CN114048772A - 一种燃料电池装置的故障诊断方法、系统及存储介质 - Google Patents

一种燃料电池装置的故障诊断方法、系统及存储介质 Download PDF

Info

Publication number
CN114048772A
CN114048772A CN202111321907.4A CN202111321907A CN114048772A CN 114048772 A CN114048772 A CN 114048772A CN 202111321907 A CN202111321907 A CN 202111321907A CN 114048772 A CN114048772 A CN 114048772A
Authority
CN
China
Prior art keywords
gate
fault
sample set
sensor signals
fuel cell
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
CN202111321907.4A
Other languages
English (en)
Inventor
姚清河
陈珺逸
罗语轩
张栏
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202111321907.4A priority Critical patent/CN114048772A/zh
Publication of CN114048772A publication Critical patent/CN114048772A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • 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)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Sustainable Energy (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • General Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种燃料电池装置的故障诊断方法、系统及存储介质，涉及燃料电池技术领域，该方法包括：采集正常工况下的传感器信号和故障工况下的传感器信号，并将其原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；将训练样本集输入构建的多层长短时记忆LSTM网络中进行神经网络训练，直至得到最优多层长短时记忆LSTM网络；重新采集传感器信号，获取测试样本集并将其输入最优多层长短时记忆LSTM网络，得到测试样本集的故障类型。本发明能够有效提取燃料电池运行数据中更丰富、更全面的深层故障特征信息，对燃料电池装置中多类型多程度的故障进行准确判断，有效提高燃料电池故障诊断的时效性、可靠性和准确度。

Description

一种燃料电池装置的故障诊断方法、系统及存储介质
技术领域
本发明涉及燃料电池技术领域，更具体的说是涉及一种燃料电池装置的故障诊断方法、系统及存储介质。
背景技术
燃料电池(FC)由于其“零排放、无污染”的特性，被认为是在将来最有希望的发电系统之一。由于质子交换膜燃料电池(PEMFC)具有常温下快速启动、工作温度低、发电效率高、无污染、噪音小、使用灵活等优点，在便携式电源、车辆动力电源、家用电源等方面已经得到了广泛研究。尽管PEMFC具有理想的性能，但现在商业化的主要障碍是可靠性和耐久性。对于PEMFC系统来说，通过有效的诊断可以实现早期故障报警，从而避免更严重的故障。基于诊断结果，可以调节操作条件以使燃料电池高效且安全地操作。此外，精确的诊断信息可以加快新技术的发展，并减少停机时间(修复时间)。在过去十年中，PEMFC的故障诊断一直受到学术界和工业界的越来越多的关注。因此，故障诊断在加强PEMFC的可靠性和提高耐久性方面是非常必要的。
PEMFC可能出现的故障主要有两种：永久(不可逆)故障和瞬态(可逆)故障。另外，可影响燃料电池系统性能的第三种故障是电堆外部辅助系统故障,即与供气系统、加湿系统、热管理系统、电源调节系统、控制系统等相关的故障。更确切地说，这些故障被认为是功率衰减的主要原因，因此在过去几十年中受到相当大的关注。因此，基于可靠性、安全性、经济性考虑，PEMFC故障诊断技术应获得越来越多的重视和应用。
虽然多种用于PEMFC故障的诊断方法被提出，但是，一方面，由于燃料电池的复杂性，燃料电池性能及其故障诊断并没有一个规范统一的标准；另一方面，这些方法基本都处在实验阶段，实验数据库存在局限性，未形成系统的大数据库，仅针对各自的实验平台进行实验，缺乏通用性，不仅故障诊断效率低下，还受人为经验因素的影响，无法满足人们对氢燃料电池故障诊断提出的自动化和智能化的要求。
