Otomobillerde kullanılan proton değişim membranlı yakıt hücreleri, hızlanma, yavaşlama ve değişen güç talebi nedeniyle sürekli olarak dinamik yük koşullarında çalışır. Membranın kuruması, hücre içinde fazla su birikmesi veya katoda yeterli oksijen ulaşmaması gibi arızalar başlangıçta yakıt hücresinin çıkış voltajında yalnızca küçük değişiklikler oluşturabilir. Bu zayıf işaretler ölçüm gürültüsü ve normal çalışma dalgalanmaları içinde kaybolabildiği için arıza çoğu zaman belirgin voltaj düşüşü başladıktan sonra fark edilir.

Bu çalışmada araştırmacılar, zaman serisi hâlindeki voltaj ölçümlerinden yakıt hücresinin doğrudan gözlenemeyen iç elektrokimyasal durumunu temsil eden düşük boyutlu bir “gizli durum” öğrenen LS-PINN adlı fizik bilgili sinir ağı geliştirmiştir. Model; voltaj dizilerini işleyen artık bağlantılı zamansal evrişim ağı, çok başlı dikkat mekanizması ve çift yönlü GRU katmanını, yakıt hücresinin polarizasyon denklemleri ve eşdeğer devre empedans modeliyle birleştirmektedir.

Deneyler, her biri 347 cm² etkin alana sahip 10 hücreden oluşan bir PEM yakıt hücresi yığını üzerinde gerçekleştirilmiştir. Normal çalışma, membran kuruması, su birikmesi ve oksijen yetersizliği durumları; düşük, orta ve yüksek akım yoğunluklarında oluşturulmuştur. Voltaj 4 Hz örnekleme hızı ve 0,001 V çözünürlükle kaydedilmiş, empedans spektrumları 0,1 Hz ile 10 kHz arasında seyrek kararlı durum ölçümleri olarak alınmıştır.

Toplam 10.785 zaman penceresi oluşturulmuş ve deney koşuları yaklaşık %70 eğitim, %30 test olacak biçimde, pencere üretiminden önce ayrılmıştır. Eğitim örneklerinin yalnızca %20’sinin arıza etiketi kullanılmış; etiketsiz örnekler fiziksel yeniden yapılandırma ve tutarlılık kayıplarına katkıda bulunmuştur.

Tam LS-PINN modeli özgün test kümesinde %98,67, sınıfları dengelenmiş test kümesinde ise %98,62 doğruluk elde etmiştir. En iyi karşılaştırma modeli V-ECM-Fusion’a göre doğruluk artışı sırasıyla 4,96 ve 7,17 yüzde puandır. Fiziksel kısıtların bulunmadığı zaman serisi modelinden tam modele geçildiğinde doğruluk %85,91’den %98,67’ye yükselmiştir.

Modelin voltajdan çıkardığı toplam polarizasyon direnci, membran kurumasında çalışmada bildirilen değerlere göre 13,5–17 saniye, su birikmesinde 29,5–38,5 saniye ve oksijen yetersizliğinde 1–1,5 saniye erken anomali göstergesi üretmiştir. Ancak bu direnç sürekli ölçülmüş bir empedans değeri değildir; seyrek EIS ölçümleriyle kalibre edilen sinir ağının voltajdan çıkardığı fiziksel bir vekil göstergedir.

Çalışma umut verici olsa da sonuçlar tek bir laboratuvar yığını, üç yük düzeyi ve kontrollü olarak oluşturulan üç arıza türüyle sınırlıdır. Zaman penceresi uzunluğu, ağ katmanlarının ayrıntılı boyutları, eşik ve yumuşatma parametreleri ile seyrek EIS eşleşmelerinin sayısı tam olarak açıklanmamıştır. Uzun süreli araç testleri, birleşik arızalar, yığın yaşlanması, sensör bozulması ve farklı çevre koşulları henüz değerlendirilmemiştir.

PEM yakıt hücrelerinde erken arıza neden zordur?

Proton değişim membranlı yakıt hücresi, elektrokimyasal süreçlerle elektrik üreten ve otomotiv uygulamalarında hızlı yük değişimlerine yanıt vermesi gereken karmaşık bir sistemdir. Hücre voltajı kolaylıkla ölçülebilir; ancak membranın su içeriği, elektrot yüzeyindeki reaksiyon etkinliği, oksijen taşınımı ve iç direnç gibi süreçler doğrudan ve sürekli olarak ölçülemez.

Başlangıç aşamasındaki arızalar şu nedenlerle dışarıdan fark edilmesi güç işaretler oluşturabilir:

• Voltaj değişiminin genliği küçük olabilir.
• Arıza işareti yük değişimlerinin oluşturduğu normal dalgalanmalara benzeyebilir.
• Ölçüm gürültüsü küçük voltaj eğilimlerini maskeleyebilir.
• Farklı arızalar çıkış voltajında birbirine benzeyen düşüşler oluşturabilir.
• İç elektrokimyasal değişim ile dış voltaj tepkisi arasında zaman farkı bulunabilir.

Bu nedenle yalnızca “voltaj belirli bir değerin altına düştüğünde alarm ver” yaklaşımı, iç süreçte daha önce başlayan bozulmayı kaçırabilir. Araştırmanın temel hedefi, voltaj henüz açık bir arıza işareti göstermeden önce iç direnç ve kütle aktarımıyla ilişkili değişimleri model aracılığıyla ortaya çıkarmaktır.

