CN110224160B - 一种燃料电池系统故障诊断方法 - Google Patents

一种燃料电池系统故障诊断方法 Download PDF

Info

Publication number
CN110224160B
CN110224160B CN201910505040.4A CN201910505040A CN110224160B CN 110224160 B CN110224160 B CN 110224160B CN 201910505040 A CN201910505040 A CN 201910505040A CN 110224160 B CN110224160 B CN 110224160B
Authority
CN
China
Prior art keywords
fault
fuel cell
cell system
data
component
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.)
Active
Application number
CN201910505040.4A
Other languages
English (en)
Other versions
CN110224160A (zh
Inventor
赵兴旺
张国强
马腾
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.)
Beijing Sinohytec Co Ltd
Original Assignee
Beijing Sinohytec Co Ltd
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 Beijing Sinohytec Co Ltd filed Critical Beijing Sinohytec Co Ltd
Priority to CN201910505040.4A priority Critical patent/CN110224160B/zh
Publication of CN110224160A publication Critical patent/CN110224160A/zh
Application granted granted Critical
Publication of CN110224160B publication Critical patent/CN110224160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • 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
    • 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
    • H01M8/04686—Failure or abnormal function of auxiliary devices, e.g. batteries, capacitors
    • 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

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Sustainable Energy (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供了一种燃料电池系统故障诊断方法，所述故障诊断方法包括执行离线处理和执行在线处理，所述离线处理根据多个传感器采集的燃料电池的运行和故障数据建立故障数据库并计算故障阈值，所述在线处理根据故障数据库和故障阈值识别故障类型并根据故障数据库对故障类型进行判断，若故障可逆且故障部件为非核心部件则重构故障部件对应的传感器信号使燃料电池系统继续运行；若故障不可逆或故障部件为核心部件则停机检修燃料电池系统。这种方法的优点在于:实现了信号真实性校验、故障诊断、故障定位和容错控制，并通过算法实现信号重构维持故障状态下的动力输出，保证了车用燃料电池系统的安全性和可靠性；能够适用于不同的燃料电池系统。

