摘要
质子交换膜燃料电池具有高效环保、功率密度高等优点，处于绿色能源的商业化应用前沿。为了保证燃料电池系统能够安全稳定的运行，在大规模商业化落地之前，配套发展完善的过程监测系统以及故障诊断系统对其具有重要的意义和价值。质子交换膜燃料电池作为多物理场耦合、高维非线性的复杂系统，运行过程涉及反应气体供应、系统温度和湿度控制等多项操作，这些子系统以及相应控制操作的存在增加了系统复杂度以及故障发生的可能性，同时也为在线实时诊断增加了难度。本文以质子交换膜燃料电池瞬态模型为基础，开发了故障嵌入动态模型，同时以数据驱动方法为基础，提出了一套端对端的故障诊断方法框架。 首先，本文开发了基于质子交换膜燃料电池准二维瞬态模型的故障嵌入模型，以局部电阻增大、进口压力下降、反应物流量不足、冷却流量不足、进口湿度不足等条件定量嵌入相应故障，通过仿真分析不同健康状态下的电池性能动态变化，以促进燃料电池预测与健康管理以及故障诊断的正向开发。同时，针对历史故障数据样本量有限、样本数据类型不平衡等问题，也可通过调节该模型的工况参数来获取相应的故障数据，帮助实现数据积累，扩充训练样本量，降低研发成本以及研发周期。除此之外，该模型还用于不同故障模式下的敏感性分析，实现故障诊断方法框架的闭环开发。 其次，本文提出两种传感器优化选择方法以解决复杂系统多传感器产生的高维数据问题，分别是基于解析模型和基于信号分析的方法。前者借助于前文所开发的燃料电池模型，考虑各类常见故障模式对系统的影响，从失效机理出发选定系统健康参数，将不同失效模式对系统性能退化的影响相耦合，然后再使用解析模型计算传感器对系统健康参数的灵敏度矩阵，最后在确定传感器灵敏度的情况下，借助于自适应模糊神经系统来确定最优传感器集合。 基于信号分析的优化选择方法依赖于系统历史运行数据，充分挖掘数据隐含信息，提取各类传感器在不同系统运行状态下的时域及频域特征，分析其与系统状态变化之间的联系，以完成优化选择，提高计算效率。结果表明，两种方法的优化结果显示出较高的一致性，在实际使用过程中，可根据数据积累情况或模型开发状况从两种方法中做出选择。 最后，将经过优化选择后的传感器监测数据作为输入变量构建高精度故障诊断分类模型。本文采用Levenberg-Marquart训练算法完成人工神经网络分类模型的建立，与Scaledconjugategradient算法以及bayesianregulation算法相比，该算法展现了更快的收敛速度以及更小的计算误差。代入实验数据验证，本文所建立的故障诊断方法框架的准确率达99.2%，精确率达99.59%，故障召回率达98.3%，相较于支持向量机以及逻辑回归两种故障诊断中的常用方法有显著提升。同时，效果也优于未经传感器优化选择的神经网络模型，说明在最佳传感器变量集合下，燃料电池系统的不同健康状态得到了更好的区分度。 另外，论文最后探讨分析了对于基于数据驱动方法的故障识别与检测中，样本数据容量及类型对诊断结果所产生的影响，提出数据平衡对于诊断召回率的影响规律。最终本文所提出的故障诊断方法在保证诊断可靠性的基础上，较大幅度地降低了计算成本，有利于实际使用过程中在线诊断的实现。
NETL