摘要
质子交换膜燃料电池是将燃料的化学能直接转为电能的能量转换装置，因其无污染、低噪声、响应快、稳定性好，高效能等优点，在新能源汽车领域受到广泛关注。然而，燃料电池的性能直接受到各种因素的影响，如操作条件、内部电化学反应、气体扩散层中的水和热管理，这些因素反过来会影响系统在运行时出现故障与性能衰退现象，降低了燃料电池的可靠性和耐久性，限制了燃料电池的大规模商业化推广。对燃料电池系统进行性能衰退预测和故障诊断，可以为燃料电池系统的管理、维护和决策提供理论依据和信息支撑，进而可以降低燃料电池的使用和维护成本，延长使用寿命。因此，本研究以实现燃料电池系统的高效安全可靠运行为目的，深入开展质子交换膜燃料电池的性能衰退预测与故障诊断研究。主要研究内容与结论如下。 首先提出了基于时空融合转换器网络、图神经网络的燃料电池性能衰退预测方法。该方法将输出电压作为燃料电池性能衰退的健康指标，充分考虑了燃料电池运行参数的异质性和相关性，对动态耐久性实验数据中20个不同的运行参数的复杂相关性和时间相关性进行了高精度建模。结果表明，两种预测模型在燃料电池动态工况下403小时预测结果的均方根误差分别为0.0067、0.0058。进行了6种预测模型的性能对比实验，图神经网络模型表现出更准确的性能，与先进的具有注意力机制的长短期记忆网络以及具有注意力机制的门控循环单元相比，均方误差分别降低了74.12%和62.63%。基于图神经网络模型的性能衰退机理分析发现，燃料电池的电压衰减与功率、阴极出口压力、阳极极板温度、阳极入口温度、阴极入口温度和阴极出口温度直接相关。 其次提出了基于新型卷积神经网络的燃料电池水淹、膜干与氢气泄漏故障的故障诊断方法。该方法将燃料电池的运行参数实验数据作为输入，利用变量卷积层和时间卷积层分别提取与运行参数、时间相关的特征信息，利用归一化指数函数层实现对燃料电池不同故障模式的准确识别。结果表明，该方法能够实现对三种故障类型的高精度识别，对水淹故障、膜干故障和氢气泄漏故障的识别准确率分别为0.9987、0.9979、0.9995；对两个故障数据集的诊断时间仅为0.09s和0.18s。与支持向量机算法和最邻近分类算法的对比实验表明，所提方法在诊断准确率和诊断时间方面均具有显著的优势。 本研究的性能衰退预测与故障诊断方法，实现了质子交换膜燃料电池的高精度、可解释性性能衰退预测与高准确率、低计算成本故障诊断，可以应用于燃料电池系统的优化控制、管理和维护，对燃料电池的退化机理研究也具有指导意义。
NETL