质子交换膜燃料电池是一种可以将化学能转化为电能的电化学装置,其具有能量转化率高、功率密度大和无污染等优点,被广泛运用于汽车领域,但也存在耐久性及寿命问题,燃料电池距大规模应用仍有一段距离。其中膜电极是燃料电池的核心部件,燃料电池的衰退主要体现为膜电极的衰退,因此研究膜电极衰退并预测电堆的寿命对燃料电池健康管理研究具有积极意义。本文的主要研究内容如下:从燃料电池的结构出发,介绍其主要组成部件及其功用,分析了其工作原理;基于燃料电池膜电极的衰退机理,提取膜电极的衰退指标,并结合电化学、等效电路、质子交换膜、催化剂层及气体扩散层模型搭建燃料电池模型,建立膜电极衰退指标与输出性能之间的关系,为膜电极衰退仿真研究及电堆寿命预测提供理论支撑。基于实际燃料电池设计参数,在AMEsim中搭建燃料电池单体模型,并通过实验验证模型的可靠性。通过模型分析质子交换膜厚度、质子传导率、催化剂层电化学比表面积、催化剂层厚度、气体扩散层厚度及气体扩散层透气性的衰减对燃料电池极化曲线的影响,从而得到膜电极衰退对输出性能的影响。基于法国燃料电池实验室公开的稳定工况下燃料电池电堆寿命测试数据集,选取电压作为电堆的衰退指标,提出了一种基于小波阈值去噪算法与深度学习技术相结合的电堆寿命预测方法,寿命预测包括对电堆未来衰退趋势和剩余使用寿命的预测。首先对数据进行预处理,利用小波阈值去噪算法剔除数据噪声,结合膜电极衰退研究从数据集中选择影响寿命的特征参数。其次先建立模型结构较为简单的循环神经网络模型对电堆寿命进行预测,同时验证了特征选择对模型的预测能力具有提升作用。再次,进一步提升网络模型的复杂程度,使用长短时记忆神经网络对电堆寿命进行预测。最后对比了两种模型的预测结果。研究表明,长短时记忆神经网络模型对电堆剩余寿命与电堆未来衰退趋势的预测效果更好,并且长短时记忆神经网络模型能够较为准确的对电堆寿命进行预测。