CN117117258B - 一种氢燃料电池系统的故障监测方法及装置 - Google Patents
一种氢燃料电池系统的故障监测方法及装置 Download PDFInfo
- Publication number
- CN117117258B CN117117258B CN202311381517.5A CN202311381517A CN117117258B CN 117117258 B CN117117258 B CN 117117258B CN 202311381517 A CN202311381517 A CN 202311381517A CN 117117258 B CN117117258 B CN 117117258B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- sample
- bipolar plate
- fault
- 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
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 157
- 239000001257 hydrogen Substances 0.000 title claims abstract description 157
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 157
- 238000012544 monitoring process Methods 0.000 title claims abstract description 122
- 239000000446 fuel Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims abstract description 211
- 238000003745 diagnosis Methods 0.000 claims abstract description 137
- 238000013210 evaluation model Methods 0.000 claims abstract description 85
- 238000011156 evaluation Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000003054 catalyst Substances 0.000 claims description 84
- 239000012528 membrane Substances 0.000 claims description 79
- 239000007789 gas Substances 0.000 claims description 77
- 238000009792 diffusion process Methods 0.000 claims description 76
- 238000012360 testing method Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 60
- 238000003860 storage Methods 0.000 claims description 59
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 58
- 239000001301 oxygen Substances 0.000 claims description 58
- 229910052760 oxygen Inorganic materials 0.000 claims description 58
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 238000001816 cooling Methods 0.000 claims description 32
- 238000004088 simulation Methods 0.000 claims description 28
- 238000001073 sample cooling Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 239000000306 component Substances 0.000 description 30
- 230000008859 change Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010187 selection method 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
- H01M8/04305—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
- H01M8/04992—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
