CN114843560A - 一种燃料电池系统水淹故障诊断方法和装置 - Google Patents
一种燃料电池系统水淹故障诊断方法和装置 Download PDFInfo
- Publication number
- CN114843560A CN114843560A CN202210547284.0A CN202210547284A CN114843560A CN 114843560 A CN114843560 A CN 114843560A CN 202210547284 A CN202210547284 A CN 202210547284A CN 114843560 A CN114843560 A CN 114843560A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- flooding
- probability
- fault
- cell system
- 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 250
- 238000000034 method Methods 0.000 title claims abstract description 55
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 28
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000001257 hydrogen Substances 0.000 claims description 48
- 229910052739 hydrogen Inorganic materials 0.000 claims description 48
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 38
- 238000003745 diagnosis Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 19
- 239000000498 cooling water Substances 0.000 claims description 17
- 150000002431 hydrogen Chemical class 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 8
- 238000001816 cooling Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000010363 phase shift Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 239000007789 gas Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming 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
-
- 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
本申请提供了一种燃料电池系统水淹故障诊断方法,燃料电池系统中多个特征参数之间独立,且符合随机分布概率,基于特征参数分布概率,分析得到多个特征参数实时值分别对应的发生水淹概率和未发生水淹概率,基于该多个独立的特征参数发生水淹概率和未发生水淹概率分析确定整个燃料电池系统发生水淹概率和未发生水淹概率,从中选择概率较大的一个作为最终结果,数据处理量小。
Description
技术领域
本申请涉及燃料电池领域,更具体的说,是涉及一种燃料电池系统水淹故障诊断方法和装置。
背景技术
氢氧燃料电池汽车用以质子交换膜燃料电池(PEMFC,proton exchange membranefuel cell)系统为核心,使用高纯度氢气与空气中的氧气发生电化学反应,产生电能驱动车辆运行。氢氧燃料电池是零排放或近似零排放的车载动力解决方案,具有运行平稳噪音低、经济性高、加注燃料快。环境适应性强等优点。随着环境污染与全球气候变暖问题的日益严重,其作为一种汽车动力系统解决方案而日益受到关注。
对于车载应用,质子交换膜燃料电池系统的性能、耐用性和可靠性是最具挑战性的问题,其在很大程度上取决于燃料电池系统的水热管理。随着车载燃料电池系统的功率密度日益提升,燃料电池堆需要在更高的电流密度下运行,并产生更多的液态水。液态水容易阻塞气体扩散层和气体流道,导致反气体不足,降低系统性并损害电堆耐久性。因此对燃料电池系统的水淹故障进行有效诊断十分重要。可靠的诊断手段可以及时对控制系统进行预警,使得控制系统做出必要的控制措施,避免燃料电池的水淹故障继续加深。
现有技术中,采用神经网络诊断模型对于燃料电池进行水淹故障检测,如常用方法有PCA(Principal components analysis,主成分分析)降维方法、SVM(Support VectorMachine,支持向量机)分类器、LSTM(Long Short-Term Memory,长短期记忆网络)分类器等。这类方法具有一定的诊断精度,但是需求数据量较大、且在车载条件下,对运算资源的消耗较大。
发明内容
有鉴于此,本申请提供了一种燃料电池系统水淹故障诊断方法,如下:
一种燃料电池系统水淹故障诊断方法,包括:
获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;
基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;
基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
上述的方法,可选的,预设特征参数随机分布概率,包括:
对燃料电池输出预设交流激励电流;
从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
对于所述目标特征参数进行随机采样,得到至少两个样本值;
