CN115476734B - 一种基于模糊推理的燃料电池系统水管理故障诊断方法 - Google Patents
一种基于模糊推理的燃料电池系统水管理故障诊断方法 Download PDFInfo
- Publication number
- CN115476734B CN115476734B CN202211145496.2A CN202211145496A CN115476734B CN 115476734 B CN115476734 B CN 115476734B CN 202211145496 A CN202211145496 A CN 202211145496A CN 115476734 B CN115476734 B CN 115476734B
- Authority
- CN
- China
- Prior art keywords
- classifier
- fuzzy
- output
- data sample
- flooding
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 55
- 239000000446 fuel Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000001035 drying Methods 0.000 claims description 15
- 238000001308 synthesis method Methods 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims 3
- 230000008030 elimination Effects 0.000 description 9
- 238000003379 elimination reaction Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 239000012528 membrane Substances 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013507 mapping 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
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
- B60L50/70—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by fuel cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Fuel Cell (AREA)
Abstract
本发明属于燃料电池汽车技术领域，尤其涉及一种基于模糊推理的燃料电池系统水管理故障诊断方法，获取车用燃料电池动力系统运行数据中的干燥故障数据样本和水淹故障数据样本；将根据数据样本计算出的电压降和节电压标准差输入LR分类器，并预设干燥故障数据样本和水淹故障数据样本的标签作为LR分类器的期望输出，训练LR分类器；然后将数据样本的电压降、节电压一致性增高值、阳极压力降增高值和LR分类器输出组成第一级模糊分类器输入，输出第一诊断结果；再将第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值作为第二级模糊分类器输入，输出第二诊断结果。本发明能够解决现有技术中存在的无法实现对水淹位置的准确判别以及容易误判的问题。
Description
技术领域
本发明属于燃料电池汽车技术领域，尤其涉及一种基于模糊推理的燃料电池系统水管理故障诊断方法。
背景技术
质子交换膜燃料电池(PEMFC)是一种将化学能转化为电能的电化学能量转换装置，具有环境友好、能量密度高、低温快速启动、氢气加注时间短等优点，用做中大型车辆动力系统电源具有广泛应用前景。现阶段，质子交换膜燃料电池的稳定性和耐久性是车用燃料电池动力系统广泛推广应用的主要瓶颈。水管理故障是系统运行过程中最常见的故障类型，短期内会影响系统输出功率稳定性，长时间会导致电池发生不可逆损伤。
由于质子交换膜多机制复合的水传输特性和电池内部水动态相变过程的复杂性，水管理故障诊断问题一直是燃料电池研究领域的重难点，准确可靠的水管理故障诊断结果为制定故障消除策略提供指导。因此寻求一种准确性高、无附加设备的水管理故障诊断方法对提高系统可靠性和耐久性具有重要意义。
现有的主流燃料电池水管理故障诊断系统框图如图10所示，该系统根据PEMFC模型的期望输出与PEMFC系统的实际输出的残差，建立故障诊断逻辑判断残差值是否处于正常区间，基于经典二值逻辑实现对正常、干燥、水淹三种系统状态的故障诊断；在实际工程应用中，上述方法的局限性如下：
1、该方法无法实现对水淹位置的准确判别，对水淹位置的判别有助于指导制定故障消除策略；
2、该方法无法准确描述中间状态及状态转移路径，信息量较少；
3、该方法可能出现对水淹和干燥两种故障的误判，这将导致系统采取相反的故障消除策略，从而导致故障快速加剧，引发危险。
发明内容
