CN111628195A - 一种基于逻辑推理的燃料电池电堆实时状态识别方法 - Google Patents

一种基于逻辑推理的燃料电池电堆实时状态识别方法 Download PDF

Info

Publication number
CN111628195A
CN111628195A CN202010390783.4A CN202010390783A CN111628195A CN 111628195 A CN111628195 A CN 111628195A CN 202010390783 A CN202010390783 A CN 202010390783A CN 111628195 A CN111628195 A CN 111628195A
Authority
CN
China
Prior art keywords
fuel cell
impedance
diffusion
cell stack
method based
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
CN202010390783.4A
Other languages
English (en)
Inventor
毛磊
裴孟柳
何清波
吴强
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202010390783.4A priority Critical patent/CN111628195A/zh
Publication of CN111628195A publication Critical patent/CN111628195A/zh
Pending legal-status Critical Current

Links

Images

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
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • 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)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Sustainable Development (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Energy (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种基于逻辑推理的燃料电池电堆实时状态识别方法，包括：建立模糊推理模型；揭示燃料电池故障，识别出燃料电池运行状态。本发明的有益之处在于：模糊规则的制定基于电堆故障对EIS特征参数的影响，因此可以从机理上解释故障产生的原因；对于用输出响应(电压、温度等)判别燃料电池不同状态的方法而言，避免了同样故障可能会导致不同响应而造成的识别不精确问题，因此具有更好的鲁棒性；由于电堆不同故障会导致EIS特征参数的不同变化，因此本方法可用于电堆多故障下的状态识别；所需实验数据少，不受限于实验系统或故障种类。