本发明提出一种氢燃料电池系统的故障监测方法及装置,方法包括:获取样本氢燃料电池系统的各个子系统的数据;根据样本电堆数据建立电堆异常评估模型;对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。通过本发明方案,能够智能、高效、准确地对氢燃料电池系统进行故障监测。
Description
技术领域
本发明涉及燃料电池技术领域,具体涉及一种氢燃料电池系统的故障监测方法及装置。
背景技术
质子交换膜燃料电池(PEMFC)具有排放无污染、发电效率高、工作温度低等优势,可广泛应用于电动汽车、固定发电站和便携式电源等领域。在氢燃料电池工作过程中,或多或少会因为生产过程中产生的缺陷或者使用环境的变化或者部件老化而产生各种故障,因此对氢燃料电池进行故障监测的工作显得尤为重要。然而,现有的氢燃料电池系统故障监测方案不够智能和准确。
发明内容
本发明正是基于上述问题,提出了一种氢燃料电池系统的故障监测方法及装置,通过本发明方案,能够智能、高效、准确地对氢燃料电池系统进行故障监测。
有鉴于此,本发明的一方面提出了一种氢燃料电池系统的故障监测方法,包括:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
根据所述样本电堆数据建立电堆异常评估模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。
可选地,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本双极板数据;
从所述样本双极板数据中提取正常工作条件下的正常双极板数据,并根据所述正常双极板数据建立描述样本双极板电化学特性的双极板正常模型;
从所述样本双极板数据中按第一预设规则确定反映所述样本双极板健康状态的第一双极板关键指标;
根据所述样本双极板数据建立所述样本双极板的双极板仿真模型;
根据所述样本电堆数据建立所述样本电堆的电堆仿真模型;
从所述样本双极板数据中提取异常双极板数据,并根据所述异常双极板数据、所述第一双极板关键指标生成双极板异常实验数据;
根据所述双极板仿真模型、所述电堆仿真模型和所述双极板异常实验数据,进行双极板异常模拟,得到双极板异常模拟数据;
根据所述异常双极板数据、所述双极板异常模拟数据建立描述双极板异常状态的第一双极板异常模型;
根据所述双极板正常模型和所述第一双极板异常模型得到双极板异常评估模型,并将所述双极板异常评估模型作为所述电堆异常评估模型的子模型。
可选地,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本质子交换膜数据;
从所述样本质子交换膜数据中提取异常质子交换膜数据;
对所述异常质子交换膜数据进行清洗、平滑、标准化、标注处理后,划分为质子交换膜训练数据和质子交换膜测试数据;
分别从所述质子交换膜训练数据和所述质子交换膜测试数据中提取与质子交换膜性能的相关度处于第一预设范围的特征,得到第一训练特征集和第一测试特征集;
使用所述第一训练特征集对第一神经网络模型进行训练得到第一质子交换膜异常评估模型;
利用所述第一测试特征集对所述第一质子交换膜异常评估模型进行测试,并根据测试结果对所述第一质子交换膜异常评估模型进行调整得到质子交换膜异常评估模型;
将所述质子交换膜异常评估模型作为所述电堆异常评估模型的子模型。
可选地,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本气体扩散层数据;
去除所述样本气体扩散层数据中的错误数据和噪声数据并进行平滑处理、标注后,提取异常气体扩散层数据;
从所述异常气体扩散层数据中提取有效特征,得到气体扩散层特征数据;
根据气体扩散层的工作原理,从所述气体扩散层特征数据中选择与气体扩散层性能的相关度在第二预设范围内的特征,并划分为第二训练特征集和第二测试特征集;
使用所述第二训练特征集对第二神经网络模型进行训练得到第一气体扩散层异常评估模型;
利用所述第二测试特征集对所述第一气体扩散层异常评估模型进行测试,并根据测试结果对所述第一气体扩散层异常评估模型进行调整得到气体扩散层异常评估模型;
将所述气体扩散层异常评估模型作为所述电堆异常评估模型的子模型。
可选地,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本催化剂层数据;
从所述样本催化剂层数据中提取异常催化剂层数据;
对所述异常催化剂层数据进行清洗、平滑、标准化、标注处理后,划分为催化剂层训练数据和催化剂层测试数据;
根据催化剂层的工作原理,分别从所述催化剂层训练数据和所述催化剂层测试数据中提取与催化剂层状态的相关度处于第三预设范围的特征,得到第三训练特征集和第三测试特征集;
使用所述第三训练特征集对第三神经网络模型进行训练得到第一催化剂层异常评估模型;
利用所述第三测试特征集对所述第一催化剂层异常评估模型进行测试,并根据测试结果对所述第一催化剂层异常评估模型进行调整得到催化剂层异常评估模型;
将所述催化剂层异常评估模型作为所述电堆异常评估模型的子模型。
可选地,所述对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据的步骤,包括:
获取所述第一电堆的每个第一单体电池的第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的第一属性数据、第一三维数据和第一监测需求数据;