本发明所解决的技术问题在于提供一种基于模糊推理的燃料电池系统水管理故障诊断方法，构造一个由一个对数几率回归(Logistic Regression,LR)分类器和两级模糊推理分类器组成的水管理故障模糊推理分类器，以电压降和节电压标准差为输入，水管理故障模糊推理分类器的期望输出与运行的实际输出的电压残差、节电压标准差残差和阳极压力降残差进行判断，从而输出车用燃料电池动力系统的五种水管理故障类型的隶属度，解决现有技术中存在的无法实现对水淹位置的准确判别以及容易误判的问题。
本发明提供的基础方案：一种基于模糊推理的燃料电池系统水管理故障诊断方法，包括：
S1：获取车用燃料电池动力系统运行历史数据中的数据样本，所述数据样本包括干燥故障数据样本和水淹故障数据样本；
S2：计算获取的数据样本的电压降和节电压标准差，将计算出的电压降和节电压标准差组成LR分类器的输入特征输入LR分类器，并根据预设的干燥故障数据样本标签和水淹故障数据样本标签作为LR分类器的期望输出，训练LR分类器；
S3：计算数据样本的节电压一致性增高值εstd和阳极压力降增高值εΔP，将数据样本的电压降εU，节电压一致性增高值εstd，阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入，构造第一级模糊分类器，并输出第一诊断结果；
所述输出的第一诊断结果包括正常、轻度水淹、干燥和两侧水淹；
S4：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入，构造第二级模糊分类器；并输出第二诊断结果；
所述输出的第二诊断结果包括阳极水淹和阴极水淹。
本发明的原理及优点在于：本申请将现有技术的PEMFC水管理故障诊断系统中的故障诊断逻辑部分替换为水管理故障模糊推理分类器，分类器如图2所示，水管理模糊推理分类器结构如图3所示，相较于常用的基于经典二值逻辑的水管理故障分类方法，本申请优势在于：
(1)本发明的诊断结果可实现水淹位置的判断，将水淹故障进一步细分为阴极水淹、阳极水淹和两侧水淹；
(2)本发明的输出结果为样本点对五种车用燃料电池动力系统水管理故障状态的隶属度，是一个连续值，相较于基于二值逻辑的诊断方法得到的离散诊断结果，本发明的诊断结果增加了故障置信度，故障转移路径等信息，为后续制定故障消除策略提供了更充分的信息；
(3)本发明根据电压降和节电压标准差两个参数，涉及LR分类器实现对水淹故障和干燥故障的分类，能够实现对水淹故障和干燥故障的准确分类。
进一步，所述S2中电压降的计算公式为：
其中，
为PEMFC模型输出的期望电压，U为数据样本点实际电压；
所述节电压标准差的计算公式为：
其中，N为电堆单电池数，i为单电池序号，ui代表序号为i的单电池电压。
有益效果：通过上述的计算公式能够准确得到相应的电压降值和节电压标准差值。
进一步，所述S2中预设的干燥数据样本标签为0，预设的水淹故障数据样本标签为1。
有益效果：将干燥数据样本标签为0，水淹故障数据样本标签为1，便于作为LR分类器的样本训练。
进一步，所述S3中节电压一致性增高值的计算公式为：
所述阳极压力降增高值的计算公式为：
其中，Ustd和ΔP为数据样本获取的节电压标准差和阳极压力降，
和
为PEMFC模型计算得出的期望节电压标准差和阳极压力降。
有益效果：通过上述的计算公式能够得到燃料电池系统的节电压一致性增高值和阳极压力降增高值。
进一步，所述S3还包括：
S3-1：将数据样本的电压降εU、节电压一致性增高值εstd、阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入；
S3-2：通过构建输入隶属度函数将第一级模糊分类器输入模糊化，生成模糊化输入结果；
S3-2：预设第一级分类器模糊规则库；
S3-3：基于第一级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
S3-4：构建输出隶属度函数将模糊化输出结果去模糊化，生成第一级模糊分类器输出。
有益效果：通过第一级模糊分类器进行燃料电池系统的初步故障判定，能够得到燃料电池系统的水管理的初步故障，其中，模糊化推理的过程能够得到故障状态的连续值，使得用户能够了解到故障出现的路径和时间等信息，为后续制定故障消除策略提供更充分的信息。
进一步，所述S3-2还包括：
S3-2-1：通过正常隶属度度函数和异常隶属度函数将数据样本的电压降εU、节电压一致性增高值εstd和阳极压力降增高值εΔP的模糊标记为正常或者异常，所述正常隶属度函数的计算公式为：
所述异常隶属度函数的计算公式为：
其中，i代表εU或者εΔP或者εstd，
为参数i在车用燃料电池动力系统的历史正常运行数据的均值，σ(i)参数i在车用燃料电池动力系统的历史正常运行数据的标准差，ui为参数i任意时刻的数据样本；
S3-2-2：通过干燥隶属度函数和水淹隶属度函数将LR分类器的输出uy模糊标记为干燥或者正常；所述干燥隶属度函数的计算公式为：
所述水淹隶属度函数的计算公式为：
有益效果：首先通过正常隶属度函数和异常隶属度函数来判定输入的参数值的正常和异常，然后再分析异常状态是属于干燥还是水淹，从而能够实现水淹和干燥两种故障的准确分类。
进一步，所述S3-4中的输出隶属度函数的计算公式为：
