CN114899457B - 一种针对质子交换膜燃料电池系统的故障检测方法 - Google Patents
一种针对质子交换膜燃料电池系统的故障检测方法 Download PDFInfo
- Publication number
- CN114899457B CN114899457B CN202210561128.XA CN202210561128A CN114899457B CN 114899457 B CN114899457 B CN 114899457B CN 202210561128 A CN202210561128 A CN 202210561128A CN 114899457 B CN114899457 B CN 114899457B
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- exchange membrane
- proton exchange
- butterfly
- membrane fuel
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 63
- 239000012528 membrane Substances 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000000691 measurement method Methods 0.000 claims abstract description 14
- 235000003642 hunger Nutrition 0.000 claims abstract description 8
- 230000037351 starvation Effects 0.000 claims abstract description 8
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 239000003205 fragrance Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000001953 sensory effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 238000001566 impedance spectroscopy Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000255777 Lepidoptera Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- H01M8/04313—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
- H01M8/04537—Electric variables
- H01M8/04634—Other electric variables, e.g. resistance or impedance
- H01M8/04649—Other electric variables, e.g. resistance or impedance 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
本发明公开一种针对质子交换膜燃料电池系统的故障检测方法，包括：使用EIS测量方法测得质子交换膜燃料电池分别在膜干、水淹、饥饿和正常情况下的阻抗数据，并将得到的阻抗谱数据拟合成等效模型，将等效模型元件参数作为初始特征变量，对原始数据进行归一化处理建立初始化样本集，然后使用PCA算法选取变化较为显著的等效阻抗元件的值作为故障诊断特征变量。建立初始LSSVM分类模型，并使用蝴蝶优化算法优化分类模型的参数，然后在运行过程中不断收集系统特征数据，自动更新建立的BOA‑LSSVM故障诊断模型。与现有技术相比，本发明能够有效降低故障诊断响应时间，并在质子交换膜燃料电池全寿命周期准确识别故障，从而有效保障系统的正常运行。
Description
技术领域
本发明涉及故障检测技术领域，具体涉及一种针对质子交换膜燃料电池系统的故障检测方法。
背景技术
氢能源被认为是未来最有希望的能源之一，因为它的在自然界储量丰富并且对生态十分友好，可以帮助人类拜托对化石燃料的依赖。氢可以作为工业和化学过程中的副产品获得。此外，氢不会产生致使全球变暖的物质。燃料电池是一种直接将燃料中的化学能转化为电能的电化学装置，与其他发电装置相比，它显示出具有竞争力的效率。在各种类型的燃料电池中，质子交换膜燃料电池(PEMFC)的研究一直在积极进行。为了维持燃料电池的正常运行，燃料电池电池堆的状态至关重要，如果发生故障，那么燃料电池系统的性能、耐久性和可靠性就无法得到保证。因此，诊断和预防燃料电池系统中的严重故障对于其耐久性和可靠性至关重要