Description

一种燃料电池系统故障诊断方法
技术领域
本发明涉及一种故障诊断方法，具体而言，涉及一种燃料电池系统故障诊断方法。
背景技术
氢燃料电池汽车技术日趋发展成熟，作为一种零污染、零排放的新能源汽车，氢燃料电池汽车已经越来越多的进入到了交通系统，得到公众的广泛认可。燃料电池车以氢气为燃料，通过燃料发动机，将化学能高效转化为电能从而驱动汽车，整个过程仅排出纯净的水，因而是不久的将来取代传统化石燃料汽车的最理想的节能环保型零排放交通工具。
在车用(乘用车、客车和公交车等)环境下，保证燃料电池系统的可靠性、安全性和耐久性是十分必要的，尤其是故障状态下，维持系统的动力输出，保证车辆能够跛行至目的地或者维修。
现有技术大都通过故障现象进行故障诊断，无法具体识别故障现象背后的不同故障原因且在故障确认之后一般采用切换动力源、关机等措施，无法保证车辆动力供应的可靠性。同时现有技术大都聚焦于故障诊断流程中的局部，较少考虑信号真实性校验、故障诊断、故障识别、故障定位、信号重构和容错控制的完整流程
综上所述，需要提供一种燃料电池系统故障诊断方法，其能够克服现有技术的缺陷。
发明内容
本发明旨在提供一种燃料电池系统故障诊断方法，其能够克服现有技术的缺陷。本发明的发明目的通过以下技术方案得以实现。
本发明的一个实施方式提供了一种燃料电池系统故障诊断方法,其中所述故障诊断方法包括多个步骤：
步骤1：执行离线处理，所述离线处理根据多个传感器采集的燃料电池的运行和故障数据建立故障数据库并计算故障阈值；以及
步骤2：执行在线处理，所述在线处理根据故障数据库和故障阈值识别故障类型并根据故障数据库对故障类型进行判断，若故障可逆且故障部件为非核心部件则重构故障部件对应的传感器信号使燃料电池系统继续运行；若故障不可逆或故障部件为核心部件则停机检修燃料电池系统。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述离线处理包括多个步骤：
步骤11：分别在燃料电池系统运行及发生各种故障时采集燃料电池系统中m个传感器的n组数据；
步骤12：根据采集的m个传感器的n组数据建立与燃料电池系统运行及发生各种故障时对应的m×n矩阵X，并对矩阵X进行归一化处理得到m×n归一化矩阵Xo；
步骤13：根据归一化矩阵X0并通过数据训练方法建立主元空间Xm和残差子空间Xr并得到特征向量ti和特征值λi，其中Xo＝Xm+Xr；
步骤14：根据主元子空间Xm统计计算第一故障阈值Tx，根据残差子空间Xr统计计算第二故障阈值cla，并根据主元子空间Xm和残差子空间Xr分别统计计算每个传感器的故障阈值X1，X2…Xm；
步骤15；根据每个传感器的故障阈值X1，X2…Xm建立故障数据库。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤13根据归一化矩阵Xo并通过数据训练方法建立主元空间Xm和残差子空间Xr并得到特征向量ti和特征值λi，所述主元子空间Xm包括描述正常运行状态的数据，残差子空间Xr包含描述异常变化和噪声的数据。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述数据训练方法包括施密特正交化、核主元分析法、以及向量机和人工神经网络方法。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述根据每个传感器的故障阈值Xi建立故障数据库包括将不同的故障阈值X1，X2…Xm的组合与不同的具体故障类型建立对应关系，并根据故障严重程度将所述具体故障类型定义为可逆故障或不可逆故障中的一种。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述在线处理包括多个步骤：
步骤21：采集燃料电池系统中m个传感器的数据x1，x2…xm和反馈电压v1，v2…vm；
步骤22：根据传感器的反馈电压v1，v2…vm进行真实性校验处理；
步骤23：根据m个传感器的数据x1，x2…xm建立实时数据矩阵统计计算第一诊断值T2和第二诊断值Q，计算公式为：
Figure BDA0002091545070000031
QeTe
其中e为残差子空间Xr的残差向量，ti为特征向量，λi为特征值；
步骤24：判断是否第一诊断值T2大于第一故障阈值Te或第二诊断值Q大于第二故障阈值cla，若“是”，执行步骤25；
步骤25：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行故障诊断处理；
步骤26：根据m个传感器的数据x1，x2…xm、故障阈值X1，X2…Xms执行重构处理；
步骤27：燃料电池系统继续运行。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤24判断是否第一诊断值T2大于第一故障阈值Te或第二诊断值Q大于第二故障阈值cla，若“否”，执行步骤28；
步骤28：停机检修燃料电池系统。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤22根据传感器的反馈电压v1，v2…vm进行真实性校验处理包括：
步骤221：判断反馈电压v1，v2…vm是否在预设的正常电压范围内，若“是”，执行步骤23；若“否”，执行步骤222；