Çalışmada hangi arızalar incelenmiştir?

Araştırmacılar normal çalışmaya ek olarak üç temel arıza durumu oluşturmuştur:

Membran kuruması

Membran ve katalizör katmanındaki su miktarı azaldığında proton iletkenliği zayıflayabilir. Çalışmada bu durum, bağıl nemin %0’a indirilmesi ve yığın sıcaklığının normal koşula göre yükseltilmesiyle oluşturulmuştur. Kuruma arızasının iç direnç ve reaksiyon polarizasyonunda daha yavaş birikimli değişim oluşturması beklenmektedir.

Su birikmesi

Yakıt hücresi içinde sıvı su birikmesi, oksijenin gözenekli katmanlardan katalizör yüzeyine taşınmasını engelleyebilir. Çalışmada su birikmesi; daha düşük yığın sıcaklığı ve %70 bağıl nem koşuluyla oluşturulmuştur. Bu arızanın özellikle yüksek yükte oksijen kütle aktarım direncini hızlı biçimde yükselttiği bildirilmiştir.

Oksijen yetersizliği

Katoda gönderilen hava miktarının düşürülmesi, oksijen derişimini ve sınırlayıcı akım kapasitesini azaltır. Çalışmada oksijen yetersizliği, hava stokiyometrik oranının normal değerin altına indirilmesiyle oluşturulmuştur. Bu arıza daha ani geliştiği için iç mekanizma göstergesi ile dış voltaj tepkisi arasındaki zaman farkı diğer arızalardan daha kısa bulunmuştur.

Araştırmanın temel yaklaşımı nedir?

Modelin çevrimiçi tanı girdisi, yakıt hücresi yığınının voltaj zaman serisidir. Araştırmacılar voltajdan iki kanal üretmiştir:

1. Ham voltaj dizisi,
2. Voltajın birinci dereceden farkı.

s numaralı örneğin ham voltaj dizisi şu şekilde ifade edilmektedir:

\[ V^{(s)}=[v_1^{(s)},v_2^{(s)},\ldots,v_T^{(s)}] \]

Voltaj farkı dizisi şöyledir:

\[ \Delta v_t^{(s)}= \begin{cases} 0, & t=1 \\ v_t^{(s)}-v_{t-1}^{(s)}, & t=2,\ldots,T \end{cases} \]

İki kanal birleştirildiğinde modelin girişi oluşmaktadır:

\[ X^{(s)}=[V^{(s)},\Delta V^{(s)}]\in\mathbb{R}^{T\times2} \]

• \(T\): Zaman penceresindeki örnek sayısıdır.
• \(v_t\): t anındaki yığın voltajıdır.
• \(\Delta v_t\): Ardışık iki voltaj ölçümü arasındaki değişimdir.

Birinci fark kanalı, voltajın mutlak değerinden daha önce ortaya çıkabilecek yerel eğim değişimlerini ve ani geçişleri yakalamayı amaçlamaktadır.

“Yalnızca voltaj kullanan model” ifadesi nasıl anlaşılmalıdır?

Modelin araç üzerinde çalışacak tanı ve sınıflandırma kolu voltajdan hareket etmektedir. Ancak model geliştirme aşaması tamamen voltajdan ibaret değildir:

• Akım yoğunluğu ve gerekli çalışma büyüklükleri, polarizasyon denklemlerinin sınır koşulları olarak kullanılmıştır.
• Seyrek EIS ölçümleri, empedans yeniden yapılandırma kolunu eğitmek için kullanılmıştır.
• Arıza etiketleri, eğitim örneklerinin %20’sinde sınıflandırma denetimi sağlamıştır.

Dolayısıyla “voltaj tek girdidir” ifadesi, modelin çevrimiçi teşhis gözlemini tanımlar. Modelin öğrenme sürecinde kullanılan bütün bilgi kaynaklarını tanımlamaz. EIS gereksinimi çıkarım sırasında ortadan kalksa da fiziksel empedans eşlemesi daha önce ölçülmüş EIS verileriyle öğrenilmektedir.

Özellik çıkarma ağı nasıl çalışmaktadır?

Çalışmanın 8. sayfasındaki Şekil 1, LS-PINN iş akışını üç ana bölümde göstermektedir: özellik çıkarımı, fizik bilgili kısıtlar ve arıza tanısı.

Artık bağlantılı zamansal evrişim ağı

ResTCN modülü, voltaj dizisindeki kısa ve orta ölçekli yerel örüntüleri çıkarır. Artık bağlantı yapısı şu ilişkiyle gösterilmektedir:

\[ H_l^{(s)}= \sigma\left( \mathcal{F}_{TCN}^{(l)}(H_{l-1}^{(s)}) +\mathcal{P}^{(l)}(H_{l-1}^{(s)}) \right) \]

• \(H_{l-1}\): Önceki katmanın özellikleridir.
• \(\mathcal{F}_{TCN}\): Zamansal evrişim bloğunun öğrendiği dönüşümdür.
• \(\mathcal{P}\): Boyut eşleme veya kimlik bağlantısıdır.
• \(\sigma\): Etkinleştirme işlevidir.

Çalışmada ayrıca evrişimsel özellik çıkarma sürecine Squeeze-and-Excitation kanal ağırlıklandırması eklendiği belirtilmektedir. Ancak SE modülünün katman boyutları ve azaltma oranı verilmemiştir.

