CN114583219A - 一种质子交换膜燃料电池的水淹故障诊断方法 - Google Patents
一种质子交换膜燃料电池的水淹故障诊断方法 Download PDFInfo
- Publication number
- CN114583219A CN114583219A CN202210236433.1A CN202210236433A CN114583219A CN 114583219 A CN114583219 A CN 114583219A CN 202210236433 A CN202210236433 A CN 202210236433A CN 114583219 A CN114583219 A CN 114583219A
- Authority
- CN
- China
- Prior art keywords
- internal resistance
- fuel cell
- flooding
- fault
- stack
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 50
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 239000012528 membrane Substances 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 22
- 238000013508 migration Methods 0.000 claims description 19
- 230000005012 migration Effects 0.000 claims description 19
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 9
- 206010013496 Disturbance in attention Diseases 0.000 claims description 7
- 230000002427 irreversible effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003054 catalyst Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000376 reactant Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000001566 impedance spectroscopy Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013213 extrapolation Methods 0.000 claims 1
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 6
- 238000003487 electrochemical reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- 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
-
- 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
- H01M8/10—Fuel cells with solid electrolytes
- H01M2008/1095—Fuel cells with polymeric electrolytes
-
- 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)
- General Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuel Cell (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
Abstract
一种质子交换膜燃料电池的水淹故障诊断方法。包括:本发明是基于模型和数据驱动(BP神经网络)相结合的故障诊断方法。首先通过分析质子交换膜燃料电池的内部机理,结合U‑I特性曲线,建立质子交换膜燃料电池的内阻特性模型。结合内阻特性模型,分析电堆水淹故障的原理和表现,选定模型中4个变量作为水淹故障诊断的特征量,通过已知分类10000组训练集数据运用R软件构建可用的BP神经网络分类器,最后采集未知状态的燃料电池的4个特征数据,归一化后代入分类器中判断燃料电堆是否处于水淹故障状态和若处于水淹故障时水淹故障的程度。该方法能有效提高燃料电池故障诊断的效率和准确率,具有良好的工程经济性和应用前景。
Description
技术领域:
本发明属于质子交换膜燃料电池故障诊断领域,涉及一种质子交换膜燃料电池的水淹故障诊断方法。