大多数故障诊断研究集中于燃料电池子系统的故障，诸如热管理系统(TMS)、空气供给系统(APS)和燃料供给系统(FPS)等子系统。燃料电池系统的故障诊断研究具有一定的局限性，燃料电池系统故障诊断研究的第一个限制是，大多数燃料电池系统故障诊断研究都基于模型的方法(燃料电池系统建模)。考虑到燃料电池系统的复杂性，几乎不可能建立一个完美的燃料电池系统模型。因此，模型的故障行为可能与实际燃料电池系统中的行为不同。因此，需要在实际的燃料电池系统实验中对故障行为进行分析。燃料电池系统故障诊断研究的另一个局限是，传统研究中的故障模式模糊且不具体。有一些故障不会导致温度异常升高。虽然这些故障不会立即在燃料电池系统上引发灾难性问题，但它们可能会导致燃料电池系统逐渐发生变化，这可能会在以后导致严重问题，并且会使得燃料电池的特性发生一定的变化。因此，需要对更现实的故障进行研究。而利用实验数据，采用数据驱动的故障诊断方法，能够不必建立复杂的系统模型，利用系统运行产生的数据，训练分类模型对系统的故障进行检测。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种针对质子交换膜燃料电池系统的故障检测方法，采用了EIS测量方法来获得数据，使用PCA-BOA-LSSVM组合模式建立故障诊断模型，并且能够随着电堆特性的变化实时更新故障诊断模型，即能够实现对数据的预处理，自动选取分类器的最优目标参数，也能够在线获得数据，在质子交换膜燃料电池的全寿命周期内更新模型，由此使得质子交换膜燃料电池系统在发生故障时能够被快速诊断出来，并且在系统的全寿命周期都能保持稳定的故障诊断正确率，有效保障系统的稳定运行。
技术方案：本发明提供一种针对质子交换膜燃料电池系统的故障检测方法，包括如下步骤：
步骤1：使用EIS(Electrochemical Impedance Spectroscopy电化学阻抗谱)测量方法测得质子交换膜燃料电池分别在膜干、水淹、饥饿和正常情况下的阻抗数据，并将得到的阻抗谱数据拟合成等效模型，取等效模型的元件参数组成原始数据集；
步骤2：对原始数据集进行归一化处理，并使用PCA算法选取变化较为显著的等效阻抗元件的值作为故障诊断特征变量，将获得的数据集随机分为训练集和测试集；
步骤3：使用训练集建立LSSVM分类模型，并使用蝴蝶优化算法优化LSSVM分类模型的参数；
步骤4：使用EIS测量方法测量质子交换膜燃料电池在线运行过程中的阻抗数据，获得等效模型阻抗元件的值；
步骤5：当收集到的在线样本集数量满足要求时，使用K均值聚类算法将对正常、膜干、水淹和饥饿等情形进行界定，并使用步骤3得到的LSSVM分类模型将聚类后的样本打上标签；
步骤6：使用带标签的在线样本集，重构上一轮循环建立的LSSVM分类模型；
步骤7：使用自动更新的LSSVM分类模型对质子交换膜燃料电池系统进行故障诊断，判断有无故障发生，并识别出故障类型。
进一步地，所述EIS测量方法是检测PEMFC在一定频率的波动激励下的电响应，测试获得的阻抗谱数据用最小二乘法拟合得到质子交换膜燃料电池的等效电路模型(ECM)，ECM用于描述PEMFC的EIS表现，包括膜、阳极、阴极和气体扩散层的阻抗；在ECM中，PEMFC组件用电气元件表示。
进一步地，所述步骤1及步骤4中，所述EIS测量方法使用的激励信号是离散区间二进制序列脉冲。
进一步地，所述步骤3中使用蝴蝶优化算法优化LSSVM分类模型的参数的步骤如下：
步骤s1：初始化种群，x＝(x1，…，xi，…，xn)，种群的每个个体xi＝(xi1，xi2)有两维，第一维表示径向基核函数的参数σ，取值范围是[0.01，300]；第二维表示正则化参数γ，取值范围是[0.01，200]；
步骤s2：初始化蝴蝶优化算法的参数，设置种群规模NS＝30、感官模态C＝0.01、幂指数a＝0.1和最大迭代次数Tmax＝400；
步骤s3：计算个体的初始适应度值，使用误分类率作为目标函数：
其中，M为误分类的样本个数，N为样本的总个数，适应度值越小，表示模型的准确率越高；
步骤s4：使用蝴蝶优化算法更新种群中的每个个体向量，首先，计算蝴蝶种群中每只蝴蝶的适应值Yi，计算蝴蝶适应值的方程定义如下：
其中，R表示噪声的方差，Znew表示最新观测值，Zpred表示预测观测值；
步骤s5：算出蝴蝶发出的香味浓度F：
F＝CIa
其中，F表示香味强度，C表示感官模态，I表示刺激强度，a表示幂指数；
生成一个随机数r，以确定应用局部搜索还是全局搜索；全局搜索可以表示为：
其中，表示第i只蝴蝶在第t次迭代的解向量；g*为当前最优解：
局部搜索可以表示为：
其中，xi，xj，xk分别为第i，j，k个蝴蝶的空间位置；
步骤s6：按步骤s3的方法求更新后的个体适应度值，若更新后个体的适应度值比原个体适应度值要好，即值更小，则新个体替换原个体，每个个体更新完毕，得到下一代的种群；
步骤s7：寻找当前迭代最优解，在下一代种群中寻找具有最小适应度值的个体，该个体就是当前迭代的最优解；