根据所述第一属性数据、所述第一三维数据和所述第一监测需求分别在所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层对应的第一位置安装对应的第一类型和第一数量的第一传感器;
利用所述第一传感器分别对所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层进行监测,得到所述第一电堆监测数据。
可选地,所述根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果的步骤,包括:
从所述第一电堆监测数据中分别提取出所述第一双极板的第一双极板监测数据、所述第一质子交换膜的第一质子交换膜监测数据、所述第一气体扩散层的第一气体扩散层监测数据和所述第一催化剂层的第一催化剂层监测数据;
将所述第一双极板监测数据、所述第一质子交换膜监测数据、所述第一气体扩散层监测数据和所述第一催化剂层监测数据输入所述电堆异常评估模型;
所述电堆异常评估模型的双极板异常评估子模型对所述第一双极板监测数据进行处理分析,得到第一双极板异常评估结果;
所述电堆异常评估模型的质子交换膜异常评估子模型对所述第一质子交换膜监测数据进行处理分析,得到第一质子交换膜异常评估结果;
所述电堆异常评估模型的气体扩散层异常评估子模型对所述第一气体扩散层监测数据进行处理分析,得到第一气体扩散层异常评估结果;
所述电堆异常评估模型的催化剂层异常评估子模型对所述第一催化剂层监测数据进行处理分析,得到第一催化剂层异常评估结果;
将所述第一双极板异常评估结果、所述第一质子交换膜异常评估结果、所述第一气体扩散层异常评估结果和所述第一催化剂层异常评估结果整合成所述第一电堆异常评估结果。
可选地,所述根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果的步骤,包括:
根据所述氢燃料电池系统故障诊断模型中的电堆故障诊断子模型对所述第一电堆异常评估结果进行判断分析,确定所述第一电堆中存在故障的第一电堆故障部件;
根据所述氢燃料电池系统故障诊断模型中的供氢系统故障诊断子模型、供氧系统故障诊断子模型、冷却系统故障子模型和蓄电池故障诊断子模型分别对所述第一电堆异常评估结果进行判断分析,确定所述第一氢燃料电池系统中对应的第一供氢系统中存在故障的第一供氢系统故障部件和/或第一供氧系统中存在故障的第一供氧系统故障部件和/或第一冷却系统中存在故障的第一冷却系统故障部件和/或第一蓄电池中存在故障的第一蓄电池故障部件;
对所述第一电堆故障部件和/或所述第一供氢系统故障部件和/或所述第一供氧系统故障部件和/或所述第一冷却系统故障部件和/或所述第一蓄电池故障部件进行分析,得到所述第一故障诊断结果;
其中,所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障子模型和所述蓄电池故障诊断子模型中分别包含了电堆的异常状态与供氢系统或供氧系统或冷却系统或蓄电池中存在故障的部件的对应关系。
可选地,构建所述氢燃料电池系统故障诊断模型的步骤,包括:
从所述样本电堆数据、所述样本供氢系统数据、所述样本供氧系统数据、所述样本冷却系统数据和所述样本蓄电池数据中提取对应的样本电堆故障数据、样本供氢系统故障数据、样本供氧系统故障数据、样本冷却系统故障数据和样本蓄电池故障数据;
对所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据进行清洗、标准化、标注后,划分成训练集和测试集,所述训练集和所述测试集中的数据按其归属的子系统进行分组;
分别对所述训练集和所述测试集提取特征工程,选择能有效反映子系统状态的特征,得到训练特征集和测试特征集,所述训练特征集和所述测试特征集中的特征数据按其归属的子系统进行分组;
将所述训练特征集中的特征数据按分组分别输入对应的神经网络进行训练得到第一电堆故障诊断子模型、第一供氢系统故障诊断子模型、第一供氧系统故障诊断子模型、第一冷却系统故障诊断子模型和第一蓄电池故障诊断子模型;
利用所述测试特征集分别对所述第一电堆故障诊断子模型、所述第一供氢系统故障诊断子模型、所述第一供氧系统故障诊断子模型、所述第一冷却系统故障诊断子模型和所述第一蓄电池故障诊断子模型进行测试,并根据测试结果对各个子模型进行调整得到所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型;
建立关联规则学习模型,利用所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据学习不同子系统故障之间的关联规则以进行故障根因推理分析,得到不同子系统故障的故障根因间的第一关联关系;
根据所述第一关联关系,整合所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型,得到所述氢燃料电池系统故障诊断模型。
本发明的另一方面提供一种氢燃料电池系统的故障监测装置,包括:获取模块和控制处理模块;其中,
所述获取模块被配置为:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
所述控制处理模块被配置为:
根据所述样本电堆数据建立电堆异常评估模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。
