扩散模型使从短时间域轮廓高保真预测燃料电池阻抗谱成为可能

实时“聆听”燃料电池

质子交换膜燃料电池为汽车和备用电源系统提供无尾气排放的动力，是一种有前景的方案，但其老化速度常快于预期。工程师们希望能“听到”这些设备内部发生的变化，以便尽早发现干燥、淹水或缺氧等问题。电化学阻抗谱本身就是一种强大的“听诊”工具，但在现场测量又慢又贵。本文展示了一种新的人工智能——扩散模型，如何从燃料电池已能产生的简单传感器数据重建出这种丰富的内部指纹。

为何测量燃料电池的特征如此困难

阻抗谱相当于对燃料电池的全面体检。通过在多个频率上以微小电激励探测电池响应，研究人员可以区分与质子在膜中迁移相关的欧姆损失、表面反应速率以及气体和水分传输等损耗。如今，采集这些信息需要专门的实验设备、较长的测试时间和严格受控的条件，因此在车辆或商业电堆的实际运行环境中难以实施。即使是注入更复杂信号的快速方法，也需要高端电子设备和精细调校。因此工业界通常依赖更粗糙的测量，如简单的电压–电流曲线，从而失去了阻抗可提供的细致洞见。

教会人工智能重建隐藏的谱图

作者提出了另一条路径：不直接测量完整谱图，而是从短时间流的易获得信号（如电流、电压、温度、压力和气体流量比）来预测谱图。他们采用扩散模型——一种以生成图像著称的生成式人工智能技术，并将其改造用于一维电气数据。在训练过程中，模型学习逐步还原被人为加入噪声的真实阻抗谱。一种基于Transformer的神经网络（最初为语言任务设计）作为骨干，利用注意力机制捕捉时间序列输入内部以及输入与谱图之间的长程关系。训练完成后，系统从噪声起步，迭代“去噪”直到得到与输入传感器历史一致的预测谱图。

从真实燃料电池构建大规模数据集

为实现这一目标，团队汇集了他们称为迄今为止最大的公开燃料电池阻抗数据集。他们测试了两种具有不同流场设计的单电池膜电极组件，以及两个额定功率分别为30 kW和9 kW的电堆。在这些设备上，他们改变了工作条件（如电流密度、入口压力、温度和气体化学当量比），并引入了受控故障，包括膜脱水、淹水和空气饥饿。对每种工况，他们记录了来自标准传感器的短时间域轮廓，然后在宽频率范围内测量完整谱图。总计他们收集了超过5700个配对样本，用于训练并严格测试他们的模型。

人工智能“听见”电池的程度如何

在对未见数据的评估中，这种基于扩散的方法在许多情况下仅用前100秒、每秒采样一次的传感器历史，就能预测出误差约为或低于1%的完整谱图。它优于若干替代方法，包括长短期记忆网络和纯Transformer模型，将中位百分比误差最多降低约37%。当在输入信号中加入人工噪声时，该方法仍保持相当准确；在去除部分传感器时性能也缓慢下降——这对成本敏感的应用很重要。作者还比较了将物理洞见整合到模型中的不同方式，例如先预测电路模型参数与直接预测谱图，结果表明直接预测谱图更可靠。

将预测转化为可操作的健康洞察

只有当谱图能揭示燃料电池健康状况时，准确的谱图才有价值。团队表明，其模型生成的谱图可以被输入到既有分析工具中，提取出欧姆电阻、与反应相关的损失以及传质限制等量值——这些数值可追踪膜含水量、催化剂性能和氧气输送。由模型推断出的这些损失与直接测得谱图得到的数值足够接近，能够区分正常工况与正在发生的故障。作者进一步讨论了将此类基于阻抗的指标与详细物理仿真或先进成像相结合，未来可能直接估算内部变量（如含水量或氧浓度），从而实现更智能的控制策略。

对清洁能源设备的意义

通俗地说，这项工作表明，人工智能模型可以从车载传感器已提供的简单信号重建燃料电池复杂的电学“声纹”。这使得监测内部应力、及早诊断故障并通过运行管理减缓老化变得更为实用，而无需增加笨重或昂贵的测量设备。如果这一方法被广泛采用并推广到电池等其他电化学系统，这种数据驱动的阻抗预测有望成为提高清洁能源设备可靠性、延长寿命并简化日常管理的关键要素。

引用: 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

关键词: 燃料电池健康监测, 电化学阻抗, 扩散模型, 质子交换膜燃料电池, 数据驱动诊断