CN105355945A - 基于小波变换的微生物燃料电池故障诊断方法 - Google Patents

基于小波变换的微生物燃料电池故障诊断方法 Download PDF

Info

Publication number
CN105355945A
CN105355945A CN201510793411.5A CN201510793411A CN105355945A CN 105355945 A CN105355945 A CN 105355945A CN 201510793411 A CN201510793411 A CN 201510793411A CN 105355945 A CN105355945 A CN 105355945A
Authority
CN
China
Prior art keywords
wavelet
fuel cell
fault
microbiological fuel
wavelet decomposition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201510793411.5A
Other languages
English (en)
Inventor
颜闽秀
郑小帆
樊立萍
薛竹隐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Chemical Technology
Original Assignee
Shenyang University of Chemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenyang University of Chemical Technology filed Critical Shenyang University of Chemical Technology
Priority to CN201510793411.5A priority Critical patent/CN105355945A/zh
Publication of CN105355945A publication Critical patent/CN105355945A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04671—Failure or abnormal function of the individual fuel cell
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

基于小波变换的微生物燃料电池故障诊断方法，涉及燃料电池故障诊断方法，本发明针对不同故障情况下采集到的输出电压信号应用倍频小波进行分析，通过计算小波系数，实现高低频段信号的重构，提取出故障信号频域特征值，展现出故障信号的主要分布情况，从而诊断出电池故障。本发明可以实现对微生物燃料电池系统的故障诊断，起到早期报警，减少和避免故障范围的作用，确保设备安全可靠的运行，在实际工程中具有较高的应用价值。

Description

基于小波变换的微生物燃料电池故障诊断方法
技术领域
本发明涉及燃料电池故障诊断方法，特别是涉及一种基于小波变换的微生物燃料电池故障诊断方法。
背景技术
近年来，随着环境污染和能源危机的加剧，绿色清洁能源技术得到越来越多的关注，微生物燃料电池能在微生物的作用下将化学能转化为电能，实现污水处理和产电双重效果，因而广大学者对其展开了广泛深入的研究，并取得了一定的成果。成果主要集中在实验研究方面，还有小部分成果体现在对微生物燃料电池系统的建模与仿真上。这些文献仅研究了在正常条件下微生物燃料电池的运行情况，很少对其进行故障分析。在实际运行中每一元件发生故障或失效都会影响其输出，导致输出性能下降或无法正常运行，因此如何提高系统的安全性是推进微生物燃料电池商业化和产业化的关键。
上世纪80年代，Morlet首次提出了小波分析这一概念。小波分析可以实现在低频处频率细分，高频出时间细分，能自动聚焦到信号的任意细节，保留了傅里叶变换的优点，又弥补了其在信号分析上的不足。迄今为止，小波分析在理论上和工程应用中均取得了丰硕的成果，并在信号处理、计算机视觉、图像处理、语音分析与合成等众多的领域得到应用。
与傅里叶方法相比，利用小波分析可有效提高故障诊断的准确率，实现对微生物燃料电池的检测与故障诊断。
发明内容
本发明的目的在于提供一种基于小波变换的微生物燃料电池故障诊断方法，该方法采用了基于小波变换方法，针对不同故障情况下采集到的输出电压应用小波变换进行分析，通过计算小波系数，实现高低频段信号的重构，提取出故障信号频域特征值，展现出故障信号的主要分布情况，从而诊断出电池故障。
本发明的目的是通过以下技术方案实现的：
基于小波变换的微生物燃料电池故障诊断方法，所述方法包括以下过程：
S1：采集电压信号：待燃料电池系统运行平稳后，采集正常情况下和四种故障下的电压信号；
S2：进行小波分解：将采集到的电压信号进行3层小波分解，得到各个结点所代表的小波分解层上的小波系数；
S3：信号重构：利用小波分解系数进行重构，得到各个频段上的重构信号；
S4：计算各个频段特征值，将故障情况的特征值与正常情况的特征值比较进行故障诊断。
所述的基于小波变换的微生物燃料电池故障诊断方法，所述步骤S2中对电压信号进行分解时采用Db小波基，进行三层小波树分解。
所述的基于小波变换的微生物燃料电池故障诊断方法，所述步骤S2中小波分解将依据以下公式：
式中，为离散序列，代表小波分解各序列的序列点，j代表小波分解层数。
所述的基于小波变换的微生物燃料电池故障诊断方法，所述S3中小波重构将依据以下公式：
。
所述的基于小波变换的微生物燃料电池故障诊断方法，所述步骤S4中计算各个频段特征值将依据以下公式：
其中j为小波分解层数；N为采样信号数。
本发明的优点与效果是：
为了对微生物燃料电池的主要故障进行故障诊断，本发明采用了基于小波变换方法，针对不同故障情况下采集到的输出电压应用小波变换进行分析，通过计算小波系数，实现高低频段信号的重构，提取出故障信号频域特征值，展现出故障信号的主要分布情况，从而诊断出电池故障。该方法充分利用小波分析独有的尺度伸缩功能进行故障诊断，确保设备安全可靠的运行，在实际工程中有较高的应用价值。
附图说明
图1三层小波分析树结构图；
图2无故障时小波重构电压信号；
图3故障一时小波重构电压信号；
图4故障二时小波重构电压信号；
图5故障三时小波重构电压信号；
图6故障四时小波重构电压信号。
具体实施方式
下面结合实施例对本发明进行详细说明。
实验时，系统上电后，电池连续工作稳定后，分别对正常情况及四种故障情况下进行电压信号采集，采样频率，采集12小时的数据，每种情况重复采样7次。
参看图1，采用三层小波分析树结构。
参看表1，经过3层分解后各个频段所代表的频率范围。
参看表2，经计算后得到各个频段的特征能量值，经过分析，可知：若八个结点的特征值与无故障时相比都变小，则是故障一；若结点[3,0]，[3,1]，[3,2]，[3,3]，[3,4]的特征值变为无故障时的1.5倍，结点[3,5],[3,6]，[3,7]与无故障时相比放大万倍，则是故障二；若结点[3,0],[3,1],[3,2],[3,3]的特征值与无故障时相比变大，结点[3,4]，[3,5]，[3,6]，[3,7]数值较无故障时变略减小，则是故障三；若结点[3,0]，[3,1]，[3,2]，[3,3]，[3,4]的特征值变为无故障时的两倍左右，结点[3,5]，[3,6]，[3,7]与无故障时相比放大万倍，则是故障四。通过表2可以综合反应出，利用小波分析，能够得到多个频段的信号特征值，进行微生物燃料电池故障诊断，故障发生时，在某些结点处，故障与无故障时特征值差异较大，因此，可以实现正确的故障诊断。表1经过3层分解后各个频段所代表的频率范围；表2为不同故障情况下各个频段的特征值；
表1
表2
以上公开的本发明实施例只是用于帮助阐述本发明。所述实例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。