步骤s8：如果迭代次数达到最大迭代次数，运行停止；当前最佳适应度的个体就是全局最优解，作为LSSVM的优化参数；如果迭代次数未达到最大迭代次数，则转步骤s4；
步骤s9：利用得到的全局最优的参数σ和参数γ，建立最优的LSSVM分类器，并使用验证样本集对训练好的LSSVM分类模型的准确率进行验证。
进一步地，所述步骤5中，设置在线样本采样频率为f，当达到一个调整周期时构成一个新的在线样本集。
进一步地，所述步骤5中运用的K均值聚类算法具体步骤如下：
步骤(1)：确定类别数目为k＝{ki|i＝1，2，…，m}以及误差上界ξ，m的值等于需要诊断的故障类别的数量，正常运行状态被视为一种特殊的故障，；
步骤(2)：选择m个随机的点，称为聚类中心δi(i＝1，2，…，m)；
步骤(3)：对于数据集中的每一个数据yj(j＝1，2，…，n)，按照距离m个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类。
步骤(4)：计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置，获得新的聚类中心σi(i＝1，2，…，m)；
步骤(5)：计算聚类误差平方和E(yj)，其中每个样本点到相应的新的聚类中心σi(i＝1，2，…，m)的欧氏距离为D(yj，σi)，则每个类别中所有的像素的欧氏距离为因此，将聚类集中各个子类均统计一次得到全部样本yj到其所属类别的类中心σi的欧氏距离之和为E(yj)：
步骤(6)：如果聚类误差平方和E(yj)→ξ，那么算法终止，否则重复步骤(2)-(6)，对样本点进行分类。
有益效果：
本发明提出了一种针对质子交换膜燃料电池系统的故障检测方法，针对燃料电池内部的传热传质过程复杂且多物理量耦合作用机理强，难以直接通过传感器检测到的信号来判断故障的类型的特点，本发明使用了EIS测量方法，提取能够体现燃料电池内部状态的诊断变量。与现有的质子交换膜燃料电池系统的故障检测方法相比，本发明使用的在线自动更新地PCA-BOA-LSSVM故障诊断分类识别算法对质子交换膜燃料电池系统进行故障检测，实现数据的降维，能够有效降低故障诊断响应时间，能够在质子交换膜燃料电池全寿命周期准确识别故障，从而有效保障系统的长期正常运行。
附图说明
图1为本发明的基于在线自动更新的PCA-BOA-LSSVM的质子交换膜燃料电池系统故障诊断流程图；
图2为本发明实施例质子交换膜燃料电池系统示意图；
图3为本发明实施例中LSSVM故障分类器的准确度。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1-2所示，本发明以质子交换膜燃料电池系统为实施对象，针对该系统中出现故障，提出一种基于EIS测量技术在线自动更新的PCA-BOA-LSSVM组合模式识别算法的质子交换膜燃料电池系统故障诊断方法，该方法从理论上实现了对系统在线的进行故障检测，故障分类准确度如图3所示。
本发明公开的一种针对质子交换膜燃料电池系统的故障检测方法，包括如下步骤：
步骤1：使用EIS测量方法测得质子交换膜燃料电池分别在膜干、水淹、饥饿和正常情况下的阻抗数据，并将得到的阻抗谱数据拟合成等效模型，取等效模型的各元件参数组成原始数据集。
步骤2：对原始数据集进行归一化处理，并使用PCA算法选取变化较为显著的等效阻抗元件的值作为故障诊断特征变量，将获得的数据集随机分为训练集和测试集。
本实施例步骤2中运用的PCA算法具体步骤如下：
设原始数据特征矩阵X，即
式中，m为特征的个数，n为数据集的个数。具体步骤如下：
步骤a：对数据进行标准化处理：
为第i个特征值的均值；σ(xi)为标准差；i＝1，2，…，m；j＝1，2，…，n。
其中，
步骤b：计算标准化数据矩阵M的协方差矩阵V
步骤c：计算协方差矩阵V的特征值(λ1，λ2，…，λm)和特征向量αi＝(αi1，αi2，…，αin)。
步骤d：将特征向量按对应特征值大小从上到下，按行排列成矩阵，取前p行组成矩阵U。求前p个主成分的累计贡献率，当φ(p)≥85％，此时，主成分的个数就是p个，其中：
步骤e：计算原始数据在新空间的表达Y。
Y＝UX (8)
根据算法运行结果选取贡献度最高的欧姆阻抗Rm，极化阻抗Rp和Rd三个阻抗参数作为故障诊断的特征向量。随机选择250组作为初始训练集，90组作为新采集样本集，160组作为测试集。
步骤3：使用训练集建立LSSVM分类模型，并使用蝴蝶优化算法优化分类模型的参数。
本实施例中所使用蝴蝶优化算法优化LSSVM分类器的步骤如下：
步骤s1：初始化种群，x＝(x1，…，xi，…，xm)，种群的每个个体xi＝(xi1，xi2)有两维，第一维表示径向基核函数的参数σ，取值范围是[0.01，300]；第二维表示正则化参数γ，取值范围是[0.01，200]。
步骤s2：初始化蝴蝶优化算法的参数，设置种群规模NS＝30、感官模态C＝0.01、幂指数a＝0.1和最大迭代次数Tmax＝400。
步骤s3：计算个体的初始适应度值，本方法使用误分类率作为目标函数：
