CN114725449A - 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 - Google Patents
一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 Download PDFInfo
- Publication number
- CN114725449A CN114725449A CN202210431253.9A CN202210431253A CN114725449A CN 114725449 A CN114725449 A CN 114725449A CN 202210431253 A CN202210431253 A CN 202210431253A CN 114725449 A CN114725449 A CN 114725449A
- Authority
- CN
- China
- Prior art keywords
- stack
- circulating water
- water temperature
- outlet
- pile
- 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 70
- 238000000034 method Methods 0.000 title claims abstract description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 158
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 238000001816 cooling Methods 0.000 claims abstract description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 93
- 239000001257 hydrogen Substances 0.000 claims description 93
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 85
- 238000012417 linear regression Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000000498 cooling water Substances 0.000 abstract 1
- 150000002431 hydrogen Chemical class 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification 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
- H01M8/04992—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
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- 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
- H01M8/0432—Temperature; Ambient temperature
-
- 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
- H01M8/04686—Failure or abnormal function of auxiliary devices, e.g. batteries, capacitors
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池发动机出堆循环水温度传感器故障信号重构及预测方法,对燃料电池发动机各个参数进行采集、统计和相关性分析后建立电堆出堆循环水温度的预测模型,并对预测模型进行验证与优化。在燃料电池发动机实际工作中利用预测模型求得电堆出口温度的预测值,与出堆循环水温度传感器的实际采样值进行比较,当差值大于设定的阈值时判断出堆循环水温度传感器发生故障,根据预测模型得到的电堆出口温度值取代出堆循环水温度传感器的实际采样值,以此为依据控制冷却水泵和冷却风扇的运行状况,从而实现对出堆温度的容错控制。
Description
技术领域
本发明属于燃料电池发动机技术领域,具体涉及一种燃料电池发动机出堆温度传感器故障信号重构及预测方法。
背景技术
燃料电池发动机由电堆、氢气供给循环系统、空气供给系统、水热管理系统、电控系统、数据采集系统等组成。凭借转换效率高、零污染、运行平稳、无噪音等优点,燃料电池已经成为了未来汽车的动力方案,以及目前国内外各企业都正在大力研发相关的热点问题。但是,在燃料电池运行过程中,电堆温度过高会导致膜干,甚至烧堆,温度过低了导致反应不剧烈,电堆发电效率低,性能差,当出堆温度传感器出现故障时,传统做法是立即停机检修。本发明对出堆循环水温度进行预测,以及出现问题时进行重构,从而避免频繁关机,保证系统仍然可以有效运行。为了提高燃料电池发动机的安全性和可靠性,有必要当温度传感器出现故障时,燃料电池发动机控制器仍然能实现有效运行,因此,对出堆循环水温度传感器进行故障诊断和故障信号重构去实现水温容错控制很有必要。
发明内容
本发明针对上述问题,提供了一种燃料电池发动机出堆温度传感器故障信号重构及预测方法。
为了实现上述目的,本发明所设计的燃料电池发动机空气供给系统容错控制方法如下:
一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,包括
分别采集燃料电池发动机正常运行时的M个时刻和N个时刻的若干不同种类数据并对其进行相关性分析后确定M个时刻的输入种类数据和N个时刻的输入种类数据;
将N个时刻的输入种类数据进行预处理后利用多元线性回归方程建立优化前的预测模型,并将M个时刻的输入种类数据进行预处理后输入至优化前的预测模型对其进行校正,得到优化后的预测模型,具体是通过优化前的预测模型得到的M组出堆循环水温度与实际的出堆循环水温度依次比较,并计算实际值与预测值的相对误差,若相对误差大于设定阈值,则对优化前的预测模型中多元回归方程的回归系数进行修正,得到优化后的预测模型;
燃料电池发动机运行时,将当前时刻符合相关性分析的输入种类数据输入优化后的预测模型中得到出堆循环水温度的预测值,并与实际工作中的出堆循环水温度传感器的实际采样值进行比较,当预测值与实际采样值之间的误差大于误差预设值且持续时间超过持续时间设定值时,则判定燃料电池发动机的出堆循环水温度传感器发生故障,并用出堆循环水温度的预测值替换出堆循环水温度传感器的实际采样值。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,从小到大采集燃料电池发动机正常运行时N个时刻对应的出堆循环水温度TOC、空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC,且使采集的数据在时间上满足正态分布。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,对N个时刻对应的每组燃料电池发动机数据进行数理统计分析,分别计算各个量的平均值、中位数、标准差、最小值、最大值。根据皮尔森相关系数计算公式分别计算出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC之间的相关系数。
将皮尔森相关系数大于设定值的各个参量作为输入变量,以出堆循环水温度作为输出变量,对数据归一化处理后,利用多元线性回归方法建立出堆循环水温度的优化前的预测模型。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,将M个时刻与出堆循环水温度皮尔森相关系数大于设定值的输入变量和出堆循环水温度输入至优化前的出堆循环水温度预测模型,得到的M组预测的出堆循环水温度与实际的出堆循环水温度依次比较,并计算实际值与预测值的相对误差,若相对误差大于设定值,则对优化前的出堆循环水温度预测模型中多元回归方程的回归系数进行修正,得到优化后的最终出堆循环水温度预测模型。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,在燃料电池发动机实际运行中,将与出堆循环水温度的皮尔森相关系数大于设定值的各个参数作为优化后的出堆循环水温度预测模型的输入,得到出堆循环水温度的预测值,并与实际工作中的出堆循环水温度传感器的实际采样值进行比较,当预测值与实际采样值之间的误差大于预设值e且持续时间超过设定值△T时,则判定燃料电池发动机的出堆循环水温度传感器发生故障,并用出堆循环水温度的预测值替换出堆循环水温度传感器的实际采样值。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,在计算燃料电池出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC之间的皮尔森相关系数r(k)(k=1,2,…,12)为:
式中,Xi(k)(k=1,2,…,12)(i=1,2,…,N)分别对应N个时刻中空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC某个时刻对应的值,Yi(i=1,2,…,N)为N个时刻中出堆循环水温度TOC某个时刻对应的值,(k=1,2,…,12)分别对应N个时刻空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC的平均值,为N个时刻出堆循环水温度TOC的平均值。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,在对燃料电池发动机各参数进行归一化处理时,选取的归一化公式为
式中,Xi(m)(i=1,2,…,N)为与出堆循环水温度TOC皮尔森相关系数大于0.6的所述权利要求6中空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC中的某一输入变量某个时刻的值。xm为Xi(m)归一化后的值,Xi(m)min为N个时刻中Xi(m)的最小值,Xi(m)max为N个时刻中Xi(m)的最大值,2≤m≤12。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,建立燃料电池发动机出堆循环水温度的多元线性回归模型为
y=w0+w1x1+w2x2+…+wmxm
式中,x1,x2……xm分别为空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC这些量中与出堆循环水温度TOC皮尔森相关系数大于0.6的变量归一化后的值,w1、w2……wm分别为x1,x2……xm的回归系数,w0为自由项,y为燃料电池发动机出堆循环水温度的多元线性回归模型输出值。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,在进行燃料电池发动机出堆循环水温度的多元线性回归模型的回归参数修正时,另外采集与N个时刻完全不同且无重叠时间的M个时刻与出堆循环水温度TOC皮尔森相关系数大于0.6的输入变量Xi(m)(i=1,2,…,M)和出堆循环水温度TOCi(i=1,2,…,M),将Xi(m)(i=1,2,…,M)根据权利要求3所示公式进行归一化处理,代入到权利要求4所示的多元线性回归模型,得出对应的M个模型输出yi(i=1,2,…,M),若TOCi(i=1,2,…,M)和yi(i=1,2,…,M)之间的误差大于3%,则修正回归系数w1、w2……wm和自由项w0直至误差满足要求,并将修正后的w0、w2……wm作为最终模型的参数。
在上述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,所述步骤5中,若经过修正后的w0、w2……wm代入多元线性回归模型得到的出堆循环水温度预测值与出堆循环水温度传感器的实际采样值之间的误差绝对值大于5℃且持续时间大于3秒时,则判断该时刻燃料电池发动机的出堆温度传感器发生故障,以经过修正后的w0、w2……wm代入多元线性回归模型得到的该时刻出堆循环水温度预测值代替出堆循环水温度传感器的实际采样值,控制循环水泵和冷却风扇的转速。
与现有技术相比,本发明可以对出堆循环水温度进行预测,以及出现问题时进行重构,从而避免频繁关机,保证系统仍然可以有效运行。
附图说明
图1为本发明燃料电池发动机出堆温度传感器故障信号预测及重构流程框图
图2为燃料电池发动机系统结构图
具体实施方式
下面结合附图和具体实施例对本发明进行具体说明
如图1为燃料电池发动机出堆温度传感器故障信号预测及重构流程框图
1)步骤1:采集数据
从小到大采集燃料电池发动机正常运行时N个时刻对应的出堆循环水温度TOC、空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC,且保证采集的数据在时间上满足正态分布。
2)步骤2:相关性分析
对步骤1中的N个时刻对应的每组燃料电池发动机数据进行数理统计分析,分别计算各个量的平均值、中位数、标准差、最小值、最大值。根据皮尔森相关系数计算公式分别计算出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC之间的相关系数。
3)步骤3:建立回归模型
将步骤2中与出堆循环水温度的皮尔森相关系数大于0.6的各个参数作为输入变量,以出堆循环水温度作为输出变量,进行数据归一化处理,利用多元线性回归方法建立出堆循环水温度的预测模型。
4)步骤4:回归模型的验证与优化
采集燃料电池发动机正常运行时步骤3中M个时刻的输入变量和输出变量,将通过预测模型得到的M组出堆循环水温度与实际的出堆循环水温度依次比较,并计算实际值与预测值的相对误差,若相对误差大于3%,则对预测模型中多元回归方程的回归系数进行适当修正,M组数据全部比较计算完成后得到优化后的预测模型。
5)步骤5:出堆循环水温度预测与故障重构
在燃料电池发动机实际运行中,将与出堆循环水温度的皮尔森相关系数大于0.6的各个参数作为步骤3中预测模型的输入,得到的出堆循环水温度的预测值,并与实际工作中的出堆循环水温度传感器的实际采样值进行比较,当预测值与实际采样值之间的误差大于预设值e且持续时间超过设定值时,则判定燃料电池发动机的出堆循环水温度传感器发生故障。
本发明采用皮尔森相关系数计算公式计算了出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC之间的相关系数。之后以出堆循环水温度为输出变量,以与出堆循环水温度的皮尔森相关系数大于0.6的参量作为输入变量,利用多元回归方程建立了出堆循环水温度的预测模型。当实际运行中实际采样值与预测值误差大于预设值且持续时间超过预设值时,可以判定出堆循环水温度传感器发生故障。这时,以多元线性回归模型得到的该时刻出堆循环水温度预测值代替出堆循环水温度传感器的实际采样值,控制循环水泵和冷却风扇的转速,达到对出堆循环水温度传感器进行故障诊断和故障信号重构去实现水温容错控制的效果。
下面结合具体实例来进一步来阐述本发明燃料电池发动机出堆温度传感器故障信号重构及预测方法。
如图2所示燃料电池发动机系统结构图。首先利用燃料电池发动机中的传感器从小到大采集燃料电池发动机正常运行时N个时刻对应的出堆循环水温度TOC、空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC,且保证采集的数据在时间上满足正态分布。之后对这些数据进行数理统计,分别计算各个量的平均值、中位数、标准差、最小值、最大值。根据皮尔森相关系数计算公式分别计算出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC之间的相关系数。计算所得的相关系数r(k)(k=1,2,…,12)为:
式中,Xi(k)(k=1,2,…,12)分别对应N个时刻空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC某个时刻对应的值,Yi为N个时刻出堆循环水温度TOC某个时刻对应的值,(k=1,2,…,12)分别对应N个时刻空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC对应的值的平均值,(k=1,2,…,12)为N个时刻出堆循环水温度TOC对应的值的平均值。
将计算所得与出堆循环水温度的皮尔森相关系数大于0.6的各个参数作为输入变量,以出堆循环水温度作为输出变量,进行数据归一化处理,归一化后的值xm为:
式中,Xi(m)(i=1,2,…,N)为与出堆循环水温度TOC皮尔森相关系数大于0.6的所述权利要求6中空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC中的某一输入变量某个时刻的值。xm为Xi(m)归一化后的值,Xi(m)min为N个时刻中Xi(m)的最小值,Xi(m)max为N个时刻中Xi(m)的最大值,2≤m≤12。
将归一化后的值利用多元线性回归方法建立出堆循环水温度的预测模型,多元回归方程公式为:
y=w0+w1x1+w2x2+…+wmxm
式中,x1,x2……xm分别为空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电压总电流SC这些量中与出堆循环水温度TOC皮尔森相关系数大于0.6的变量,2≤m≤12,w1、w2……wm分别为x1,x2……xm的回归系数,w0为自由项。
通过图2中燃料电池发动机的各传感器采集燃料电池发动机正常运行时M个时刻的预测模型与出堆循环水温度TOC皮尔森相关系数大于0.6的输入变量Xi(m)(i=1,2,…,M)和出堆循环水温度TOCi(i=1,2,…,M),将Xi(m)(i=1,2,…,M)根据权利要求3所示公式进行归一化处理,带入到多元线性回归模型,得出对应的M个模型输出y(i)(i=1,2,…,M),若TOCi(i=1,2,…,M)和yi(i=1,2,…,M)之间的误差为:
式中,yi为第i个时刻出堆水温度预测值,TOCi为第i个时刻出堆水温度实际值,0<i≤M。
若计算所得误差p大于3%,则对预测模型中多元回归方程的回归系数进行适当修正,之后再将所得M组数据输入回归系数修正后的多元回归模型中,并计算此时的误差p,重复这个步骤直至误差p小于3%,得到最终的预测模型。
根据所得的优化后的多元回归模型,若多元线性回归模型得到的出堆循环水温度预测值与出堆循环水温度传感器的实际采样值之间的误差绝对值大于5℃且持续时间大于3秒时,则判断该时刻燃料电池发动机的出堆温度传感器发生故障,以多元线性回归模型得到的该时刻出堆循环水温度预测值代替出堆循环水温度传感器的实际采样值,控制循环水泵和冷却风扇的转速,达到对出堆循环水温度传感器进行故障诊断和故障信号重构去实现水温容错控制的效果。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,包括
分别采集燃料电池发动机正常运行时的M个时刻和N个时刻的若干不同种类数据并对其进行相关性分析后确定M个时刻的输入种类数据和N个时刻的输入种类数据;
将N个时刻的输入种类数据进行预处理后利用多元线性回归方程建立优化前的预测模型,并将M个时刻的输入种类数据进行预处理后输入至优化前的预测模型对其进行校正,得到优化后的预测模型,具体是通过优化前的预测模型得到的M组出堆循环水温度与实际的出堆循环水温度依次比较,并计算实际值与预测值的相对误差,若相对误差大于设定阈值,则对优化前的预测模型中多元回归方程的回归系数进行修正,得到优化后的预测模型;
燃料电池发动机运行时,将当前时刻符合相关性分析的输入种类数据输入优化后的预测模型中得到出堆循环水温度的预测值,并与实际工作中的出堆循环水温度传感器的实际采样值进行比较,当预测值与实际采样值之间的误差大于误差预设值且持续时间超过持续时间设定值时,则判定燃料电池发动机的出堆循环水温度传感器发生故障,并用出堆循环水温度的预测值替换出堆循环水温度传感器的实际采样值。
2.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,
从小到大采集燃料电池发动机正常运行时N个时刻对应的出堆循环水温度TOC、空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC,且使采集的数据在时间上满足正态分布。
3.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,
对N个时刻对应的每组燃料电池发动机数据进行数理统计分析,分别计算各个量的平均值、中位数、标准差、最小值、最大值;根据皮尔森相关系数计算公式分别计算出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC之间的相关系数;
将皮尔森相关系数大于设定值的各个参量作为输入变量,以出堆循环水温度作为输出变量,对数据归一化处理后,利用多元线性回归方法建立出堆循环水温度的优化前的预测模型。
4.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,
将M个时刻与出堆循环水温度皮尔森相关系数大于设定值的输入变量和出堆循环水温度输入至优化前的出堆循环水温度预测模型,得到的M组预测的出堆循环水温度与实际的出堆循环水温度依次比较,并计算实际值与预测值的相对误差,若相对误差大于设定值,则对优化前的出堆循环水温度预测模型中多元回归方程的回归系数进行修正,得到优化后的最终出堆循环水温度预测模型。
5.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,
在燃料电池发动机实际运行中,将与出堆循环水温度的皮尔森相关系数大于设定值的各个参数作为优化后的出堆循环水温度预测模型的输入,得到出堆循环水温度的预测值,并与实际工作中的出堆循环水温度传感器的实际采样值进行比较,当预测值与实际采样值之间的误差大于预设值e且持续时间超过设定值△T时,则判定燃料电池发动机的出堆循环水温度传感器发生故障,并用出堆循环水温度的预测值替换出堆循环水温度传感器的实际采样值。
6.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,
在计算燃料电池出堆循环水温度TOC与空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC之间的皮尔森相关系数r(k)(k=1,2,…,12)为:
式中,Xi(k)(k=1,2,…,12)(i=1,2,…,N)分别对应N个时刻中空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC某个时刻对应的值,Yi(i=1,2,…,N)为N个时刻中出堆循环水温度TOC某个时刻对应的值,分别对应N个时刻空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC的平均值,为N个时刻出堆循环水温度TOC的平均值。
7.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,在对燃料电池发动机各参数进行归一化处理时,选取的归一化公式为
式中,Xi(m)(i=1,2,…,N)为与出堆循环水温度TOC皮尔森相关系数大于0.6的所述权利要求6中空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC中的某一输入变量某个时刻的值;xm为Xi(m)归一化后的值,Xi(m)min为N个时刻中Xi(m)的最小值,Xi(m)max为N个时刻中Xi(m)的最大值,2≤m≤12。
8.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,建立燃料电池发动机出堆循环水温度的多元线性回归模型为
y=w0+w1x1+w2x2+…+wmxm
式中,x1,x2……xm分别为空压机转速Vair、进堆氢气压力PIH、进堆循环水温度TIC、进堆空气压力PIA、进堆氢气流量FIH、进堆空气流量FIA、出堆空气流量FOA、出堆空气压力POA、出堆氢气流量FOH、出堆氢气压力POH、电堆总电压SV和电堆总电流SC这些量中与出堆循环水温度TOC皮尔森相关系数大于0.6的变量归一化后的值,w1、w2……wm分别为x1,x2……xm的回归系数,w0为自由项,y为燃料电池发动机出堆循环水温度的多元线性回归模型输出值。
9.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,在进行燃料电池发动机出堆循环水温度的多元线性回归模型的回归参数修正时,另外采集与N个时刻完全不同且无重叠时间的M个时刻与出堆循环水温度TOC皮尔森相关系数大于0.6的输入变量Xi(m)(i=1,2,…,M)和出堆循环水温度TOCi(i=1,2,…,M),将Xi(m)(i=1,2,…,M)根据权利要求3所示公式进行归一化处理,代入到权利要求4所示的多元线性回归模型,得出对应的M个模型输出y(i=1,2,…,M),若TOCi(i=1,2,…,M)和yi(i=1,2,…,M)之间的误差大于3%,则修正回归系数w1、w2……wm和自由项w0直至误差满足要求,并将修正后的w0、w2……wm作为最终模型的参数。
10.根据权利要求1所述一种燃料电池发动机出堆温度传感器故障信号重构及预测方法,其特征在于,所述步骤5中,若经过修正后的w0、w2……wm代入多元线性回归模型得到的出堆循环水温度预测值与出堆循环水温度传感器的实际采样值之间的误差绝对值大于5℃且持续时间大于3秒时,则判断该时刻燃料电池发动机的出堆温度传感器发生故障,以经过修正后的w0、w2……wm代入多元线性回归模型得到的该时刻出堆循环水温度预测值代替出堆循环水温度传感器的实际采样值,控制循环水泵和冷却风扇的转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431253.9A CN114725449A (zh) | 2022-04-22 | 2022-04-22 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210431253.9A CN114725449A (zh) | 2022-04-22 | 2022-04-22 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114725449A true CN114725449A (zh) | 2022-07-08 |
Family
ID=82246234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210431253.9A Pending CN114725449A (zh) | 2022-04-22 | 2022-04-22 | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114725449A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037099A1 (zh) * | 2022-08-16 | 2024-02-22 | 中国第一汽车股份有限公司 | 燃料电池的故障检测方法以及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012087693A (ja) * | 2010-10-20 | 2012-05-10 | Mitsubishi Heavy Ind Ltd | 内燃機関の燃焼制御装置及び燃焼制御方法 |
CN109950587A (zh) * | 2019-04-02 | 2019-06-28 | 浙江大学 | 一种质子交换膜燃料电池系统温度主动容错控制方法 |
