üzerinde bağımsız biçimde yeniden eğitilmesi ve doğrulanması gerekir.

Araştırmanın temel sorunu nedir?

Bir PEM yakıt hücresi yığını, elektriksel olarak seri bağlanan çok sayıda tek hücreden oluşur. Yığın çıkış gerilimi bütün hücrelerin toplam veya ortalama davranışını temsil eder. Buna karşılık bir arıza başlangıçta yalnızca gaz dağılımı zayıf, sıcaklığı farklı veya su yönetimi bozulan bir ya da birkaç hücrede ortaya çıkabilir. Normal hücrelerin gerilimi bu yerel düşüşü ortalama içinde seyrelttiğinde, yığın gerilimine dayanan bir tanı sistemi arızayı geç algılayabilir.

Araştırmanın temel sorusu şudur: Yığın ortalamasında henüz belirginleşmeyen yerel bir arıza, en duyarlı tek hücrenin gerilim gelişimi izlenerek daha erken ve daha doğru sınıflandırılabilir mi? İkinci soru ise çok az etiketli örnek bulunduğunda, yakıt hücresinin fiziksel davranışına ilişkin bilgiler derin kümeleme sürecine eklenerek model kararlılığının artırılıp artırılamayacağıdır.

Literatürde hedeflenen boşluk

Çalışmada üç temel boşluk tanımlanmaktadır:

• Yığın gerilimine dayanan yöntemlerin hücreler arası farklılıkları ve yerel arıza başlangıçlarını yeterince temsil etmemesi,
• Geleneksel kümeleme yöntemlerinin çoğunlukla yalnızca sayısal örnek benzerliğine dayanması ve fiziksel olarak olanaksız sınıf atamalarını engellememesi,
• Gerçek araç koşullarında etiketli arıza örneği üretmenin pahalı, zor ve bazı arızalar için geri döndürülemez riskler taşıması.

Araştırmacılar bu boşlukları, tek hücre gerilimlerinden anahtar hücre seçimi yapan bir ön işleme mekanizması ve fizik bilgili yarı denetimli derin kümeleme modeliyle birlikte ele almaktadır.

DPICC iş akışı nasıl çalışmaktadır?

Şekil 1, yöntemi üç ana katmanda göstermektedir. İlk katmanda deney tezgâhından alınan tek hücre gerilimleri işlenmekte ve en belirgin bozulmayı gösteren hücre belirlenmektedir. İkinci katmanda DenseNet esinli kodlayıcı, bu gerilim özelliklerini düşük boyutlu bir gömme uzayına aktarmaktadır. K-means, Mini-batch K-means ve DEC tarafından oluşturulan bölümler bir uzlaşım matrisinde birleştirilmektedir. Üçüncü katmanda ise küme merkezi başlatma, eğitim sırasındaki tutarlılık kısıtı ve test sırasındaki uygulanabilirlik doğrulaması fiziksel bilgiyle yönlendirilmektedir.

Şekil 2’de anahtar hücre belirleme akışı; gerilim eşikleri, sıralama kararlılığı, zamansal süreklilik ve çok seviyeli geri dönüş mekanizması üzerinden gösterilmektedir. Amaç, tek bir rastlantısal gerilim sıçramasını arıza başlangıcı olarak işaretlemek yerine, bozulmanın belirli bir hücrede yeterince uzun süre ve tutarlı biçimde görülmesini sağlamaktır.

Tek hücre gerilim farkı nasıl hesaplanmaktadır?

a numaralı hücrenin t anındaki gerilimi v_a(t), hücrelerin ortalama gerilimi ise v̄(t) olarak tanımlanmıştır. 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 hücreler arası yerel gerilim farkını, δ_thr ise karar eşiğini göstermektedir. Bir hücre ortalamadan yeterince uzaklaştığında olası anormal hücre olarak işaretlenmektedir.