M为误分类的样本个数，N为样本的总个数，适应度值越小，表示模型的准确率越高。
步骤s4：使用蝴蝶优化算法更新种群中的每个个体向量，首先，计算蝴蝶种群中每只蝴蝶的适应值Yi，计算蝴蝶适应值的方程定义如下：
其中R表示噪声的方差，Znew表示最新观测值，Zpred表示预测观测值。
步骤s5：算出蝴蝶发出的香味浓度F：
F＝CIa (11)
F表示香味强度，C表示感官模态，I表示刺激强度，a表示幂指数。
生成一个随机数r，以确定应用局部搜索还是全局搜索。全局搜索可以表示为：
其中，表示第i只蝴蝶在第t次迭代的解向量；g*为当前最优解：
局部搜索可以表示为：
xi，xj，xk分别为第i，j，k个蝴蝶的空间位置。
步骤s6：按步骤s3的方法求更新后的个体适应度值，若更新后个体的适应度值比原个体适应度值要好，即值更小，则新个体替换原个体。每个个体更新完毕，得到下一代的种群。
步骤s7：寻找当前迭代最优解。在下一代种群中寻找具有最小适应度值的个体，该个体就是当前迭代的最优解。
步骤s8：如果迭代次数达到最大迭代次数，运行停止。当前最佳适应度的个体就是全局最优解，可以作为LSSVM的优化参数。如果迭代次数未达到最大迭代次数，则转步骤s4。
步骤s9：利用得到的全局最优的参数σ和参数γ，建立最优的LSSVM分类器，并使用验证样本集对训练好的LSSVM分类器模型的准确率进行验证。
步骤4：使用EIS方法测量质子交换膜燃料电池在线运行过程中的阻抗数据，获得等效模型阻抗元件的值。
步骤5：当收集到的在线样本集数量满足要求时，使用K均值聚类算法将对各种情形进行界定，并使用步骤3得到的LSSVM分类模型将聚类后的样本打上标签。本实施例中设置在线样本采样频率为f，当达到一个调整周期时构成一个新的在线样本集。
本实施例所述步骤5中运用的K均值聚类算法具体步骤如下：
步骤(1)：确定类别数目为k＝{ki|i＝1，2，…，m}(m的值等于需要诊断的故障类别的数量，正常运行状态被视为一种特殊的故障)以及误差上界ξ；
步骤(2)：选择m个随机的点，称为聚类中心(cluster centroids)δi(i＝1，2，…，m)；
步骤(3)：对于数据集中的每一个数据yj(j＝1，2，…，n)，按照距离m个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类。
步骤(4)：计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置，获得新的聚类中心σi(i＝1，2，…，m)。
步骤(5)：计算聚类误差平方和E(yj)，其中每个样本点到相应的新的聚类中心σi(i＝1，2，…，m)的欧氏距离为D(yj，σi)，则每个类别中所有的像素的欧氏距离为因此，将聚类集中各个子类均统计一次得到全部样本yj到其所属类别的类中心σi的欧氏距离之和为E(yj)：
步骤(6)：如果聚类误差平方和E(yj)→ξ，那么算法终止，否则重复步骤(2)-(6)。对样本点进行分类。
步骤6：使用带标签的在线样本集，重构上一轮循环建立的LSSVM模型。
步骤7：使用自动更新的LSSVM分类模型对质子交换膜燃料系统进行故障诊断，判断有无故障发生，并识别出故障类型。自动更新的LSSVM分类器能够在质子交换膜燃料电池全寿命周期，准确地判断系统是否发生故障以及故障的类型。
在本实施例步骤1及步骤4中，使用EIS测量方法测得质子交换膜燃料电池的阻抗数据，该方法使用的激励信号是离散区间二进制序列脉冲，本实施例设定混频信号的最小频率点为0.2Hz，混频信号的序列周期为5s，测试获得500组数据。
本发明提出了一种针对质子交换膜燃料电池系统的故障检测方法，使用EIS测量方法测得质子交换膜燃料电池分别在膜干、水淹、饥饿和正常情况下的阻抗数据，并将得到的阻抗谱数据拟合成等效模型，将等效模型元件参数作为初始特征变量，对原始数据进行归一化处理建立初始化样本集，然后使用PCA算法选取变化较为显著的等效阻抗元件的值作为故障诊断特征变量。建立初始LSSVM分类模型，并使用蝴蝶优化算法优化分类模型的参数，然后在运行过程中不断收集系统特征数据，自动更新建立的BOA-LSSVM故障诊断模型，本方法能够有效降低故障诊断响应时间，并在质子交换膜燃料电池全寿命周期准确识别故障，从而有效保障系统的正常运行。
参见附图3，附图3为本发明上述实施例中LSSVM故障分类器的准确度，故障分类器能够以很高的正确率对膜干、水淹和饥饿故障进行诊断，实验测得准确率为93.125％。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种针对质子交换膜燃料电池系统的故障检测方法，其特征在于，包括如下步骤：
步骤1：使用EIS(Electrochemical Impedance Spectroscopy电化学阻抗谱)测量方法测得质子交换膜燃料电池分别在膜干、水淹、饥饿和正常情况下的阻抗数据，并将得到的阻抗谱数据拟合成等效模型，取等效模型的元件参数组成原始数据集；