采用本发明的技术方案,氢燃料电池系统的故障监测方法包括:获取样本氢燃料电池系统的各个子系统的数据;根据样本电堆数据建立电堆异常评估模型;对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。通过本发明方案,能够智能、高效、准确地对氢燃料电池系统进行故障监测。
附图说明
图1是本发明一个实施例提供的氢燃料电池系统的故障监测方法的流程图;
图2是本发明一个实施例提供的氢燃料电池系统的故障监测装置的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。另外,虽然附图中显示了本公开的实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”仅用于描述目的或区别不同对象,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量(或描述特定顺序)。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种氢燃料电池系统的故障监测方法及装置。
如图1所示,本发明一个实施例提供一种氢燃料电池系统的故障监测方法,包括:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
根据所述样本电堆数据建立电堆异常评估模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。
可以理解的是,在氢燃料电池系统中,电堆是最核心的组成部分,是氢燃料电池化学反应发生的场所,是将化学能转化为电能,是系统实现发电功能的核心部件,电堆的泵压损失、电化学反应活化损失等会影响系统效率,其工作性能/状态直接决定了整个系统的效率和输出功率。在本发明实施例中,通过对电堆的监测分析,并结合其他信息,可以实现氢燃料电池系统的故障预警和状态评估。
采用该实施例的技术方案,包括:获取样本氢燃料电池系统的各个子系统的数据;根据样本电堆数据建立电堆异常评估模型;对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。通过本发明方案,能够智能、高效、准确地对氢燃料电池系统进行故障监测。
在本发明一些可能的实施方式中,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本双极板数据(包括但不限于:双极板的材质、形状、结构、大小、流道特征等属性数据;电压、电流、温度等运行数据,等等);
从所述样本双极板数据中提取正常工作条件下的正常双极板数据,并根据所述正常双极板数据建立描述样本双极板电化学特性的双极板正常模型;
从所述样本双极板数据中按第一预设规则确定反映所述样本双极板健康状态的第一双极板关键指标(如根据双极板的结构,确定反映健康状态的关键指标,如电阻、电容、极化曲线等参数);
根据所述样本双极板数据建立所述样本双极板的双极板仿真模型;
根据所述样本电堆数据建立所述样本电堆的电堆仿真模型;
从所述样本双极板数据中提取异常双极板数据,并根据所述异常双极板数据、所述第一双极板关键指标生成双极板异常实验数据(如短路、腐蚀等数据);
根据所述双极板仿真模型、所述电堆仿真模型和所述双极板异常实验数据,进行双极板异常模拟,得到双极板异常模拟数据(包括异常数据、异常数据产生的过程描述等);
根据所述异常双极板数据、所述双极板异常模拟数据建立描述双极板异常状态的第一双极板异常模型;
根据所述双极板正常模型和所述第一双极板异常模型得到双极板异常评估模型,并将所述双极板异常评估模型作为所述电堆异常评估模型的子模型。
在本发明实施例中,综合利用双极板的工作原理和数据驱动方法,可以建立异常检测的有效模型。
在本发明一些可能的实施方式中,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本质子交换膜数据(包括但不限于:质子交换膜的材质、化学组成、形状、结构、大小等属性数据;电压、湿度、温度等运行数据,等等);
从所述样本质子交换膜数据中提取异常质子交换膜数据;
对所述异常质子交换膜数据进行清洗、平滑、标准化、标注处理后,划分为质子交换膜训练数据和质子交换膜测试数据;
分别从所述质子交换膜训练数据和所述质子交换膜测试数据中提取与质子交换膜性能的相关度处于第一预设范围的特征(比如电压降、内阻变化率等,还可以通过信号处理方法提取频域特征),得到第一训练特征集和第一测试特征集;
使用所述第一训练特征集对第一神经网络模型进行训练得到第一质子交换膜异常评估模型;
利用所述第一测试特征集对所述第一质子交换膜异常评估模型进行测试,并根据测试结果对所述第一质子交换膜异常评估模型进行调整得到质子交换膜异常评估模型;
将所述质子交换膜异常评估模型作为所述电堆异常评估模型的子模型。
在本实施例中,将优化后的模型部署到实际系统中,并随着运行中采集到的新数据不断对模型进行增量训练和更新,使之适应燃料电池堆的状态变化。
在本实施例中,按照这种流程建立的数据驱动的评估模型,可以实现对质子交换膜健康状况的实时监测和预警。
在本发明一些可能的实施方式中,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本气体扩散层数据(包括进出口的气体流量、压强、温度、湿度等数据);
去除所述样本气体扩散层数据中的错误数据和噪声数据并进行平滑处理、标注后,提取异常气体扩散层数据;
从所述异常气体扩散层数据中提取有效特征(如流量变化率、压降、孔隙度变化、液水饱和度等与气体扩散层工作参数/工作状态对应的特征),得到气体扩散层特征数据;
根据气体扩散层的工作原理,从所述气体扩散层特征数据中选择与气体扩散层性能的相关度在第二预设范围内的特征(例如压降、孔隙度变化、液水饱和度等),并划分为第二训练特征集和第二测试特征集;
使用所述第二训练特征集对第二神经网络模型进行训练得到第一气体扩散层异常评估模型;
利用所述第二测试特征集对所述第一气体扩散层异常评估模型进行测试,并根据测试结果对所述第一气体扩散层异常评估模型进行调整得到气体扩散层异常评估模型;
将所述气体扩散层异常评估模型作为所述电堆异常评估模型的子模型。
通过本实施例的方法,可以建立一个有效的气体扩散层异常评估模型,实时监测其运行状态。
在本发明一些可能的实施方式中,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本催化剂层数据(包括相温度、湿度、电化学活性等数据);还可以同时采集系统的电压、电流等电堆运行数据。
从所述样本催化剂层数据中提取异常催化剂层数据;
对所述异常催化剂层数据进行清洗、平滑、标准化、标注处理后,划分为催化剂层训练数据和催化剂层测试数据;
根据催化剂层的工作原理,分别从所述催化剂层训练数据和所述催化剂层测试数据中提取与催化剂层状态的相关度处于第三预设范围的特征(如电化学活性、酸度变化、电导率等),得到第三训练特征集和第三测试特征集;
使用所述第三训练特征集对第三神经网络模型进行训练得到第一催化剂层异常评估模型;
利用所述第三测试特征集对所述第一催化剂层异常评估模型进行测试,并根据测试结果对所述第一催化剂层异常评估模型进行调整得到催化剂层异常评估模型;
将所述催化剂层异常评估模型作为所述电堆异常评估模型的子模型。
通过本实施例的方法,可以建立一个有效的催化剂层异常评估模型,确保其运行在最佳状态。
可以理解的是,在本发明实施例中,第一/二/三神经网络模型,可以是事先设定好神经网络结构与参数的神经网络模型。
在本发明一些可能的实施方式中,所述对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据的步骤,包括:
获取所述第一电堆的每个第一单体电池的第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的第一属性数据、第一三维数据和第一监测需求数据(第一属性数据包括第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的属性数据;第一三维数据包括第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的三维数据;第一监测需求数据包括第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的监测需求数据;其中,监测需求数据可以根据各种氢燃料电池系统的历史数据及其电堆的历史数据进行大数据分析得到);
根据所述第一属性数据、所述第一三维数据和所述第一监测需求分别在所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层对应的第一位置安装对应的第一类型和第一数量的第一传感器;
利用所述第一传感器分别对所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层进行监测,得到所述第一电堆监测数据。
通过本实施例的方案,对于所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层,分别在各自符合监测需求(传感器类型要求、数量要求等)、安全要求、结构要求等的位置上安装对应类型和数量的传感器,可以高效、精确地获取电堆中各部件的监测数据,能有效地进行电堆异常监测。
在本发明一些可能的实施方式中,所述根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果的步骤,包括:
从所述第一电堆监测数据中分别提取出所述第一双极板的第一双极板监测数据、所述第一质子交换膜的第一质子交换膜监测数据、所述第一气体扩散层的第一气体扩散层监测数据和所述第一催化剂层的第一催化剂层监测数据;
将所述第一双极板监测数据、所述第一质子交换膜监测数据、所述第一气体扩散层监测数据和所述第一催化剂层监测数据输入所述电堆异常评估模型;
所述电堆异常评估模型的双极板异常评估子模型对所述第一双极板监测数据进行处理分析,得到第一双极板异常评估结果;
所述电堆异常评估模型的质子交换膜异常评估子模型对所述第一质子交换膜监测数据进行处理分析,得到第一质子交换膜异常评估结果;
所述电堆异常评估模型的气体扩散层异常评估子模型对所述第一气体扩散层监测数据进行处理分析,得到第一气体扩散层异常评估结果;
所述电堆异常评估模型的催化剂层异常评估子模型对所述第一催化剂层监测数据进行处理分析,得到第一催化剂层异常评估结果;
将所述第一双极板异常评估结果、所述第一质子交换膜异常评估结果、所述第一气体扩散层异常评估结果和所述第一催化剂层异常评估结果整合成所述第一电堆异常评估结果。
在本发明实施例中,将电堆各部件的监测数据输入电堆异常评估模型,电堆异常评估模型中各部件异常评估子模型分别根据对应的监测数据进行异常评估,保证了异常评估过程的高效和异常评估结果的准确。