Gerilim farkının yığın içindeki doğal dağılıma göre ne kadar olağandışı olduğunu ölçmek için standartlaştırılmış gösterge kullanılmıştır:

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

σ_v(t), aynı andaki tek hücre gerilimlerinin standart sapmasıdır. r_a(t) değeri 2 olduğunda hücrenin gerilimi, mevcut dağılımın yaklaşık iki standart sapması kadar dışında kabul edilmektedir.

Çalışmada ortalama hücre gerilimi şu şekilde verilmiştir:

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

V(t) yığın gerilimidir. Bununla birlikte metinde a daha önce hücre sıra numarası için de kullanılmaktadır. Ortalama hesabının paydasında toplam hücre sayısının bulunması beklenirken aynı sembolün kullanılması gösterimsel bir belirsizlik oluşturmaktadır; çalışma sessizce düzeltilmemiştir.

Rastlantısal gerilim sıçramaları nasıl elenmektedir?

Bir hücrenin son ω örnek içinde en kötü gerilim sıraları 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 koşul doğruysa 1, değilse 0 değerini alan gösterge fonksiyonudur. t_key^(a) hücredeki bozulmanın başlangıç zamanı, worst ise en kötü hücre sıralarının aralığıdır.

Bu koşulun tek bir pencere içinde sağlanması yeterli görülmemiş; ardışık k_thr örnek boyunca korunması istenmiştir:

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

Örnekleme frekansı 4 Hz ve süreklilik eşiği 6 örnek olduğundan değerlendirme yaklaşık 1,5 saniyelik kesintisiz bir davranışı kapsamaktadır. Böylece kısa süreli yük değişimleri veya sensör sıçramalarının yanlış arıza tetiklemesi azaltılmaya çalışılmıştır.

Eşik değerlerindeki tutarsızlık

Çalışmada eşikler bir yerde δ_thr=0,03, r_thr=2, γ_thr=5 ve k_thr=6 olarak verilmektedir. Hemen sonraki açıklamada ise gerilim ölçüm çözünürlüğünün 0,001 V olduğu ve δ_thr değerinin 0,003 olarak seçildiği yazılmıştır. 0,03 V ile 0,003 V arasında on kat fark bulunduğu için gerçek uygulama eşiği metin üzerinden kesin biçimde belirlenememektedir.

Çok seviyeli geri dönüş mekanizması

Sabit eşikler zayıf bozulmaları yakalayamadığında model kısıtları aşamalı biçimde gevşetmektedir. En zayıf bozulma düzeyinde medyan mutlak sapma ve standart sapma birlikte kullanılmaktadır:

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

x_a, belirli zaman penceresindeki hücre gerilim dizisidir. Medyan mutlak sapma, tekil sıçramalardan standart sapmaya göre daha az etkilenmektedir.

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

Standart sapma, gerilim dağılımının ortalama çevresindeki yayılımını verir ve ani uç değerlerden daha fazla etkilenir.

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

Araştırmacılar yüksek R_a değerini hücre davranışının rastlantısal sıçramalardan ziyade daha kararlı bir bozulma eğilimi göstermesi olarak yorumlamış ve en yüksek değere sahip hücreyi aday anahtar hücre olarak seçmiştir.

Uzlaşım kümelemesi ne yapmaktadır?

Tek bir kümeleme algoritması farklı başlangıç değerlerinde veya veri bozulmalarında farklı sonuçlar verebilir. DPICC bu nedenle üç ayrı yöntemin bölümlerini birleştirmektedir. Bir örnek çifti aynı kümede bulunuyorsa eş-kümeleme göstergesi 1, farklı 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 fazla bölümün ortalaması uzlaşım matrisini oluşturmaktadır:

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

C_ij 1’e yaklaştıkça iki örneğin farklı algoritma ve yinelemelerde sürekli olarak aynı kümeye atandığı anlaşılmaktadır. K-means küresel uzaklık yapısını, Mini-batch K-means daha düşük hesaplama maliyetli rastlantısal güncellemeleri, DEC ise derin gömme uzayındaki doğrusal olmayan sınıf yapısını temsil etmektedir.

