Модели диффузии позволяют с высокой точностью предсказывать спектр импеданса топливных элементов по коротким временным профилям

Прослушивание топливных элементов в реальном времени

Протонпроводящие мембранные топливные элементы представляют собой перспективный способ питания автомобилей и резервных источников энергии без выхлопных выбросов, но они могут изнашиваться быстрее, чем хотелось бы. Инженерам хотелось бы «слушать», что происходит внутри этих устройств, улавливая ранние признаки проблем — такие как пересыхание, затопление или недостаток кислорода. Сильный инструмент для этого уже существует — спектр электрохимического импеданса — но его измерение в полевых условиях медленное и дорогое. В этой работе показано, как новый тип искусственного интеллекта, называемый моделью диффузии, может воссоздать этот богатый внутренний отпечаток по простым данным с датчиков, которые топливные элементы уже собирают.

Почему сложно измерить «подпись» топливного элемента

Спектры импеданса действуют как комплексное обследование для топливного элемента. Исследуя реакцию элемента на слабые электрические возмущения в широком диапазоне частот, учёные могут выделять потери, связанные с движением протонов через мембрану, скоростью поверхностных реакций и переносом газов и воды. Сегодня сбор этой информации требует специализированного лабораторного оборудования, длительных испытаний и тщательно контролируемых условий, что делает метод непрактичным для автомобилей или промышленных стеков, работающих в реальных условиях. Более быстрые методы с более сложными сигналами всё равно требуют высококлассной электроники и тонкой настройки. В результате промышленность часто полагается на более грубые измерения, такие как простые вольт-амперные характеристики, теряя подробную информацию, которую мог бы дать импеданс.

Обучение ИИ восстанавливать скрытый спектр

Авторы предлагают другой путь: вместо прямого измерения полного спектра они предсказывают его по коротким временным последовательностям легко собираемых сигналов, таких как ток, напряжение, температуры, давления и соотношения газовых потоков. Они используют модель диффузии — генеративную технику ИИ, более известную по созданию изображений — и адаптируют её к одномерным электрическим данным. Во время обучения модель учится отматывать добавленный шаг за шагом искусственный шум в реальных спектрах импеданса. В качестве основы используется нейросеть на базе Transformer — изначально разработанная для задач обработки языка — с механизмом внимания, улавливающим дальние зависимости внутри временных рядов и между входами и спектрами. После обучения система начинает с шума и итеративно «очищает» его, получая предсказанный спектр, согласующийся с предшествующей историей сигналов.

Создание больших наборов данных на реальных топливных элементах

Чтобы это сработало, команда собрала, по их словам, крупнейшую открытую коллекцию данных по импедансу топливных элементов на сегодняшний день. Они испытали два одноячейковых мембрано-электродных узла с разными конструкциями полей распределения потока, а также два стака мощностью 30 кВт и 9 кВт. В диапазоне этих устройств они варьировали условия эксплуатации — плотность тока, входные давления, температуры и стехиометрии газов — и вводили контролируемые дефекты, включая обезвоживание мембраны, затопление и недостаток воздуха. Для каждого состояния они записывали короткие временные профили со стандартных датчиков и затем измеряли полные спектры в широком частотном диапазоне. В общей сложности собрано более 5700 парных примеров, которые использовались как для обучения, так и для строгой проверки модели.

Насколько хорошо ИИ «слышит» элемент

При оценке на невидимых данных подход на базе диффузии предсказывал полные спектры с ошибками около или ниже одного процента во многих условиях, используя лишь предыдущие 100 секунд истории сигналов с частотой выборки один раз в секунду. Он превосходил несколько альтернатив, включая сети с длительной краткосрочной памятью (LSTM) и чистые модели Transformer, снижая медианные процентные ошибки примерно до 37%. Метод оставался достаточно точным при добавлении искусственного шума к входным сигналам и деградировал плавно при отключении некоторых датчиков — что важно для приложений с ограниченным бюджетом. Авторы также сравнили разные способы интеграции физического знания, например сначала предсказывать параметры эквивалентной схемы против прямого предсказания спектра, и обнаружили, что прямое предсказание спектра было более надёжным.

Преобразование предсказаний в полезную диагностическую информацию

Точные спектры полезны только если они что‑то говорят о состоянии топливного элемента. Команда показала, что спектры, сгенерированные их моделью, можно подать в устоявшиеся инструменты анализа для извлечения величин, таких как омическое сопротивление, потери, связанные с реакциями, и ограничения массопереноса — показателей, отслеживающих увлажнение мембраны, работу катализатора и доставку кислорода. Эти выведенные потери совпадали со значениями, полученными из измеренных спектров, достаточно близко, чтобы отличать нормальные режимы работы от развивающихся дефектов. Авторы также обсуждают, как сочетание таких индикаторов на основе импеданса с детализированными физическими симуляциями или продвинутой визуализацией могло бы в будущем давать прямые оценки внутренних переменных, таких как содержание воды или концентрация кислорода, позволяя реализовать более умные стратегии управления.

Что это значит для устройств чистой энергии

Проще говоря, эта работа показывает, что модель ИИ может восстановить сложную электрическую «речь» топливного элемента по простым сигналам, которые уже поставляют его бортовые датчики. Это делает мониторинг внутренних напряжений более практичным, позволяет раннюю диагностику дефектов и управление работой для замедления износа — всё это без добавления громоздкого или дорогостоящего измерительного оборудования. При широком распространении и адаптации к другим электрохимическим системам, таким как батареи, такого рода предсказание импеданса на основе данных может стать ключевым компонентом для повышения надежности, увеличения срока службы и упрощения эксплуатации устройств чистой энергии в повседневной жизни.

Цитирование: Yuan, H., Tan, D., Zhong, Z. et al. Diffusion models enable high-fidelity prediction of fuel cell impedance spectrum from short time-domain profiles. Nat Commun 17, 2552 (2026). https://doi.org/10.1038/s41467-026-69321-3

Ключевые слова: мониторинг состояния топливных элементов, электрохимический импеданс, модели диффузии, топливный элемент с протонопроводящей мембраной, диагностика на основе данных