A data-driven digital-twin prognostics method for proton exchange membrane fuel cell remaining useful life prediction

Prognostics and health management of proton exchange membrane fuel cell (PEMFC) systems have driven increasing research attention in recent years as the durability of PEMFC stack remains as a technical barrier for its large-scale commercialization. To monitor the health state during PEMFC operation,...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	International journal of hydrogen energy Ročník 46; číslo 2; s. 2555 - 2564
Hlavní autoři:	Meraghni, Safa, Terrissa, Labib Sadek, Yue, Meiling, Ma, Jian, Jemei, Samir, Zerhouni, Noureddine
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier Ltd 06.01.2021 Elsevier
Témata:	Automatic Computer Science Data Structures and Algorithms Deep learning Digital twin Electric power Engineering Sciences Fluid mechanics Mechanics Physics Prognostics Proton exchange membrane fuel cell Remaining useful life Thermics Deep learning Proton exchange membrane fuel cell Digital twin Remaining useful life Prognostics
ISSN:	0360-3199, 1879-3487
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!