背景技术:
PEMFC作为燃料电池中的佼佼者,拥有冷启动时间短和清洁无污染等优点,贴合新能源汽车所提出的需求。目前制约质子交换膜燃料电池进一步商业开发的两个关键问题是耐久性和可持续性。从PEMFC制作工艺入手来提高其耐久性和持续性是最为直接和有效的方法,但在后续使用过程中对PEMFC进行实时故障诊断与修复也是十分重要的一环。目前为止,关于燃料电池故障诊断的方法很多,最常见的就是基于模型的故障诊断方法,基于模型的故障诊断方法通过建立PEMFC仿真模型,计算模型输出与实际输出之间的参数偏差,通过分析残差来实现故障检测。此类诊断方法虽然能很好的从机理出发识别故障的类型以及采取相应的措施,但是由于系统内部数据获取困难,难以建立准确的电堆诊断模型。同时,残差总是受测量和计算不确定性的影响,所以故障诊断往往不是那么准确。因此,仅基于模型的故障诊断方法并不能满足实时、精确的故障诊断需求。
鉴于上述的仅基于模型的故障诊断方法的缺陷,本发明在基于燃料电池内阻特性模型的基础上,同时引入数据驱动的故障诊断方法(BP神经网络),通过分析特征数据来获得故障诊断结果。这种方法快速、高效,无需测量整条奈奎斯特曲线,也不用测量整条U-I曲线,计算量小,节省了大量的诊断时间,满足了故障诊断的实时性;BP神经网络分类器具有较好的模型识别能力,能够精确地判断出未知电堆是否处于水淹故障状态,满足了故障诊断的准确性;同时也克服了诊断设备昂贵、技术要求高的缺陷,适合于商业化应用,满足了故障诊断的经济性。
发明内容:
燃料电池在实际的工作过程中,由于电堆自然老化或操作人员管理不当而导致燃料电池出现水淹故障。当燃料电池短期处于水淹故障状态时,则会直接影响燃料电池的性能输出;当燃料电池长期处于水淹故障状态时,则将对燃料电池系统造成严重的损害,而这些损害一般是难以恢复的,甚至会导致电池失效。所以实时的故障诊断和修复对提高燃料电池系统的运行稳定性和使用寿命来说是十分重要的一环。
本发明采用的是基于模型和数据驱动相结合的故障诊断方法,首先通过分析质子交换膜燃料电池的内部机理,结合U-I特性曲线,建立质子交换膜燃料电池的内阻特性模型。结合内阻特性模型,分析电堆水淹故障的原理和表现,选定模型中4个变量作为水淹故障诊断的特征量,通过已知分类10000组训练集数据运用R软件构建可用的BP神经网络分类器,最后采集未知状态的燃料电池的4个特征数据,归一化后代入分类器中判断燃料电池是否处于水淹故障状态和若处于水淹故障时水淹故障的程度。该方法无需测量整条奈奎斯特曲线,也不用测量整条U-I曲线,因而更具有实用价值,有较好的工程应用前景,使质子交换膜燃料电池的寿命得到显著提高。
为达到上述目的,本发明所述的方法有以下步骤:
步骤一:燃料电池内部机理分析。质子交换膜燃料电池对外输出电流时,由于存在不可逆的动力学(不可逆电压损失),电池实际的输出电压略低于理论电压。在燃料电池工作的不同反应阶段均会出现电压损失现象,根据其产生的原因及特点不同,可将电池电压损失概括为活化损失、欧姆损失、浓差损失。这三段电压损失分别对应活化内阻Rf、欧姆内阻Rm、浓差内阻Rd。根据燃料电池内部机理和电堆的U-I特性曲线,建立燃料电池等效内阻模型,求解出活化内阻Rf、欧姆内阻Rm、浓差内阻Rd的表达式。
其中电堆总内阻Rstack如式(1)所示:
Rstack=Rf+Rm+Rd (1)
利用二阶等效电路模型求出交流阻抗表达式,如式(2)所示:
步骤二:利用EIS法测出电堆欧姆内阻Rm和总内阻Rstack。利用电化学阻抗谱法(EIS法),给燃料电池系统施加一组频率不同、振幅偏小且交流正弦的电势波信号,在阻抗谱测试仪上可读出欧姆内阻Rm和总内阻Rstack。实际采用的阻抗仪的频率为0.1Hz-20kHz,所以分别取0.1Hz测电堆总内阻Rstack,20kHz测欧姆内阻Rm。
步骤三:计算出电堆的活化内阻Rf和浓差内阻Rd。为了分离出活化内阻Rf和浓差内阻Rd,还需要使用活化内阻模型,活化内阻模型的某些变量数据可以通过实验设备测量得出:当电堆处于工作状态下时,其工作电流可以通过串联电流表测出,燃料电池的堆内温度Tstack可由在双极板处安装的三个热电偶测出。
活化内阻Rf、欧姆内阻Rm、总内阻Rstack已知时,可通过公式(3)得到浓差内阻Rd。
Rd=Rstack-Rf-Rm (3)
通过上述步骤,可得到总内阻Rstack、活化内阻Rf、欧姆内阻Rm、浓差内阻Rd。
步骤四:确定水淹故障诊断特征量。水淹是燃料电池内部水含量过高而引起的故障,常发生在中高电流密度下。当燃料电池处于水淹故态时,电堆内的水迁移系数Deff会显著降低,气体扩散层和流道的水淹使得气体反应物到达位点的传输受阻,催化剂的活性面积因为水的覆盖而降低,它将显著增加质子交换膜燃料电池的活化损耗和浓差损耗。随着时间的流逝,电堆输出性能持续降低。
