تقدم خلية وقود غشاء تبادل البروتون (PEMFC) نفسها كتكنولوجيا فعالة وقابلة للتطبيق للنظر فيها لأغراض النقل. أحد أهم الأشياء التي يجب مراعاتها في مجال السيارات الكهربائية هو التقييم الحاسم لتدهور كومة PEMFC. تم اقتراح طريقة التعلم العميق المستندة إلى البيانات في هذه الورقة لتعزيز دقة التنبؤ بالحياة المفيدة المتبقية لـ PEMFC (RUL). تجمع هذه الطريقة بين الذاكرة قصيرة المدى (LSTM) والاهتمام الذاتي وآلية انتباه المنتج النقطي. تمكن LSTM النموذج من فهم الأنماط الزمنية المعقدة وإنتاج تمثيلات بيانات أكثر تجريدًا. يتم العثور على الارتباطات بين النقاط الزمنية المختلفة باستخدام آلية الاهتمام الذاتي. يتم استخدام طريقة انتباه المنتج النقطي المقياس لتسليط الضوء على أهم الميزات. من أجل إثبات فعالية النموذج المقترح، تم إجراء مقارنات مع العديد من نماذج التعلم العميق باستخدام مجموعة بيانات تحدي بيانات PHM لعام 2014. تشير النتائج من التجارب إلى أن DA-LSTM يثبت أنه خيار موثوق لتنبؤ RUL لـ PEMFCs، حيث أظهر أداءً متفوقًا مقارنة بجميع النماذج الأخرى التي تم فحصها.