其中，u0为模糊化输出结果，i代表模糊标记；k代表对模糊标记的编号，i为干燥时k＝1，i为正常时k＝2，i为轻度水淹时k＝3，i为两侧水淹时k＝4。
有益效果：通过输出隶属度函数能够得到更为细分的准确的输出结果，使包括水淹故障重的轻度水淹和两侧水淹结果，还能使得输出结果可以进行后续的可视化分析和呈现。
进一步，所述S4包括：
S4-1：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入；
S4-2：构建输入隶属度函数将第二级模糊分类器输入模糊化，生成模糊化输入结果；
S4-3：预设第二级分类器模糊规则库；
S4-4：基于第二级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
S4-5：通过构造阳极水淹隶属度函数和阴极水淹隶属度函数将模糊输出结果去模糊化，生成第二级模糊分类器输出。
有益效果：通过第二级分类器能够得到轻度水淹的详细位置，是在燃料电池系统的阳极出现的水淹还是阴极出现的水淹，使得判断结果更为准确和详细。
进一步，所述S4-5中阳极水淹隶属度函数的计算公式为：
所述阴极水淹的隶属度函数的计算公式为：
其中，u0为模糊化输出结果。
有益效果：通过阳极水淹和阴极水淹的隶属度函数，能够计算出阳极水淹的准确值和阴极水淹的准确值，便于后续用户制定故障消除策略。
附图说明
图1为本发明实施例的流程框图；
图2为本发明实施例的水管理故障诊断系统框图；
图3为本发明实施例中的水管理故障分类器结构图；
图4为车用燃料电池发动机平台结构简图；
图5为模糊推理过程；
图6为输入隶属度函数图像；
图7为输出隶属度函数图像；
图8为第一级模糊分类器诊断结果；
图9为最终诊断结果；
图10为基于机理模型的水管理故障诊断方法系统框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
现有的主流燃料电池水管理故障诊断系统框图如图10所示，该系统根据PEMFC模型的期望输出与PEMFC系统的实际输出的残差，建立故障诊断逻辑判断残差值是否处于正常区间，基于经典二值逻辑实现对正常、干燥、水淹三种系统状态的故障诊断；在实际工程应用中，上述方法的局限性如下：
1、该方法无法实现对水淹位置的准确判别，对水淹位置的判别有助于指导制定故障消除策略；
2、该方法无法准确描述中间状态及状态转移路径，信息量较少；
3、该方法可能出现对水淹和干燥两种故障的误判，这将导致系统采取相反的故障消除策略，从而导致故障快速加剧，引发危险。
为解决上述问题，本申请一种基于模糊推理的燃料电池系统水管理故障诊断方法，将现有常用PEMFC水管理故障诊断系统中的故障诊断逻辑部分替换为水管理故障模糊推理分类器，如图2所示，水管理故障模糊推理分类器结构如图3所示，该分类器由一个对数几率回归(Logistic Regression,LR)分类器和两级模糊推理分类器组成。水管理故障模糊推理分类器的输入为节电压标准差，期望输出与运行实际输出的电压残差、节电压标准差残差和阳极压力降残差的判断；能够使得水管理故障模糊推理分类器输出数据样本对正常、干燥、阴极水淹、阳极水淹、两侧水淹五种系统状态的隶属度，具体实施过程如图1、图3和图5所示：
一种基于模糊推理的燃料电池系统水管理故障诊断方法：包括：
S1：获取车用燃料电池动力系统运行历史数据中的数据样本，所述数据样本包括干燥故障数据样本和水淹故障数据样本；
在本实施例中，车用燃料电池动力系统的结构如图4所示，通过获取车用燃料电池动力系统运行历史数据中的干燥故障数据样本和水淹故障数据样本，便于训练，其中，干燥故障数据样本的标签为0，水淹故障数据的样本为1。
S2：计算获取的数据样本的电压降和节电压标准差，将计算出的电压降和节电压标准差组成LR分类器的输入特征输入LR分类器，并根据预设的干燥故障数据样本标签和水淹故障数据样本标签作为LR分类器的期望输出，训练LR分类器；
其中，所述的电压降的计算公式为：
其中，
为PEMFC模型输出的期望电压，U为数据样本点实际电压；
所述节电压标准差的计算公式为：
其中，N为电堆单电池数，i为单电池序号，ui代表序号为i的单电池电压。
LR分类器的构造及训练如下：
LR分类器的模型为：
其中，ω和b的取值是根据数据样本训练得到，LR分类器的训练过程如下：
对于训练样本集
(xi＝[εU，i，Ustd，i]，即第i个样本的电压降和节电压标准差；yi为第i个样本的样本标签；样本总数为m个，采用最大值估计来估计ω和b。
令β＝(ω；b)，
损失函数l(β)如下式所示，训练目标为使得l(β)最小化：
采用经典的牛顿法通过迭代得到损失函数的最优解，其第t+1轮的更新公式如下所示：
S3：计算数据样本的节电压一致性增高值εstd和阳极压力降增高值εΔp，将数据样本的电压降εU，节电压一致性增高值εstd，阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入，构造第一级模糊分类器，并输出第一诊断结果；所述输出的第一诊断结果包括正常、轻度水淹、干燥、两侧水淹；
在本实施例中，S3中节电压一致性增高值的计算公式为：
所述阳极压力降增高值的计算公式为：
其中，Ustd和ΔP为数据样本获取的加电压标准差和阳极压力降，