基于对水淹故障原理的分析,确定诊断水淹故障的特征量,最终将电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd作为构建BP神经网络分类器的输入因子。当燃料电池系统处于工作状态时,其工作电流i可通过在电路中串联的电流表测出,燃料电池的堆内温度Tstack可由在燃料电池内部双极板处安装的三个热电偶测出;对于难以求解的水迁移系数Deff,通过分析可知,它和浓差内阻Rd有关,当浓差内阻Rd已知时,可以反推出水迁移系数Deff,如下式(4)所示:
步骤五:构建BP神经网络分类器。首先构建BP神经网络状态分类器,将10000组带有状态标签的样本数据归一化处理后导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),将80%训练集数据运用R软件构建可用的BP神经网络状态分类器。将剩余20%数据作为测试集,用测试集来检验训练集数据构建的BP神经网络状态分类器。当剩余的20%数据均能得到正确检验时,说明该模型有效、可靠。
接着构建BP神经网络水淹程度分类器。将6000组带有程度标签的水淹故障样本数据归一化处理后导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),将80%训练集数据运用R软件构建可用的BP神经网络水淹程度分类器。将剩余20%数据作为测试集,用测试集来检验训练集数据构建的BP神经网络水淹程度分类器。当剩余的20%数据均能得到正确检验时,说明该模型有效、可靠。
步骤六:对实验特征数据的提取及故障判别方法的说明。对未知运行状态的电堆,采用步骤一至步骤四的方法获取未知运行状态电堆的X0、X1、X2、X3。将待检测电堆的输入矢量[X0 X1 X2 X3]归一化后首先输入已经训练完成的BP神经网络状态分类器,得到电堆的运行状态。输出矢量中最大值Yk=max{Y0,Y1,Y2},若k=0,则该电堆为正常运行状态,诊断结束;若k=1,则该电堆为其他故障运行状态,诊断结束;若k=2,则该电堆为水淹故障运行状态,接着再把归一化后的输入矢量[X0 X1 X2 X3]输入已经训练完成的BP神经网络水淹程度分类器中,得到电堆处于水淹故障状态时的水淹程度,输出矢量中最大值Yz=max{Y0,Y1,Y2},若z=0,则该电堆处于重度水淹故障,诊断结束;若z=1,则该电堆处于中度水淹故障,诊断结束;若z=2,则该电堆处于轻度水淹故障,诊断结束。
附图说明:
图1燃料电池的U-I曲线
图2燃料电池的二阶等效电路模型
图3BP神经网络示意图
具体实施方式:
为了能清楚说明一种质子交换膜燃料电池的水淹故障诊断方法的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。本发明的实施过程包括以下步骤:
步骤一:质子交换膜燃料电池内部机理分析。质子交换膜燃料电池对外输出电流时,由于存在不可逆的动力学(不可逆电压损失),电池实际的输出电压会略低于理论电压。在燃料电池工作的不同反应阶段均会出现电压损失现象,根据其产生的原因及特点不同,可将电池电压损失概括为活化损失、欧姆损失、浓差损失。
附图1所示的是燃料电池的U-I特性曲线,该曲线可分为活化损失区、欧姆损失区和浓差损失区,每一区中分别是活化内阻Rf、欧姆内阻Rm、浓差内阻Rd占主要成分,Rf、Rm、Rd和Rstack的表达式如式(1)~(4)所示:
式中,R为理想气体常数;a为电化学反应速率参数;u为转移电子数;F为法拉第常数;T0和Tstack为参考温度和电堆工作时的堆内温度,K;i0和i为交换电流密度和输出电流密度,A/cm2;
式中,tm为质子膜厚度,μm;α1~α6为模型经验参数;A为电化学反应面积,cm2;λm为膜含水量;
式中,δ为扩散层厚度,μm;Va和Vc为阳极和阴极进气流量,m3/s;ρH2和ρair为氢气密度和空气密度,kg/m3;MH2和Mair为氢气摩尔质量和空气摩尔质量,g/mol;β为电导率系数;τ为转移离子摩尔数,mol;RHstack为电堆湿度;Dλ为初始状态的水迁移系数,Deff为运行状态的水迁移系数,J/(K·mol);β1~β4和γ1~γ4为模型经验参数;
电堆直流总内阻Rstack如式(4)所示:
Rstack=Rf+Rm+Rd (4)
附图2所示的是燃料电池的二阶等效电路模型,利用该模型可以求出燃料电池的交流阻抗,如式(5)所示:
步骤二:利用EIS法测出电堆的欧姆内阻Rm和电堆总内阻Rstack。任何一个阻抗在复平面内都可以用一个实部和一个虚部表示,因此对燃料电池的交流阻抗公式(5)进行分析,提取实部和虚部,如式(6)所示:
对式(6)进行分析可知,当ω趋向于0时,奈奎斯特曲线实部Re趋向于Rstack,而虚部Im趋向于0;当频率ω趋向于正无穷时,奈奎斯特曲线实部Re是趋向于Rm,而虚部Im也是趋向于0;正因为有这样的特性,我们利用电化学阻抗谱法(EIS法)可以先测试出电堆的欧姆内阻Rm和总内阻Rstack,由于实际阻抗谱测试时频率是达不到0和正无穷的,而实际采用的阻抗仪的频率为0.1Hz-20kHz,所以分别取0.1Hz测电堆总内阻Rstack,20kHz测欧姆内阻Rm。