CN110165248A (zh) * | 2019-05-27 | 2019-08-23 | 湖北工业大学 | 燃料电池发动机空气供给系统容错控制方法 |
CN110909413A (zh) * | 2019-12-09 | 2020-03-24 | 山东大学 | 一种混凝土面板堆石坝水平位移预测精确方法及系统 |
CN112448005A (zh) * | 2020-11-11 | 2021-03-05 | 湖北工业大学 | 一种燃料电池发动机出堆温度传感器失效的温度容错控制方法 |
CN113935225A (zh) * | 2020-06-29 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
-
2022
- 2022-04-22 CN CN202210431253.9A patent/CN114725449A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012087693A (ja) * | 2010-10-20 | 2012-05-10 | Mitsubishi Heavy Ind Ltd | 内燃機関の燃焼制御装置及び燃焼制御方法 |
CN109950587A (zh) * | 2019-04-02 | 2019-06-28 | 浙江大学 | 一种质子交换膜燃料电池系统温度主动容错控制方法 |
CN110165248A (zh) * | 2019-05-27 | 2019-08-23 | 湖北工业大学 | 燃料电池发动机空气供给系统容错控制方法 |
CN110909413A (zh) * | 2019-12-09 | 2020-03-24 | 山东大学 | 一种混凝土面板堆石坝水平位移预测精确方法及系统 |
CN113935225A (zh) * | 2020-06-29 | 2022-01-14 | 中国科学院大连化学物理研究所 | 一种基于机器学习的液流电池电堆优化和性能预测方法 |
CN112448005A (zh) * | 2020-11-11 | 2021-03-05 | 湖北工业大学 | 一种燃料电池发动机出堆温度传感器失效的温度容错控制方法 |
Non-Patent Citations (1)
Title |
---|
张殿华等: "《钢铁工业协同创新关键共性技术丛书 板带材智能化制备关键技术》", 冶金工业出版社, pages: 73 - 74 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024037099A1 (zh) * | 2022-08-16 | 2024-02-22 | 中国第一汽车股份有限公司 | 燃料电池的故障检测方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110165248B (zh) | 燃料电池发动机空气供给系统容错控制方法 | |
CN110190306B (zh) | 一种用于燃料电池系统的在线故障诊断方法 | |
CN110970642B (zh) | 一种燃料电池的空气系统控制方法 | |
CN111159844B (zh) | 一种电站燃气轮机排气温度的异常检测方法 | |
CN114725449A (zh) | 一种燃料电池发动机出堆温度传感器故障信号重构及预测方法 | |
CN111237208A (zh) | 一种泵站单机组优化运行时的叶片角步长调节控制方法 | |
CN113048807A (zh) | 一种空冷机组背压异常检测方法 | |
CN116644851A (zh) | 结合负荷优化配置的热电厂设备控制方法及系统 | |
CN111178602A (zh) | 基于支持向量机和神经网络的循环水损失预测方法 | |
CN112448005B (zh) | 一种燃料电池发动机出堆温度传感器失效的温度容错控制方法 | |
CN112749205B (zh) | 一种燃煤发电机组功率与供电煤耗关系曲线获取系统及方法 | |
CN113325700B (zh) | 一种基于风机性能曲线的风机开度及效率在线计算方法 | |
CN112927098B (zh) | 一种考虑源荷不确定性的电网经济调度综合性评估方法 | |
CN113944639A (zh) | 基于r-ipso算法考虑开停机损耗的叶片全调节泵站单机组控制方法 | |
CN111275320A (zh) | 一种发电机组的性能调整数据处理方法、系统和存储介质 | |
CN114723104B (zh) | 一种风电机组机舱电气设备能耗优化综合建模方法及系统 | |
CN116628561B (zh) | 一种电子水泵智能测试系统及方法 | |
CN118035929B (zh) | 基于热力学和数据挖掘的电厂安全监测预警方法及系统 | |
CN114294637B (zh) | 一种基于机器学习的低温省煤器状态监测系统及方法 | |
CN117727980A (zh) | 一种氢燃料电池系统排放阀的控制方法及设备 | |
CN116345435A (zh) | 一种基于风电机组簇特性的技改机组增功评价方法和系统 | |
CN114548697A (zh) | 一种风电场群组健康状态评估方法 | |
CN117633711A (zh) | 一种基于多维数据融合的水电机组故障诊断方法及系统 | |
CN117195116A (zh) | 一种核电机组出力异常判断方法及系统 | |
CN116054246A (zh) | 一种基于分区与辨识的集群风电场虚拟惯量评估方法 |
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 |