Çok başlı öz-dikkat

Çok başlı öz-dikkat mekanizması, zaman dizisinin birbirinden uzak bölümleri arasındaki ilişkileri öğrenmeye çalışmaktadır. Böylece belirli bir anda görülen küçük voltaj sapması, daha önceki çalışma davranışıyla birlikte değerlendirilebilir.

Çift yönlü GRU

BiGRU, mevcut gözlem penceresini iki yönde işleyerek zaman içindeki bağlamı birleştirir:

\[ \overrightarrow{h_t}= GRU_f(a_t,\overrightarrow{h_{t-1}}) \]

\[ \overleftarrow{h_t}= GRU_b(a_t,\overleftarrow{h_{t+1}}) \]

\[ h_t=[\overrightarrow{h_t};\overleftarrow{h_t}] \]

Buradaki geri yönlü işlem, zorunlu olarak gerçek gelecekteki araç verisini kullanmak anlamına gelmez. Model, o anda tamamı mevcut olan zaman penceresini ters yönde de işler. Bununla birlikte çalışmada pencerenin uzunluğu ve hedef zamanın pencere içindeki kesin konumu verilmemiştir.

Gizli durum neyi temsil etmektedir?

Özellik çıkarma ağının yüksek boyutlu çıktısı, daha küçük bir vektöre sıkıştırılmaktadır:

\[ z_{raw}^{(s)}= f_{lat}(r^{(s)};\theta_z) \in\mathbb{R}^{d_z} \]

• \(r^{(s)}\): Zaman dizisinden çıkarılan özellik temsilidir.
• \(z_{raw}^{(s)}\): Başlangıç gizli durumudur.
• \(d_z\): Gizli uzayın boyutudur.

Bu gizli durum doğrudan ölçülen fiziksel bir değişken değildir. Sinir ağının, voltajdaki ortak örüntülerden oluşturduğu düşük boyutlu bir temsildir. Araştırmacılar bu temsilin yalnızca sınıfları ayırmasını değil, yakıt hücresinin fiziksel denklemleriyle uyumlu parametreler üretmesini de zorunlu kılmıştır.

Zaman alanındaki fiziksel kısıt nasıl kurulmuştur?

Gizli durumdan üç zaman alanı parametresi çıkarılmaktadır:

• Değişim akım yoğunluğu \(i_0\),
• Polarizasyon kolunun omik direnci \(R_{\Omega,pol}\),
• Etkin kütle aktarım parametresi \(k_{mt}\).

Yakıt hücresi voltajı üç temel polarizasyon kaybı üzerinden yeniden oluşturulmaktadır:

\[ \widehat{V} =E_{rev} -\eta_{act} -\eta_{ohm} -\eta_{conc} \]

• \(E_{rev}\): Tersinir teorik voltajdır.
• \(\eta_{act}\): Elektrot reaksiyonlarının etkinleştirme kaybıdır.
• \(\eta_{ohm}\): Membran, temas ve iletkenlik kaynaklı omik kayıptır.
• \(\eta_{conc}\): Reaktant taşınımındaki sınırlamalardan doğan derişim kaybıdır.

Etkinleştirme aşırı potansiyeli, Butler–Volmer yaklaşımının simetrik biçimiyle modellenmiştir:

\[ \eta_{act} =\frac{R_g\Theta}{\alpha F} \sinh^{-1}\left(\frac{i}{2i_0}\right) \]

• \(R_g\): Gaz sabitidir.
• \(\Theta\): Mutlak sıcaklıktır.
• \(\alpha\): Yük aktarım katsayısıdır.
• \(F\): Faraday sabitidir.
• \(i\): Çalışma akım yoğunluğudur.

Omik kayıp şu şekilde ifade edilmektedir:

\[ \eta_{ohm}=iR_{\Omega,pol} \]

Sınırlayıcı akım yoğunluğu ve derişim kaybı için kullanılan ilişkiler şöyledir:

\[ i_L=n_eFc_{O_2}k_{mt} \]

\[ \eta_{conc} =-\frac{R_g\Theta}{n_eF} \ln\left(1-\frac{i}{i_L}\right) \]

• \(n_e\): Elektron aktarım sayısıdır.
• \(c_{O_2}\): Oksijenin karakteristik derişimidir.
• \(i_L\): Sınırlayıcı akım yoğunluğudur.

Yeniden oluşturulan voltaj, pencerenin ortalama ham voltajıyla karşılaştırılmaktadır. Ayrıca \(i/i_L\) oranının fiziksel açıdan uygunsuz bir sınıra yaklaşmasını önleyen ayrı bir kayıp terimi kullanılmaktadır.

Frekans alanındaki empedans kısıtı nasıl kurulmuştur?

Gizli durumdan ikinci bir fiziksel parametre grubu çıkarılmaktadır:

• Eşdeğer devre omik direnci \(R_{\Omega,ecm}\),
• İki polarizasyon kolunun dirençleri \(R_1\) ve \(R_2\),
• Sabit faz elemanı büyüklükleri \(Q_1\) ve \(Q_2\),
• Sabit faz üsleri \(\kappa_1\) ve \(\kappa_2\).