和
为PEMFC模型计算得出的期望节电压标准差和阳极压力降；其中阳极压力降为通过传感器检测燃料电池堆的阳极进口压力和阳极出口压力，通过阳极进口压力减去阳极出口压力即可得到阳极压力降值，计算公式如下：
ΔP＝Pin-Pout
其中，Pin为PEMFC阳极入口压力，Pout为PEMFC阳极出口压力，阳极进出口压力均由压力传感器测得。
此外，S3还包括：
S3-1：将数据样本的电压降εU、节电压一致性增高值εstd、阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入；
S3-2：通过构建输入隶属度函数将第一级模糊分类器输入模糊化，生成模糊化输入结果；输入隶属度函数图像如图6所示；
在本实施例中，其中数据样本的电压降εU，节电压一致性增高值εstd，阳极压力降增高值εΔP的模糊标记均记为两个，分别是正常和异常，正常隶属度函数的计算公式为：
所述异常隶属度函数的计算公式为：
其中，i代表εU或者εΔP或者εstd，
为参数i在车用燃料电池动力系统的历史正常运行数据的均值，σ(i)参数i在车用燃料电池动力系统的历史正常运行数据的标准差，ui为参数i任意时刻的数据样本；
通过干燥隶属度函数和水淹隶属度函数将LR分类器的输出uy模糊标记为干燥或者正常；所述干燥隶属度函数的计算公式为：
所述水淹隶属度函数的计算公式为：
S3-2：预设第一级分类器模糊规则库；
在本实施例中，第一级分类器模糊规则库所示如下表1：
表1第一级分类器模糊规则库
S3-3：基于第一级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
在本实施例中，最大-最小合成法算法是基于模糊规则库，实现由模糊化输入映射待模糊化输出的常用合成运算方法；
S3-4：构建输出隶属度函数将模糊化输出结果去模糊化，生成第一级模糊分类器输出；输出隶属度函数示意图如图7所示；令X，Y，Z为论域，R是X×Y上的模糊关系，S是Y×Z上的模糊关系，T是R到S的合成，其计算公式如下：
式中，x,y,z分别为样本点在X，Y，Z上的模糊值，
表示对所有y取最大值，μ·(·)为隶属度函数。
所述S3-4中的输出隶属度函数的计算公式为：
其中，u0为模糊化输出结果，i代表模糊标记；k代表对模糊标记的编号，i为干燥时k＝1，i为正常时k＝2，i为轻度水淹时k＝3，i为两侧水淹时k＝4。在本申请中，通过构建水管理故障实验，详细情况如下：
如图4所示，为了验证本发明所述方法对于车用燃料电池动力系统水管理故障诊断的可行性和准确性，进行了基于车用燃料电池动力系统实验平台的水管理故障实验，获取实验数据集。
实验平台PEMFC由110节单电池组成，额定功率30kW。实验平台可直接测量的参数包括节电压、工作电流、阴极进出口压力、空气进出堆温度、阳极进出口压力、氢气进出堆温度、氢循环回路进出口压力、冷却水进出堆温度等，系统采样频率为10Hz。
实验中系统模拟了直排模式和氢循环模式两种常用工作模式，完成了常用工作区间(40A～120A)的水管理故障实验，获取了不同电流点下PEMFC系统从干燥状态到正常运行状态到水淹状态的全过程实验数据。
本实验中通过控制空气泵转速、冷却水泵转速、电加热器功率、散热风扇转速等参数控制系统的空气流量和电堆温度，从而控制电堆内部水含量，人为使得系统在不同水管理故障状态下运行。
根据实验数据，第一级模糊分类器的诊断结果如图8所示。
S4：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入，构造第二级模糊分类器；并输出第二诊断结果；
所述输出的第二诊断结果包括阳极水淹和阴极水淹。
在本实施例中，S4包括：
S4-1：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入；
S4-2：构建输入隶属度函数将第二级模糊分类器输入模糊化，生成模糊化输入结果；
其中，输入隶属度函数包括正常隶属度函数和异常隶属度函数，其计算公式与上述S3中的正常隶属度和异常隶属度函数一致，原因在于，第二级模糊分类器的输入是第一级分类器中分类结果为轻度水淹样本的阳极压力降升高值，对于此参数，通过其正常和异常的标记的隶属度函数与上述S3中一致。其中，在步骤S4中的正常隶属度函数和异常隶属度函数的参数i表示阳极压力降增高值。
S4-3：预设第二级分类器模糊规则库；第二级分类器模糊规则库如下表2所示：
表2第二级分类器模糊规则库
S4-4：基于第二级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
S4-5：通过构造阳极水淹隶属度函数和阴极水淹隶属度函数将模糊输出结果去模糊化，生成第二级模糊分类器输出。
所述S4-5中阳极水淹隶属度函数的计算公式为：
所述阴极水淹的隶属度函数的计算公式为：
其中，u0为模糊化输出结果。
在本实施例中，通过上述构建的水管理故障实验，得到的最终诊断结果如图9所示，其中，诊断结果包括正常、干燥、阴极水淹、阳极水淹和两侧水淹这五种状态，根据计算出的隶属度值，其取值范围区间在0-1的闭区间内，若隶属度值越接近于0，则说明该状态的程度越轻，若隶属度值越趋近于1，则说明该状态的程度越轻重，以此，能够准确描述诊断结果的状态及状态转移路径，提供丰富的信息量供用户参考。