Yarı denetimli sınıflandırma kaybı

Etiketli örnekler çapraz entropiyle, etiketsiz örnekler ise yalnızca model güveni belirli bir eşiği geçtiğinde sözde etiketlerle eğitime 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 örnek kümesini; p_i(c) örneğin c sınıfına ait tahmin olasılığını; τ güven eşiğini ve α_W sözde etiket kaybının ağırlığını göstermektedir. Bu yapı, güveni düşük sözde etiketlerin eğitimi bozmasını sınırlandırmayı amaçlamaktadır.

DEC öz-eğitim yapısı

DEC, örnek ile küme merkezi arasındaki uzaklığa göre Student-t dağılımı tabanlı yumuşak üyelik oluşturmaktadır:

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

μ_j küme merkezini ve α serbestlik derecesi hiperparametresini göstermektedir. Önceki açıklamalarda gömme vektörü z_i olarak adlandırılırken bu formülde r_i kullanılması bir başka gösterim tutarsızlığıdır.

Her kümenin toplam yumuşak üyeliği ve hedef dağılımı şu biçimde verilmiştir:

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

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

Basılı formülde paydanın küme indeksleri açık ve tutarlı biçimde ayrılmamıştır. DEC’nin amacı yüksek güvenli örneklerin ağırlığını artırmak ve kümeler arasındaki dengesizliği azaltmaktır.

Hedef dağılım ile 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 ve tutarlılık kaybı

Her zaman penceresi için dört bileşenli fiziksel gösterge 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 gerilim farkı: Anahtar hücrenin yığın ortalamasından genel uzaklığı,
• Ortalama standartlaştırılmış fark: Sapmanın mevcut hücre dağılımına göre olağandışılık derecesi,
• Gerilim standart sapması: Pencere içindeki dalgalanma şiddeti,
• En büyük ardışık değişim: Kısa süreli gerilim sıçramasının genliği.

Her sınıf için eğitim verisindeki fiziksel özellik aralıklarından uygulanabilir 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 olarak uyumlu olabileceği sınıfları; Ω^c sınıfa ait fiziksel alanı ve b mevcut eğitim grubunu göstermektedir. Model fiziksel olarak uygulanamaz bir sınıfa yüksek olasılık verdiğinde kayıp artmaktadır.

Küme çökmesini engelleyen çeşitlilik kaybı

Küme merkezlerinin birbirine yaklaşarak tek bölgede toplanmasını engellemek için itici düzenlileştirme kullanılmıştır:

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

Merkezler birbirine yaklaştığında üstel terim büyümekte ve model cezalandırılmaktadır. Amaç, dört çalışma durumunun gömme uzayında birbirinden ayrılmasını korumaktır.

Toplam eğitim kaybı

Dört kayıp terimi ağırlıklı biçimde birleştirilmektedir:

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

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

θ_en kodlayıcı, θ_cls sınıflandırma başlığı ve μ_i küme merkezi parametreleridir. λ₁–λ₄ her kayıp bileşeninin etkisini belirlemektedir.

Üç aşamalı fizik bilgili mekanizma

1. Küme merkezlerinin fizik bilgisiyle başlatılması

Küme merkezi; az sayıdaki etiketli örnekten gelen sınıf merkezi, bütün veri üzerindeki K-means merkezi ve fiziksel olarak uygulanabilir örneklerden seçilen merkez kullanılarak oluşturulmaktadır:

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

Bu işlem rastlantısal başlangıçların modeli fiziksel olarak anlamsız bir yerel çözüme götürme riskini azaltmayı amaçlamaktadır.

