Al predecir la vida útil restante de las Celdas de Combustible de Membrana de Intercambio de Protones (PEMFC), es crucial capturar con precisión las variaciones multiescala en el rendimiento de la celda. Este estudio emplea la Descomposición Modal Variacional (VMD) para descomponer los datos de rendimiento en modos intrínsecos, elucidando dinámicas multiescala críticas vitales para comprender los procesos de degradación complejos en las celdas de combustible. Además de VMD, esta investigación utiliza un Algoritmo de Optimización de Ballenas Mejorado (IWOA) para optimizar una Red Neuronal de Retropropagación (BP). El IWOA se enfoca en ajustes precisos de pesos y sesgos, lo que permite que la red BP interprete de manera efectiva relaciones no lineales complejas dentro del conjunto de datos. Esta optimización mejora la confiabilidad y estabilidad del modelo predictivo. Evaluaciones experimentales extensas demuestran que la integración de VMD y las capacidades de aprendizaje de la red BP optimizada por IWOA mejoran significativamente la precisión y estabilidad del modelo en múltiples predicciones, aumentando así la confiabilidad de las predicciones de vida útil para las PEMFC. Esta metodología ofrece un marco robusto para extender la vida operativa y la eficiencia de las celdas de combustible.