步骤222：定位反馈电压v1，v2…vm超出正常电压范围的传感器对应的故障部件n，然后，执行步骤26。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤25根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行故障诊断处理包括：
步骤251：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm检索所述故障数据库判断故障是否为可逆故障，若“是”，执行步骤252；若“否”，执行步骤28；
步骤252：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm定位故障部件n；
步骤253：判断故障部件n是否为非核心部件，若“是”，执行步骤26；若“否”，执行步骤28。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤26根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行重构处理包括：
步骤261：重构故障部件n对应的传感器的数据信号xn,重构公式为
Figure BDA0002091545070000041
其中cn为主元子空间Xm的向量，cnn为主元子空间Xm中第n行第n列的数据；
步骤262：将重构后的数据信号xn传输给燃料电池系统，然后执行步骤27。
该燃料电池系统故障诊断方法的优点在于：基于信息融合能够在线诊断和辨识燃料电池系统各类故障，实现信号真实性校验、故障诊断、故障定位和容错控制，并通过算法实现信号重构维持故障状态下的动力输出，保证了车用燃料电池系统的安全性和可靠性；本发明既可以作为燃料电池系统控制的组成部分，也能作为单独的故障诊断装置，适用于不同的燃料电池系统。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于举例说明本发明的技术方案，而并非意在对本发明的保护范围构成限制。图中：
图1示出了根据本发明一个实施方式的燃料电池系统故障诊断方法的流程图；
图2示出了如图1所示的根据本发明一个实施方式的燃料电池系统故障诊断方法的离线处理的流程图；
图3示出了如图1所示的根据本发明一个实施方式的燃料电池系统故障诊断方法的在线处理的流程图。
具体实施方式
图1-3和以下说明描述了本发明的可选实施方式以教导本领域技术人员如何实施和再现本发明。为了教导本发明技术方案，已简化或省略了一些常规方面。本领域技术人员应该理解源自这些实施方式的变型或替换将落在本发明的保护范围内。本领域技术人员应该理解下述特征能够以各种方式组合以形成本发明的多个变型。由此，本发明并不局限于下述可选实施方式，而仅由权利要求和它们的等同物限定。
图1示出了根据本发明一个实施方式的燃料电池系统故障诊断方法的流程图。如图1所示,其中所述故障诊断方法包括多个步骤：
步骤1：执行离线处理，所述离线处理根据多个传感器采集的燃料电池的运行和故障数据建立故障数据库并计算故障阈值；以及
步骤2：执行在线处理，所述在线处理根据故障数据库和故障阈值识别故障类型并根据故障数据库对故障类型进行判断，若故障可逆且故障部件为非核心部件则重构故障部件对应的传感器信号使燃料电池系统继续运行；若故障不可逆或故障部件为核心部件则停机检修燃料电池系统。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，所述根据多个传感器采集的燃料电池的运行和故障数据建立故障数据库是指，根据各种故障发生时各个传感器的数据建立起特定故障类型与该特定故障类型发生时各个传感器的数值或数值范围的对应关系，并分别将每种故障类型设定为可逆故障或不可逆故障，其中不可逆的故障包括部件损坏等必须停机检修的故障，可逆的故障包括膜干、水淹等不需要停机检修的故障，某故障类型为可逆或不可逆由工作人员决定。所述故障阈值识别故障类型是指，根据实时检测的传感器数据检索数据库，查找故障数据库中与实时检测的传感器数据对应的故障类型。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中多个传感器检测燃料电池系统中各个组件、管路和位置的氢气压力、氢气流量、氢气温度、空气压力、空气流量、空气温度、水温、水流量、水压、电流和电压等数据，以及燃料电池系统周围环境中的氢气浓度、温度等数据。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中非核心部件指发生故障不会影响燃料电池正常运行的部件，某部件是否为核心部件或非核心部件由工作人员设定。
图2示出了如图1所示的根据本发明一个实施方式的燃料电池系统故障诊断方法的离线处理的流程图。如图2所示，所述离线处理包括多个步骤：
步骤11：分别在燃料电池系统运行及发生各种故障时采集燃料电池系统中m个传感器的n组数据；
步骤12：根据采集的m个传感器的n组数据建立与燃料电池系统运行及发生各种故障时对应的m×n矩阵X，并对矩阵X进行归一化处理得到m×n归一化矩阵Xo；
步骤13：根据归一化矩阵Xo并通过数据训练方法建立主元空间Xm和残差子空间Xr并得到特征向量ti和特征值λi，其中Xo＝Xm+Xr；
步骤14：根据主元子空间Xm统计计算第一故障阈值Tx，根据残差子空间Xr统计计算第二故障阈值cla，并根据主元子空间Xm和残差子空间Xr分别统计计算每个传感器的故障阈值X1，X2…Xm，可选的，故障阈值还可以包括第一故障阈值Tx和第二故障阈值cla的变形和结合等；