İkinci dereceden sabit faz elemanlı eşdeğer devre modeli şu şekilde ifade edilmektedir:

\[ \widehat{Z}(\omega) =R_{\Omega,ecm} +\sum_{b=1}^{2} \left[ \frac{1}{R_b} +Q_b(j\omega)^{\kappa_b} \right]^{-1} \]

• \(\widehat{Z}(\omega)\): Yeniden oluşturulan karmaşık empedanstır.
• \(\omega\): Açısal frekanstır.
• \(j\): Sanal birimdir.
• \(R_b,Q_b,\kappa_b\): b numaralı polarizasyon kolunun parametreleridir.

İki kolun yer değiştirmesini önlemek için karakteristik gevşeme süreleri sıralanmaktadır:

\[ \tau_b=(R_bQ_b)^{1/\kappa_b}, \qquad \tau_1<\tau_2 \]

Çalışmanın DRT destekli yorumuna göre:

• \(R_1\): Daha kısa zaman ölçekli, ağırlıklı olarak elektrot ara yüzeyi ve yük aktarımıyla ilişkili etkin polarizasyon direncidir.
• \(R_2\): Daha uzun zaman ölçekli, ağırlıklı olarak oksijen kütle aktarımıyla ilişkili etkin polarizasyon direncidir.

Araştırmacılar bu eşlemenin mutlak olmadığını özellikle belirtmektedir. İki direnç, birden fazla fiziksel süreci birlikte içeren toplulaştırılmış etkin parametrelerdir.

Toplam polarizasyon direnci nasıl tanımlanmıştır?

Modelin erken anomali göstergesi iki polarizasyon kolunun toplamıdır:

\[ R_{total}=R_1+R_2 \]

Omik direnç bu toplama eklenmemiştir. Bunun nedeni omik direncin empedans eğrisinin yüksek frekans kesişimini belirlemesi; polarizasyon yaylarının çapını temsil etmemesidir.

\(R_{total}\), ara yüzey reaksiyon direnci ile oksijen taşınım direncinin birleşik değişimini temsil eden model-tabanlı bir göstergedir. Gerçek zamanlı olarak ölçülen bir sensör değeri değildir.

Zaman ve frekans alanları nasıl birbirine bağlanmıştır?

Zaman alanı ve frekans alanı kolları omik direnci birbirinden bağımsız olarak tahmin eder. İki tahminin birbirine tamamen zıt sonuçlar üretmesini önlemek için normalize edilmiş bir tutarlılık kaybı kullanılmıştır:

\[ \mathcal{L}_{\Omega} =\frac{1}{N} \sum_{s=1}^{N} \left[ \frac{ R_{\Omega,pol}^{(s)}-R_{\Omega,ecm}^{(s)} }{ 0.5\left( R_{\Omega,pol}^{(s)}+R_{\Omega,ecm}^{(s)} \right)+\varepsilon } \right]^2 \]

Bu kısıt iki fiziksel modelin tamamen aynı direnç değerini üretmesini zorunlu kılmaz; ancak ortak gizli durumdan fiziksel olarak çelişkili sonuçlar çıkmasını sınırlar.

Fiziksel bilgiler sınıflandırmaya nasıl aktarılmıştır?

Fiziksel parametreler yalnızca eğitim kaybı olarak kullanılmamış, gizli durumun son biçimine doğrudan eklenmiştir:

\[ z^{(s)} =z_{raw}^{(s)} +\psi\left( [z_{raw}^{(s)};g_{phy}(P^{(s)})] \right) \]

• \(P^{(s)}\): Modelin çıkardığı zaman ve frekans alanı parametreleridir.
• \(g_{phy}\): Fiziksel parametrelerden mekanizma temsili çıkarır.
• \(\psi\): Ham gizli durum ile fiziksel temsili birleştirir.
• \(z^{(s)}\): Fiziksel olarak düzeltilmiş son gizli durumdur.

Arıza sınıfı bu son temsilden hesaplanmaktadır:

\[ \widehat{y}^{(s)} =\operatorname{softmax}(h_{cls}(z^{(s)})) \]

Toplam eğitim kaybı hangi bileşenlerden oluşmaktadır?

Model aşağıdaki birleşik amaç işleviyle eğitilmiştir:

\[ \mathcal{L} =\lambda_{cls}\mathcal{L}_{cls} +\lambda_V\mathcal{L}_V +\lambda_{lim}\mathcal{L}_{lim} +\lambda_Z\mathcal{L}_Z +\lambda_{param}\mathcal{L}_{param} +\lambda_{\Omega}\mathcal{L}_{\Omega} \]

Sınıflandırma kolunda, zor örneklere daha fazla ağırlık veren odaklanmış çapraz entropi kaybı ve etiket yumuşatma kullanılmıştır. Kayıp ağırlıkları doğrulama kümesi performansına dayalı Bayesçi optimizasyonla seçilmiştir.

Yarı denetimli eğitim nasıl uygulanmıştır?

Eğitim kümesindeki örneklerin yalnızca %20’sinde arıza etiketi korunmuştur. Geri kalan örnekler sınıflandırma kaybına doğrudan katılmamıştır; ancak şu fiziksel görevlerde kullanılmaya devam etmiştir:

• Voltaj yeniden yapılandırma,
• Omik direnç tutarlılığı,
• Parametre düzenlileştirme,
• Sınırlayıcı akım kısıtı.

