Remaining Useful Life Prediction of Proton Exchange Membrane Fuel Cells Using Genetic Algorithm Based Nonlinear Autoregressive Exogenous Network
Notice bibliographique
Résumé
The proton exchange membrane fuel cell (PEMFC) is one of the most promising clean energy sources with characteristics like high energy conversion, no electrolyte leakage, and low operational temperature.However, it is difficult to build a mathematical model because the system consists of a complex nonlinear system.In the meantime, accurate estimation of the remaining useful life (RUL) of fuel cells plays an important role in improving the safety and lifetime of fuel cells.A joint prediction method based on genetic algorithm (GA) and nonlinear autoregressive neural network with external input (NARX) is proposed.The method was designed to predict the RUL of the proton exchange membrane fuel cell.GA is used to optimize the initial weights and biases of the NARX neural network.Then, the historical voltage evolution under rated current conditions is used to train the NARX network, where the trained model is used to predict the voltage evolution under ripple conditions.Integrating the GA-NARX algorithm leads to the improvement of convergence speed and the prediction accuracy of the algorithm.This integrated algorithm obtains better estimation accuracy compared to the NARX network by itself.The proposed method was compared with the genetic algorithm-based backpropagation neural network (GA-BPNN) and genetic algorithm-based time delay neural network (GA-TDNN).The proposed method is validated with the IEEE PHM 2014 Data Challenge dataset and the resultsshowed that the method has better prediction accuracy compared to other ANN algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».