步骤15；根据每个传感器的故障阈值X1，X2…Xm建立故障数据库。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤13根据归一化矩阵Xo并通过数据训练方法建立主元空间Xm和残差子空间Xr并得到特征向量ti和特征值λi，所述主元子空间Xm包括描述正常运行状态的数据，残差子空间Xr包含描述异常变化和噪声的数据。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述数据训练方法包括但不限于施密特正交化、核主元分析法(KPCA)、以及向量机(SVM)和人工神经网络方法(ANN)等人工智能方法。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述根据每个传感器的故障阈值Xi建立故障数据库包括将不同的故障阈值X1，X2…Xm的组合与不同的具体故障类型建立对应关系，并根据故障严重程度将所述具体故障类型定义为可逆故障或不可逆故障中的一种。
图3示出了如图1所示的根据本发明一个实施方式的燃料电池系统故障诊断方法的流程图。如图3所示，所述在线处理包括多个步骤：
步骤21：采集燃料电池系统中m个传感器的数据x1，x2…xm和反馈电压v1，v2…vm；
步骤22：根据传感器的反馈电压v1，v2…vm进行真实性校验处理，所述真实性校验处理通过零位输出实现信号真实性校验，判断传感器是否出现短线/短路等故障；
步骤23：根据m个传感器的数据x1，x2…xm建立实时数据矩阵统计计算第一诊断值T2和第二诊断值Q，计算公式为：
Figure BDA0002091545070000061
QeTe
其中e为残差子空间Xr的残差向量，ti为特征向量，λi为特征值；
步骤24：判断是否第一诊断值T2大于第一故障阈值Te或第二诊断值Q大于第二故障阈值cla，若“是”，执行步骤25；
步骤25：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行故障诊断处理；
步骤26：根据m个传感器的数据x1，x2…xm、故障阈值X1，X2…Xms执行重构处理；
步骤27：燃料电池系统继续运行。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述重构处理借助传感器信号间的相关性，利用算法实时计算传感器数值，取代错误的传感器数值，重构该传感器信号，从而维持燃料电池系统正常运行。可选的，所述重构处理的算法还可以为简单的相关性方法。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤24判断是否第一诊断值T2大于第一故障阈值Te或第二诊断值Q大于第二故障阈值cla，若“否”，执行步骤28；
步骤28：停机检修燃料电池系统。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤22根据传感器的反馈电压v1，v2…vm进行真实性校验处理包括：
步骤221：判断反馈电压v1，v2…vm是否在预设的正常电压范围内，若“是”，执行步骤23；若“否”，执行步骤222；
步骤222：定位反馈电压v1，v2…vm超出正常电压范围的传感器对应的故障部件n，然后，执行步骤26。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤25根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行故障诊断处理包括：
步骤251：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm检索所述故障数据库判断故障是否为可逆故障，若“是”，执行步骤252；若“否”，执行步骤28；
步骤252：根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm定位故障部件n；
步骤253：判断故障部件n是否为非核心部件，若“是”，执行步骤26；若“否”，执行步骤28。
根据本发明的上述一个实施方式提供的燃料电池系统故障诊断方法，其中所述步骤26根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行重构处理包括：
步骤261：重构故障部件n对应的传感器的数据信号xn,重构公式为
Figure BDA0002091545070000081
其中cn为主元子空间Xm的向量，cnn为主元子空间Xm中第n行第n列的数据；
步骤262：将重构后的数据信号xn传输给燃料电池系统，然后执行步骤27。
该燃料电池系统故障诊断方法的优点在于：基于信息融合能够在线诊断和辨识燃料电池系统各类故障，实现信号真实性校验、故障诊断、故障定位和容错控制，并通过算法实现信号重构维持故障状态下的动力输出，保证了车用燃料电池系统的安全性和可靠性；本发明既可以作为燃料电池系统控制的组成部分，也能作为单独的故障诊断装置，适用于不同的燃料电池系统。
当然应意识到，虽然通过本发明的示例已经进行了前面的描述，但是对本发明做出的将对本领域的技术人员显而易见的这样和其他的改进及改变应认为落入如本文提出的本发明宽广范围内。因此，尽管本发明已经参照了优选的实施方式进行描述，但是，其意并不是使具新颖性的设备由此而受到限制，相反，其旨在包括符合上述公开部分、权利要求的广阔范围之内的各种改进和等同修改。