Yalnızca gerçek EIS ile eşleştirilen seyrek voltaj pencereleri empedans yeniden yapılandırma kaybına katkıda bulunmuştur. EIS bulunmayan pencereler için frekans alanı kaybı hesaplanmamıştır.

Eğitim EIS verilerine %2 Gauss pertürbasyonu uygulanmış, test EIS ölçümleri değiştirilmemiştir. Bu işlem yeni fiziksel deney üretmemekte; yalnızca mevcut spektrumların küçük gürültülü türevlerini eğitimde kullanmaktadır.

Deney yığını nasıl kurulmuştur?

Çalışmanın 23. sayfasındaki Şekil 3, PEM yakıt hücresi yığınını, hidrojen ve hava giriş-çıkışlarını, soğutma devresini, nemlendirme sistemini, elektronik yükü ve izleme bilgisayarını göstermektedir.

Arıza koşulları nasıl oluşturulmuştur?

Her işletme koşulu üç kez tekrarlanmıştır. Sistem önce 1.800 saniye kararlı normal durumda çalıştırılmış, daha sonra kontrol değişkenleri değiştirilerek arıza kademeli biçimde oluşturulmuştur.

Örnekler nasıl ayrılmıştır?

Deney koşuları, kayan pencereler oluşturulmadan önce yaklaşık 7:3 oranında eğitim ve test kümelerine ayrılmıştır. Aynı deney koşusundan gelen komşu pencereler aynı alt kümede tutulmuştur. Bu yaklaşım, neredeyse aynı komşu zaman pencerelerinin hem eğitim hem test kümesine düşmesini önlemektedir.

Bu 10.785 pencere, 10.785 bağımsız fiziksel deney anlamına gelmez. Çok sayıda pencere aynı deney koşularının ardışık ve kısmen örtüşen bölümlerinden üretilmiştir. Bağımsız deney birimi, zaman penceresinden çok deney koşusudur.

Voltaj yeniden yapılandırması ne göstermiştir?

Çalışmanın 26. ve 27. sayfalarındaki Şekil 4, üç yük ve üç arıza koşulunda ham voltaj ile fiziksel denklemlerden yeniden oluşturulan voltajı karşılaştırmaktadır. Yeniden oluşturulan eğriler genel voltaj düşüşlerini yakından izlemiş ve gürültüyü daha fazla yumuşatmıştır.

Yeniden oluşturulan voltajın anomaliyi ham voltaja göre ortalama yaklaşık 1 saniye önce belirlediği bildirilmiştir. Düşük akım yoğunluğundaki oksijen yetersizliği deneyinde ise yeniden oluşturulan voltaj ham voltajdan 0,5 saniye sonra eşik aşmıştır. Araştırmacılar bunu düşük yükte oksijen talebinin daha az olması ve yeniden oluşturulan eğrinin daha yumuşak olmasıyla açıklamaktadır.

EIS yeniden yapılandırması ne göstermiştir?

Çalışmanın 28. sayfasındaki Şekil 5, ölçülen ve yeniden oluşturulan EIS eğrilerini düşük, orta ve yüksek akım yoğunluklarında karşılaştırmaktadır. Model, dört durumun polarizasyon yaylarının genel biçimini ve büyüklük sıralamasını yakalamıştır.

Orta yükte düşük ve orta frekans bölgelerinin uyumu daha güçlü görünürken yüksek yükte bazı yerel uyumsuzluklar artmıştır. Buna rağmen modelin yeniden oluşturduğu empedans eğrileri, ölçülen eğrilerle aynı genel değişim yönünü korumuştur.

Bu karşılaştırma yalnızca gerçek EIS ile eşleştirilmiş seyrek kararlı durum noktalarında yapılmıştır. Arıza geçişinin her saniyesinde ölçülmüş bir empedans eğrisi bulunmamaktadır.

Toplam polarizasyon direnci arızalara nasıl tepki vermiştir?

Çalışmanın 32. sayfasındaki Şekil 7, modelin her voltaj penceresinden çıkardığı \(R_{total}\) eğrisini üç yük düzeyinde göstermektedir.

• Membran kurumasında: Direnç daha yavaş ve sürekli biçimde yükselmiştir.
• Su birikmesinde: Oksijen taşınım yollarının sıvı suyla engellenmesine bağlanan daha dik bir yükseliş görülmüştür.
• Oksijen yetersizliğinde: Başlangıç sapmasını izleyen sürekli bir artış oluşmuştur.

Yük arttıkça arıza durumları arasındaki direnç farkları belirginleşmiştir. Özellikle su birikmesi ve oksijen yetersizliği yüksek akım yoğunluğunda daha keskin empedans değişimleri üretmiştir.

Model ne kadar erken uyarı vermiştir?

Düşük yükteki membran kuruması satırında sayısal tutarsızlık bulunmaktadır. Ham voltajın 1830,5 saniyede, \(R_{total}\) göstergesinin 1805,5 saniyede eşik aşması 25 saniye fark oluşturur; ancak tabloda 15 saniye yazmaktadır. Bu nedenle o satırın kesin erken uyarı süresi doğrulanamamaktadır.

Diğer satırlarda bildirilen farklar, ham voltaj zamanı ile \(R_{total}\) zamanı arasındaki aritmetik farkla uyumludur.

38,5 saniyelik erken uyarı ne anlama gelmektedir?