步骤2：对原始数据集进行归一化处理，并使用PCA算法选取变化较为显著的等效阻抗元件的值作为故障诊断特征变量，将获得的数据集随机分为训练集和测试集；
步骤3：使用训练集建立LSSVM分类模型，并使用蝴蝶优化算法优化LSSVM分类模型的参数；
步骤4：使用EIS测量方法测量质子交换膜燃料电池在线运行过程中的阻抗数据，获得等效模型阻抗元件的值；
步骤5：当收集到的在线样本集数量满足要求时，使用K均值聚类算法将对正常、膜干、水淹和饥饿等情形进行界定，并使用步骤3得到的LSSVM分类模型将聚类后的样本打上标签；
步骤6：使用带标签的在线样本集，重构上一轮循环建立的LSSVM分类模型；
步骤7：使用自动更新的LSSVM分类模型对质子交换膜燃料电池系统进行故障诊断，判断有无故障发生，并识别出故障类型。
2.根据权利要求1所述的针对质子交换膜燃料电池系统的故障检测方法，其特征在于，所述EIS测量方法是检测PEMFC在一定频率的波动激励下的电响应，测试获得的阻抗谱数据用最小二乘法拟合得到质子交换膜燃料电池的等效电路模型(ECM)，ECM用于描述PEMFC的EIS表现，包括膜、阳极、阴极和气体扩散层的阻抗；在ECM中，PEMFC组件用电气元件表示。
3.根据权利要求1所述的针对质子交换膜燃料电池系统的故障检测方法，其特征在于，所述步骤1及步骤4中，所述EIS测量方法使用的激励信号是离散区间二进制序列脉冲。
4.根据权利要求1所述的针对质子交换膜燃料电池系统的故障检测方法，其特征在于，所述步骤3中使用蝴蝶优化算法优化LSSVM分类模型的参数的步骤如下：
步骤s1：初始化种群，x＝(x1，…，xi，…，xn)，种群的每个个体xi＝(xi1，xi2)有两维，第一维表示径向基核函数的参数σ，取值范围是[0.01，300]；第二维表示正则化参数γ，取值范围是[0.01，200]；
步骤s2：初始化蝴蝶优化算法的参数，设置种群规模NS＝30、感官模态C＝0.01、幂指数a＝0.1和最大迭代次数Tmax＝400；
步骤s3：计算个体的初始适应度值，使用误分类率作为目标函数：
其中，M为误分类的样本个数，N为样本的总个数，适应度值越小，表示模型的准确率越高；
步骤s4：使用蝴蝶优化算法更新种群中的每个个体向量，首先，计算蝴蝶种群中每只蝴蝶的适应值Yi，计算蝴蝶适应值的方程定义如下：
其中，R表示噪声的方差，Znew表示最新观测值，Zpred表示预测观测值；
步骤s5：算出蝴蝶发出的香味浓度F：
F＝CIa
其中，F表示香味强度，C表示感官模态，I表示刺激强度，a表示幂指数；
生成一个随机数r，以确定应用局部搜索还是全局搜索；全局搜索表示为：
其中，表示第i只蝴蝶在第t次迭代的解向量；g*为当前最优解：
局部搜索表示为：
其中，xi，xj，xk分别为第i，j，k个蝴蝶的空间位置；
步骤s6：按步骤s3的方法求更新后的个体适应度值，若更新后个体的适应度值比原个体适应度值要好，即值更小，则新个体替换原个体，每个个体更新完毕，得到下一代的种群；
步骤s7：寻找当前迭代最优解，在下一代种群中寻找具有最小适应度值的个体，该个体就是当前迭代的最优解；
步骤s8：如果迭代次数达到最大迭代次数，运行停止；当前最佳适应度的个体就是全局最优解，作为LSSVM的优化参数；如果迭代次数未达到最大迭代次数，则转步骤s4；
步骤s9：利用得到的全局最优的参数σ和参数γ，建立最优的LSSVM分类器，并使用验证样本集对训练好的LSSVM分类模型的准确率进行验证。
5.根据权利要求1所述的针对质子交换膜燃料电池系统的故障检测方法，其特征在于，所述步骤5中，设置在线样本采样频率为f，当达到一个调整周期时构成一个新的在线样本集。
6.根据权利要求1所述的针对质子交换膜燃料电池系统的故障检测方法，其特征在于，所述步骤5中运用的K均值聚类算法具体步骤如下：
步骤(1)：确定类别数目为k＝{ki|i＝1，2，…，m}以及误差上界ξ，m的值等于需要诊断的故障类别的数量，正常运行状态被视为一种特殊的故障；
步骤(2)：选择m个随机的点，称为聚类中心δi(i＝1，2，…，m)；
步骤(3)：对于数据集中的每一个数据yj(j＝1，2，…，n)，按照距离m个中心点的距离，将其与距离最近的中心点关联起来，与同一个中心点关联的所有点聚成一类；
步骤(4)：计算每一个组的平均值，将该组所关联的中心点移动到平均值的位置，获得新的聚类中心σi(i＝1，2，…，m)；
步骤(5)：计算聚类误差平方和E(yj)，其中每个样本点到相应的新的聚类中心σi(i＝1，2，…，m)的欧氏距离为D(yj，σi)，则每个类别中所有的像素的欧氏距离为因此，将聚类集中各个子类均统计一次得到全部样本yj到其所属类别的类中心σi的欧氏距离之和为E(yj)：