Claims (5)

1.基于小波变换的微生物燃料电池故障诊断方法，其特征在于，所述方法包括以下过程：
S1：采集电压信号：待燃料电池系统运行平稳后，采集正常情况下和四种故障下的电压信号；
S2：进行小波分解：将采集到的电压信号进行3层小波分解，得到各个结点所代表的小波分解层上的小波系数；
S3：信号重构：利用小波分解系数进行重构，得到各个频段上的重构信号；
S4：计算各个频段特征值，将故障情况的特征值与正常情况的特征值比较进行故障诊断。
2.根据权利要求1所述的基于小波变换的微生物燃料电池故障诊断方法，其特征在于，所述步骤S2中对电压信号进行分解时采用Db小波基，进行三层小波树分解。
3.根据权利要求1所述的基于小波变换的微生物燃料电池故障诊断方法，其特征在于，所述步骤S2中小波分解将依据以下公式：
式中，为离散序列，代表小波分解各序列的序列点，j代表小波分解层数。
4.根据权利要求1所述的基于小波变换的微生物燃料电池故障诊断方法，其特征在于，所述S3中小波重构将依据以下公式：
。
5.如权利要求1所述的基于小波变换的微生物燃料电池故障诊断方法，其特征在于，所述步骤S4中计算各个频段特征值将依据以下公式：
其中j为小波分解层数；N为采样信号数。
CN201510793411.5A 2015-11-18 2015-11-18 基于小波变换的微生物燃料电池故障诊断方法 Pending CN105355945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510793411.5A CN105355945A (zh) 2015-11-18 2015-11-18 基于小波变换的微生物燃料电池故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510793411.5A CN105355945A (zh) 2015-11-18 2015-11-18 基于小波变换的微生物燃料电池故障诊断方法

Publications (1)

Publication Number Publication Date
CN105355945A true CN105355945A (zh) 2016-02-24

Family

ID=55331862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510793411.5A Pending CN105355945A (zh) 2015-11-18 2015-11-18 基于小波变换的微生物燃料电池故障诊断方法

Country Status (1)