步骤三:计算出电堆的活化内阻Rf和浓差内阻Rd。为了分离出活化内阻Rf和浓差内阻Rd,还需要使用活化内阻模型,该模型如式(1)所示,活化内阻模型的变量数据可以通过实验设备测量得出:当电堆处于工作状态下时,其工作电流i可以通过串联电流表测出,燃料电池的堆内温度Tstack可由在双极板处安装的三个热电偶测出。至此,活化内阻Rf、欧姆内阻Rm、总内阻Rstack均已得出,可通过公式(7)得到浓差内阻Rd。
Rd=Rstack-Rf-Rm (7)
步骤四:确定水淹故障诊断特征量。水淹故障原理及表现:PEMFC电堆在运行过程中,电堆内部的水含量主要有两种方式进行补充:1.阴阳两极加湿气体所携带的水分;2.阴极电化学反应生成的水分。电堆内部复杂的电化学反应、传质传热都受到水的影响,比如质子必须以水分子为载体才能顺利通过质子交换膜,因此电堆的水管理对燃料电池的输出性能至关重要。水淹是燃料电池内部水含量过高而引起的故障,常发生在中高电流密度下。当燃料电池处于水淹故障状态时,电堆内的水迁移系数Deff会显著降低,气体扩散层和流道的水淹使得气体反应物到达位点的传输受阻,催化剂的活性面积因为水的覆盖而降低,它将显著增加质子交换膜燃料电池的活化损耗和浓差损耗。随着时间的流逝,电堆输出性能持续降低。
从燃料电池水淹故障原理及表现着手,可以发现电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd对于电堆水淹故障的诊断至关重要,但燃料电池处于工作状态下时,很难通过内部装置测出堆内的水迁移系数Deff,这制约了燃料电池水淹故障诊断的精确性。鉴于上述情况,提出了关于水迁移系数Deff的计算方法。当燃料电池处于工作状态下时,燃料电池的堆内温度Tstack可由双极板处安装的三个热电偶测出。最后可以由浓差内阻公式(3)计算出水迁移系数Deff,如式(8)所示。
最后,本发明将电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd作为诊断水淹故障的特征量,即作为构建BP神经网络分类器的输入因子。其中,将电流密度i作为输入X0,将水迁移系数Deff作为输入X1,将活化内阻Rf作为输入X2,将浓差内阻Rd作为输入X3。
步骤五:构建BP神经网络分类器。首先构建BP神经网络状态分类器,选取正常、其他故障和水淹故障三种状态进行分类实验。如附图3所示:BP神经网络主要由输入层、隐含层、输出层组成,各层之间以不同的权值连接。输入层节点取决于所选的故障诊断特征量的数量,故选用4个;输出层节点取决于需要分类的状态数,故选用3个;为避免较多的误判从而导致模型分类效果差,特将隐含层调整为2层,每层节点数调整为6个,设定隐含层和输出层的激励函数、初始权值和阈值。再将训练样本输入BP神经网络状态分类器中进行训练,样本数据包括2000组燃料电池在正常运行时提取的特征数据(电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd)、各2000组燃料电池在不同程度水淹故障(重度、中度、轻度)运行时提取的特征数据,2000组燃料电池在其他故障状态下运行时提取的特征数据。为了消除指标间的量纲影响,需要对样本数据进行归一化处理。考虑到机器学习的数据均衡,将归一化处理后的数据导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),用80%的训练集数据训练构建BP神经网络状态分类器模型。
将归一化后的2000组正常样本数据输入BP神经网络状态分类器中,期望输出矢量Y=[100],训练样本期望输出与实际输出的误差小于0.001;
将归一化后的2000组其他故障样本数据输入BP神经网络状态分类器中,期望输出矢量Y=[010],训练样本期望输出与实际输出的误差小于0.001;
将归一化后的6000组水淹故障样本数据输入BP神经网络状态分类器中,期望输出矢量Y=[001],训练样本期望输出与实际输出的误差小于0.001;
训练结束,将剩余20%数据作为测试集,最终用测试集来检验训练集数据构建的BP神经网络状态分类器。当剩余的20%数据均能得到正确检验时,说明BP神经网络状态分类器有效、可靠。
接着构建BP神经网络水淹程度分类器,选取水淹故障重度、中度、轻度三个程度进行分类实验,输入层的节点数为4,输出层的节点数为3,隐含层层数为2,每层的节点数为6,设定隐含层和输出层的激励函数、初始权值和阈值。采取上述已经归一化处理后的水淹样本数据,样本数据包括各2000组运行在不同程度水淹故障的燃料电池特征数据,将归一化处理后的数据导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),用80%的训练集数据训练构建BP神经网络水淹程度分类器模型。
将归一化后的重度水淹故障样本数据输入BP神经网络状态分类器中,期望输出矢量Z=[100],训练样本期望输出与实际输出的误差小于0.001;