步骤(6)：如果聚类误差平方和E(yj)→ξ，那么算法终止，否则重复步骤(2)-(6)，对样本点进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561128.XA CN114899457B (zh) | 2022-05-23 | 2022-05-23 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561128.XA CN114899457B (zh) | 2022-05-23 | 2022-05-23 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114899457A CN114899457A (zh) | 2022-08-12 |
| CN114899457B true CN114899457B (zh) | 2023-09-29 |
Family
ID=82722860
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561128.XA Active CN114899457B (zh) | 2022-05-23 | 2022-05-23 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114899457B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062733B (zh) * | 2022-08-19 | 2022-11-11 | 江西派源科技有限公司 | 基于经验模态分解与蝴蝶算法的变压器声纹故障诊断方法 |
| CN116449218B (zh) * | 2023-04-26 | 2024-03-12 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
| CN116404186B (zh) * | 2023-06-08 | 2023-09-19 | 西安黄河电子技术有限公司 | 一种功率型锂锰电池生产系统 |
| CN116840722B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
| CN117276600B (zh) * | 2023-09-05 | 2024-06-11 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
| CN117117258B (zh) * | 2023-10-24 | 2024-01-09 | 新研氢能源科技有限公司 | 一种氢燃料电池系统的故障监测方法及装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160029598A (ko) * | 2014-09-05 | 2016-03-15 | 삼성전자주식회사 | 막전극 접합체 및 이를 포함하는 연료전지 |
| CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
| CN109726452A (zh) * | 2018-12-12 | 2019-05-07 | 浙江大学 | 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法 |
| CN110676488A (zh) * | 2019-09-20 | 2020-01-10 | 浙江浙能技术研究院有限公司 | 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 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN113283117A (zh) * | 2021-06-17 | 2021-08-20 | 清华大学 | 一种抗干扰的燃料电池阻抗解析方法 |
| CN113540534A (zh) * | 2021-07-13 | 2021-10-22 | 中国计量大学 | 一种质子交换膜燃料电池堆的饥饿故障诊断方法 |
| CN113611900A (zh) * | 2021-07-05 | 2021-11-05 | 中国计量大学 | 一种质子交换膜燃料电池的膜干故障诊断方法 |
| CN114361535A (zh) * | 2021-12-16 | 2022-04-15 | 同济大学 | 一种基于电化学阻抗谱的燃料电池氢渗量评估方法 |
-
2022
- 2022-05-23 CN CN202210561128.XA patent/CN114899457B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160029598A (ko) * | 2014-09-05 | 2016-03-15 | 삼성전자주식회사 | 막전극 접합체 및 이를 포함하는 연료전지 |
| CN108344947A (zh) * | 2018-01-11 | 2018-07-31 | 西南交通大学 | 一种非侵入式的燃料电池故障诊断方法 |