Bu sonuç, modelin yüksek akım yoğunluğundaki kontrollü su birikmesi deneyinde çıkardığı \(R_{total}\) eğrisinin, ham voltaj için belirlenen anomali eşiğinden 38,5 saniye önce kendi eşiğini aşmasıdır.

Sonuç şu anlamlara gelmez:

• Yakıt hücresinin gerçek fiziksel arızasının tam olarak 38,5 saniye önce başladığının bağımsız bir sensörle kanıtlandığı anlamına gelmez.
• Sürekli EIS ölçümünün 38,5 saniye önce alarm verdiği anlamına gelmez.
• Bütün su birikmesi olaylarında aynı sürenin elde edileceği anlamına gelmez.
• Aracın sürücüsüne veya kontrol sistemine doğrudan 38,5 saniyelik garantili müdahale süresi sağlandığı anlamına gelmez.

Erken uyarı süresi; normal dönemden hesaplanan eşik, eğrinin yumuşatılması ve eşik üzerinde kalma koşuluna bağlıdır. Çalışma, yumuşatma penceresi ve ardışık eşik aşımı sayısı gibi ayrıntıları tam olarak vermediği için bu sonuç aynı veriden bağımsız olarak yeniden hesaplanamamaktadır.

Gizli durum sınıflandırmayı ne kadar iyileştirmiştir?

Araştırmacılar, düşük boyutlu gizli durumun çıkarıldığı LS-PINN’i, aynı özellik çıkarıcı ve fiziksel kolları kullanıp yüksek boyutlu özellikleri doğrudan sınıflandıran RV-PINN ile karşılaştırmıştır.

Çalışmanın 35. sayfasındaki Şekil 8, gizli durum kullanılmadığında özellikle su birikmesi ve oksijen yetersizliği arasında daha fazla karışıklık bulunduğunu göstermektedir.

Ancak bölüm metnindeki sınıf bazlı oranlar, Şekil 8’deki özgün test matrisi yerine daha sonra verilen dengelenmiş test matrisindeki değerlere karşılık gelmektedir. Şekil 8’de LS-PINN sınıf oranları yaklaşık %98,6, %99,7, %98,1 ve %98,4 iken metinde %98,7, %99,5, %97,9 ve %98,4 yazılmıştır. Bu küçük fark, iki test kümesinin sınıf oranlarının anlatıda karıştırılmış olabileceğini düşündürmektedir.

Ablasyon deneyi hangi bileşenlerin etkili olduğunu göstermiştir?

Her model on farklı rastgele başlangıçla tekrar edilmiştir. Çalışmanın 37. sayfasındaki kutu grafikleri, bileşenler eklendikçe doğruluğun düzenli olarak yükseldiğini göstermektedir.

Salt zaman serisi ağı M3’ten tam fizik bilgili M6’ya geçiş, 12,76 yüzde puanlık artış sağlamıştır. Empedans kısıtı tek başına polarizasyon kısıtından 1,70 yüzde puan daha yüksek doğruluk üretmiştir. İki kısıt birlikte kullanıldığında ayrı ayrı kullanımların üzerinde sonuç elde edilmiştir.

Diğer modellerle karşılaştırma

LS-PINN, en güçlü karşılaştırma modeli V-ECM-Fusion’dan özgün testte 4,96, dengelenmiş testte 7,17 yüzde puan daha yüksek doğruluk sağlamıştır.

Özgün ve dengelenmiş test arasındaki LS-PINN farkı yalnızca 0,05 yüzde puandır. Bu sonuç, modelin normal sınıfın fazla olmasından diğer yöntemlere göre daha az yararlandığını göstermektedir. Bununla birlikte dengelenmiş test kümesi rastgele alt örnekleme yoluyla oluşturulmuştur; farklı alt örneklem seçimlerindeki değişkenlik ayrıca verilmemiştir.

Çalışmanın güçlü yönleri nelerdir?

• Gerçek PEM yakıt hücresi yığını üzerinde kontrollü deney yapılmıştır.
• Üç farklı yük düzeyi ve üç tipik arıza sınanmıştır.
• Deney koşuları pencerelemeden önce eğitim ve test olarak ayrılmıştır.
• Model yalnızca arıza sınıfı üretmemiş; voltaj ve EIS yeniden yapılandırmaları da gerçekleştirmiştir.
• EIS ölçümleri test sınıflandırmasına doğrudan girdi olarak verilmemiştir.
• Yalnızca %20 etiketle yarı denetimli eğitim uygulanmıştır.
• Ablasyon modelleri on rastgele başlangıçla tekrarlanmıştır.
• Özgün ve sınıf dengeli test kümeleri ayrı değerlendirilmiştir.
• Toplam polarizasyon direncinin fiziksel yorumu DRT analiziyle desteklenmiştir.
• Çalışma, sürekli direnç göstergesinin ölçülmüş EIS değil model-tabanlı vekil olduğunu açıkça kabul etmektedir.

Çalışmanın temel sınırlılıkları nelerdir?