将归一化后的中度水淹故障样本数据输入BP神经网络状态分类器中,期望输出矢量Z=[010],训练样本期望输出与实际输出的误差小于0.001;
将归一化后的轻度水淹故障样本数据输入BP神经网络状态分类器中,期望输出矢量Z=[001],训练样本期望输出与实际输出的误差小于0.001;
训练结束,将剩余20%数据作为测试集,最终用测试集来检验训练集数据构建的BP神经网络水淹程度分类器模型。当剩余的20%数据均能得到正确检验时,说明BP神经网络水淹程度分类器模型有效、可靠。
步骤六:对未知运行状态的电堆,采用步骤一至步骤四的方法获取未知运行状态电堆的X0、X1、X2、X3。将待检测电堆的输入矢量[X0 X1 X2 X3]归一化后首先输入已经训练完成的BP神经网络状态分类器,得到电堆的运行状态。输出矢量中最大值Yk=max{Y0,Y1,Y2},若k=0,则该电堆为正常运行状态,诊断结束;若k=1,则该电堆为其他故障运行状态,诊断结束;若k=2,则该电堆为水淹故障运行状态,接着再把归一化后的输入矢量[X0 X1 X2 X3]输入已经训练完成的BP神经网络水淹程度分类器中,得到电堆处于水淹故障状态时的水淹程度,输出矢量中最大值Yz=max{Y0,Y1,Y2},若z=0,则该电堆处于重度水淹故障,诊断结束;若z=1,则该电堆处于中度水淹故障,诊断结束;若z=2,则该电堆处于轻度水淹故障,诊断结束。
本发明所述的一种质子交换膜燃料电池的水淹故障诊断方法,其特征在于:这种方法相比于传统方法无需了解燃料电池的全部机理模型,仅通过内阻模型的某些特征数据即可开展诊断。在特征数据的提取过程中,无需测量整条奈奎斯特曲线,也无需测量整条U-I曲线,大大缩短特征数据的提取时间。同时经过10000组样本数据训练后的BP神经网络分类器具有较高的故障识别能力,能够精确地判断出未知状态的电堆是否处于水淹故障状态和若处于水淹故障时水淹故障的程度。同时该方法克服了诊断设备昂贵、技术要求高等缺点,更适合于商业化应用及在线应用,满足了故障诊断的准确性、实时性、经济性,具有良好的应用前景。
Claims (3)
1.一种质子交换膜燃料电池的水淹故障诊断方法,基于模型和数据驱动(BP神经网络)相结合的故障诊断方法,其特征在于,包括以下步骤:
步骤一:燃料电池内部机理分析;质子交换膜燃料电池对外输出电流时,由于存在不可逆的动力学(不可逆电压损失),电池实际的输出电压略低于理论电压;在燃料电池工作的不同反应阶段均会出现电压损失现象,根据其产生的原因及特点不同,可将电池电压损失概括为活化损失、欧姆损失、浓差损失;根据电压损失现象产生的原因及特点不同,可将电阻分为活化内阻Rf、欧姆内阻Rm、浓差内阻Rd;
根据燃料电池内部机理和电堆的U-I特性曲线,建立燃料电池等效内阻模型,求解出活化内阻Rf、欧姆内阻Rm、浓差内阻Rd的表达式;
其中电堆总内阻Rstack如式(1)所示:
Rstack=Rf+Rm+Rd (1)
利用二阶等效电路模型求出交流阻抗表达式,如式(2)所示:
步骤二:利用EIS法测出电堆欧姆内阻Rm和总内阻Rstack;利用电化学阻抗谱法(EIS法),给燃料电池系统施加一组频率不同、振幅偏小且交流正弦的电势波信号,在阻抗谱测试仪上可读出欧姆内阻Rm和总内阻Rstack;实际采用的阻抗仪的频率为0.1Hz-20kHz,所以分别取0.1Hz测电堆总内阻Rstack,20kHz测欧姆内阻Rm;
步骤三:计算出电堆的活化内阻Rf和浓差内阻Rd;为了分离出活化内阻Rf和浓差内阻Rd,还需要使用活化内阻模型,活化内阻模型中的变量数据可以通过实验设备测量得出:当电堆处于工作状态下时,其工作电流可以通过串联电流表测出,燃料电池的堆内温度Tstack可由在双极板处安装的三个热电偶测出;
活化内阻Rf、欧姆内阻Rm、总内阻Rstack已知时,可通过公式(3)得到浓差内阻Rd;
Rd=Rstack-Rf-Rm (3)
通过上述步骤,可得到总内阻Rstack、活化内阻Rf、欧姆内阻Rm、浓差内阻Rd;
步骤四:确定诊断水淹故障的特征量;水淹是燃料电池内部水含量过高而引起的故障,常发生在中高电流密度下;当燃料电池处于水淹故态时,电堆内的水迁移系数Deff会显著降低,气体扩散层和流道的水淹使得气体反应物到达位点的传输受阻,催化剂的活性面积因为水的覆盖而降低,它将显著增加质子交换膜燃料电池的活化损耗和浓差损耗;随着时间的流逝,电堆输出性能持续降低;
基于对水淹故障原理的分析,确定诊断水淹故障的特征量,最终将电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd作为构建BP神经网络分类器的特征因子;当燃料电池系统处于工作状态时,其工作电流i可通过在电路中串联电流表测出,燃料电池的堆内温度Tstack可由在燃料电池内部双极板处安装的三个热电偶测出;水迁移系数Deff和浓差内阻Rd有关,当浓差内阻Rd已知时,可以反推出水迁移系数Deff,如下式(4);
步骤五:构建BP神经网络分类器;首先构建BP神经网络状态分类器,规定输出层正常状态为0,其他故障状态为1,水淹状态为2;将10000组带有状态标签的样本数据归一化处理后导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),将80%训练集数据运用R软件构建可用的BP神经网络状态分类器;将剩余20%数据作为测试集,用测试集来检验训练集数据构建的BP神经网络状态分类器;当剩余的20%数据均能得到正确检验时,说明该模型有效、可靠;
接着构建BP神经网络水淹程度分类器,规定输出层重度水淹故障为0,中度水淹故障为1,轻度水淹故障为2;将6000组带有程度标签的水淹故障样本数据归一化处理后导入到R软件中,打乱排序,随机产生训练集数据(80%)和测试集数据(20%),将80%训练集数据运用R软件构建可用的BP神经网络水淹程度分类器;将剩余20%数据作为测试集,用测试集来检验训练集数据构建的BP神经网络水淹程度分类器;当剩余的20%数据均能得到正确检验时,说明该模型有效、可靠;
步骤六:对实验特征数据的提取及故障判别方法的说明;对未知运行状态的电堆,采用步骤一至步骤四的方法获取未知运行状态电堆的X0、X1、X2、X3,将待检测电堆的输入矢量[X0X1 X2 X3]归一化后首先输入已经训练完成的BP神经网络状态分类器,得到电堆的运行状态;输出矢量中最大值Yk=max{Y0,Y1,Y2},若k=0,则该电堆为正常运行状态,诊断结束;若k=1,则该电堆为其他故障运行状态,诊断结束;若k=2,则该电堆为水淹故障运行状态,接着再把归一化后的输入矢量[X0 X1 X2 X3]输入已经训练完成的BP神经网络水淹程度分类器中,得到电堆处于水淹故障状态时的水淹程度,输出矢量中最大值Yz=max{Y0,Y1,Y2},若z=0,则该电堆处于重度水淹故障,诊断结束;若z=1,则该电堆处于中度水淹故障,诊断结束;若z=2,则该电堆处于轻度水淹故障,诊断结束。
2.根据权利要求1所述的一种质子交换膜燃料电池的水淹故障诊断方法,其特征在于,通过对水淹原理及表现的认真研究,最终挑选出诊断水淹故障的四个特征量:电流密度i、水迁移系数Deff、活化内阻Rf和浓差内阻Rd,选取的特征量数量少,且特征量非常具有代表性,一方面不需要用主成分分析法等方法进行降维,避免过拟合情况的发生,另一方面特征数据在未知状态的电堆中也易于采集、易于计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236433.1A CN114583219A (zh) | 2022-03-11 | 2022-03-11 | 一种质子交换膜燃料电池的水淹故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210236433.1A CN114583219A (zh) | 2022-03-11 | 2022-03-11 | 一种质子交换膜燃料电池的水淹故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114583219A true CN114583219A (zh) | 2022-06-03 |
Family
ID=81780308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210236433.1A Pending CN114583219A (zh) | 2022-03-11 | 2022-03-11 | 一种质子交换膜燃料电池的水淹故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114583219A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520155A (zh) * | 2023-06-21 | 2023-08-01 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
CN116914195A (zh) * | 2023-07-27 | 2023-10-20 | 上海徐工智能科技有限公司 | 燃料电池电堆的分区测试方法、系统及存储介质 |
-
2022
- 2022-03-11 CN CN202210236433.1A patent/CN114583219A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520155A (zh) * | 2023-06-21 | 2023-08-01 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
CN116520155B (zh) * | 2023-06-21 | 2023-09-15 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