| CN109726452A (zh) * | 2018-12-12 | 2019-05-07 | 浙江大学 | 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法 |
| CN110676488A (zh) * | 2019-09-20 | 2020-01-10 | 浙江浙能技术研究院有限公司 | 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 |
| CN111814947A (zh) * | 2020-06-30 | 2020-10-23 | 安徽大学 | 一种蝴蝶算法的优化实现方法 |
| CN113283117A (zh) * | 2021-06-17 | 2021-08-20 | 清华大学 | 一种抗干扰的燃料电池阻抗解析方法 |
| CN113611900A (zh) * | 2021-07-05 | 2021-11-05 | 中国计量大学 | 一种质子交换膜燃料电池的膜干故障诊断方法 |
| CN113540534A (zh) * | 2021-07-13 | 2021-10-22 | 中国计量大学 | 一种质子交换膜燃料电池堆的饥饿故障诊断方法 |
| CN114361535A (zh) * | 2021-12-16 | 2022-04-15 | 同济大学 | 一种基于电化学阻抗谱的燃料电池氢渗量评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| A double-fuzzy diagnostic methodology dedicated to online fault diagnosis of proton exchhange membrane fuel cell stacks;Zhixue Zheng et al.;《Journal of Power Sources》;第271卷;第570-581页 * |
| Actuator fault detection for a PEMFC system based on delta operator approach;Yuanjie Sheng et al.;《International Journal of Hydrogen Energy》;第47卷;第29148-29161页 * |
| 基于VMD的质子交换膜燃料电池系统故障诊断;杜董生等;《控制工程》;第30卷(第7期);第1190-1197页 * |
| 质子交换膜燃料电池故障诊断方法综述及展望;陈维荣等;《中国电机工程学报》;第37卷(第16期);第4712-4721+4896页 * |
| 质子交换膜燃料电池故障诊断的模式识别方法;周苏等;《同济大学学报（自然科学版）》;第45卷(第3期);第408-412页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114899457A (zh) | 2022-08-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114899457B (zh) | 一种针对质子交换膜燃料电池系统的故障检测方法 | |
| Zhang et al. | Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning | |
| Mao et al. | Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis | |
| Li et al. | Diagnosis for PEMFC based on magnetic measurements and data-driven approach | |
| Liu et al. | A novel method for polymer electrolyte membrane fuel cell fault diagnosis using 2D data | |
| CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| CN115799580A (zh) | 基于优化fcm训练的os-elm燃料电池故障诊断方法 | |
| Aubry et al. | Fuel cell diagnosis methods for embedded automotive applications | |
| CN115598536A (zh) | 基于模糊c均值聚类和概率神经网络的pemfc故障诊断方法 | |
| Peng et al. | Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference | |
| Ma et al. | Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method | |