Claims (5)

1.一种燃料电池系统故障诊断方法，其特征在于，所述故障诊断方法包括多个步骤：
步骤1：执行离线处理，所述离线处理根据多个传感器采集的燃料电池的运行和故障数据建立故障数据库并计算故障阈值；
所述离线处理包括多个步骤：
步骤11：分别在燃料电池系统运行及发生各种故障时采集燃料电池系统中m个传感器的n组数据；
步骤12：根据采集的m个传感器的n组数据建立与燃料电池系统运行及发生各种故障时对应的m×n矩阵X，并对矩阵X进行归一化处理得到m×n归一化矩阵Xo；
步骤13：根据归一化矩阵Xo并通过数据训练方法建立主元子空间Xe和残差子空间Xr，并得到特征向量ti和特征值λi，其中Xo＝Xe +Xr；
步骤14：根据主元子空间Xe统计计算第一故障阈值Te，根据残差子空间Xr统计计算第二故障阈值cla，并根据主元子空间Xe和残差子空间Xr分别统计计算每个传感器的故障阈值X1，X2…Xm；
步骤15；根据每个传感器的故障阈值X1，X2…Xm建立故障数据库；
以及
步骤2：执行在线处理，所述在线处理根据故障数据库和故障阈值识别故障类型并根据故障数据库对故障类型进行判断，若故障可逆且故障部件为非核心部件则重构故障部件对应的传感器信号使燃料电池系统继续运行；若故障不可逆或故障部件为核心部件则停机检修燃料电池系统；
所述在线处理包括多个步骤：
步骤21：采集燃料电池系统中m个传感器的数据x1，x2…xm和反馈电压v1，v2…vm；
步骤22：根据传感器的反馈电压v1，v2…vm进行真实性校验处理；包括：
步骤221：判断反馈电压v1，v2…vm是否在预设的正常电压范围内，若“是”，执行步骤23；若“否”，执行步骤222；
步骤222：定位反馈电压v1，v2…vm超出正常电压范围的传感器对应的故障部件n，然后，执行步骤26；
步骤23：根据m个传感器的数据x1，x2…xm建立实时数据矩阵统计计算第一诊断值T2和第二诊断值Q，计算公式为：
Figure FDA0003064678720000021
Q＝eTe
其中e为残差子空间Xr的残差向量，ti为特征向量，λi为特征值；
步骤24：判断是否第一诊断值T2大于第一故障阈值Te或第二诊断值Q大于第二故障阈值cla，若“是”，执行步骤25；若“否”，执行步骤28；
步骤25：根据m个传感器的数据x1，x2…xm与每个传感器的故障阈值X1，X2…Xm执行故障诊断处理；包括：
步骤251：根据m个传感器的数据x1，x2…xm与每个传感器的故障阈值X1，X2…Xm检索所述故障数据库判断故障是否为可逆故障，若“是”，执行步骤252；若“否”，执行步骤28；
步骤252：根据m个传感器的数据x1，x2…xm与每个传感器的故障阈值X1，X2…Xm定位故障部件n；
步骤253：判断故障部件n是否为非核心部件，若“是”，执行步骤26；若“否”，执行步骤28；
步骤26：根据m个传感器的数据x1，x2…xm、每个传感器的故障阈值X1，X2…Xm执行重构处理；
步骤27：燃料电池系统继续运行；
步骤28：停机检修燃料电池系统。
2.如权利要求1所述的燃料电池系统故障诊断方法，其特征在于，所述步骤13根据归一化矩阵Xo并通过数据训练方法建立主元子空间Xe和残差子空间Xr并得到特征向量ti和特征值λi，所述主元子空间Xe包括描述正常运行状态的数据，残差子空间Xr包含描述异常变化和噪声的数据。
3.如权利要求2所述的燃料电池系统故障诊断方法，其特征在于，所述数据训练方法包括施密特正交化、核主元分析法、以及向量机和人工神经网络方法。
4.如权利要求1所述的燃料电池系统故障诊断方法，其特征在于，所述根据每个传感器的故障阈值建立故障数据库包括将不同的故障阈值X1，X2…Xm的组合与不同的具体故障类型建立对应关系，并根据故障严重程度将所述具体故障类型定义为可逆故障或不可逆故障中的一种。
5.如权利要求1所述的燃料电池系统故障诊断方法，其特征在于，所述步骤26根据m个传感器的数据x1，x2…xm与故障阈值X1，X2…Xm执行重构处理包括：
步骤261：重构故障部件n对应的传感器的数据信号xn,重构公式为
Figure FDA0003064678720000031
其中cn为主元子空间Xe的向量，cnn为主元子空间Xe中第n行第n列的数据；
步骤262：将重构后的数据信号xn传输给燃料电池系统，然后执行步骤27。
CN201910505040.4A 2019-06-12 2019-06-12 一种燃料电池系统故障诊断方法 Active CN110224160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910505040.4A CN110224160B (zh) 2019-06-12 2019-06-12 一种燃料电池系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910505040.4A CN110224160B (zh) 2019-06-12 2019-06-12 一种燃料电池系统故障诊断方法

Publications (2)

Publication Number Publication Date
CN110224160A CN110224160A (zh) 2019-09-10
CN110224160B true CN110224160B (zh) 2021-07-27