通过上述的方法，本申请将现有技术的PEMFC水管理故障诊断系统中的故障诊断逻辑部分替换为水管理故障模糊推理分类器，分类器如图2所示，水管理模糊推理分类器结构如图3所示，相较于常用的基于经典二值逻辑的水管理故障分类方法，本申请优势在于：
(1)本发明的诊断结果可实现水淹位置的判断，将水淹故障进一步细分为阴极水淹、阳极水淹和两侧水淹；
(2)本发明的输出结果为样本点对五种车用燃料电池动力系统水管理故障状态的隶属度，是一个连续值，相较于基于二值逻辑的诊断方法得到的离散诊断结果，本发明的诊断结果增加了故障置信度，故障转移路径等信息，为后续制定故障消除策略提供了更充分的信息；
(3)本发明根据电压降和节电压标准差两个参数，涉及LR分类器实现对水淹故障和干燥故障的分类，根据实验数据验证，上述LR分类器能够实现对水淹故障和干燥故障的准确分类。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：包括：
S1：获取车用燃料电池动力系统运行历史数据中的数据样本，所述数据样本包括干燥故障数据样本和水淹故障数据样本；
S2：计算获取的数据样本的电压降和节电压标准差，将计算出的电压降和节电压标准差组成LR分类器的输入特征输入LR分类器，并根据预设的干燥故障数据样本标签和水淹故障数据样本标签作为LR分类器的期望输出，训练LR分类器；
S3：计算数据样本的节电压一致性增高值εstd和阳极压力降增高值εΔP，将数据样本的电压降εU、节电压一致性增高值εstd、阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入，构造第一级模糊分类器，并输出第一诊断结果；
所述输出的第一诊断结果包括正常、轻度水淹、干燥和两侧水淹；
S4：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入，构造第二级模糊分类器；并输出第二诊断结果；
所述输出的第二诊断结果包括阳极水淹和阴极水淹；
所述S3中节电压一致性增高值的计算公式为：
所述阳极压力降增高值的计算公式为：
其中，Ustd和ΔP为数据样本获取的节电压标准差和阳极压力降，
和
为PEMFC模型计算得出的期望节电压标准差和阳极压力降；
所述S3还包括：
S3-1：将数据样本的电压降εU、节电压一致性增高值εstd、阳极压力降增高值εΔP和LR分类器输出uy组成第一级模糊分类器输入；
S3-2：通过构建输入隶属度函数将第一级模糊分类器输入模糊化，生成模糊化输入结果；
S3-2：预设第一级分类器模糊规则库；
S3-3：基于第一级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
S3-4：构建输出隶属度函数将模糊化输出结果去模糊化，生成第一级模糊分类器输出。
2.根据权利要求1所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S2中电压降的计算公式为：
其中，
为PEMFC模型输出的期望电压，U为数据样本点实际电压；
所述节电压标准差的计算公式为：
其中，N为电堆单电池数，i为单电池序号，ui代表序号为i的单电池电压。
3.根据权利要求2所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S2中预设的干燥数据样本标签为0，预设的水淹故障数据样本标签为1。
4.根据权利要求1所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S3-2还包括：
S3-2-1：通过正常隶属度函数和异常隶属度函数将数据样本的电压降εU、节电压一致性增高值εstd和阳极压力降增高值εΔP的模糊标记为正常或者异常，所述正常隶属度函数的计算公式为：
所述异常隶属度函数的计算公式为：
其中，i代表εU或者εΔP或者εstd，
为参数i在车用燃料电池动力系统的历史正常运行数据的均值，σ(i)参数i在车用燃料电池动力系统的历史正常运行数据的标准差，ui为参数i任意时刻的数据样本；
S3-2-2：通过干燥隶属度函数和水淹隶属度函数将LR分类器的输出uy模糊标记为干燥或者正常；所述干燥隶属度函数的计算公式为：
所述水淹隶属度函数的计算公式为：
其中，uy表示LR分类器的输出。
5.根据权利要求4所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S3-4中的输出隶属度函数的计算公式为：
其中，u0为模糊化输出结果，i代表模糊标记；k代表对模糊标记的编号，i为干燥时k＝1，i为正常时k＝2，i为轻度水淹时k＝3，i为两侧水淹时k＝4。
6.根据权利要求5所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S4包括：
S4-1：将输出的第一诊断结果中为轻度水淹的数据样本的阳极压力降增高值εΔP作为第二级模糊分类器输入；
S4-2：根据输入隶属度函数将第二级模糊分类器输入模糊化，生成模糊化输入结果；
S4-3：预设第二级分类器模糊规则库；
S4-4：基于第二级分类器模糊规则库采用最大-最小合成法将模糊化输入结果合成为模糊化输出结果；
S4-5：通过构造阳极水淹隶属度函数和阴极水淹隶属度函数将模糊化输出结果去模糊化，生成第二级模糊分类器输出。
7.根据权利要求6所述的一种基于模糊推理的燃料电池系统水管理故障诊断方法，其特征在于：所述S4-5中阳极水淹隶属度函数的计算公式为：
所述阴极水淹的隶属度函数的计算公式为：
其中，u0为模糊化输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145496.2A CN115476734B (zh) | 2022-09-20 | 2022-09-20 | 一种基于模糊推理的燃料电池系统水管理故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211145496.2A CN115476734B (zh) | 2022-09-20 | 2022-09-20 | 一种基于模糊推理的燃料电池系统水管理故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115476734A CN115476734A (zh) | 2022-12-16 |
| CN115476734B true CN115476734B (zh) | 2023-05-23 |
Family
ID=84392454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211145496.2A Active CN115476734B (zh) | 2022-09-20 | 2022-09-20 | 一种基于模糊推理的燃料电池系统水管理故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115476734B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131946A (zh) * | 2023-08-30 | 2023-11-28 | 广东电网有限责任公司 | 储能电池故障预警方法、装置、电子设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105280936A (zh) * | 2014-07-02 | 2016-01-27 | 现代自动车株式会社 | 控制燃料电池系统的运行的方法 |
| CN109585884A (zh) * | 2018-12-13 | 2019-04-05 | 电子科技大学 | 一种在线排除燃料电池缺气和水淹的方法 |
| CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
| CN110165259A (zh) * | 2019-05-16 | 2019-08-23 | 苏州纳尔森能源科技有限公司 | 电池的运行状态的监测方法及装置、系统 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11489179B2 (en) * | 2019-09-11 | 2022-11-01 | Korea Institute Of Energy Research | Method and apparatus for multi-stage fault diagnosis of fuel cell systems |
-
2022
- 2022-09-20 CN CN202211145496.2A patent/CN115476734B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105280936A (zh) * | 2014-07-02 | 2016-01-27 | 现代自动车株式会社 | 控制燃料电池系统的运行的方法 |
| CN109585884A (zh) * | 2018-12-13 | 2019-04-05 | 电子科技大学 | 一种在线排除燃料电池缺气和水淹的方法 |
| CN110165259A (zh) * | 2019-05-16 | 2019-08-23 | 苏州纳尔森能源科技有限公司 | 电池的运行状态的监测方法及装置、系统 |
| CN110133146A (zh) * | 2019-05-28 | 2019-08-16 | 国网上海市电力公司 | 一种考虑不平衡数据样本的变压器故障诊断方法及系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115476734A (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Data-based flooding fault diagnosis of proton exchange membrane fuel cell systems using LSTM networks | |