2. Eğitim sırasında fiziksel tutarlılık

Fiziksel özellik vektörüyle uyumsuz sınıflara verilen olasılık, L_phys kaybıyla azaltılmaktadır. Böylece gerilim sapması, dalgalanma ve sıçrama özellikleriyle uyuşmayan bir arıza sınıfının yalnızca sayısal benzerlik nedeniyle seçilmesi engellenmeye çalışılmıştır.

3. Test sırasında fiziksel uygulanabilirlik doğrulaması

Test zamanı artırımıyla elde edilen oylama dağılımı, fiziksel olarak uygulanabilir sınıf kümesiyle birlikte son kez kontrol 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 tahmin, s_i düzeltilmiş sonuç ve θ güven eşiğidir. İlk tahmin yeterince güvenli ve fiziksel olarak mümkünse korunmakta; değilse yalnızca uygulanabilir sınıflar arasındaki en yüksek olasılık seçilmektedir.

Deney düzeneği neyi temsil etmektedir?

Şekil 3’te hidrojen girişi ve çıkışı, hava hattı, nemlendirme sistemi, soğutucu giriş ve çıkışı, elektronik yük, izleme bilgisayarı ve on hücreli PEMFC yığını gösterilmektedir. Yığın soğutma kanallarından geçen deiyonize suyla ısıtılmış veya soğutulmuş; iç nem, nemlendirme tankıyla düzenlenmiştir.

Her hücrenin etkin alanı 347 cm²’dir. Membran kalınlığı 12 µm, gaz difüzyon tabakası kalınlığı 190 µm olarak verilmiştir. Bu büyük etkin alanın otomotiv uygulamalarına benzer bir mühendislik ölçeği sağladığı belirtilmektedir; ancak yığın yalnızca on hücreden oluşmaktadır.

Hangi arızalar oluşturulmuştur?

• N — Normal durum: Referans sıcaklık, bağıl nem ve gaz stokiyometrisi,
• F1 — Membran kuruması: Bağıl nemin %0’a indirilmesi ve sıcaklığın yükseltilmesi,
• F2 — Su basması: Bağıl nemin %70’e çıkarılması ve yığın sıcaklığının düşürülmesi,
• F3 — Oksijen yetersizliği: Katot hava stokiyometrik oranının azaltılması.

Akım yoğunlukları düşük, orta ve yüksek yük için sırasıyla 0,58 A/cm², 1,15 A/cm² ve 1,80 A/cm² olarak ayarlanmıştır. Gerilimler 0,001 V çözünürlük ve 4 Hz örnekleme frekansıyla kaydedilmiştir.

Tek hücre sinyali neden daha erken uyarı vermiştir?

Şekil 4, yığın ortalama gerilimiyle seçilen anahtar hücrenin gerilimini dokuz ayrı yük–arıza birleşiminde karşılaştırmaktadır. Membran kurumasında zayıf hücredeki nem kaybı ve yerel kutuplanma önce tek hücre gerilimini düşürmektedir. Su basmasında sıvı suyun yerel kanal veya gaz difüzyon tabakasını aralıklı biçimde tıkaması, “ani düşüş–toparlanma–yeniden düşüş” biçiminde hücre düzeyinde belirgin işaretler oluşturmaktadır. Diğer hücreler normal üretime devam ettiğinden bu işaretler yığın ortalamasında seyrelmektedir.

Oksijen yetersizliği daha hızlı ve yığın genelinde etkili bir konsantrasyon kutuplanması oluşturduğu için tek hücre ile yığın ortalaması arasındaki zaman farkı yalnızca 0,5–1 saniye düzeyinde kalmıştır. Bu sonuç, tek hücre sinyalinin her arıza için aynı ölçüde avantajlı olmadığını göstermektedir.

Arıza tespit zamanları ne göstermektedir?

Tablo 5’te verilen 35 saniye, çalışmanın sayısal olarak desteklenen en büyük erken tespit değeridir. Bununla birlikte düşük akımdaki membran kuruması için 1830,5−1811,0 işlemi 19,5 saniye olmasına rağmen tabloda 17,5 saniye yazılmıştır. Yüksek akımdaki membran kurumasında 1822,5−1810,5 işlemi 12,0 saniyedir; tabloda 12,5 saniye verilmiştir. Sonuç bölümündeki “yaklaşık 37 saniye” ifadesi de Tablo 5 ve özetle uyuşmamaktadır.

