Geri Dön

Proton değişim membranı yakıt pillerinde makine öğrenmesi ile ömür ve kalan kullanılabilir ömür tahmini ve arıza analizi

Lifetime and remaining useful life (RUL) prediction and fault analysis of proton exchange membrane (PEN) fuel cells using machine learning

PDF İndir

  1. Tez No: 999360
  2. Yazar: BÜŞRA ULÇAY
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SEYİT ALPEREN ÇELTEK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Karamanoğlu Mehmetbey Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması kapsamında, proton değişim membranlı yakıt hücrelerinin (PEMFC) uzun süreli performans kaybı veri odaklı yaklaşımlarla incelenmiş ve kalan faydalı ömür (RUL) tahmini için makine öğrenmesi tabanlı bir model ortya konmuştur. Çalışmada IEEE 2014 Fuel Cell Data Challenge veri seti kullanılarak yığın/hücre voltajları, akım ve akım yoğunluğu, sıcaklık, basınç, debi ve nem gibi çoklu sensör verileri analiz edilmiştir. Ham voltaj sinyali Savitzky–Golay filtresi ile gürültüden arındırıldı, hesaplama yükünü azaltmak amacıyla zaman serisi saatlik ortalamalarla sadeleştirilmiştir. Ömür sonu (EOL) eşiği başlangıç yığın voltajının %96'sı olarak belirlendi ve her zaman adımı için eşik altına düşüşe kadar geçen süre esas alınarak RUL değerleri hesaplandı. RUL tahmini için doğrusal regresyon, karar ağacı, Random Forest, Gradient Boosting, SVR, KNN ve Gaussian Process gibi regresyon modelleri eğitilerek MAE, RMSE ve R² metrikleriyle karşılaştırılmıştır. Analiz sonucunda, özellikle ensemble tabanlı modellerin doğrusal olmayan degradasyon davranışını daha yüksek doğruluk ve kararlılıkla temsil ettiği saptanmıştır. Özellik önem analizi ile kritik sensörler tanımlandı ve sınırlı sayıda sensörle oluşturulan sade modellerin, tam özellik setine yakın performans sunabildiği yapılan çalışmada gösterilmiştir. Geliştirilen yaklaşım, gerçek zamanlı PEMFC izleme ve kestirimci bakım uygulamaları için uygulanabilir bir RUL tahmin altyapısı sağlamaktadır.

Özet (Çeviri)

Within the scope of this thesis, the long-term performance degradation of proton exchange membrane fuel cells (PEMFCs) was investigated using data-driven approaches, and a machine learning–based model for remaining useful life (RUL) prediction was developed. In this study, the IEEE 2014 Fuel Cell Data Challenge dataset was utilized, and multi-sensor data including stack/cell voltages, current and current density, temperature, pressure, flow rate, and humidity were analyzed. The raw voltage signal was denoised using the Savitzky–Golay filter, and the time series was simplified using hourly averages in order to reduce computational load. The end-of-life (EOL) threshold was defined as 96% of the initial stack voltage, and RUL values were calculated for each time step based on the time remaining until the voltage dropped below this threshold.For RUL prediction, regression models including linear regression, decision tree, Random Forest, Gradient Boosting, Support Vector Regression (SVR), k-Nearest Neighbors (KNN), and Gaussian Process were trained and compared using MAE, RMSE, and R² metrics. The analysis results indicated that ensemble-based models represent nonlinear degradation behavior with higher accuracy and stability. Critical sensors were identified through feature importance analysis, and it was demonstrated that simplified models constructed using a limited number of sensors can achieve performance close to that of the full feature set. The proposed approach provides a practical RUL prediction framework suitable for real-time PEMFC monitoring and predictive maintenance applications.

Geri Dön