Family

ID=67816614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910505040.4A Active CN110224160B (zh) 2019-06-12 2019-06-12 一种燃料电池系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN110224160B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632519A (zh) * 2019-09-30 2019-12-31 潍柴动力股份有限公司 燃料电池故障诊断方法和装置
CN111199122B (zh) * 2020-01-02 2023-05-05 西南交通大学 基于多物理场的质子交换膜燃料电池水淹故障诊断方法
CN111983473B (zh) * 2020-08-24 2023-03-10 哈尔滨理工大学 一种基于支持向量机的锂离子动力电池安全度评估方法及装置
CN112373352B (zh) * 2020-11-12 2022-07-12 吉林大学 一种燃料电池系统故障诊断及容错控制方法
CN112421081B (zh) * 2020-11-17 2022-03-15 电子科技大学 适用于多电堆燃料电池系统的传感器故障的分布式故障检测方法
CN113311807A (zh) * 2021-05-28 2021-08-27 重庆长安新能源汽车科技有限公司 对车辆故障进行在线诊断并主动邀约处置的方法、系统及存储介质
CN113581015B (zh) * 2021-06-08 2023-09-29 北京科技大学 燃料电池系统的安全预警方法及装置
CN113415165B (zh) * 2021-06-30 2022-01-18 中国第一汽车股份有限公司 一种故障诊断方法、装置、电子设备及存储介质
CN113540526B (zh) * 2021-07-16 2023-01-17 同济大学 一种基于历史数据分析的燃料电池故障诊断方法及系统
CN113659175B (zh) * 2021-10-19 2022-04-05 潍柴动力股份有限公司 燃料电池堆自诊断方法、装置和电子设备
CN114361536B (zh) * 2022-03-18 2022-06-14 北汽福田汽车股份有限公司 燃料电池系统故障处理方法及装置
CN114976144B (zh) * 2022-07-04 2024-04-09 骆驼集团武汉光谷研发中心有限公司 一种燃料电池管理控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058987A (zh) * 2016-06-29 2016-10-26 浙江万马新能源有限公司 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置
CN107192953A (zh) * 2017-04-21 2017-09-22 华北电力大学 一种基于GA‑Elman的储能电池软故障诊断方法
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102097636B (zh) * 2011-01-07 2013-07-17 武汉理工大学 一种燃料电池系统的故障诊断装置及方法
CN104833926A (zh) * 2015-05-07 2015-08-12 昆山弗尔赛能源有限公司 燃料电池备用电源系统的监测方法及系统
CN104972867B (zh) * 2015-06-30 2017-03-08 重庆长安汽车股份有限公司 具有故障诊断功能的手动空调系统及其故障诊断方法
CN107632592B (zh) * 2017-09-01 2021-03-16 南通大学 基于高效递推核主元分析的非线性时变过程故障监测方法
CN109522948A (zh) * 2018-11-06 2019-03-26 山东科技大学 一种基于正交局部保持投影的故障检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106058987A (zh) * 2016-06-29 2016-10-26 浙江万马新能源有限公司 基于蓄电池组监控与故障诊断的电动汽车充电方法及装置
CN107192953A (zh) * 2017-04-21 2017-09-22 华北电力大学 一种基于GA‑Elman的储能电池软故障诊断方法
CN108960321A (zh) * 2018-07-02 2018-12-07 国电南瑞科技股份有限公司 一种大型锂电池储能电站电池故障预测方法

Also Published As

Publication number Publication date
CN110224160A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110224160B (zh) 一种燃料电池系统故障诊断方法
CN106662072B (zh) 风力发电机状态监控方法与系统
CN112373352B (zh) 一种燃料电池系统故障诊断及容错控制方法
Zhao et al. Faults diagnosis for PEM fuel cell system based on multi-sensor signals and principle component analysis method
EP1374167B1 (en) Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking
Luo et al. Integrated model-based and data-driven diagnosis of automotive antilock braking systems
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
CN107271839A (zh) 用于监测车辆的车载电气系统的方法和控制装置
CN108490923A (zh) 用于电气牵引系统的微小故障检测与定位的系统设计方法
CN108092623B (zh) 一种光伏阵列多传感器故障检测定位方法
CN110196365A (zh) 一种车辆电驱动系统故障诊断方法
Zhang et al. Fault diagnosis of proton exchange membrane fuel cell system of tram based on information fusion and deep learning
KR20210068687A (ko) 복합설비 고장진단 및 지식기반탐색 방법
US20220101666A1 (en) Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques
CN113561853B (zh) 燃料电池系统在线故障诊断方法及装置
CN112464565B (zh) 一种融合智能建模及模糊规则的设备故障预警方法
CN110633905A (zh) 智能车云平台可靠性计算方法
Simani Residual generator fuzzy identification for automotive diesel engine fault diagnosis
CN108803555B (zh) 一种基于性能监测数据的亚健康在线识别和诊断方法
CN114994543A (zh) 储能电站电池故障诊断方法、装置及存储介质
CN114942387A (zh) 一种基于真实数据的动力电池故障在线检测方法及系统
Park et al. Severity-based fault diagnostic method for polymer electrolyte membrane fuel cell systems
KR20210031179A (ko) 빅 데이터를 활용한 기관 장비 고장 예측 시스템
CN111271183B (zh) 一种自适应在线预测柴油机状态方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant