CN113561853A - 燃料电池系统在线故障诊断方法及装置 - Google Patents

燃料电池系统在线故障诊断方法及装置 Download PDF

Info

Publication number
CN113561853A
CN113561853A CN202110636350.7A CN202110636350A CN113561853A CN 113561853 A CN113561853 A CN 113561853A CN 202110636350 A CN202110636350 A CN 202110636350A CN 113561853 A CN113561853 A CN 113561853A
Authority
CN
China
Prior art keywords
fuel cell
fault
data
diagnosis
test data
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.)
Granted
Application number
CN202110636350.7A
Other languages
English (en)
Other versions
CN113561853B (zh
Inventor
洪吉超
徐晓明
孙旭东
胡松
赤骋
陈东方
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 Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110636350.7A priority Critical patent/CN113561853B/zh
Publication of CN113561853A publication Critical patent/CN113561853A/zh
Application granted granted Critical
Publication of CN113561853B publication Critical patent/CN113561853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H01M8/04992—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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Abstract

本发明公开了一种燃料电池系统在线故障诊断方法及装置，其中，方法包括：获取燃料电池的电堆测试数据和当前运行数据；将电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；根据诊断数据识别燃料电池是否故障，并且在燃料电池故障时，发送故障信号至预设终端。该方法能够对燃料电池系统进行实时在线检测、准确评估其故障状态，诊断过程快速、高效。

Description

燃料电池系统在线故障诊断方法及装置
技术领域
本发明涉及电池技术领域，特别涉及一种燃料电池系统在线故障诊断方法及装置。
背景技术
相关技术中，一般是从模型、数据驱动和实验测试三个方面进行燃料电池系统故障诊断。
然而，相关技术中的燃料电池系统故障诊断方法存在以下几个问题：(1)大多数只考虑了电堆实验数据或实车运行数据进行分析，没有综合考虑两种数据的耦合使用；(2)建立单一的机器学习模型，没有考虑不同类型的燃料电池需要的模型可能不同；(3)诊断方法复杂，实施成本高，无法用于在线故障诊断，有待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种燃料电池系统在线故障诊断方法，能够对燃料电池系统进行实时在线检测、准确评估其故障状态，诊断过程快速、高效。
本发明的另一个目的在于提出一种燃料电池系统在线故障诊断装置。
为达到上述目的，本发明一方面实施例提出了燃料电池系统在线故障诊断方法，包括以下步骤：
获取燃料电池的电堆测试数据和当前运行数据；
将所述电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及
根据所述诊断数据识别所述燃料电池是否故障，并且在所述燃料电池故障时，发送故障信号至预设终端。
本发明实施例的燃料电池系统在线故障诊断方法，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。
另外，根据本发明上述实施例的燃料电池系统在线故障诊断方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：
根据所述燃料电池的当前运行数据对所述电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。
进一步地，在本发明的一个实施例中，还包括：
根据所述燃料电池的电堆测试数据和运行数据生成训练集；
利用所述训练集训练所述燃料电池的当前类型对应的机器学习模型，直至所述机器学习模型达到预设条件，得到所述预设的故障诊断模型。
进一步地，在本发明的一个实施例中，还包括：
根据所述诊断数据生成所述车辆的故障修复动作；
控制所述车辆驱动执行组件执行所述故障修复动作。
进一步地，在本发明的一个实施例中，还包括：
预先建立故障表征参数数据库，以利用所述故障表征参数数据库得到所述诊断数据。
为达到上述目的，本发明另一方面实施例提出了一种燃料电池系统在线故障诊断装置，包括：
获取模块，用于获取燃料电池的电堆测试数据和当前运行数据；
输入模块，用于将所述电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及
发送模块，用于根据所述诊断数据识别所述燃料电池是否故障，并且在所述燃料电池故障时，发送故障信号至预设终端。
本发明实施例的燃料电池系统在线故障诊断装置，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。
另外，根据本发明上述实施例的燃料电池系统在线故障诊断装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：
优化模块，用于根据所述燃料电池的当前运行数据对所述电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。
进一步地，在本发明的一个实施例中，还包括：
第一生成模块，用于根据所述燃料电池的电堆测试数据和运行数据生成训练集；
训练模块，用于利用所述训练集训练所述燃料电池的当前类型对应的机器学习模型，直至所述机器学习模型达到预设条件，得到所述预设的故障诊断模型。
进一步地，在本发明的一个实施例中，还包括：
第二生成模块，用于根据所述诊断数据生成所述车辆的故障修复动作
控制模块，用于控制所述车辆驱动执行组件执行所述故障修复动作。
进一步地，在本发明的一个实施例中，还包括：
建立模块，用于预先建立故障表征参数数据库，以利用所述故障表征参数数据库得到所述诊断数据。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的燃料电池系统在线故障诊断方法的流程图；
图2为根据本发明一个具体实施例的燃料电池系统在线故障诊断方法的流程图；
图3为根据本发明一个实施例的故障诊断算法设计的流程图；
图4为根据本发明实施例的燃料电池系统在线故障诊断装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断方法及装置，首先将参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断方法。
图1是本发明一个实施例的燃料电池系统在线故障诊断方法的流程图。
如图1所示，该燃料电池系统在线故障诊断方法包括：
在步骤S101中，获取燃料电池的电堆测试数据和当前运行数据。
应当理解的是，获取燃料电池的电堆测试数据和当前运行数据的方式可以采用相关技术中的获取方式，为避免冗余，在此不做详细赘述。
在步骤S102中，将电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据。
具体而言，燃料电池实车运行数据及电堆测试数据可以用以进行机器学习的训练数据子集，开展机器学习模型的训练，并根据训练结果，用实车运行数据和电堆测试数据作为验证数据子集，去验证所建模型的准确性，即验证这一模型精度，并判断建立模型的准确度是否达到预期要求，若达成，则建立故障诊断模型，用以对当前状态进行分析与预警，否则对机器学习模型的参数或者训练方法进行调整，以满足训练结果的要求。
在步骤S103中，根据诊断数据识别燃料电池是否故障，并且在燃料电池故障时，发送故障信号至预设终端。
可以理解的是，电堆的故障诊断结果可以包括水淹、膜干、缺气、短路和/或催化剂中毒等；预设终端可以为手机、平板、PC端等。
进一步地，在本发明的一个实施例中，还包括：根据燃料电池的当前运行数据对电堆测试数据进行优化，以得到下一次诊断的电堆测试数据，从而不断提高电堆测试数据的准确性。
进一步地，在本发明的一个实施例中，还包括：根据燃料电池的电堆测试数据和运行数据生成训练集；利用训练集训练燃料电池的当前类型对应的机器学习模型，直至机器学习模型达到预设条件，得到预设的故障诊断模型。
也就是说，本申请实施例可以根据燃料电池的不同类型，自适应地选择建立机器学习模型，机器学习模型包括线性模型、核方法与支持向量机、决策树与Boosting、神经网络等，其中，神经网络又包括全连接神经网络、卷积神经网络和循环神经网络，可以使用其中的一种或几种模型融合的方式，得到最适用当前场景的机器学习模型。
需要说明的是，由于不同的机器学习模型都有各自适用场景，因此，本申请实施例可以通过训练集大小(如大，小)、特征空间维度(如高维，低维)、特征是否相互独立(如独立，不独立)、是否为线性特征(如线性，非线性)、.对拟合程度的要求、缺失值比例(如多，少)和其他要求(如性能，时间，空间)七个角度去判断最适用本次场景的模型。
进一步地，在本发明的一个实施例中，还包括：根据诊断数据生成车辆的故障修复动作；控制车辆驱动执行组件执行故障修复动作。
也就是说，本申请实施例可以根据诊断数据实现对故障的修复。
进一步地，在本发明的一个实施例中，还包括：预先建立故障表征参数数据库，以利用故障表征参数数据库得到诊断数据。
具体而言，在获取诊断数据时，一般是建立故障表征参数数据库，建立模型样本库，结合多模型融合，进行冗余设计。
其中，所建立的故障表征参数数据库包括模型、数据驱动和实验测试等三个方面的数据，同时包括一些特定场合下的故障诊断方法，如：多套大功率PEMFC系统的故障诊断方法、复杂环境下的PEMFC系统多重故障诊断方法、考虑PEMFC系统老化的故障诊断方法等。
为使得本领域技术人员进一步了解本申请实施例的燃料电池系统在线故障诊断方法，下面结合具体实施例进行详细阐述。
如图2所示，该燃料电池系统在线故障诊断方法包括以下步骤：
(1)根据燃料电池根据燃料电池系统的电堆测试数据和实车运行数据，作为故障诊断前期的数据积累，同时，实车运行数据可以优化电堆测试数据，不断提高电堆测试数据的准确性。
(2)根据燃料电池的不同类型，自适应地选择建立机器学习模型，机器学习模型包括线性模型、核方法与支持向量机、决策树与Boosting、神经网络等，其中神经网络又包括全连接神经网络、卷积神经网络和循环神经网络，可以使用其中的一种或几种模型融合的方式，得到最适用当前场景的机器学习模型。
(3)燃料电池实车运行数据及电堆测试数据可以用以进行机器学习的训练数据子集，开展机器学习模型的训练。
(4)根据步骤3中的训练结果，用实车运行数据和电堆测试数据作为验证数据子集，去验证所建模型的准确性，即验证这一模型精度。
(5)判断建立模型的准确度是否达到预期要求，若达成，则继续步骤(6)；若不达成，则继续步骤(7)；
(6)建立了故障诊断模型，用以对当前状态进行分析与预警。
(7)不满足要求的训练结果，需要对机器学习模型的参数或者训练方法进行调整，以满足训练结果的要求，继续执行步骤(5)。
由此，能够对燃料电池系统进行实时在线检测、准确评估其故障状态，诊断过程快速、高效，可用于燃料电池控制系统或者燃料电池测试设备。
进一步地，如图3所示，图3给出了基于快速电化学阻抗谱的燃料电池在线故障诊断方法实例。在测量得到燃料电池的阻抗谱后，需要设计故障诊断算法将阻抗谱信息应用到故障诊断中。故障诊断算法设计过程分为离线场景和在线场景两个部分。在离线场景中，首先需要进行正常实验以芡故障实验，测量在不同实验条件下燃料电池的阻抗谱数据获得训练数据集，然后对数据进行分析，结合具体理论以及先验知识从阻抗谱中选择适合应用于故障诊断的特征。接着恨据选择的特征以及实际应用场景选择合适的分类算法，设计故障分类器。在线场景中，快速阻抗谱测量系统实时运行并记录燃料电池的阻抗谱，然后阻抗谱数据通过特征提取算法提取得到用于故障分类的特征后使用故障分类器辨识出当前电堆的徤康状态以及故障类型。
根据本发明实施例提出的燃料电池系统在线故障诊断方法，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。
其次参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断装置。
图4是本发明实施例的燃料电池系统在线故障诊断装置的方框示意图。