Description

一种基于逻辑推理的燃料电池电堆实时状态识别方法
技术领域
本发明属于燃料电池技术领域，具体涉及一种基于逻辑推理的燃料电池电堆实时状态识别方法。
背景技术
随着化石能源的日渐耗尽，新能源的开发与应用变得越来越迫切。氢能及对应的燃料电池技术凭借其反应低污染、能量密度高等优点越来越吸引人们的注意，但是可靠性和耐久性不足仍是制约燃料电池相关产品商业化的主要瓶颈。由于燃料电池系统结构复杂且涉及多个领域的知识，包括电化学、材料、力学等，因此运行时其核心部件，即燃料电池电堆，容易产生不同类型的故障，例如水管理问题、燃料不足、催化剂降解等。基于此，有必要在燃料电池电堆运行时及时评估其状态，并采取合理策略缓解故障对电堆性能造成的影响，从而提高其可靠性和耐久性。
目前，燃料电池电堆状态识别方法主要分为三类，包括基于模型的方法、基于数据的方法和基于专家知识的方法。基于模型方法的诊断精确度主要取决于模型的精确性，即模型是否可以精确表征故障对电堆性能造成的影响，由于燃料电池系统结构复杂，对应的建模也比较困难，且复杂模型会导致计算量大，从而无法满足实时状态评估的需求；基于数据的方法通过对燃料电池电堆运行数据进行处理来评估其运行状态，因此需要燃料电池系统在不同故障下的实验数据，这在实际燃料电池系统中较难实现，此外，由于电堆运行数据量庞大，采用基于数据的方法也很难对电堆状态进行实时评估；基于专家知识的方法是直接利用先验信息或专家知识对电堆数据进行判断，进而推理电堆运行状态，其中制定合理的模糊规则是精确状态评估的关键。目前模糊规则的制定主要有两种方法，一种是从测试数据中用模糊聚类算法自动生成，这要求测试数据样本全面且可靠，然而通过这种方法建立的规则难以和电堆的故障机理联系起来，因此评估结果的解释通常比较困难。第二种方法是采用先验信息或专家知识直接生成模糊规则，把电堆输出响应(如电压、温度等)与故障机理联系起来，作为燃料电池状态识别的依据。然而电堆的同一种故障可能会导致不同的响应，如电堆水淹可能会导致温度下降或上升，因此针对同一中故障建立的模糊规则往往是不一致甚至是矛盾的，这给基于专家知识的电堆状态评估带来极大的困难。
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方法，该方法采用模糊推理方法对电化学阻抗谱(EIS)测试数据进行处理，通过提取阻抗谱中表征电堆故障机理的特征参数建立模糊规则，从机理上揭示燃料电池故障，从而准确识别出燃料电池运行状态，方便对燃料电池进行水管理的燃料电池电堆实时状态识别。
为了实现上述目标，本发明采用如下的技术方案：
一种基于逻辑推理的燃料电池电堆实时状态识别方法，包括：建立模糊推理模型；揭示燃料电池故障，识别出燃料电池运行状态。
优选的、模糊推理模型建立过程包括：文献回顾；从阻抗谱中提取和燃料电池故障相关的参数；制定模糊推理模型规则；建立模糊推理模型。
优选的、和燃料电池故障相关的参数包括：内阻、电荷转移阻抗、扩散欧姆阻抗、扩散时间常数、极化阻抗。
优选的、模糊推理模型规则为：
如果内阻增大，则电池脱水；
如果内阻、电荷转移阻抗和扩散时间常数增大，扩散欧姆阻抗减小，并且极化阻抗不增大，则电池脱水；
如果内阻、电荷转移阻抗、扩散时间常数、扩散欧姆阻抗和极化阻抗均不变，则电池健康；
如果电荷转移阻抗、扩散欧姆阻抗和极化阻抗增大，并且扩散时间常数减小，则电池水淹；
本发明的有益之处在于：
(1)模糊规则的制定基于电堆故障对EIS特征参数的影响，因此可以从机理上解释故障产生的原因；
(2)对于用输出响应(电压、温度等)判别燃料电池不同状态的方法而言，避免了同样故障可能会导致不同响应而造成的识别不精确问题，因此具有更好的鲁棒性；
(3)由于电堆不同故障会导致EIS特征参数的不同变化，因此本方法可用于电堆多故障下的状态识别；
(4)所需实验数据少，不受限于实验系统或故障种类。
附图说明
图1是本发明实施例中建立模糊推理模型的方法步骤流程图；
图2是模糊推理模型结构流程图；
图3是典型阻抗谱；
图4是模糊推理模型输入模糊集；
图5是三种状态下测得的阻抗谱求平均值结果；
图6是用于拟合数据的电路图。
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。
一种基于逻辑推理的燃料电池电堆实时状态识别方法，包括：建立模糊推理模型；揭示燃料电池故障，识别出燃料电池运行状态。
其中建立模糊推理模型的方法步骤流程图如图1所示，首先，通过对现有有关燃料电池电堆故障机理研究文献的学习，获得不同的故障类型及其对应的燃料电池内部变化，以及故障会对阻抗谱测试数据特征参数造成的影响，从阻抗谱(EIS)中提取和燃料电池故障相关的参数；制定模糊推理模型规则；建立模糊推理模型。
图2是本实施例建立的模糊推理模型结构实施过程。
图3是典型的阻抗谱线，谱线分为低频部分和高频部分，分别对应于燃料电池的质量传输和电荷传输过程。
通过对相关文献的学习，可以提取电池故障相关的参数包括：内阻、电荷转移阻抗、扩散欧姆阻抗、扩散时间常数、极化阻抗。
其中，内阻是指内阻燃料电池总的欧姆阻抗，主要是膜内阻，反映了膜的湿润程度。表现在EIS图谱中为在高频部分谱线和实轴的交点，对应于图3的(1)点；随着干燥程度的增加，膜的内阻会升高，同时内阻仅受水淹的轻微影响。
电荷转移阻抗：随着操作温度的提高，脱水作用的加深，电荷转移阻抗会下降。水的聚集阻碍了电荷在电极表面的转移，并且减小了电子转移速率，导致电荷转移阻抗增加。
扩散欧姆阻抗和扩散时间常数：描述了不同的气体在电极表面的扩散作用。其中，扩散欧姆阻抗是由于气体在穿过气体扩散层和催化层而引起的阻抗。水淹过程会改变燃料电池阻抗的低频部分，扩散欧姆阻抗在水聚集过程中变化显著。水淹情况下，扩散欧姆阻抗会升高，同时扩散时间常数会减小。脱水情况下，两者的变化相反，即，扩散欧姆阻抗减小，扩散时间常数变大。
极化阻抗：极化阻抗是由于氧化还原反应产生的，表征了电极上的电荷转移现象，对应于图3中的点(2)。水淹体现在阻抗谱直径的增大，极化阻抗可以用来判别电池水淹。随着水淹过程的进行，在阻抗谱上会出现代表传输过程的弧线并快速发展，同时伴随着极化阻抗的增大。
图4是根据提取出的参数建立的输入模糊集。在不同运行状态下，不同的参数会有不同的取值。相比于正常状态，脱水和水淹过程中参数的变化表1所示，其中，‘I’，‘D’分别代表上升和下降，‘U’代表不变或轻微变化。
表1脱水和水淹状态相比于正常状态参数的变化情况
脱水 水淹
内阻(Ri) I U
电荷转移阻抗(Rta和Rtc) I I
扩散欧姆阻抗(Wr) D I
扩散时间常数(Wt) I D
极化阻抗(Rp) U I
基于分析结果，制定联系EIS特征参数和水管理问题有关的规则，规则表如表2所示：
表2模糊推理模型推理规则
1.如果Ri增大，则电池脱水
2.如果Ri，Rta，Wt，Rtc增大，Wr减小，并且Rp不增大则电池脱水
3.如果Ri，Rta，Wt，Rtc，Wr，Rp均不变，则电池健康
4.Rta，，Rtc，，Wr，Rp增大，并且Wt减小，则电池水淹
根据以上的模糊推理模型输入集和提取的推理规则可建立燃料电池电堆水管理模糊推理模型，其推理过程如下：基于电堆运行中的EIS测试数据，提取出其中特征参数并将其作为模糊推理模型的输入，根据制定的模糊规则对电堆状态进行推理，并输出一个无量纲的数来对燃料电池状态进行标定，其中不同的取值范围代表燃料电池不同的运行状态。操作人员根据输出结果可以实时监测燃料电池电堆的运行状态，采取对应的运行策略。
进行三组实验验证模型的可行性：第一组燃料电池运行在正常状态，记为G1，第二组和第三组燃料电池均运行在脱水状态，但设置条件不同，记为G2和G3。设置两组不同类型的脱水实验目的是，在实际中，不同的操作环境可能会导致相同的故障，设置这两组实验的目的为了验证本发明方法所述的鲁棒性。
实验设置参数如表3所示。其中，s代表化学计量比，RH代表相对湿度，T代表温度，a,c分别代表阳极和阴极。
表3实验设置参数
sa sc RHa(％) RHc(％) Ta(℃) Tc(℃) Tcell(℃)
G<sub>1</sub> 1.5 2.5 60 60 60 60 60
G<sub>2</sub> 1.5 2.5 60 60 60 60 70
G<sub>3</sub> 1.5 2.5 0 0 60 60 60
通过两组实验的设置得出以下结论：第一组脱水实验中造成脱水的主要原因是电池温度升高；第二组脱水实验造成脱水的主要原因是不经过气体加湿罐。
在三种实验中，都进行了5次EIS实验，在每次改变实验条件后，都间隔1小时，使电池恢复平稳运行状态。在每次EIS实验中，施加了相当于实验电流5％大小的直流电流信号，范围为0.2Hz到大约20kHz，采样70个点。图5表示了三种情况下测得的5组EIS实验数据取平均值所得结果。其中，横纵坐标分别表示EIS的实部和虚部。
用于拟合的电路图如图6所示，来对每种实验条件下的5组EIS数据分别进行拟合，每个参数的拟合误差均控制在10％以下。求得的参数求5次平均之后结果如表4所示。
表4从EIS谱中提取的参数在三种情况下的对应值
Rm Rtc W-r W-τ Rta
正常状态 1.4088 4.2064 3.463 0.0019774 7.2732
D1 1.9744 6.9772 3.1892 0.00171232 7.564
D2 2.04 7.6966 1.3646 0.0025162 10.9536
用一个无量纲的数来表示电池的水淹和脱水程度，其取值范围为0-1。其中，0.5和0.6 表示电池运行在正常状态，小于0.5的值表示脱水状态，数值越小脱水程度越严重；大于0.6 的值表示水淹，数值越大水淹程度越严重。根据所建模型，得出的模糊推理输出，即诊断结果，如表5所示。
表5模糊推理模型输出
G<sub>2</sub> G<sub>3</sub>
模糊推理模型输出 0.394 0.32
从结果可以看出，第三组实验中燃料电池比第二组实验中电池脱水更严重。因此可以确定本发明具体实施例提出的模型对燃料电池进行水管理状态识别是可行的。
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 (4)

1.一种基于逻辑推理的燃料电池电堆实时状态识别方法，其特征在于，包括：
建立模糊推理模型；
揭示燃料电池故障，识别出燃料电池运行状态。
2.根据权利要求1所述的基于逻辑推理的燃料电池电堆实时状态识别方法，其特征在于，模糊推理模型建立过程包括：
文献回顾；
从阻抗谱中提取和燃料电池故障相关的参数；
制定模糊推理模型规则；
建立模糊推理模型。
3.根据权利要求2所述的基于逻辑推理的燃料电池电堆实时状态识别方法，其特征在于，所述的和燃料电池故障相关的参数包括：内阻、电荷转移阻抗、扩散欧姆阻抗、扩散时间常数、极化阻抗。
4.根据权利要求2所述的基于逻辑推理的燃料电池电堆实时状态识别方法，其特征在于，所述的模糊推理模型规则为：
如果内阻增大，则电池脱水；
如果内阻、电荷转移阻抗和扩散时间常数增大，扩散欧姆阻抗减小，并且极化阻抗不增大，则电池脱水；
如果内阻、电荷转移阻抗、扩散时间常数、扩散欧姆阻抗和极化阻抗均不变，则电池健康；
如果电荷转移阻抗、扩散欧姆阻抗和极化阻抗增大，并且扩散时间常数减小，则电池水淹。
CN202010390783.4A 2020-05-11 2020-05-11 一种基于逻辑推理的燃料电池电堆实时状态识别方法 Pending CN111628195A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010390783.4A CN111628195A (zh) 2020-05-11 2020-05-11 一种基于逻辑推理的燃料电池电堆实时状态识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010390783.4A CN111628195A (zh) 2020-05-11 2020-05-11 一种基于逻辑推理的燃料电池电堆实时状态识别方法

