这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
质子交换膜电解槽故障检测与隔离的新型混合方法：结合先验知识与自监督学习
作者及机构
本研究由法国里尔大学（Université de Lille）CRIStAL实验室（UMR 9189）的Balyogi Mohan Dash、Belkacem Ould Bouamama、Komi Midzodzi Pekpe和Mahdi Boukerdja共同完成，发表于2024年的期刊*Neurocomputing*（第594卷，文章编号127871）。通讯作者为Balyogi Mohan Dash。
学术背景
研究领域与动机
该研究属于故障检测与隔离（Fault Detection and Isolation, FDI）领域，聚焦于质子交换膜（Proton Exchange Membrane, PEM）电解槽的实时故障诊断。PEM电解槽是可再生能源制氢（绿氢）的核心设备，其可靠性对清洁能源系统至关重要。然而，传统方法面临两大挑战：
1. 标记故障数据稀缺：实际运行中故障样本难以获取，限制了数据驱动方法的性能；
2. 模型复杂性：多物理耦合系统（电化学、流体、热力学）的精确建模困难，且参数不确定性易导致误报。
研究目标
提出一种混合FDI方法，结合模型驱动的键合图（Bond Graph, BG）与数据驱动的自监督学习（Self-Supervised Learning, SSL），解决小样本下的故障诊断问题，并通过可解释AI（XAI）增强模型透明度。
研究流程与方法
1. 数据生成与预处理
- 研究对象：300W单电池PEM电解槽（Heliocentric商用设备）及其高保真仿真模型。
- 故障模拟：涵盖9类故障（如膜腐蚀、催化剂降解、传感器漂移等），通过真实实验（传感器故障）和仿真（参数故障）生成数据。
- 数据预处理：
- 从传感器测量值（电流、温度、压力等）通过线性分式变换键合图（LFT-BG）生成6维残差信号；
- 滑动窗口（长度𝑤=40）分割为多变量时间序列样本，共2100条（每类210条），按160:50划分训练集与测试集。
2. 自监督学习框架
- 伪标签生成：利用LFT-BG模型计算残差的自适应阈值，生成二进制相干向量（Coherence Vector）作为伪标签。
- 预训练：
- 输入：残差信号（40×6矩阵）；
- 模型：5层1D卷积神经网络（CNN）提取特征，输出层预测伪标签（6维）；
- 损失函数：二元交叉熵。
- 微调：
- 保留预训练的特征提取器，添加全连接层（输出10类故障概率）；
- 仅使用少量标记数据（每类𝑁∈[4,8,…,64]）训练，学习率降至10⁻⁴以避免灾难性遗忘。
3. 混合FDI架构
- 层级集成：
1. 故障检测：LFT-BG实时监控残差，若超出阈值则触发警报；
2. 故障隔离：深度学习模型对触发样本分类，输出最可能故障类别。
- 可解释性增强（BG-XAI）：
- 遮挡法：逐次屏蔽输入残差通道，计算输出变化以量化各残差贡献；
- 结构方程解析：结合BG模型的结构关系，解释残差敏感性与故障物理关联。
主要结果
1. 小样本学习性能
- 在每类仅4个标记样本时，测试集F1-score达0.82，显著优于对比SSL方法（如对比学习、重构方法）。
- 随标记数据增加（𝑁=64），F1-score提升至0.94，证明伪标签有效缓解数据稀缺问题。
2. 残差信号的优越性
- 与传统直接使用传感器数据相比，残差输入使F1-score提高12%~18%，因其对故障更敏感且物理意义明确。
3. 可解释性验证
- BG-XAI显示：模型决策与BG理论一致（如𝑅𝑜ℎ𝑚故障主要激活𝐴𝑅𝑅1和𝐴𝑅𝑅6残差），增强用户信任。
4. 实时性与鲁棒性
- 层级架构减少误报率（False Alarm）达35%，且能检测未知故障（如未训练的突发性泄漏）。
结论与价值
科学价值
1. 方法论创新：首次将LFT-BG生成的伪标签用于SSL，为小样本FDI提供新范式；
2. 跨学科融合：结合物理模型与深度学习，提升算法可解释性，推动AI在安全关键系统的应用。
应用价值
1. 工业诊断：适用于PEM电解槽及其他复杂系统的实时监控；
2. 开源贡献：代码公开于GitHub（https://github.com/mohan696matlab/ssl_based_hybrid_fdi），促进社区发展。
研究亮点
1. 新型伪标签机制：利用LFT-BG的残余不确定性生成物理信息丰富的伪标签；
2. 混合架构：层级集成兼顾模型鲁棒性与数据灵活性；
3. 可解释性设计：BG-XAI将黑箱决策映射至物理方程，符合工程需求。
其他价值
- 高保真仿真模型与真实数据结合的验证方法，为后续研究提供可靠基准；
- 提出的遮挡法可扩展至其他时序数据解释任务。