PEMFC fault diagnosis via PI-DL methods

Fault diagnosis of fuel cells using Physics-Informed Deep Learning: towards aging-aware methods

Dans la course vers la neutralité carbone, les piles à combustible à membrane échangeuse de protons (PEMFC) s’imposent comme une solution majeure pour le transport lourd et maritime. Ces convertisseurs électrochimiques transforment l’hydrogène en électricité de manière propre. Cependant, leur déploiement massif se heurte à deux obstacles : un coût élevé et une durabilité limitée. Au fil du temps, les composants s’usent et des pannes surviennent, ce qui réduit la fiabilité globale du système. Pour pallier cela, le développement de stratégies de maintenance intelligente, capables de diagnostiquer les pannes de manière précoce et précise, est devenu une priorité industrielle.

La thèse de Chiara Pettorossi propose une approche novatrice pour répondre à ces défis. Traditionnellement, le diagnostic nécessite des capteurs coûteux et complexes, difficiles à intégrer à bord des véhicules. L’idée centrale ici est de combiner le Deep Learning (apprentissage profond) avec des modèles basés sur la physique.

Utilisation d’une approche hybride

L’IA excelle à analyser les signaux dynamiques des capteurs standards déjà présents sur la pile, tandis que le modèle physique fournit une « connaissance métier » qui guide l’algorithme. Cette approche hybride permet de compenser le manque de données expérimentales massives, souvent difficiles à obtenir dans ce secteur, tout en garantissant une précision accrue sans ajout de matériel coûteux.

Prise en compte du vieillissement

L’un des apports majeurs de ce travail est la prise en compte du vieillissement du système. En temps normal, une IA entraînée sur une pile neuve perd en efficacité à mesure que la pile se dégrade. Les travaux présentés ici introduisent des réseaux de neurones « multitâches » et des techniques d’adaptation de domaine.

Comme illustré dans les méthodologies développées (DANN et réseaux multitâches), l’algorithme apprend non seulement à classer les pannes, mais aussi à estimer l’état de santé (SoH) de la pile. Cette « conscience du vieillissement » permet au système de rester robuste et fiable tout au long de sa vie opérationnelle, ouvrant la voie à des systèmes de transport à hydrogène plus durables et résilients.

Chiara PETTOROSSI (CEA-Liten)