读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
上述的方法,可选的,所述基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合,包括:
基于所述目标特征参数的每个样本值,分析对应的输出电流和输出电压,得到至少两个频谱图;
基于所述至少两个频谱图中的幅移和相移,分析得到所述燃料电池发生水淹故障或者未发生水淹故障;
根据分析得到燃料电池发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值;
根据分析得到燃料电池未发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是未发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值。
上述的方法,可选的,所述基于所述燃料电池发生水淹故障的样本个数以及样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数概率,包括:
采用极大似然估计样本密度,对于所述目标特征参数的发生水淹故障的样本值集合进行分析处理,得到燃料电池发生水淹故障时的高斯分布参数。
上述的方法,可选的,所述基于所述燃料电池未发生水淹故障的样本个数以及样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数,包括:
采用极大似然估计样本密度,对于所述目标特征参数的未发生水淹故障的样本值集合进行分析处理,得到燃料电池未发生水淹故障时的高斯分布参数。
上述的方法,可选的,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态、冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速。
一种燃料电池系统水淹故障诊断装置,包括:
获取模块,用于获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
分析模块,用于基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
判断模块,用于基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;或者,基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
上述的装置,可选的,还包括:
预设模块,用于预设特征参数随机分布概率。
上述的装置,可选的,所述预设模块,具体用于:
对燃料电池输出预设交流激励电流;
从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
对于所述目标特征参数进行随机采样,得到至少两个样本值;
读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
上述的装置,可选的,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态、冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速。
经由上述的技术方案可知,本申请提供了一种燃料电池系统水淹故障诊断方法,包括:获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。本方案中,基于预设的特征参数分布概率,分析得到多个特征参数实时值分别对应的发生水淹概率和未发生水淹概率,基于该多个独立的特征参数发生水淹概率和未发生水淹概率分析确定整个燃料电池系统发生水淹概率和未发生水淹概率,从中选择概率较大的一个作为最终结果,数据处理量小。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的实施例,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是本申请提供的一种燃料电池系统水淹故障诊断方法实施例1的流程图;
图2是本申请提供的一种燃料电池系统水淹故障诊断方法实施例1提供的燃料电池动力系统示意图;
图3是本申请提供的一种燃料电池系统水淹故障诊断方法实施例2的流程图;
图4是本申请提供的一种燃料电池系统水淹故障诊断方法实施例2中步骤S301的具体流程图;
图5所示的为本申请提供的一种燃料电池系统水淹故障诊断装置实施例的结构示意图;
图6所示的是本申请提供的一种燃料电池系统水淹故障诊断方法在应用场景中的示意图;
图7所示的是本申请提供的一种燃料电池系统水淹故障诊断方法的具体实验场景中的实验数据示意图;
图8所示的是本申请提供的一种燃料电池系统水淹故障诊断方法的具体实验场景中的诊断结果示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
如图1所示的,是本申请提供的一种燃料电池系统水淹故障诊断方法实施例1的流程图,该方法应用于一车载系统,该方法包括以下步骤:
步骤S101:获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
其中,燃料电池系统运行过程中,可以实时对其多个特征参数的值进行获取,以基于该特征参数的实时值进行判断是否出现水淹故障。
具体的,车载系统中对于各个特征参数的实时值进行获取。
其中,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水出口温度、冷却泵转速、排氢阀状态、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速、冷却水入口温度。
其中,上述的特征参数是燃料电池运行中相关的特征,任意特征参数均能够表征该燃料电池是否发生水淹。
具体的,氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态可以通过车载系统的控制器获取;冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速可以通过汽车CAN(Controller Area Network,控制器局域网络)总线获取。