• Sonuçlar tek bir 10 hücreli laboratuvar yığınına aittir.
• Arızalar kontrollü sıcaklık, nem ve hava stokiyometrisi değişimleriyle oluşturulmuştur.
• Gerçek araçtaki titreşim, çevre sıcaklığı, yol koşulu ve kontrol sistemi etkileşimleri sınanmamıştır.
• Birleşik veya eş zamanlı arızalar değerlendirilmemiştir.
• Yığın yaşlanması ve uzun süreli malzeme bozunması modele dâhil edilmemiştir.
• EIS, arıza geçişi sırasında sürekli ölçülmemiş; yalnızca kararlı durumlarda seyrek olarak alınmıştır.
• \(R_{total}\) eğrisi doğrudan ölçüm değil, voltajdan çıkarılan model tahminidir.
• Seyrek EIS ile eşleştirilen toplam pencere sayısı bildirilmemiştir.
• Zaman penceresi uzunluğu ve örtüşme oranı belirtilmemiştir.
• ResTCN katmanları, filtre sayıları, dikkat başlıkları, BiGRU birimleri ve gizli durum boyutu açıklanmamıştır.
• Eniyileyici, öğrenme oranı, toplu işlem büyüklüğü ve eğitim epoch sayısı açıkça raporlanmamıştır.
• Erken anomali eşiğinin tam formülü, yumuşatma penceresi ve süreklilik koşulu verilmemiştir.
• Tablo 4’ün düşük yükteki membran kuruması satırında aritmetik tutarsızlık bulunmaktadır.
• İki farklı bölümde verilen sınıf bazlı LS-PINN oranları küçük farklılıklar göstermektedir.
• Kaynak kodu, model ağırlıkları ve ham deney verileri için açık erişim bağlantısı verilmemiştir.
• Çıkarım süresi, bellek kullanımı ve otomotiv kontrol biriminde çalışma maliyeti ölçülmemiştir.
• Alarmın yanlış pozitif ve yanlış negatif oranı ayrı bir erken uyarı deneyiyle raporlanmamıştır.

Çalışma neyi desteklemektedir?

• Voltaja uygulanan fizik bilgili gizli durum öğreniminin kontrollü arıza sınıflandırmasında güçlü sonuç verebildiğini,
• Seyrek EIS denetiminin voltajdan fiziksel empedans parametreleri çıkaran bir modelin eğitiminde kullanılabileceğini,
• Polarizasyon ve empedans kısıtlarının yalnızca zaman serisi özelliklerine göre sınıf ayrımını geliştirebildiğini,
• Toplam polarizasyon direncinin bazı kademeli su yönetimi arızalarında dış voltajdan daha erken değişebileceğine ilişkin deneysel-modelsel kanıt bulunduğunu,
• Etiketi bulunmayan voltaj örneklerinin fiziksel kayıplar aracılığıyla eğitimde değerlendirilebildiğini desteklemektedir.

Çalışma neyi kanıtlamamaktadır?

• Bütün otomotiv PEM yakıt hücrelerinde %98,67 doğruluk elde edileceğini kanıtlamamaktadır.
• Her su birikmesi arızasının 38,5 saniye önce belirlenebileceğini göstermemektedir.
• \(R_{total}\) eğrisinin gerçek zamanlı ölçülen fiziksel dirençle her anda aynı olduğunu kanıtlamamaktadır.
• Modelin bileşik arızaları ayırabildiğini göstermemektedir.
• Yaşlanmış yığınlarda veya farklı membran ve katalizör yapılarında aynı sonucu garanti etmemektedir.
• Yanlış alarm oranının gerçek araç kullanımı için kabul edilebilir olduğunu kanıtlamamaktadır.
• Modelin otomotiv sınıfı gömülü donanımda gerçek zamanlı çalışabileceğini göstermemektedir.
• Çalışmada belirlenen eşiklerin başka bir yığına doğrudan aktarılabileceğini göstermemektedir.

Türkiye açısından nasıl değerlendirilmelidir?

Çalışma belirli bir ülkeye özgü sosyal veya bölgesel veri sunmamakta; yakıt hücreli taşıtlar ve hidrojen tabanlı enerji sistemleri için genel bir mühendislik yöntemi geliştirmektedir. Bu nedenle sonuçlar Türkiye’deki araştırma merkezleri, otomotiv üreticileri ve enerji teknolojisi geliştiricileri açısından sınanabilir bir yöntem önerisi niteliğindedir.

Türkiye’de benzer bir sistemin değerlendirilmesi için şu aşamalar gereklidir:

• Farklı güç ve hücre sayısındaki yerli veya ticari PEM yığınlarında veri toplanması,
• Sıcak ve soğuk iklim koşullarının etkisinin sınanması,
• Uzun süreli yaşlanma ve dinamik araç çevrimlerinin eklenmesi,
• Birleşik su, hava ve sıcaklık arızalarının oluşturulması,
• Eşiklerin bağımsız test koşularında sabitlenmesi,
• Modelin gerçek araç kontrol donanımındaki gecikme ve kaynak tüketiminin ölçülmesi,
• Yanlış alarm maliyetinin güvenlik stratejileriyle birlikte değerlendirilmesi,
• Çevrimiçi veya hızlı EIS ile model-tabanlı \(R_{total}\) göstergesinin doğrulanması.

Çalışmadaki sayısal doğruluk ve erken uyarı süreleri, yeni yığınlar üzerinde bağımsız doğrulama yapılmadan doğrudan tasarım veya güvenlik sınırı olarak kullanılamaz.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Ana nicel bulgular

Sonuçların güvenilirliğini artıracak ek çalışmalar

• Deney verilerinin ve kaynak kodunun yayımlanması,
• Zaman penceresi ve bütün ağ hiperparametrelerinin açıklanması,
• Seyrek EIS eşleşmelerinin sayısının ve dağılımının verilmesi,
• Eşik ve yumuşatma algoritmasının tam olarak raporlanması,
• Erken uyarı performansının yanlış alarm oranıyla birlikte değerlendirilmesi,
• Farklı yakıt hücresi yığınlarında dış doğrulama yapılması,
• Gerçek zamanlı veya daha sık EIS ölçümleriyle \(R_{total}\) eğrisinin sınanması,
• Birleşik arızalar ve değişen arıza şiddetlerinin incelenmesi,
• Yaşlanma, sensör kayması ve çevresel bozucu etkilerin eklenmesi,
• Gömülü donanımda çıkarım süresi ve enerji tüketiminin ölçülmesi,
• Bağımsız deney koşuları üzerinden güven aralıklarının hesaplanması,
• Tablo 4’teki erken uyarı aritmetiğinin düzeltilmesi.

Kaynak ve Yöntem Notu

• Çalışmanın özgün adı: Physics-Informed Latent State Learning with Polarization and Impedance Constraints for Early Anomaly Identification and Fault Diagnosis of Automotive PEM Fuel Cells
• Yazarlar: Jiaming Zhang; Changqing Du; Fuwu Yan; Zhe Li; Mingyang Nie; Jing Zhu; Liangdong Li; Wenchao Zhu
• Yazar sıralaması: Yazarlar yukarıda çalışma metnindeki sırayla verilmiştir.
• Eş katkı veya eş birinci yazarlık: Beyan bulunmamaktadır.
• Sorumlu yazar: Fuwu Yan
• Sorumlu yazar e-postası: yanfw@whut.edu.cn
• Birinci kurum: Hubei Key Laboratory of Advanced Technology for Automotive Components, Wuhan University of Technology, Wuhan, Çin
• İkinci kurum: Foshan Xianhu Laboratory, Foshan, Çin
• Üçüncü kurum: Nanyang Technological University, School of Mechanical and Aerospace Engineering, Singapur
• Çalışma yılı: 2026
• Kesin yayın tarihi: Başlık sayfasında tarih bulunmamaktadır.
• Kaynak türü: Hakem değerlendirmesinden geçmemiş preprint araştırma metni
• Yayın platformu: SSRN
• Preprint DOI: 10.2139/ssrn.7195879
• Resmî kayıt:SSRN resmî çalışma sayfası
• Kalıcı DOI bağlantısı:10.2139/ssrn.7195879
• Dergi: Hakemli bir dergide yayımlandığı doğrulanamamıştır.
• Hakemlik durumu: Çalışmanın her sayfasında hakem değerlendirmesinden geçmediği belirtilmektedir.
• Finansman: National Key R&D Program of China, 2022YFB4003703; Foshan Xianhu Laboratory of the Advanced Energy Science and Technology Guangdong Laboratory, XHRD2024-11233100-01
• Çıkar çatışması: İncelenen metinde ayrı bir çıkar çatışması beyanı bulunmamaktadır.
• Veri erişimi: Ham deney verileri için açık erişim bağlantısı verilmemiştir.
• Kod ve model ağırlıkları: Açık kaynak bağlantısı verilmemiştir.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen çalışmanın metni, denklemleri, tabloları, deney koşulları, mimari şemaları, empedans grafikleri, erken uyarı analizleri, ablasyon sonuçları ve karşılaştırmalı deneyleri esas alınarak hazırlanmıştır. Dış kaynaklar yalnızca yazar kimliği, kurum, DOI, platform ve yayın durumunun bibliyografik olarak doğrulanması amacıyla kullanılmış; dış kaynaklardan bilimsel bulgu eklenmemiştir.

Çalışmanın “voltajı tek tanı girdisi olarak kullanma” ifadesi, çevrimiçi çıkarım aşaması için geçerlidir. Eğitim sırasında akım yoğunluğu ve diğer çalışma büyüklükleri fizik denklemlerinde sınır koşulu, seyrek EIS ölçümleri ise frekans alanı denetimi olarak kullanılmıştır.

Sürekli \(R_{total}\) eğrisi gerçek zamanlı ölçülmüş empedans değildir. Her voltaj penceresinin gizli durumundan, seyrek EIS ölçümleriyle eğitilmiş eşdeğer devre parametre eşleme kolu tarafından çıkarılan model-tabanlı fiziksel bir vekildir. Çalışmanın sonuç bölümü de bu sınırlılığı kabul etmektedir.

Tablo 4’te düşük akım yoğunluğundaki membran kuruması için verilen zamanlar ile “15 saniye” erken uyarı değeri aritmetik olarak uyuşmamaktadır. Ayrıca gizli durum karşılaştırmasının anlatı metnindeki sınıf oranları, aynı bölümdeki özgün test matrisinden ziyade dengelenmiş test matrisine karşılık gelmektedir. Bu noktalar sessizce düzeltilmemiştir.

Çalışma hakem değerlendirmesinden geçmemiştir. Bulgular, tek bir laboratuvar yığını ve kontrollü arıza senaryolarıyla sınırlı olduğundan gerçek otomotiv uygulaması için bağımsız yığınlar, uzun süreli araç kullanımı, çevresel bozucular, yaşlanma ve birleşik arızalar altında ek doğrulama gerekmektedir.