Publications (1)

Publication Number Publication Date
CN111628195A true CN111628195A (zh) 2020-09-04

Family

ID=72270979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010390783.4A Pending CN111628195A (zh) 2020-05-11 2020-05-11 一种基于逻辑推理的燃料电池电堆实时状态识别方法

Country Status (1)

Country Link
CN (1) CN111628195A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269087A (zh) * 2021-05-25 2021-08-17 北京亿华通科技股份有限公司 一种基于机器学习识别燃料电池干湿模式的方法和装置
CN115084593A (zh) * 2022-05-31 2022-09-20 同济大学 一种基于非线性阻抗谱的燃料电池故障诊断方法
CN115425259A (zh) * 2022-09-19 2022-12-02 中国汽车工程研究院股份有限公司 一种燃料电池内部电气参数分布辨识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107681181A (zh) * 2016-09-26 2018-02-09 中国计量大学 一种燃料电池的性能诊断方法
CN109346745A (zh) * 2018-09-28 2019-02-15 北京机械设备研究所 一种基于阻抗判断燃料电池内部水状态的方法及系统
CN109713340A (zh) * 2017-10-26 2019-05-03 现代自动车株式会社 用于诊断燃料电池堆的含水状态的方法
CN109726452A (zh) * 2018-12-12 2019-05-07 浙江大学 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法
CN110676488A (zh) * 2019-09-20 2020-01-10 浙江浙能技术研究院有限公司 一种基于低频阻抗与电化学阻抗谱的在线质子交换膜燃料电池故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107681181A (zh) * 2016-09-26 2018-02-09 中国计量大学 一种燃料电池的性能诊断方法
CN109713340A (zh) * 2017-10-26 2019-05-03 现代自动车株式会社 用于诊断燃料电池堆的含水状态的方法
CN109346745A (zh) * 2018-09-28 2019-02-15 北京机械设备研究所 一种基于阻抗判断燃料电池内部水状态的方法及系统
CN109726452A (zh) * 2018-12-12 2019-05-07 浙江大学 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法
CN110676488A (zh) * 2019-09-20 2020-01-10 浙江浙能技术研究院有限公司 一种基于低频阻抗与电化学阻抗谱的在线质子交换膜燃料电池故障诊断方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
N.FOUQUE ET AL.: "Model based PEM fuel cell state-of-health monitoring via ac impedance measurements", 《JOURNAL OF POWER SOURCES》 *
RODAT,S.ET AL.: "EIS measurements in the diagnosis of the environment within a PEMFC stack", 《JOURNAL OF APPLIED ELECTROCHEMISTRY》 *
RUI QUAN ET AL.: "T-S Fuzzy Model-based Fault Diagnosis of PEM Fuel Cell Engine", 《ADVANCED MATERIALS RESEARCH》 *
SLIMANE LARIBI ET AL.: "Analysis and diagnosis of PEM fuel cell failure modes (flooding & drying)across the physical parameters of electrochemical impedance model: Using neural networks method", 《SUSTAINABLE ENERGY TECHNOLOGIES AND ASSESSMENTS》 *
ZHIXUE ZHENG ET AL.: "A double-fuzzy diagnostic methodology dedicated to online fault diagnosis of proton exchange membrane fuel cell stacks", 《JOURNAL OF POWER SOURCES》 *
郭家兴等: "质子交换膜燃料电池故障诊断", 《电源技术 工程科技II》 *
陈维荣等: "质子交换膜燃料电池故障诊断方法综述及展望", 《中国电机工程学报 工程科技II》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269087A (zh) * 2021-05-25 2021-08-17 北京亿华通科技股份有限公司 一种基于机器学习识别燃料电池干湿模式的方法和装置
CN113269087B (zh) * 2021-05-25 2023-08-25 北京亿华通科技股份有限公司 一种基于机器学习识别燃料电池干湿模式的方法和装置
CN115084593A (zh) * 2022-05-31 2022-09-20 同济大学 一种基于非线性阻抗谱的燃料电池故障诊断方法
CN115084593B (zh) * 2022-05-31 2024-05-31 同济大学 一种基于非线性阻抗谱的燃料电池故障诊断方法
CN115425259A (zh) * 2022-09-19 2022-12-02 中国汽车工程研究院股份有限公司 一种燃料电池内部电气参数分布辨识方法
CN115425259B (zh) * 2022-09-19 2023-06-06 中国汽车工程研究院股份有限公司 一种燃料电池内部电气参数分布辨识方法

