CN111600051A - 一种基于图像处理的质子交换膜燃料电池故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；将一维数据转化为二维图像；从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；利用K‑means聚类算法对图像特征进行分类诊断。本发明的有益之处在于：将电压信号转变为图像之后，图像像素值范围大，变化明显，容易提取特征进行区分，故障诊断具有更高精确性；本发明能够区分不同系统的故障，通过分析不同PEMFC故障电压下降特性，获取不同系统同一故障的共有特性，根据特性自定义两种图像特征，利用两种图像特征诊断不同系统故障，具有良好的鲁棒性。

Description

一种基于图像处理的质子交换膜燃料电池故障诊断方法

技术领域

本发明属于电池故障诊断技术领域，涉及一种电池故障诊断方法，具体涉及一种基于图像处理的质子交换膜燃料电池故障诊断方法。

背景技术

近几十年来，随着化石能源等不可再生能源的不断稀缺，清洁能源的开发和利用受到了广泛关注。在这些清洁能源中，氢能和燃料电池技术，尤其是质子交换膜燃料电池(PEMFC)，由于其零污染和高效率等特性在许多领域都实现了应用，包括固定电站，汽车和消费类设备。然而，质子交换膜燃料电池系统有限的耐用性和可靠性仍然限制了它们的广泛商业化。

质子交换膜燃料电池是一个复杂的多领域知识系统，典型的质子交换膜燃料电池由电池电堆和辅助系统(包括气体供应系统、水和热管理系统)组成，这使得其在运行过程中会遇到各种故障。例如膜电极组件污染、不良水管理和反应物不足等。因此，需要及时检测不同的PEMFC故障，以便采取有效的缓解策略去提高PEMFC的可靠性和耐久性。

目前，现有的PEMFC故障诊断技术主要分为两大类，包括基于模型的诊断方法和基于数据的诊断方法。采用基于模型的故障诊断方法对燃料电池电堆进行诊断时，需要建立燃料电池电堆及其辅助系统的模型，通过分析模型和燃料电池电堆的输出差异确定故障的产生及对应故障类型。然而，由于燃料电池系统的建模涉及多个领域的知识，包括电化学、流体力学、结构力学等，导致燃料电池系统建模复杂，且建模时采用的简化及假设可能导致故障诊断结果不精确，因此基于燃料电池电堆模型的故障诊断研究非常有限。

基于数据的故障诊断方法通常采用信号处理技术对燃料电池电堆运行中采集的数据进行分析，通过提取可以表征燃料电池电堆运行状态的特征向量，采用模式识别方法来确定燃料电池电堆的运行状态及对应的故障类型。与基于模型的故障诊断方法相比，采用基于数据的故障诊断方法对燃料电池电堆进行诊断时不需要建立燃料电池电堆模型，因此受到更多的关注。然而，基于数据的燃料电池故障诊断方法都是从一维PEMFC电压故障数据中提取特征，因为电压数据可以直接指出系统性能下降。但是，由于PEMFC故障都可以导致相应的电压下降，因此直接从一维PEMFC电压故障信号中提取特征无法准确地区分不同故障。

综上所述，目前在PEMFC故障诊断方法中，通常都是从一维故障电压信号中直接提取特征进行诊断，其故障诊断的准确性和鲁棒性欠佳。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于图像处理的质子交换膜燃料电池故障诊断方法。使用从一维PEMFC电压信号转换而来的二维图像数据来识别PEMFC故障，提高在识别PEMFC不良水管理问题方面的准确性。通过对来自不同系统的故障进行准确分类，提高在PEMFC故障诊断方面的鲁棒性。

为了实现上述目标，本发明采用如下的技术方案：

一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括以下步骤：

步骤一：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；

步骤二：将一维数据转化为二维图像；

步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；

步骤四：利用K-means聚类算法对图像特征进行分类诊断；

优选的、步骤一中所述的PEMFC系统可以是单个系统。

优选的、步骤二中所述的将一维数据转化为二维图像的转化过程依据公式为：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