Country Link
CN (1) CN105355945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109301290A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种带水淹诊断的燃料电池电压巡检系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080145727A1 (en) * 2006-12-15 2008-06-19 Waseem Ibrahim Faidi Systems and methods for solid oxide fuel cell surface analysis
CN102195101A (zh) * 2010-03-05 2011-09-21 陕西铭越信息科技有限公司 动力电池组管理系统以及方法
CN102696025A (zh) * 2009-06-25 2012-09-26 法国电力公司 检测电化学装置缺陷的方法
JP2013195232A (ja) * 2012-03-19 2013-09-30 Toshiba Corp 二次電池の内部抵抗演算装置及びその内部抵抗演算方法、二次電池の異常検出装置及びその異常検出方法、並びに二次電池の劣化推定装置及びその劣化推定方法
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法
WO2014096702A1 (fr) * 2012-12-19 2014-06-26 Electricite De France Localisation d'un ou plusieurs defauts dans un ensemble electrochimique.

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080145727A1 (en) * 2006-12-15 2008-06-19 Waseem Ibrahim Faidi Systems and methods for solid oxide fuel cell surface analysis
CN102696025A (zh) * 2009-06-25 2012-09-26 法国电力公司 检测电化学装置缺陷的方法
CN102195101A (zh) * 2010-03-05 2011-09-21 陕西铭越信息科技有限公司 动力电池组管理系统以及方法
JP2013195232A (ja) * 2012-03-19 2013-09-30 Toshiba Corp 二次電池の内部抵抗演算装置及びその内部抵抗演算方法、二次電池の異常検出装置及びその異常検出方法、並びに二次電池の劣化推定装置及びその劣化推定方法
WO2014096702A1 (fr) * 2012-12-19 2014-06-26 Electricite De France Localisation d'un ou plusieurs defauts dans un ensemble electrochimique.
CN103439653A (zh) * 2013-08-30 2013-12-11 中国人民解放军第二炮兵工程大学 一种基于驱动端电流检测的高速开关阀故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109301290A (zh) * 2018-11-23 2019-02-01 武汉理工大学 一种带水淹诊断的燃料电池电压巡检系统
CN109301290B (zh) * 2018-11-23 2020-10-30 武汉理工大学 一种带水淹诊断的燃料电池电压巡检系统

Similar Documents

Publication Publication Date Title
Zhao et al. A weighted multi-scale dictionary learning model and its applications on bearing fault diagnosis
CN109884459B (zh) 一种电力变压器绕组变形智能在线诊断定位方法
CN105115594A (zh) 基于小波熵和信息融合的齿轮箱振动信号故障特征提取方法
CN103399257B (zh) 一种中性点不接地系统的铁磁谐振故障检测方法
CN104655423A (zh) 一种基于时频域多维振动特征融合的滚动轴承故障诊断方法
Xiong et al. A data-driven approach for fault time determination and fault area location using random matrix theory
Ray et al. Modified wavelet transform based fault analysis in a solar photovoltaic system
CN103064008A (zh) 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
CN104714171A (zh) 基于小波变换和ica特征提取的开关电路故障分类方法
CN112598303A (zh) 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN106230378A (zh) 一种光伏电站组串故障的诊断方法
Sima et al. Diagnosis of small-sample measured electromagnetic transients in power system using DRN-LSTM and data augmentation
CN113093058A (zh) 一种npc三电平逆变器开路故障诊断方法
CN103646013A (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
CN103926097B (zh) 一种用于采集和提取低速重载设备故障特征信息的方法
WO2020133735A1 (zh) 基于类人概念学习的配电网早期故障检测方法
CN107340133A (zh) 一种基于拟合提升小波和高阶累积分析的轴承状态监测方法
CN105355945A (zh) 基于小波变换的微生物燃料电池故障诊断方法
Qu et al. Fault diagnosis for PV arrays considering dust impact based on transformed graphical features of characteristic curves and convolutional neural network with CBAM modules
Chen et al. Fault diagnosis of full-hydraulic drilling rig based on RS–SVM data fusion method
CN111122160B (zh) 一种基于堆栈降噪自编码器的异常信号检测方法
Shuangli et al. Application of improved wavelet packet energy entropy and GA-SVM in rolling bearing fault diagnosis
CN116027158A (zh) 一种高压电缆局放故障预测方法及系统
CN115659133A (zh) 一种风电变流器故障诊断方法
Xiong et al. Application of multi-kernel relevance vector machine and data pre-processing by complementary ensemble empirical mode decomposition and mutual dimensionless in fault diagnosis

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160224

WD01 Invention patent application deemed withdrawn after publication