Tek hücre ve yığın gerilimiyle tanı doğruluğu

Şekil 5’te aynı DPICC modeli iki farklı girişle karşılaştırılmıştır. Tek hücre özellikleriyle genel doğruluk %98,15, yığın ortalama gerilimiyle %86,42’dir. Aradaki fark 11,73 yüzde puanıdır.

Yığın ortalamasındaki en büyük kayıp membran kurumasında görülmüştür. Bu durum, yerel kurumanın ilk aşamada yalnızca zayıf hücrelerde ortaya çıkması ve normal hücrelerin çıkışının ortalama gerilimdeki değişimi bastırmasıyla ilişkilendirilmiştir.

Aşamalı çıkarım deneyi ne göstermektedir?

M1’den M7’ye kadar yedi yapılandırma kullanılmıştır. Metinde bunlar “altı varyant” olarak adlandırılsa da M1–M7 aralığı yedi modeli kapsamaktadır.

M4 ile M7 arasındaki fark 16,60 yüzde puanıdır. Bu değer, araştırmacıların üç aşamalı fizik bilgili mekanizmaya atfettiği toplam kazanımdır. On farklı rastlantısal başlangıçla oluşturulan kutu grafiklerinde M7’nin yalnızca ortalama doğruluğu yükselmemiş, dağılımı ve aykırı sonuçları da daralmıştır.

Diğer algoritmalarla karşılaştırma

DPICC, SVM’den 6,03 yüzde puanı; Propagate’ten 7,94; Aggressive yönteminden 8,38 ve SDAE’den 10,81 yüzde puanı daha yüksek doğruluk sağlamıştır. Sonuç bölümünde KNN’ye karşı 12,81 puanlık bir üstünlük de yazılmıştır; ancak KNN yöntemi karşılaştırma düzeninde, Şekil 7’de veya ilgili yöntem açıklamasında bulunmadığı için bu değer sunulan deneylerden bağımsız biçimde doğrulanamamaktadır.

Çalışmanın güçlü yönleri

• Yalnızca genel yığın gerilimi yerine hücreler arası uzamsal farklılığı kullanması,
• Kontrollü bir deney tezgâhında üç yük ve üç arıza türünün sınanması,
• Normalden arızaya geçişin zaman içinde izlenmesi,
• Veri ayrımının örnek penceresi yerine deney tekrarı düzeyinde yapılması ve zaman komşuluğundan doğabilecek veri sızıntısının azaltılması,
• Az etiketli veri koşulunun açık biçimde modellenmesi,
• Her modülün katkısını gösteren aşamalı çıkarım deneylerinin yapılması,
• Model kararlarının gerilim sapması, dalgalanması ve sıçraması gibi fiziksel göstergelerle sınırlandırılması.

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Deneyler gerçek araç filosunda değil, on hücreli laboratuvar tezgâhında gerçekleştirilmiştir.
• Arızalar sıcaklık, nem ve stokiyometrik oranların kontrollü biçimde değiştirilmesiyle oluşturulmuştur; saha arızalarının tamamını temsil etmeyebilir.
• Farklı yığın üreticileri, hücre sayıları, yaşlanma düzeyleri ve sensör sistemleri üzerinde dış doğrulama sunulmamıştır.
• Model gerçek zamanlı gömülü donanımda hesaplama süresi, bellek kullanımı veya enerji tüketimi açısından değerlendirilmemiştir.
• Uzun dönem elektrokimyasal yaşlanma ile ani su ve gaz yönetimi arızalarının birlikte bulunduğu durumlar incelenmemiştir.
• Eşik, sembol, zaman farkı ve karşılaştırma sonuçlarında çeşitli metin içi tutarsızlıklar bulunmaktadır.
• Fiziksel uygulanabilirlik alanları eğitim verisinin istatistiksel aralıklarından türetilmiştir; tamamen bağımsız temel fizik denklemlerine dayalı değildir.
• Yaklaşık %10 etiketli veri gereksinimi devam etmektedir; tamamen etiketsiz bir yöntem değildir.