优选的、步骤三中所述的提取图像灰度下降速率，依据公式为：

其中，VD代表电压下降幅度，T代表下降过程对应的时间，GDV代表相应的像素值下降幅度。

优选的、步骤三中所述的像素灰度向上波动比率，依据公式为：

其中，FFF代表图像中像素值向上波动频率，TFF代表图像中像素值波动总频率。

优选的、步骤四中所述的利用K-means聚类算法对图像特征进行分类诊断过程包括以下步骤：

步骤一：随机选取k个数据点作为每一类数据的重心；

步骤二：计算目标数据点到k个重心的距离，并把其划分给距离最近的类；

步骤三：计算每类中所有数据点的均值，并作为该类新的重心；

步骤四：计算标准测度函数，当满足条件，则算法终止；如不满足条件则回到步骤二。

优选的、步骤四所述的条件为函数收敛。

本发明的有益之处在于：

(1)将电压信号转变为图像之后，图像像素值范围大，变化明显，容易提取特征进行区分，故障诊断具有更高精确性；

(2)本发明能够区分不同系统的故障，通过分析不同PEMFC故障电压下降特性，获取不同系统同一故障的共有特性，根据特性自定义两种图像特征，利用两种图像特征诊断不同系统故障，具有良好的鲁棒性。

附图说明

图1是本发明申请实施例中提供的基于图像处理的质子交换膜燃料电池故障诊断方法流程图示意图；

图2是图1中实施例中的一维信号转二维图像方法图示；

图3是图1中实施例中的像素灰度值向上波动和向下波动示意图；

图4是图1中实施例中的水淹故障电压随温度变化图；

图5是图1中实施例中的脱水故障电压随温度变化图；

图6是现有技术中一维电压分段示意图；

图7是现有技术中基于一维电压信号故障诊断结果图；

图8是图7中前三段电压转化的二维图像；

图9是本发明基于图像的故障诊断结果图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括以下步骤：

步骤一：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；

步骤二：将一维数据方法转化为二维图像；

步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；

步骤四：利用K-means聚类算法对图像特征进行分类诊断；

步骤一中所述的PEMFC系统可以是单个系统。

如图1所示，左边坐标系中是一维信号(PEMFC电压信号)，右边是由一维信号转化的二维图像。在转化过程中，原始一维数据按顺序被均分为N段。然后，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点。S(i),i＝1,2,…,N²，代表一维原始数据，F(j,k),j＝1,2,…,N，k＝1,2,…,N，代表图像中的像素点。

步骤二中所述的将一维数据方法转化为二维图像的转化过程依据公式为：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

根据PEMFC水淹、脱水电压下降特性，本发明使用了两种自定义图像特征：图像灰度下降速率和像素灰度向上波动比率，如图2所示，图中Forward Fluctuation代表像素灰度值向上波动的情况，Downward Fluctuation代表像素灰度值向下波动的情况。

不同的PEMFC故障会导致不同的电压下降速率，但是电压下降速率的区别是非常微小的，以至于很难直接用于诊断不同的故障。如一维数据方法转化为二维图像的转化过程依据公式所示，在转化后的图像中的灰度值范围是0-255。因此，在原始信号中的微小的电压下降速率区别在图像中被放大，更有利于不同故障的识别和诊断。由此，图像灰度下降速率被提出。

步骤三中所述的提取图像灰度下降速率，依据公式为：

其中，VD代表电压下降幅度，T代表下降过程对应的时间，GDV代表相应的像素值下降幅度。

除了不同的电压下降速率，不同的PEMFC故障还会导致不同的电压下降趋势。水淹故障会导致电压快速下降，因此电压一直持续下降，电压是上下波动的情况很少。但是脱水故障导致的电压下降则不同。在脱水故障的初期，电压下降幅度是很小的，随着故障的加剧，电压下降幅度增加。因此，在故障前期，电压是不稳定的，不会保持平稳，也不会持续下降，而是上下波动。由此，像素灰度向上波动比率被定义，步骤三中所述的像素灰度向上波动比率，依据公式为：

其中，FFF代表图像中像素值向上波动频率，TFF代表图像中像素值波动总频率。

在从脱水和水淹图像数据中提取特征后，利用K-means聚类算法对其进行分类，进而完成故障诊断。

步骤四中所述的利用K-means聚类算法对图像特征进行分类诊断过程包括以下步骤：

步骤一：随机选取k个数据点作为每一类数据的重心；其中k表示用户根据先验知识确定欲将数据点分为k类；

步骤二：计算目标数据点到k个重心的距离，并把其划分给距离最近的类；

步骤三：计算每类中所有数据点的均值，并作为该类新的重心；

步骤四：计算标准测度函数，当满足条件，例如函数收敛时，则算法终止；如不满足条件则回到步骤二。

为了验证本发明方法的鲁棒性，利用两种不同的PEMFC系统(80W和60W)进行实验。技术参数如表1所示，并且在两种实验系统中，都是利用的单电池。

表1系统技术参数

由于在PEMFC使用过程中，特别是在非静态条件下，水管理问题，尤其是水淹和脱水问题十分突出。在两种PEMFC系统上，通过降低和提高PEMFC电池温度，分别进行了水淹和脱水实验。