如图4所示，该燃料电池系统在线故障诊断装置包括：获取模块100、输入模块200和发送模块300。
其中，获取模块100用于获取燃料电池的电堆测试数据和当前运行数据；
输入模块200用于将电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及
发送模块300用于根据诊断数据识别燃料电池是否故障，并且在燃料电池故障时，发送故障信号至预设终端。
进一步地，在本发明的一个实施例中，还包括：
优化模块，用于根据燃料电池的当前运行数据对电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。
进一步地，在本发明的一个实施例中，还包括：
第一生成模块，用于根据燃料电池的电堆测试数据和运行数据生成训练集；
训练模块，用于利用训练集训练燃料电池的当前类型对应的机器学习模型，直至机器学习模型达到预设条件，得到预设的故障诊断模型。
进一步地，在本发明的一个实施例中，还包括：
第二生成模块，用于根据诊断数据生成车辆的故障修复动作
控制模块，用于控制车辆驱动执行组件执行故障修复动作。
进一步地，在本发明的一个实施例中，还包括：
建立模块，用于预先建立故障表征参数数据库，以利用故障表征参数数据库得到诊断数据。
需要说明的是，前述对燃料电池系统在线故障诊断方法实施例的解释说明也适用于该实施例的燃料电池系统在线故障诊断装置，此处不再赘述。
根据本发明实施例提出的燃料电池系统在线故障诊断装置，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种燃料电池系统在线故障诊断方法，其特征在于，包括以下步骤：
获取燃料电池的电堆测试数据和当前运行数据；
将所述电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及
根据所述诊断数据识别所述燃料电池是否故障，并且在所述燃料电池故障时，发送故障信号至预设终端。
2.根据权利要求1所述的方法，其特征在于，还包括：
根据所述燃料电池的当前运行数据对所述电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。
3.根据权利要求1所述的方法，其特征在于，还包括：
根据所述燃料电池的电堆测试数据和运行数据生成训练集；
利用所述训练集训练所述燃料电池的当前类型对应的机器学习模型，直至所述机器学习模型达到预设条件，得到所述预设的故障诊断模型。
4.根据权利要求1所述的方法，其特征在于，还包括：
根据所述诊断数据生成所述车辆的故障修复动作
控制所述车辆驱动执行组件执行所述故障修复动作。
5.根据权利要求1所述的方法，其特征在于，还包括：
预先建立故障表征参数数据库，以利用所述故障表征参数数据库得到所述诊断数据。
6.一种燃料电池系统在线故障诊断装置，其特征在于，包括：
获取模块，用于获取燃料电池的电堆测试数据和当前运行数据；
输入模块，用于将所述电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及
发送模块，用于根据所述诊断数据识别所述燃料电池是否故障，并且在所述燃料电池故障时，发送故障信号至预设终端。
7.根据权利要求6所述的装置，其特征在于，还包括：
优化模块，用于根据所述燃料电池的当前运行数据对所述电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。
8.根据权利要求6所述的装置，其特征在于，还包括：
第一生成模块，用于根据所述燃料电池的电堆测试数据和运行数据生成训练集；
训练模块，用于利用所述训练集训练所述燃料电池的当前类型对应的机器学习模型，直至所述机器学习模型达到预设条件，得到所述预设的故障诊断模型。
9.根据权利要求6所述的装置，其特征在于，还包括：
第二生成模块，用于根据所述诊断数据生成所述车辆的故障修复动作
控制模块，用于控制所述车辆驱动执行组件执行所述故障修复动作。
10.根据权利要求6所述的装置，其特征在于，还包括：
建立模块，用于预先建立故障表征参数数据库，以利用所述故障表征参数数据库得到所述诊断数据。
CN202110636350.7A 2021-06-08 2021-06-08 燃料电池系统在线故障诊断方法及装置 Active CN113561853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636350.7A CN113561853B (zh) 2021-06-08 2021-06-08 燃料电池系统在线故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636350.7A CN113561853B (zh) 2021-06-08 2021-06-08 燃料电池系统在线故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN113561853A true CN113561853A (zh) 2021-10-29
CN113561853B CN113561853B (zh) 2023-10-10