因此，如何有效地提取燃料电池运行数据中更丰富、更全面的深层故障特征信息，提高燃料电池故障诊断的时效性、可靠性和准确度是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种燃料电池装置的故障诊断方法、系统及存储介质，能够有效地提取燃料电池运行数据中更丰富、更全面的深层故障特征信息，提高燃料电池故障诊断的时效性、可靠性和准确度。
为了实现上述目的，本发明提供了一种燃料电池装置的故障诊断方法，包括以下步骤：
采集正常工况下的传感器信号；
根据目标故障类型和程度分别在不同位置引入故障，采集故障工况下的传感器信号；
将所述正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；
构建多层长短时记忆LSTM网络，将所述训练样本集输入所述多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
重新采集传感器信号，对所述传感器信号进行预处理及归一化，获取测试样本集，将所述测试样本集输入所述最优多层长短时记忆LSTM网络，得到所述测试样本集的故障类型。
上述的技术方案公开了本发明中针对燃料电池装置的故障诊断的具体步骤，通过将测试样本集放入训练好的多层长短时记忆LSTM网络中进行故障诊断，能够实现对燃料电池装置中多类型多程度的故障的准确判断。
可选的，所述传感器信号包括燃料电池的阴极、阳极的压力、流量、温度和湿度的传感器信号数据，负载端的电压、电流和功率的大小与波动数据，冷却系统的输入、输出的温度、流量数据以及泵、风扇等运行数据。
可选的，所述训练样本集包括在不同时间点发生的各个类型的故障情况，所述故障情况包括：质子交换膜破损、电极穿孔、双极板损坏、电堆短路、电极水淹、膜干、电堆过载、催化剂中毒、氢氧混合、氢气瓶内氢气压力过低、氢气泄露、高压氢气阀故障、氢气罐堵塞、氢气循环泵、尾气阀故障、冷却风扇故障。
可选的，所述预处理及归一化具体为：
Figure BDA0003345598220000031
其中，
Figure BDA0003345598220000032
表示第i个传感器信号的平均值，σi表示第i个传感器信号的标准差，
Figure BDA0003345598220000033
表示第i个传感器信号的当前瞬时值，
Figure BDA0003345598220000034
表示归一化后的输入值。
可选的，构建的所述多层长短时记忆LSTM网络包括输入层、多层LSTM隐含层、全连接层、Softmax层和输出层；
所述输入层，用于接收经预处理及归一化后的单个与输入值数量同维度的时间序列训练样本；
所述LSTM隐含层包括多层LSTM单元，用于提取所述时间序列训练样本中的隐藏特征；
所述全连接层，通过将所述隐藏特征作为输入值，输出E+1个元素，其中E代表燃料电池装置的故障情况的种类数；
所述Softmax层，采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，得到的每个元素的范围都处于(0,1)之间，且所有元素之和为1；
所述输出层，用于输出所述时间序列训练样本的故障类型。
可选的，每个所述LSTM单元包含一个遗忘门ft、一个输入门it、一个输出门οt和一个细胞门Ct；每个门筛选前一个隐含层信息ht-1和当前输入xt，通过tanh函数确定单个LSTM单元的输出ht；
it＝σ(Wxixt+Whiht-1+WciCt-1+bi)；
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)；
Ct＝ftCt-1+ittanh(Wxcxt+Whcht+bc)；
οt＝σ(Wxοxt+Whοht-1+WcοCt+bο)；
ht＝οttanh(Ct)；
其中：σ表示sigmoid函数；
Wxi、Whi、Wci分别为输入门与遗忘门、输出门、细胞门之间的权重；
Wxf、Whf、Wcf分别为遗忘门与输入门、输出门、细胞门之间的权重；
Wxc、Whc分别为记忆细胞与输入门、输出门之间的权重；
Wxο、Whο、Wcο分别为输出门与输入门、遗忘门、细胞门之间的权重；
Ct-1表示上一个细胞状态；
bi、bf、bc分别为输入门、遗忘门及记忆细胞的偏置；
bο泛指bi、bf、bc，表示输入门、遗忘门和记忆细胞的偏置。
本发明还提供了一种燃料电池装置的故障诊断系统，包括：
采集模块，用于采集正常工况下的传感器信号和故障工况下的传感器信号；
处理模块，用于将所述正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；
构建模块，用于构建多层长短时记忆LSTM网络；
优化模块，用于将所述训练样本集输入所述多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
判断模块，用于重新采集传感器信号，对所述传感器信号进行预处理及归一化，获取测试样本集，将所述测试样本集输入所述最优多层长短时记忆LSTM网络，得到所述测试样本集的故障类型。
本发明还提供了一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述故障诊断方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种燃料电池装置的故障诊断方法、系统及存储介质，通过采集正常工况下和故障工况下的传感器信号并对其进行处理作为训练样本集，再将训练样本集输入构建好的多层长短时记忆LSTM网络中进行神经网络训练，将测试样本集放入训练完的LSTM网络中可以对其进行故障类型的诊断，该方案能够有效地提取燃料电池运行数据中更丰富、更全面的深层故障特征信息，有效提高燃料电池故障诊断的时效性、可靠性和准确度。更进一步地，针对带时间序列的数据而言，LSTM网络是处理效果最好的模型方法之一，其不易陷入训练时反向传播带来的“梯度消失”问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为实施例1中燃料电池装置的故障诊断方法的流程图；
图2为测试装置结构简图；
图3为LSTM单元的示意图；
图4为多层长短时记忆LSTM网络的结构示意图；
图5为实施例2中燃料电池装置的故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明实施例公开了一种燃料电池装置的故障诊断方法，如图1所示，包括以下步骤：
S1、采集正常工况下的传感器信号，包括燃料电池的阴极、阳极的压力、流量、温度和湿度的传感器信号数据，负载端的电压、电流和功率的大小与波动数据，冷却系统的输入、输出的温度、流量数据和泵、风扇的运行数据。
S2、参见图2，设置传感器和燃料电池工况，根据欲分类的故障类型和程度分别在不同位置引入故障，采集故障工况下的传感器信号；在不同时间点发生的各个类型的故障情况包括但不限于：质子交换膜破损、电极穿孔、双极板损坏、电堆短路、电极水淹、膜干、电堆过载、催化剂中毒、氢氧混合、氢气瓶内氢气压力过低、氢气泄露、高压氢气阀故障、氢气罐堵塞、氢气循环泵、尾气阀故障、冷却风扇故障。
在本实施例中，考虑燃料电池发生水故障，根据含水量的多少分为正常、干膜和水淹共三种状态，在故障字典中用0、1、2表示，合理选择氢气和空气输入压力、温度、湿度和流量，冷却剂进口温度和流量、电子负载等，进行信号采集，根据数据量大小的考量，设置采样时间为1秒。
S3、将以上获得的正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；采集大量数据作为训练样本集，正常工作状态的数据数量要大于故障状态数据数量的2倍以上。
其中，预处理及归一化具体为：
Figure BDA0003345598220000071
其中，
Figure BDA0003345598220000072
表示第i个传感器信号的平均值，σi表示第i个传感器信号的标准差，
Figure BDA0003345598220000073
表示第i个传感器信号的当前瞬时值，
Figure BDA0003345598220000074
表示归一化后的输入值；
归一化处理之后各时间序列的数据范围比较接近，对于网络训练较有帮助，归一化之后数据结构和存储量大小不变。
S4、构建多层长短时记忆LSTM网络作为核动力装置传感器和执行器故障数据训练模型；
参见图3，多层LSTM网络中单个LSTM单元包含一个遗忘门ft、一个输入门it、一个输出门οt和一个细胞门Ct；每个门筛选前一个隐含层信息ht-1和当前输入xt，通过tanh函数确定单个LSTM单元的输出ht；
it＝σ(Wxixt+Whiht-1+WciCt-1+bi)；
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)；
Ct＝ftCt-1+ittanh(Wxcxt+Whcht+bc)；
οt＝σ(Wxοxt+Whοht-1+WcοCt+bο)；
ht＝οttanh(Ct)；
其中：σ表示sigmoid函数；
Wxi、Whi、Wci分别为输入门与遗忘门、输出门、细胞门之间的权重；
Wxf、Whf、Wcf分别为遗忘门与输入门、输出门、细胞门之间的权重；
Wxc、Whc分别为记忆细胞与输入门、输出门之间的权重；
Wxο、Whο、Wcο分别为输出门与输入门、遗忘门、细胞门之间的权重；
Ct-1表示上一个细胞状态；
bi、bf、bc分别为输入门、遗忘门及记忆细胞的偏置；
bο泛指bi、bf、bc，表示输入门、遗忘门和记忆细胞的偏置。
参见图4，多层长短时记忆LSTM网络包括输入层、多层LSTM隐含层、全连接层、Softmax层和输出层；多层长短时记忆LSTM网络中设置梯度阈值为2，其他所有原始参数随机生成，在训练过程中再不断进行优化；
输入层，用于接收经预处理及归一化后的单个与输入值数量同维度的时间序列训练样本；
LSTM隐含层包括多层LSTM单元，用于提取所述时间序列训练样本中的隐藏特征；
全连接层，通过将所述隐藏特征作为输入值，输出E+1个元素，其中E代表燃料电池装置的故障情况的种类数；
Softmax层，采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，得到的每个元素的范围都处于(0,1)之间，且所有元素之和为1；
输出层，用于输出所述时间序列训练样本的故障类型。
S5、将S3中经预处理及归一化后的训练样本集放入S4中构建的多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
将上述数据放入多层长短时记忆LSTM网络中进行训练，由于神经网络需要从大量样本中不断提取其特征进行学习才可以达到理想的分类效果，所以每种类型的训练样本集采集数量在1000个以上。多个样本可以设定不同的故障发生时间、不同类型和程度的故障以丰富样本的多样性，使网络的适用范围更广，在网络训练过程中设定最大迭代次数为10000。
对训练后的网络利用训练样本集进行正确率交叉检验，在训练样本集中抽取20％的数据进行交叉验证，训练集正确率越接近100％，分类效果越好。
S6、重新按照表1采集燃料电池的运行数据，将采样的传感器信号进行预处理及归一化，获取测试样本集，将测试样本集输入最优多层长短时记忆LSTM网络中对测试样本集的故障类型进行诊断，进行正确率的检验。
在燃料电池系统运行过程中，不断按照S1中提到的数据结构对16个传感器的数据进行采集，采集结果送入最优多层长短时记忆LSTM网络中进行测试，如果测试结果为故障，则向系统发出警告并提示故障类型，由相关工作人员检验是否有故障发生，并采取相应的控制策略。
此外，本发明还提出了一种计算机可存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上燃料电池装置的故障诊断方法的步骤。
实施例2
一种燃料电池装置的故障诊断系统，如图5所示，包括：
采集模块，用于采集正常工况下的传感器信号和故障工况下的传感器信号；
处理模块，用于将正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；
构建模块，用于构建多层长短时记忆LSTM网络；
优化模块，用于将训练样本集输入所述多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
判断模块，用于重新采集传感器信号，对传感器信号进行预处理及归一化，获取测试样本集，将测试样本集输入最优多层长短时记忆LSTM网络，得到测试样本集的故障类型。
由于燃料电池的复杂性、燃料电池性能及其故障诊断并没有一个规范统一的标准，而且现有的故障诊断方法基本都处在实验阶段，实验数据库存在局限性，未形成系统的大数据库，仅针对各自的实验平台进行实验，缺乏通用性，不仅故障诊断效率低下，还受人为经验因素的影响，无法满足人们对氢燃料电池故障诊断提出的自动化和智能化的要求。而本发明中的技术方案能够有效地提取燃料电池运行数据中更丰富、更全面的深层故障特征信息，且有效提高了燃料电池故障诊断的时效性、可靠性和准确度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种燃料电池装置的故障诊断方法，其特征在于，包括以下步骤：
采集正常工况下的传感器信号；
根据目标故障类型和程度分别在不同位置引入故障，采集故障工况下的传感器信号；
将所述正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；
构建多层长短时记忆LSTM网络，将所述训练样本集输入所述多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
重新采集传感器信号，对所述传感器信号进行预处理及归一化，获取测试样本集，将所述测试样本集输入所述最优多层长短时记忆LSTM网络，得到所述测试样本集的故障类型。
2.根据权利要求1所述的一种燃料电池装置的故障诊断方法，其特征在于，所述传感器信号包括燃料电池的阴极、阳极的压力、流量、温度和湿度的传感器信号数据，负载端的电压、电流和功率的大小与波动数据，冷却系统的输入、输出的温度、流量数据以及泵、风扇的运行数据。
3.根据权利要求1所述的一种燃料电池装置的故障诊断方法，其特征在于，所述训练样本集包括在不同时间点发生的各个类型的故障情况，所述故障情况包括：质子交换膜破损、电极穿孔、双极板损坏、电堆短路、电极水淹、膜干、电堆过载、催化剂中毒、氢氧混合、氢气瓶内氢气压力过低、氢气泄露、高压氢气阀故障、氢气罐堵塞、氢气循环泵、尾气阀故障、冷却风扇故障。
4.根据权利要求1所述的一种燃料电池装置的故障诊断方法，其特征在于，所述预处理及归一化具体为：
Figure FDA0003345598210000021
其中，
Figure FDA0003345598210000022
表示第i个传感器信号的平均值，σi表示第i个传感器信号的标准差，
Figure FDA0003345598210000023
表示第i个传感器信号的当前瞬时值，
Figure FDA0003345598210000024
表示归一化后的输入值。
5.根据权利要求1所述的一种燃料电池装置的故障诊断方法，其特征在于，构建的所述多层长短时记忆LSTM网络包括输入层、多层LSTM隐含层、全连接层、Softmax层和输出层；
所述输入层，用于接收经预处理及归一化后的单个与输入值数量同维度的时间序列训练样本；
所述LSTM隐含层包括多层LSTM单元，用于提取所述时间序列训练样本中的隐藏特征；
所述全连接层，通过将所述隐藏特征作为输入值，输出E+1个元素，其中E代表燃料电池装置的故障情况的种类数；
所述Softmax层，采用Softmax函数，把任意一个K维向量压缩到另一个K维向量，得到的每个元素的范围都处于(0,1)之间，且所有元素之和为1；
所述输出层，用于输出所述时间序列训练样本的故障类型。
6.根据权利要求5所述的一种燃料电池装置的故障诊断方法，其特征在于，每个所述LSTM单元包含一个遗忘门ft、一个输入门it、一个输出门οt和一个细胞门Ct；每个门筛选前一个隐含层信息ht-1和当前输入xt，通过tanh函数确定单个LSTM单元的输出ht；
it＝σ(Wxixt+Whiht-1+WciCt-1+bi)；
ft＝σ(Wxfxt+Whfht-1+WcfCt-1+bf)；
Ct＝ftCt-1+ittanh(Wxcxt+Whcht+bc)；
οt＝σ(Wxοxt+Whοht-1+WcοCt+bο)；
ht＝οttanh(Ct)；
其中：σ表示sigmoid函数；
Wxi、Whi、Wci分别为输入门与遗忘门、输出门、细胞门之间的权重；
Wxf、Whf、Wcf分别为遗忘门与输入门、输出门、细胞门之间的权重；
Wxc、Whc分别为记忆细胞与输入门、输出门之间的权重；
Wxο、Whο、Wcο分别为输出门与输入门、遗忘门、细胞门之间的权重；
Ct-1表示上一个细胞状态；
bi、bf、bc分别为输入门、遗忘门及记忆细胞的偏置；
bο泛指bi、bf、bc，表示输入门、遗忘门和记忆细胞的偏置。
7.一种燃料电池装置的故障诊断系统，其特征在于，包括：
采集模块，用于采集正常工况下的传感器信号和故障工况下的传感器信号；
处理模块，用于将所述正常工况下的传感器信号和故障工况下的传感器信号的原始时间序列进行离散采样，并进行预处理及归一化，获取训练样本集；
构建模块，用于构建多层长短时记忆LSTM网络；
优化模块，用于将所述训练样本集输入所述多层长短时记忆LSTM网络中进行神经网络训练，通过反向传播算法进行神经网络参数的拟合，当决定系数R2＞0.99时，得到最优多层长短时记忆LSTM网络；
判断模块，用于重新采集传感器信号，对所述传感器信号进行预处理及归一化，获取测试样本集，将所述测试样本集输入所述最优多层长短时记忆LSTM网络，得到所述测试样本集的故障类型。
8.一种计算机可存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
CN202111321907.4A 2021-11-09 2021-11-09 一种燃料电池装置的故障诊断方法、系统及存储介质 Pending CN114048772A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111321907.4A CN114048772A (zh) 2021-11-09 2021-11-09 一种燃料电池装置的故障诊断方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111321907.4A CN114048772A (zh) 2021-11-09 2021-11-09 一种燃料电池装置的故障诊断方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114048772A true CN114048772A (zh) 2022-02-15

Family

ID=80207753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111321907.4A Pending CN114048772A (zh) 2021-11-09 2021-11-09 一种燃料电池装置的故障诊断方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114048772A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114848A (zh) * 2022-06-13 2022-09-27 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统
CN116995276A (zh) * 2023-09-27 2023-11-03 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114848A (zh) * 2022-06-13 2022-09-27 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统
CN115114848B (zh) * 2022-06-13 2023-12-26 成都星云智联科技有限公司 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统
CN116995276A (zh) * 2023-09-27 2023-11-03 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统
CN116995276B (zh) * 2023-09-27 2023-12-29 爱德曼氢能源装备有限公司 燃料电池发电系统冷却方法及系统

Similar Documents

Publication Publication Date Title
CN110190306B (zh) 一种用于燃料电池系统的在线故障诊断方法
Lu et al. On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement
Gu et al. Data-based flooding fault diagnosis of proton exchange membrane fuel cell systems using LSTM networks
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和系统
Kim et al. State-of-health diagnosis based on hamming neural network using output voltage pattern recognition for a PEM fuel cell
CN108344947A (zh) 一种非侵入式的燃料电池故障诊断方法
CN114048772A (zh) 一种燃料电池装置的故障诊断方法、系统及存储介质
CN112117475A (zh) 一种燃料电池水管理子系统故障检测装置及方法
CN112331888A (zh) 一种基于仿真模型的燃料电池电堆模拟器
Ma et al. Water content diagnosis for proton exchange membrane fuel cell based on wavelet transformation
Aubry et al. Fuel cell diagnosis methods for embedded automotive applications
Yang et al. Fault detection and isolation of pem fuel cell system by analytical redundancy
US9080938B2 (en) Extremum seeking algorithm in a variable time interval to detect anode pressure sensor stuck failure in a fuel cell system
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
He et al. A quick evaluation method for the lifetime of the fuel cell MEA with the particle filter algorithm
Quan et al. Fault diagnosis in a current sensor and its application to fault-tolerant control for an air supply subsystem of a 50 kW-Grade fuel cell engine
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
Peng et al. Remaining useful lifetime prediction methods of proton exchange membrane fuel cell based on convolutional neural network‐long short‐term memory and convolutional neural network‐bidirectional long short‐term memory
CN114843560A (zh) 一种燃料电池系统水淹故障诊断方法和装置
CN113780537B (zh) 一种质子交换膜燃料电池发电系统的故障诊断方法及装置
Hu et al. Review on State of Health Definition in Relation to Proton Exchange Membrane Fuel Cells in Fuel Cell Electric Vehicles
CN112993337B (zh) 一种适用于燃料电池衰减过程的水管理故障诊断系统
Yuan et al. Fault classification of proton exchange membrane fuel cell based on convolutional neural network coupled with support vector machine
CN115172828B (zh) 一种燃料电池水热联合控制方法、系统以及存储介质
KR102231155B1 (ko) 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치

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