PEMFC 노화 진단용 EIS 재구성
고효율 및 저공해 특성으로 인해 양성자 교환막 연료전지(PEMFC)는 유망하지만, 공학적 운용에서 전기화학 임피던스 분광법(EIS) 데이터는 이산적으로 취득되며 부족하여, 시간 영역 운용 데이터에서 주파수 영역 EIS로의 신뢰할 수 있는 매핑이 부재합니다. 이는 노화에 따른 연속적인 스펙트럼 변화의 특성 분석 및 추적을 어렵게 합니다. 이러한 한계를 극복하기 위해, 본 연구는 등가 회로 모델(ECM)을 통합하여 운용 시계열 표현에서 임피던스 스펙트럼으로의 교차 도메인 매핑을 학습하는 시간-주파수 공동 학습 프레임워크인 PEINN(Physics ECM Informed Neural Network)을 제안합니다. 이는 EIS의 주파수 영역 회귀 및 재구성을 가능하게 하고, 노화 단계별 스펙트럼 변화를 비교 분석할 수 있게 합니다. PEINN은 전체 데이터의 40%만을 훈련에 사용하여 R² > 0.99의 높은 성능을 달성하며, 건강 상태 평가에 대한 강력한 잠재력을 보여주었습니다. 추가 PEMFC 데이터셋에 대한 교차 데이터셋 검증에서도 안정적인 예측 성능을 확인하여 우수한 일반화 및 견고성을 입증했습니다. 제안된 시간-주파수 노화 특성 분석 프레임워크 내에서, 예측된 EIS의 주파수 영역 변화를 이완 시간 분포(DRT) 시정수 영역의 피크 특징 검증과 결합하여 전하 전달 열화 및 질량 전달 한계 심화와 같은 지배적인 프로세스를 분리하여 식별하고 해석할 수 있습니다. 이는 건강 평가 및 열화 추론을 위한 설명 가능한 근거를 제공합니다.