如图2所示的为燃料电池动力系统示意图,系统中的传感器分别监测氢气入口压力、空气入口压力和流量、电堆入口和电堆出口温度、电堆的输出电压和输出电流。另外控制器通过CAN总线,采集循环泵、水泵、空气压缩机、背压阀、尾排阀和节温器的反馈信号。具体的,该系统中包括:稳压一体传感器P/T、温度流量一体传感器T/F、压力传感器P、电力传感器A、温度传感器T以及电压传感器V。
其中,氢气通过氢气入口通过氢喷射器进入电堆,电堆输出氢气通过氢循环泵返回电堆;电堆输出尾气通过尾排阀输出到排出;压力传感器P检测氢气入口压力。空气通过空气入口通过空气压缩机经过中冷器输入电堆;电堆输出尾气通过背压阀输出到出口排出;温度流量一体传感器T/F检测空气入口流量和温度,温压一体传感器P/T检测电堆中空气入口压力和温度。系统中设置有水泵C、散热器和节温器,电堆的冷却水入口压力和出口压力分别通过两个T压力传感器检测。电压传感器V和电流传感器A检测电堆的总电流和总电压。
本申请中,利用的是燃料电池动力系统中现有的系统辅助系统和传感器,无需设置更多的传感器。
需要说明的是,本申请中,各个特征参数采用的是随机变量的特征分布。
在燃料电池系统中,各个特征参数独立控制,故根据朴素贝叶斯假设,作为输入的随机变量相互独立,不存在依赖关系。
步骤S102:基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;
其中,预设有特征参数的随机分布概率。如下表1所示的为特征参数发生水淹(Y=1)概率分布和未发生水淹(Y=0)概率分布表。
其中,系统的输入为Z(x1=z1,x2=z2,x3=z3,x4=z4,x5=z5,x6=z6,x7=z7,x8=z8,x9=z9,x10=z10,x11=z11)
表1
步骤S103:基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
其中,基于该特征参数的实时值确定对应的发生水淹故障概率和未发生水淹故障概率。
计算Y=1和Y=0时的条件概率的过程如下:
比较上述两式的大小,可以通过等效比较如下两式大小
P(Z|Y=1)P(Y=1) (3)
P(Z|Y=0)P(Y=0) (4)
由于在本申请中的燃料电池系统中,各个特征参数独立控制,故根据朴素贝叶斯假设,作为输入的随机变量相互独立,不存在依赖关系。所以,此处计算时,根据朴素贝叶斯假设作为输入的随机变量相互独立,不存在依赖关系。上述(3)和(4)具体如下所示:
其中,k和n是预设参数值。
具体的,基于系统采集的特征参数的实时值以及上述(5)和(6)计算得到的结果值进行比较。
若(5)的结果值大于(6),则燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率;
若(5)的结果值不大于(6),则燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率。
步骤S104:基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;
步骤S105:基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
具体的,基于(5)和(6)的计算结果,分析确定燃料电池系统发生水淹概率与未发生水淹概率哪个更大,判定该燃料电池系统是否发生水淹故障。
其中,在判定燃料电池系统发生水淹故障时,进行后续的故障处理。
具体的,当判断燃料电池系统发生水淹故障,则对控制系统进行预警。控制系统会采取增加排氢阀开启频率等措施增加排水。若故障恢复成功,则系统恢复运行状态;若故障恢复失败,则系统进入故障急停状态。
综上所述,本实施例提供了一种燃料电池系统水淹故障诊断方法,包括:获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。本方案中,基于预设的特征参数分布概率,分析得到多个特征参数实时值分别对应的发生水淹概率和未发生水淹概率,基于该多个独立的特征参数发生水淹概率和未发生水淹概率分析确定整个燃料电池系统发生水淹概率和未发生水淹概率,从中选择概率较大的一个作为最终结果,数据处理量小。
如图3所示的,为本申请提供的一种燃料电池系统水淹故障诊断方法实施例2的流程图,该方法包括以下步骤:
步骤S301:预设特征参数随机分布概率;
其中,在对于燃料电池系统是否出现水淹故障诊断之前,先对于特征参数的随机分布概率进行预设。
步骤S302:获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
步骤S303:基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;
步骤S304:基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
步骤S305:基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;
步骤S306:基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
其中,步骤S302-306与实施例1中的步骤S101-105一致,本实施例中不再赘述。
如图4所示的,为本申请提供的一种燃料电池系统水淹故障诊断方法实施例2中步骤S301的具体流程图,包括以下步骤:
步骤S401:对燃料电池输出预设交流激励电流;
其中,对于燃料电池输出约定值的电流,并叠加交流激励。
其中,该交流激励采用2A(安培)。
步骤S402:从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
其中,该特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水出口温度、冷却泵转速、排氢阀状态、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速、冷却水入口温度。
本实施例中,依次对于该特征参数中的每个进行确定其随机分布概率的过程。
具体实施中,采用THDA设备对于特征参数进行标记,并建立分析模型,以实现基于该分析模型进行训练数据,经过训练得到各个特征参数随机分布概率,以使得在输入Z(x1=z1,x2=z2,x3=z3,x4=z4,x5=z5,x6=z6,x7=z7,x8=z8,x9=z9,x10=z10,x11=z11)时,该分析模型能够分析发生水淹的概率和未发生水淹的概率,进而判断燃料电池是否发生水淹,输出判断结果。
步骤S403:对于所述目标特征参数进行随机采样,得到至少两个样本值;
其中,该特征参数具体是车载运行状态下的信号,具体可以通过控制器AD采样或者是通过汽车的CAN总线采样检测。
步骤S404:读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
其中,该输出电压值与输出电流值表征了该燃料电池的运行情况,本申请中,基于该目标特征参数采用样本值作为输入时,该燃料电池的运行情况。
步骤S405:基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
本申请中,对于输出电流和输出电压值进行计算频谱,诊断该燃料电池是否发生水淹故障。
其中,所述步骤S405,包括:
步骤S4051:基于所述目标特征参数的每个样本值,分析对应的输出电流和输出电压,得到至少两个频谱图;
其中,对于该特征参数进行随机采样后,对于每个特征参数的采样的样本值分析其对应的输出电流和输出电压,得到频谱图,该频谱图表征了燃料电池的状况。
具体的,基于输出电流和输出电压,计算得到该燃料电池的阻抗值,基于该阻抗值得到频谱图。
步骤S4052:基于所述至少两个频谱图中的幅移和相移,分析得到所述燃料电池发生水淹故障或者未发生水淹故障;
其中,幅移是输出电流与输入电流之间的幅值变化情况,相移是输出电流与输入电流之间的相位变化情况。
具体的,对于该频谱图进行分析,确定了输出电压电流和输入电流之间的幅移和相移,基于幅移和相移分别满足变化阈值结合燃料电池的阻抗值,判定燃料电池发生水淹故障,否则,燃料电池未发生水淹故障。
具体实施中,该变化阈值是根据实际情况进行设置,本申请中不做限制。
步骤S4053:根据分析得到燃料电池发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值;
其中,在基于频谱图确定了燃料电池发生水淹故障时,选择与该频谱图对应的样本值,将各个样本值集合,得到该特征参数发生水淹故障的样本值集合。
步骤S4054:根据分析得到燃料电池未发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是未发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值。
其中,在基于频谱图确定了燃料电池未发生水淹故障时,选择与该频谱图对应的样本值,将各个样本值集合,得到该特征参数未发生水淹故障的样本值集合。
其中,如下表2所示的,是各个特征参数的相关信息,包括采用的随机变量表示以及信号获取方式。
表2
步骤S406:基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
具体的,基于上述步骤S405中确定的发生水淹故障的样本值集合,分析确定相应的特征参数的随机分布参数。
具体的,采用极大似然估计样本密度,对于所述目标特征参数的发生水淹故障的样本值集合进行分析处理,得到燃料电池发生水淹故障时的高斯分布参数。
燃料电池水淹状态的随机变量记为Y,符合伯努利分布,1代表发生水淹故障,0代表未发生水淹故障。基于极大似然估计原理,容易得到下式:
其中k为样本中Y=1的个数,n为全部样本个数。
使用高斯分布,对于上述输入进行建模,高斯分布的表达如下:
以氢气入口压力为例,假设当Y=1的条件下,氢气入口压力采样数据为x11、x12……x1n。假设其满足高斯分布,即x1~(μ1,σ12)。当Y=0时的氢气入口压力采样同样满足高斯分布x'1~(μ'1,σ'12)。
使用极大似然估计,对样本的密度方程求极大值,即
对上式求解极大值,等效求解下式极小值
对上述(9)和(10)求解,得到如下:
步骤S407:基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
具体的,基于上述步骤S405中确定的未发生水淹故障的样本值集合,分析确定相应的特征参数的随机分布参数。
具体的,采用极大似然估计样本密度,对于所述目标特征参数的未发生水淹故障的样本值集合进行分析处理,得到燃料电池未发生水淹故障时的高斯分布参数。
参考上述分析得到发生水淹故障的高斯分布参数的过程,得到未发生水淹故障时的高斯分布参数如下:
基于上述分析的过程,得到各个特征参数发生水淹故障时和未发生水淹故障时的高斯分布参数,如实施例1中的表1所示。
与上述本申请提供的一种燃料电池系统水淹故障诊断方法实施例相对应的,本申请还提供了应用该燃料电池系统水淹故障诊断方法的装置实施例。
如图5所示的为本申请提供的一种燃料电池系统水淹故障诊断装置实施例的结构示意图,该装置包括以下结构:获取模块501、分析模块502和判断模块503;
其中,该获取模块501,用于获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
其中,该分析模块502,用于基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
其中,该判断模块503,用于基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;或者,基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
可选的,上述的装置,还包括:
预设模块,用于预设特征参数随机分布概率。
可选的,上述的装置,所述预设模块,具体用于:
对燃料电池输出预设交流激励电流;
从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
对于所述目标特征参数进行随机采样,得到至少两个样本值;
读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
可选的,上述的装置,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态、冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速。
需要说明的是,本装置中的结构的功能解释参考方法实施例,本实施例中不再赘述。
综上所述,本申请提供了一种燃料电池系统水淹故障诊断装置,基于预设的特征参数分布概率,分析得到多个特征参数实时值分别对应的发生水淹概率和未发生水淹概率,基于该多个独立的特征参数发生水淹概率和未发生水淹概率分析确定整个燃料电池系统发生水淹概率和未发生水淹概率,从中选择概率较大的一个作为最终结果,数据处理量小。
如图6所示的是本申请提供的一种燃料电池系统水淹故障诊断方法在应用场景中的示意图,其中,该方法应用于系统控制中,本场景中采用THDA(Harmonic DistortionFactor Analysis,谐波失真因子分析)诊断设备进行采样。
具体过程如下:
燃料电池系统自检;
若自检失败,燃料电池系统进入故障急停状态;
若自检成功,进入启动流程;
若启动失败,燃料电池系统进入故障急停状态;
若启动成功,开启水淹故障检测流程;
其中,该故障检测流程采用的是本申请中提供的燃料电池系统水淹故障诊断方法。
在燃料电池运行过程中,若检测到燃料电池系统发生水淹故障,对控制系统进行预警。控制系统会采取增加排氢阀开启频率等措施增加排水。若故障恢复成功,则系统恢复运行状态;若故障恢复失败,则系统进入故障急停状态。
当整车控制触发关机指令,燃料电池系统进入关机状态,并关闭水淹故障检测流程。
当整车控制触发怠速指令,燃料电池系统进行怠速状态,同时关闭水淹故障检测流程;当整车控制触发运行指令,则系统从怠速状态恢复运行状态,同时激活水淹故障检测流程。
本申请中还提供了一种燃料电池系统水淹故障诊断方法的具体实验场景。
图7所示的为该具体实验场景中的实验数据示意图,图8所示的是该具体实验场景中的诊断结果示意图。
实验使用的燃料电池系统是上海捷氢科技P390全功率燃料电池系统,系统功率92kW,最高效率60%,工作温度95℃,最低启动温度为零下30℃。系统由氢气子系统,空气子系统,散热子系统,电气子系统构成。空气子系统和氢气子系统分别为燃料电池系统提供符合系统运行的阴阳极气体压力和流量;散热子系统控制冷却液流量为系统散热,电气子系统控制系统功率输出。
测试中,运行基于贝叶斯分类器的燃料电池水淹诊断模型,同时降低系统阳极出口分水器的分水效率,使得系统更容易发生水淹。为验证模型的有效性,使用贝叶斯分类模型进行诊断的同时,使用THDA诊断设备对系统进行诊断,从而验证贝叶斯分类模型诊断的正确性。
系统运行在800s到920s的数据如图7所示,诊断结果如图8所示。在系统运行的约832秒,本申请应用燃料电池系统水淹故障诊断方法的贝叶斯诊断模型的输出由0变为1,发生水淹故障;约0.2s后THDA诊断设备报出了水淹故障。实验结果验证了该模型对燃料电池水淹故障的诊断效果。
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。对于实施例提供的装置而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所提供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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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提供的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种燃料电池系统水淹故障诊断方法,其特征在于,包括:
获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;
基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;
基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
2.根据权利要求1所述的方法,其特征在于,预设特征参数随机分布概率,包括:
对燃料电池输出预设交流激励电流;
从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
对于所述目标特征参数进行随机采样,得到至少两个样本值;
读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
3.根据权利要求2所述的方法,其特征在于,所述基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合,包括:
基于所述目标特征参数的每个样本值,分析对应的输出电流和输出电压,得到至少两个频谱图;
基于所述至少两个频谱图中的幅移和相移,分析得到所述燃料电池发生水淹故障或者未发生水淹故障;
根据分析得到燃料电池发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值;
根据分析得到燃料电池未发生水淹故障对应的至少一个频谱图,确定所述至少一个频谱图对应的样本值集合,该样本值集合是未发生水淹故障的样本值集合,所述样本值集合中包含至少一个样本值。
4.根据权利要求3所述的方法,其特征在于,所述基于所述燃料电池发生水淹故障的样本个数以及样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数概率,包括:
采用极大似然估计样本密度,对于所述目标特征参数的发生水淹故障的样本值集合进行分析处理,得到燃料电池发生水淹故障时的高斯分布参数。
5.根据权利要求3所述的方法,其特征在于,所述基于所述燃料电池未发生水淹故障的样本个数以及样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数,包括:
采用极大似然估计样本密度,对于所述目标特征参数的未发生水淹故障的样本值集合进行分析处理,得到燃料电池未发生水淹故障时的高斯分布参数。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态、冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速。
7.一种燃料电池系统水淹故障诊断装置,其特征在于,包括:
获取模块,用于获取当前时刻燃料电池系统中至少两个特征参数的实时值,所述至少两个特征参数之间独立;
分析模块,用于基于预设的特征参数随机分布概率,分析得到至少两个特征参数的实时值对应的发生水淹概率和未发生水淹概率;基于至少两个特征参数的实时值对应的发生水淹故障概率和未发生水淹故障概率,分析得到所述燃料电池系统发生水淹概率和所述燃料电池系统未发生水淹概率;
判断模块,用于基于所述燃料电池系统发生水淹概率大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统发生水淹故障;或者,基于所述燃料电池系统发生水淹概率不大于所述燃料电池系统未发生水淹概率,判定所述燃料电池系统未发生水淹故障。
8.根据权利要求7所述的装置,其特征在于,还包括:
预设模块,用于预设特征参数随机分布概率。
9.根据权利要求8所述的装置,其特征在于,所述预设模块,具体用于:
对燃料电池输出预设交流激励电流;
从所述至少两个特征参数中依次选择一个特征参数作为所述燃料电池系统中目标特征参数,所述目标特征参数的取值采用随机变量;
对于所述目标特征参数进行随机采样,得到至少两个样本值;
读取每个目标特征参数样本值对应的所述燃料电池的输出电流值与输出电压值;
基于所述输出电流和输出电压值,分析所述燃料电池发生水淹故障的样本值集合、所述燃料电池未发生水淹故障的样本值集合;
基于所述燃料电池发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池发生水淹故障的随机分布参数;
基于所述燃料电池未发生水淹故障的样本值集合,分析得到所述目标特征参数在燃料电池未发生水淹故障的随机分布参数。
10.根据权利要求7所述的装置,其特征在于,所述特征参数包括以下至少两个:氢气入口压力、空气入口压力、空气入口流量、冷却水入口温度、冷却水出口温度、排氢阀状态、冷却泵转速、电堆总电流、电堆总电压、氢循环泵电流、氢循环泵转速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547284.0A CN114843560A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池系统水淹故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210547284.0A CN114843560A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池系统水淹故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114843560A true CN114843560A (zh) | 2022-08-02 |
Family
ID=82569611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210547284.0A Pending CN114843560A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池系统水淹故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114843560A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115320387A (zh) * | 2022-10-17 | 2022-11-11 | 北京理工大学 | 基于多源信息融合的车用燃料电池膜湿度预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104716359A (zh) * | 2013-12-13 | 2015-06-17 | 中国科学院大连化学物理研究所 | 一种用于质子交换膜燃料电池、带有水拦截装置的膜分离结构分水器 |
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 |
CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
CN112054230A (zh) * | 2020-09-15 | 2020-12-08 | 上海燃料电池汽车动力系统有限公司 | 一种用于氢燃料电池排水排气装置的故障诊断方法及系统 |
CN112117475A (zh) * | 2020-09-30 | 2020-12-22 | 国网四川省电力公司经济技术研究院 | 一种燃料电池水管理子系统故障检测装置及方法 |
CN112886038A (zh) * | 2020-12-23 | 2021-06-01 | 北京工业大学 | 一种燃料电池故障诊断方法 |
-
2022
- 2022-05-19 CN CN202210547284.0A patent/CN114843560A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104716359A (zh) * | 2013-12-13 | 2015-06-17 | 中国科学院大连化学物理研究所 | 一种用于质子交换膜燃料电池、带有水拦截装置的膜分离结构分水器 |
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 |
CN111624986A (zh) * | 2020-06-17 | 2020-09-04 | 国网山东省电力公司莱芜供电公司 | 基于案例库的故障诊断方法和系统 |
CN112054230A (zh) * | 2020-09-15 | 2020-12-08 | 上海燃料电池汽车动力系统有限公司 | 一种用于氢燃料电池排水排气装置的故障诊断方法及系统 |
CN112117475A (zh) * | 2020-09-30 | 2020-12-22 | 国网四川省电力公司经济技术研究院 | 一种燃料电池水管理子系统故障检测装置及方法 |
CN112886038A (zh) * | 2020-12-23 | 2021-06-01 | 北京工业大学 | 一种燃料电池故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
孙逢春等: "《电动汽车工程手册 第三卷 燃料电池电动汽车设计》", 31 December 2019, 机械工业出版社, pages: 261 * |
欧阳波仪等: "《金融商业算法建模》", 31 May 2019, 北京理工大学出版社, pages: 156 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115320387A (zh) * | 2022-10-17 | 2022-11-11 | 北京理工大学 | 基于多源信息融合的车用燃料电池膜湿度预测方法及系统 |
CN115320387B (zh) * | 2022-10-17 | 2022-12-13 | 北京理工大学 | 基于多源信息融合的车用燃料电池膜湿度预测方法及系统 |
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 | |
Gu et al. | Data-based flooding fault diagnosis of proton exchange membrane fuel cell systems using LSTM networks | |
Lu et al. | On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement | |
CN110165259B (zh) | 电池的运行状态的监测方法及装置、系统 | |
Liu et al. | A discrete hidden Markov model fault diagnosis strategy based on K-means clustering dedicated to PEM fuel cell systems of tramways | |
CN107180983B (zh) | 一种固体氧化物燃料电池电堆故障诊断方法和系统 | |
US11916270B2 (en) | Active fault-tolerant temperature control method for proton exchange membrane fuel cell system | |
CN108344947A (zh) | 一种非侵入式的燃料电池故障诊断方法 | |
KR101592704B1 (ko) | 연료전지 스택의 상태 진단 방법 및 연료전지 시스템의 제어방법 | |
US10892502B2 (en) | Apparatus and method for controlling operation of fuel cell system | |
Zhao et al. | Faults diagnosis for PEM fuel cell system based on multi-sensor signals and principle component analysis method | |
Zhou et al. | RETRACTED: Online adaptive water management fault diagnosis of PEMFC based on orthogonal linear discriminant analysis and relevance vector machine | |
CN111029624B (zh) | 在线监控和恢复燃料电池水状态的系统及方法 | |
Mao et al. | Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method | |
CN113782778B (zh) | 基于定频阻抗和气体压降的电堆水管理调控方法及装置 | |
CN114843562B (zh) | 一种基于电堆电压的燃料电池水淹诊断方法 | |
Aubry et al. | Fuel cell diagnosis methods for embedded automotive applications | |
CN112117475A (zh) | 一种燃料电池水管理子系统故障检测装置及方法 | |
CN114583220A (zh) | 燃料电池含水量控制方法、燃料电池系统及燃料电池车辆 | |
CN114843560A (zh) | 一种燃料电池系统水淹故障诊断方法和装置 | |
US9080938B2 (en) | Extremum seeking algorithm in a variable time interval to detect anode pressure sensor stuck failure in a fuel cell system | |
CN114048772A (zh) | 一种燃料电池装置的故障诊断方法、系统及存储介质 | |
CN103575515B (zh) | 经由堆电压响应分析诊断喷射器故障 | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
Li et al. | Online diagnosis of PEMFC by analyzing individual cell voltages |
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 |