| Xiao et al. | Water management fault diagnosis for proton-exchange membrane fuel cells based on deep learning methods | |
| CN112117475A (zh) | 一种燃料电池水管理子系统故障检测装置及方法 | |
| 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 | |
| Pang et al. | Intelligent health states recognition of fuel cell by cell voltage consistency under typical operating parameters | |
| Chanal et al. | Impact of standardization applied to the diagnosis of LT-PEMFC by Fuzzy C-Means clustering | |
| Yuan et al. | Fault diagnosis of fuel cells by a hybrid deep learning network fusing characteristic impedance | |
| Li et al. | Online diagnosis of PEMFC by analyzing individual cell voltages | |
| CN117457949A (zh) | 一种基于电化学阻抗谱的燃料电池水故障诊断方法及系统 | |
| Liu et al. | A novel densely connected neural network for proton exchange membrane fuel cell fault diagnosis | |
| CN118033427A (zh) | 一种电池组不一致性诊断方法 | |
| Dang et al. | A novel diagnosis method of proton exchange membrane fuel cells based on the PCA and XGBoost algorithm | |
| Peng et al. | Control-oriented extraction and prediction of key performance features affecting performance variability of solid oxide fuel cell system | |
| Zhou et al. | Features selection and substitution in PEM fuel cell water management failures diagnosis | |
| Li | Data-driven fault diagnosis for PEMFC systems |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240120 Address after: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Country or region after: China Address before: 223000 No.1, Meicheng East Road, Huaian Economic and Technological Development Zone, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240219 Address after: 528000, No. 13-1 Xingfeng Road, Nanzhuang Town, Chancheng District, Foshan City, Guangdong Province (Residence application) Patentee after: Guangsheng Hydrogen Energy (Foshan) Co.,Ltd. Country or region after: China Address before: 230000 Room 203, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Hefei Jiuzhou Longteng scientific and technological achievement transformation Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |