Diagnosis and prognosis of proton exchange membrane fuel cells by machine learning
Diagnostic et pronostic des piles à combustible à membrane échangeuse de protons par apprentissage automatique
Résumé
Proton exchange membrane fuel cells, due to their versatility and ability to provide high power, are interesting energy conversion systems for the decarbonization of energy systems. However, their limited lifespan and high sensitivity to faults hinder their widespread deployment. This thesis focuses on the innovative application of machine learning techniques for the diagnosis and prognosis of these fuel cells, aiming to reduce dependence on user and designer expertise, on the PEMFC technology and maximize the algorithm adaptability all along the system operational life. A diagnosis approach based on impedance spectroscopy has been developed to assess the health of the fuel cell. A significant part of the work is focused on the automatic detection of features, optimizing the discrimination of various envisaged fault states. The integration of Fuzzy Clustering enhances the diagnosis module by enabling nuanced categorization of different health states. Subsequently, the implementation of echo state network reservoirs has allowed the development of a robust prognosis approach, offering reliable predictive capabilities for future performances, even in complex operational contexts. Various reservoir combinations have been studied to propose an architecture suitable for capturing long-term degradation, as well as alternative architectures based on prediction objectives. These innovative methods have been tested on datasets from national, European projects, and industrial facilities, thereby validating their applicability and effectiveness in real-world situations.
Les piles à combustible à membrane échangeuse de protons, en raison de leur polyvalence et de leur capacité à fournir des puissances élevées, sont des systèmes de conversion d'énergie participant à la décarbonation des systèmes énergétiques. Cependant, leur durée de vie limitée et leur grande sensibilité aux défauts entravent leur déploiement à grande échelle. Les travaux présentés dans le cadre de cette thèse se penchent sur l'application de techniques d'apprentissage automatique pour le diagnostic et le pronostic des piles à combustible, visant à réduire la dépendance à l'expertise de l'utilisateur, ou du concepteur, aux technologies de PEMFC et à maximiser l'adaptabilité des algorithmes tout au long de durée de vie opérationnelle du système. Tout d’abord une approche de diagnostic, basée sur la spectroscopie d'impédance électrochimique, a été développée pour évaluer l'état de santé de la pile. Une partie significative du travail s'est concentrée sur la détection automatique des descripteurs, optimisant ainsi la discrimination des divers états de défaut envisagés. L'intégration du Fuzzy Clustering enrichit le module de diagnostic en permettant une catégorisation nuancée des différents états de santé. Par la suite, l'instauration de réservoirs d'echo state network a permis le développement d'une approche de pronostic robuste, offrant une capacité fiable de prédiction des performances futures, même dans des contextes opérationnels complexes. Diverses combinaisons de réservoirs ont été étudiées permettant de proposer une architecture adaptée à la capture de dégradation long-terme mais également de proposer des architectures alternatives en fonction des objectifs de prédiction. Ces méthodes novatrices ont été testées sur des ensembles de données provenant de projets nationaux, européens et d'installations industrielles, validant ainsi leur applicabilité et leur efficacité dans des situations réelles.
Origine | Version validée par le jury (STAR) |
---|