Family

ID=78161742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636350.7A Active CN113561853B (zh) 2021-06-08 2021-06-08 燃料电池系统在线故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN113561853B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142069A (zh) * 2021-11-26 2022-03-04 广东电网有限责任公司广州供电局 一种基于燃料电池健康状态评估的在线监控装置及方法
CN114361536A (zh) * 2022-03-18 2022-04-15 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
CN115032553A (zh) * 2022-05-25 2022-09-09 上海氢晨新能源科技有限公司 一种车载燃料电池在线诊断方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
CN101165506A (zh) * 2006-10-17 2008-04-23 上海博能同科燃料电池系统有限公司 基于网络学习控制的燃料电池测试系统
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和系统
CN110190306A (zh) * 2019-06-04 2019-08-30 昆山知氢信息科技有限公司 一种用于燃料电池系统的在线故障诊断方法
CN111476374A (zh) * 2020-04-14 2020-07-31 重庆工业职业技术学院 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统
CN112331888A (zh) * 2020-10-29 2021-02-05 昆山知氢信息科技有限公司 一种基于仿真模型的燃料电池电堆模拟器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) * 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
CN101165506A (zh) * 2006-10-17 2008-04-23 上海博能同科燃料电池系统有限公司 基于网络学习控制的燃料电池测试系统
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和系统
CN110190306A (zh) * 2019-06-04 2019-08-30 昆山知氢信息科技有限公司 一种用于燃料电池系统的在线故障诊断方法
CN111652348A (zh) * 2020-02-29 2020-09-11 上海电力大学 一种基于改进cnn的动力电池组故障融合诊断方法及系统
CN111476374A (zh) * 2020-04-14 2020-07-31 重庆工业职业技术学院 基于神经网络的纯电动汽车电器故障诊断训练方法与装置
CN112331888A (zh) * 2020-10-29 2021-02-05 昆山知氢信息科技有限公司 一种基于仿真模型的燃料电池电堆模拟器

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114142069A (zh) * 2021-11-26 2022-03-04 广东电网有限责任公司广州供电局 一种基于燃料电池健康状态评估的在线监控装置及方法
CN114361536A (zh) * 2022-03-18 2022-04-15 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
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
WO2023173815A1 (zh) * 2022-03-18 2023-09-21 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
CN115032553A (zh) * 2022-05-25 2022-09-09 上海氢晨新能源科技有限公司 一种车载燃料电池在线诊断方法和系统
CN115032553B (zh) * 2022-05-25 2023-09-15 上海氢晨新能源科技有限公司 一种车载燃料电池在线诊断方法和系统

Also Published As

Publication number Publication date
CN113561853B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN113561853B (zh) 燃料电池系统在线故障诊断方法及装置
CN110224160B (zh) 一种燃料电池系统故障诊断方法
CN113037589B (zh) 网关设备的压力测试方法、装置、测试平台及存储介质
CN110633905A (zh) 智能车云平台可靠性计算方法
US20220166075A1 (en) Method for Enhancing a Battery Module Model of a Battery Module Type
CN116053531A (zh) 一种燃料电池堆健康状态的评估系统及方法
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
CN114460439A (zh) 一种数字集成电路测试系统
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN108763005A (zh) 一种内存ecc故障报错方法及系统
CN112286798A (zh) 一种可模拟真实用户场景的全链路压测系统及方法
RU2430406C2 (ru) Автоматизированная система диагностирования цифровых устройств
CN109116835A (zh) 一种船用功能插件测试方法及装置
CN114138581B (zh) 一种主板测试方法及系统
CN116008787A (zh) 待测器件dut异常识别方法、装置及设备
KR102617624B1 (ko) 전기차 충전기용 다채널 검사장비 및 이를 이용한 비대면 검정시스템
Adinolfi et al. ECM-based algorithm for on-board PEMFCs diagnosis
CN107167675A (zh) 一种CANBus终端的老化测试方法及装置
CN112446430A (zh) 一种直流输电系统故障识别方法
Ren et al. Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system
CN116453437B (zh) 显示屏模组的测试方法、装置、设备及存储介质
KR102574397B1 (ko) 배터리모듈의 진단방법 및 그 장치
Zhang et al. A Coursework Report by Harsh Mahendra Zaveri–(F036149) GREY-BOX MODELLING FOR PEM FUEL CELL MONITORING
CN117059844A (zh) 一种燃料电池故障诊断方法、装置、设备及存储介质
CN115473831B (zh) 一种物联网芯片的可靠性校验方法及系统

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