| Wang et al. | Bi-directional long short-term memory recurrent neural network with attention for stack voltage degradation from proton exchange membrane fuel cells | |
| Ming et al. | A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring | |
| US11916270B2 (en) | Active fault-tolerant temperature control method for proton exchange membrane fuel cell system | |
| Chen et al. | Performance analysis of PEM fuel cell in mobile application under real traffic and environmental conditions | |
| Becker et al. | Predictive models for PEM-electrolyzer performance using adaptive neuro-fuzzy inference systems | |
| Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
| CN115476734B (zh) | 一种基于模糊推理的燃料电池系统水管理故障诊断方法 | |
| Hua et al. | Multi-timescale lifespan prediction for PEMFC systems under dynamic operating conditions | |
| CN111948562A (zh) | 一种燃料电池全生命周期监控与评估系统 | |
| CN113359037A (zh) | 基于bp神经网络的燃料电池故障诊断方法 | |
| 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 | |
| CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
| Du et al. | A fault diagnosis model for proton exchange membrane fuel cell based on impedance identification with differential evolution algorithm | |
| Yang et al. | Fault diagnosis of SOFC system based on single cell voltage analysis | |
| Huang et al. | Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data | |
| CN115659839A (zh) | 一种燃料电池空气系统仿真模型的建模优化方法 | |
| Lv et al. | Deep learning-based fault diagnosis and Electrochemical Impedance Spectroscopy frequency selection method for Proton Exchange Membrane Fuel Cell | |
| Sun et al. | Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning | |
| Chen et al. | Performance degradation prediction method of PEM fuel cells using bidirectional long short-term memory neural network based on Bayesian optimization | |
| Gong et al. | High-precision and efficiency diagnosis for polymer electrolyte membrane fuel cell based on physical mechanism and deep learning | |
| Li et al. | Online diagnosis of PEMFC by analyzing individual cell voltages | |
| Wang et al. | Fuel cell fault forecasting system using grey and extension theories | |
| Song et al. | Data-driven health state estimation and remaining useful life prediction of fuel cells | |
| 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 |