CN116914195A (zh) * | 2023-07-27 | 2023-10-20 | 上海徐工智能科技有限公司 | 燃料电池电堆的分区测试方法、系统及存储介质 |
CN116914195B (zh) * | 2023-07-27 | 2024-05-31 | 上海徐工智能科技有限公司 | 燃料电池电堆的分区测试方法、系统及存储介质 |
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 | |
CN106684405B (zh) | 用于确定燃料电池组中的临界操作状态的方法 | |
CN114583219A (zh) | 一种质子交换膜燃料电池的水淹故障诊断方法 | |
EP3108531B1 (en) | Use of neural network and eis signal analysis to quantify h2 crossover in-situ in operating pem cells | |
CN107607880A (zh) | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 | |
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 | |
CN112784216B (zh) | 一种质子交换膜燃料电池系统的健康度评估方法及系统 | |
CN113611900A (zh) | 一种质子交换膜燃料电池的膜干故障诊断方法 | |
Debenjak et al. | Detection of Flooding and Drying inside a PEM Fuel Cell Stack. | |
Liu et al. | A novel method for polymer electrolyte membrane fuel cell fault diagnosis using 2D data | |
CN112289385B (zh) | 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法 | |
Wang et al. | A comparative study of equivalent circuit model and distribution of relaxation times for fuel cell impedance diagnosis | |
Mao et al. | Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method | |
CN114492087A (zh) | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 | |
CN115248382A (zh) | 一种质子交换膜燃料电池控制方法 | |
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 | |
Li et al. | A new fuel cell degradation model indexed by proton exchange membrane thickness derived from polarization curve | |
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 | |
CN113540534B (zh) | 一种质子交换膜燃料电池堆的饥饿故障诊断方法 | |
CN115469225A (zh) | 一种电池寿命衰减程度分选和评价方法 | |
Petrone | Electrochemical Impedance Spectroscopy for the on-board diagnosis of PEMFC via on-line identification of Equivalent Circuit Model parameters | |
CN113161586A (zh) | 一种燃料电池系统运行控制方法及控制系统 | |
Ma et al. | Development of online fault diagnosis method for pem fuel cell based on impedance at optimal frequency | |
Salim et al. | Fault diagnosis of a commercial PEM fuel cell system using LMS AMESim | |
CN113917352B (zh) | 基于阻抗老化特征的燃料电池催化层在线老化诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220603 |