在水淹实验中，随着PEMFC温度低于露点温度，液态水逐渐从气体中凝结出来，聚集在电池内部。随着液态水凝结增多，电池内部的气体流通通道将会被堵塞，从而造成电池电压下降，性能降低。在两个系统中，由水淹导致的电压随温度的变化过程如图4所示。

在脱水实验中，升高PEMFC温度的同时，向电池内部通入无湿度的气体，质子交换膜内部将会出现缺水状态，继而由于膜脱水造成的电池电压和性能下降将会出现。在两个系统中，由水淹导致的电压随温度的变化过程如图5所示。

从图5中可以看出，尽管水淹和脱水都会导致PEMFC电压下降，但是下降的变化趋势明显不同。水淹导致的电压下降更快。在水淹过程中，故障一旦产生，电压立即迅速下降；而在脱水过程中，故障前期导致的电压下降幅度很小。随着故障加重，电压下降幅度也增大。

目前绝大多数基于数据的方法，都是从一维信号数据中直接提取特征进行故障分类，即一种常用的利用小波包能量的方法提取特征，进行PEMFC故障诊断。为了区分不同程度的故障，将每一组实验数据按顺序均分为6段，如图6所示。前三段数据代表故障前期。每一段数据都利用小波包能量法进行分解，并选取能量最高的两个频段，其对应的两个能量作为两种特征。利用这两种特征进行故障分类。结果如图7和表2所示。

表2基于一维电压信号故障诊断结果统计表

从图7中可以明显看出，只有当故障程度较大时，两种故障才能被正确分类。当故障程度较轻时，两种故障数据点混淆。所以，在对PEMFC故障诊断时，现有的技术方案的准确率受故障程度影响很大，且其鲁棒性也不佳。

本发明将每一组实验数据按顺序被均分为6段，如图6所示。为了证明本发明方法对早期故障诊断的有效性，代表故障前期的前三段数据被使用并转化为二维图像，如图8所示。按本发明方法，产生分别代表水淹和脱水的两组图像，从两组图像中提取两种特征，图像灰度下降速率和像素灰度向上波动比率。在获取图像特征之后，利用K-means聚类算法，进行特征分类，结果如图9和表3所示。分析数据结果可知，代表不同故障的数据点能清楚地被分开。由于数据来源于两种不同的PEMFC系统，所以本发明方法的鲁棒性也得到了证明。

表3基于图像的故障诊断结果统计表

需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (7)

1.一种基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，包括以下步骤：

步骤一：从不同质子交换膜燃料电池系统中获取一维水淹和脱水故障电压数据；

步骤二：将一维数据转化为二维图像；

步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；

步骤四：利用K-means聚类算法对图像特征进行分类诊断。

2.根据权利要求1所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤一中所述的质子交换膜燃料电池系统可以是单个系统。

3.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤二中所述的将一维数据转化为二维图像的转化过程依据公式为：

其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。

4.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤三中所述的提取图像灰度下降速率，依据公式为：

其中，VD代表电压下降幅度，T代表下降过程对应的时间，GDV代表相应的像素值下降幅度。

5.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤三中所述的像素灰度向上波动比率，依据公式为：

其中，FFF代表图像中像素值向上波动频率，TFF代表图像中像素值波动总频率。

6.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤四中所述的利用K-means聚类算法对图像特征进行分类诊断过程包括以下步骤：

步骤一：随机选取k个数据点作为每一类数据的重心；

步骤二：计算目标数据点到k个重心的距离，并把其划分给距离最近的类；

步骤三：计算每类中所有数据点的均值，并作为该类新的重心；

步骤四：计算标准测度函数，当满足条件，则算法终止；如不满足条件则回到步骤二。

7.根据权利要求6所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤四所述的条件为函数收敛。

Images