Çalışma neyi desteklemektedir?

• İncelenen deney koşullarında tek hücre gerilim özellikleri, yığın ortalama geriliminden daha erken ve daha ayırt edici arıza bilgisi taşımıştır.
• Fizik bilgili kısıtlar, aynı veri setindeki derin kümeleme doğruluğunu ve sonuç kararlılığını yükseltmiştir.
• Az etiketli ve çok etiketsiz örnek içeren yarı denetimli yapı, dört çalışma durumunu yüksek doğrulukla ayırabilmiştir.
• Su basması arızasında yerel hücre geriliminin erken uyarı avantajı özellikle belirgin olmuştur.

Çalışma neyi kanıtlamamaktadır?

• DPICC’nin bütün otomotiv yakıt hücresi yığınlarında %98’in üzerinde doğruluk sağlayacağını kanıtlamamaktadır.
• Gerçek yol, iklim, titreşim, yaşlanma ve bakım koşullarında aynı erken uyarı süresini göstermemektedir.
• Modelin arızayı önlediğini, yakıt hücresi ömrünü uzattığını veya araç güvenliğini doğrudan artırdığını göstermemektedir.
• Tek hücre geriliminin bütün arıza türlerinde yığın geriliminden önemli ölçüde daha erken olduğunu göstermemektedir; oksijen yetersizliğinde fark çok küçüktür.
• Fiziksel kısıtların gerçek elektrokimyasal mekanizmaları eksiksiz temsil ettiğini kanıtlamamaktadır.
• Ticari ölçekli çevrim içi uygulama, maliyet, sensör dayanıklılığı veya endüstriyel sertifikasyon kanıtı sunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Deneysel yığın ve veri toplama

Yük ve arıza koşulları

Örnek oluşturma ve veri ayrımı

Her deney önce 1800 saniye kararlı normal çalışma ile başlamış, ardından kontrol değişkenleri değiştirilerek kademeli biçimde arıza durumuna geçilmiştir. Toplam 46.896 örnek oluşturulmuştur.

Veriler %70 eğitim ve %30 test olarak ayrılmıştır. Aynı deney tekrarı ve birbirine komşu zaman pencereleri yalnızca eğitim veya yalnızca test grubuna atanmıştır. Bu tercih, zaman açısından birbirine çok benzeyen örneklerin iki gruba dağıtılmasıyla oluşabilecek bilgi sızıntısını azaltmaktadır.

Yarı denetimli eğitim düzeni

• Etiketli–etiketsiz örnek oranı: 1:9,
• Yaklaşık etiketli örnek oranı: %10,
• Derin modellerde eniyileyici: Adam,
• Öğrenme oranı: 0,001,
• Mini grup büyüklüğü: 128,
• Aşamalı çıkarım deneyinde rastlantısal başlangıç sayısı: 10.

Yük ve arıza durumuna göre seçilen anahtar hücreler

Anahtar hücrenin arıza ve yük koşuluna göre değişmesi, yığın içindeki gaz, su, sıcaklık ve akım dağılımının uzamsal olarak aynı olmadığını göstermektedir. Çalışma belirli bir hücrenin bütün koşullarda sürekli olarak en zayıf hücre olduğunu ileri sürmemektedir.