Similar Documents

Publication Publication Date Title
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和系统
CN112505549B (zh) 基于孤立森林算法的新能源汽车电池异常检测方法
EP2845255B1 (de) Verfahren zur bestimmung kritischer betriebszustände an einem brennstoffzellenstack
CN111628195A (zh) 一种基于逻辑推理的燃料电池电堆实时状态识别方法
Yuan et al. Quantitative analysis of internal polarization dynamics for polymer electrolyte membrane fuel cell by distribution of relaxation times of impedance
CN110676488B (zh) 一种基于低频阻抗与电化学阻抗谱的在线质子交换膜燃料电池故障诊断方法
Zhang et al. A health management review of proton exchange membrane fuel cell for electric vehicles: Failure mechanisms, diagnosis techniques and mitigation measures
Chen et al. Prognosis of fuel cell degradation under different applications using wavelet analysis and nonlinear autoregressive exogenous neural network
CN112117475A (zh) 一种燃料电池水管理子系统故障检测装置及方法
CN111029624A (zh) 在线监控和恢复燃料电池水状态的系统及方法
CN113611900A (zh) 一种质子交换膜燃料电池的膜干故障诊断方法
CN113359037A (zh) 基于bp神经网络的燃料电池故障诊断方法
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
CN116053531A (zh) 一种燃料电池堆健康状态的评估系统及方法
Huang et al. Experimental study of the performance degradation of proton exchange membrane fuel cell based on a multi-module stack under selected load profiles by clustering algorithm
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
CN117117258B (zh) 一种氢燃料电池系统的故障监测方法及装置
CN114583219A (zh) 一种质子交换膜燃料电池的水淹故障诊断方法
CN114048772A (zh) 一种燃料电池装置的故障诊断方法、系统及存储介质
Rubio et al. Failure mode diagnosis in proton exchange membrane fuel cells using local electrochemical noise
CN117457949A (zh) 一种基于电化学阻抗谱的燃料电池水故障诊断方法及系统
CN115425267A (zh) 燃料电池质子交换膜故障诊断方法
CN112993336B (zh) 用于车用燃料电池衰减过程的水管理故障诊断方法
Pei et al. A Fuzzy Logic-based Method for Proton Exchange Membrane Fuel Cell Fault Diagnosis

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200904