Ana bulgular

• Tek hücre gerilim girdisiyle genel test doğruluğu %98,15; yığın ortalama gerilimiyle %86,42 olmuştur.
• Tek hücre girdisinin doğruluk üstünlüğü 11,73 yüzde puanıdır.
• Sayısal olarak doğrulanabilen en büyük erken tespit avantajı, yüksek akımdaki su basması koşulunda 35 saniyedir.
• Membran kurumasında tek hücre işareti yaklaşık 12–20 saniye önce görünmüştür; metindeki bazı fark değerleri aritmetik olarak tutarsızdır.
• Oksijen yetersizliğinde erken tespit farkı yalnızca 0,5–1 saniyedir.
• Fizik bilgili üç mekanizmanın M4’ten M7’ye toplam katkısı 16,60 yüzde puanıdır.
• DPICC, aynı veri ve etiket bütçesi altında karşılaştırılan altı yöntem arasında en yüksek doğruluğu vermiştir.
• DPICC’nin sınıf bazlı doğru tanı oranları normal, kuruma, su basması ve oksijen yetersizliği için sırasıyla %96,3, %98,7, %99,4 ve %98,2’dir.

Kaynak ve Yöntem Notu

Çalışmanın 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 sıralaması: Yukarıdaki liste özgün çalışmadaki sırayı korumaktadır.

Eş birinci yazar: Çalışmada eş birinci yazar veya eşit katkı bilgisi yer almamaktadır.

Sorumlu yazarlar: Fuwu Yan ve 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 platformu: SSRN.

Dergi: Hakemli bir dergi yayını doğrulanmamıştır. Çalışma SSRN üzerinde preprint olarak sunulmaktadır.

Yayımlama altyapısı: SSRN, Elsevier bünyesindeki preprint sunucusudur.

Yayın yılı: 2026.

Kaynak türü: Deneysel tezgâh çalışması, yöntem geliştirme ve yarı denetimli makine öğrenmesi içeren preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiştir. Sonuçlar bağımsız hakemlik ve dış doğrulama tamamlanmış bir bilimsel uzlaşı gibi değerlendirilmemelidir.

Resmî kayıt:SSRN 6935078 resmî çalışma sayfası

DOI bağlantısı:10.2139/ssrn.6935078

Sürüm uyarısı: Aynı başlık ve yazar listesiyle 10.2139/ssrn.6333504 DOI’sini taşıyan ayrı bir SSRN kaydı da bulunmaktadır. İncelenen çalışma üzerinde 6935078 numarası yer aldığı için bu makalede 10.2139/ssrn.6935078 sürümü esas alınmıştır. İki kayıt arasındaki sürüm ilişkisi açık biçimde belirtilmemiştir.

Bu Verianla içeriği yüklenen bilimsel çalışmanın metni, matematiksel ifadeleri, deney tabloları, iş akışı şemaları, gerilim grafikleri, aşamalı çıkarım sonuçları ve karışıklık matrisleri incelenerek hazırlanmıştır. Dış kaynaklar yalnızca DOI, platform ve yayın durumu gibi bibliyografik alanların doğrulanması amacıyla kullanılmış; çalışmanın bilimsel bulgularına dışarıdan yeni sonuç eklenmemiştir.

Çalışmanın temel yöntembilimsel sınırları; on hücreli laboratuvar yığını, kontrollü biçimde oluşturulan üç arıza, tek araştırma düzenine ait örnekler, yaklaşık %10 etiketli veri gereksinimi ve gerçek araç filosunda dış doğrulama bulunmamasıdır. Çalışma çevrim içi ticari uygulama başarısı, bakım maliyeti düşüşü, araç güvenliği artışı veya yakıt hücresi ömrünün uzaması konusunda doğrudan kanıt sunmamaktadır.

Metindeki 0,03–0,003 V eşik farkı, bazı zaman farklarındaki aritmetik uyumsuzluk, 35–37 saniye çelişkisi, M1–M7’nin “altı varyant” olarak adlandırılması ve karşılaştırma bölümünde bulunmayan KNN sonucunun sonuç kısmında kullanılması araştırmacılar tarafından açıklığa kavuşturulması gereken noktalar olarak korunmuştur.