在本发明一些可能的实施方式中,所述根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果的步骤,包括:
根据所述氢燃料电池系统故障诊断模型中的电堆故障诊断子模型对所述第一电堆异常评估结果进行判断分析,确定所述第一电堆中存在故障的第一电堆故障部件;
根据所述氢燃料电池系统故障诊断模型中的供氢系统故障诊断子模型、供氧系统故障诊断子模型、冷却系统故障子模型和蓄电池故障诊断子模型分别对所述第一电堆异常评估结果进行判断分析,确定所述第一氢燃料电池系统中对应的第一供氢系统中存在故障的第一供氢系统故障部件和/或第一供氧系统中存在故障的第一供氧系统故障部件和/或第一冷却系统中存在故障的第一冷却系统故障部件和/或第一蓄电池中存在故障的第一蓄电池故障部件;
对所述第一电堆故障部件和/或所述第一供氢系统故障部件和/或所述第一供氧系统故障部件和/或所述第一冷却系统故障部件和/或所述第一蓄电池故障部件进行分析,得到所述第一故障诊断结果;
其中,所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障子模型和所述蓄电池故障诊断子模型中分别包含了电堆的异常状态与供氢系统或供氧系统或冷却系统或蓄电池中存在故障的部件的对应关系。
可以理解的是,在本发明实施例中,所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障子模型和所述蓄电池故障诊断子模型中分别包含了电堆的异常状态与供氢系统或供氧系统或冷却系统或蓄电池中存在故障的部件的对应关系,从而,利用氢燃料电池系统故障诊断模型中各个子系统对应的子模型,不但可以根据对所述第一电堆异常评估结果确定所述第一电堆中存在故障的第一电堆故障部件,还可以根据前述的对应关系和所述第一电堆异常评估结果确定电堆以外的其他子系统中存在故障的部件,即只需监测电堆的状态,就可以实现对整个氢燃料电池系统的异常监测与故障诊断,提高了故障诊断过程的效率和诊断结果的准确性。
在本发明一些可能的实施方式中,构建所述氢燃料电池系统故障诊断模型的步骤,包括:
从所述样本电堆数据、所述样本供氢系统数据、所述样本供氧系统数据、所述样本冷却系统数据和所述样本蓄电池数据中提取对应的样本电堆故障数据、样本供氢系统故障数据、样本供氧系统故障数据、样本冷却系统故障数据和样本蓄电池故障数据;
对所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据进行清洗、标准化、标注后,划分成训练集和测试集,所述训练集和所述测试集中的数据按其归属的子系统进行分组(如可以分别对处理后的样本电堆故障数据、样本供氢系统故障数据、样本供氧系统故障数据、样本冷却系统故障数据和样本蓄电池故障数据添加各自不同且唯一的标记);
分别对所述训练集和所述测试集提取特征工程,选择能有效反映子系统状态的特征(如电压、电流、温度、流量等参数),得到训练特征集和测试特征集,所述训练特征集和所述测试特征集中的特征数据按其归属的子系统进行分组;
将所述训练特征集中的特征数据按分组分别输入对应的神经网络进行训练得到第一电堆故障诊断子模型、第一供氢系统故障诊断子模型、第一供氧系统故障诊断子模型、第一冷却系统故障诊断子模型和第一蓄电池故障诊断子模型;
利用所述测试特征集分别对所述第一电堆故障诊断子模型、所述第一供氢系统故障诊断子模型、所述第一供氧系统故障诊断子模型、所述第一冷却系统故障诊断子模型和所述第一蓄电池故障诊断子模型进行测试,并根据测试结果对各个子模型进行调整得到所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型;
建立关联规则学习模型,利用所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据学习不同子系统故障之间的关联规则以进行故障根因推理分析,得到不同子系统故障的故障根因间的第一关联关系;
根据所述第一关联关系,整合所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型,得到所述氢燃料电池系统故障诊断模型。
本实施例的方案可以充分利用样本故障数据,构建出一个强大的氢燃料电池系统智能故障诊断与预测的模型系统。
在本实施例中,分别对所述训练集和所述测试集提取特征工程,选择能有效反映子系统状态的特征,得到训练特征集和测试特征集的步骤,包括:
对每个子系统,选择其关键的工作参数作为特征,比如电堆子系统可以选择电压、电流、温度、供氢压力等;供氢系统可以选择流量、压力、纯度等。
对时间序列数据,可以提取统计特征,如最大值、最小值、均值、方差、偏度、峰值等,反映信号分布,也可以提取频域特征。
计算各个工作参数/数据的变化率、梯度、波动范围等动态特征,反映状态变化。
对传感器,可以提取响应曲线的参数作为特征,反映过程动力学。
结合特征工程知识,构建组合特征,如电压与电流的比值等,反映系统运行条件。
使用相关性分析、主成分分析等方法进行特征选择,移除冗余相关小的特征,降维提升效率。
根据模型的判别能力、错误率等评估特征效果,采用正向、反向等特征选择算法优化特征集。
采用深度学习端到端特征学习模型,自动学习数据中的高级特征表示。
综上,通过根据子域知识提取有效特征,并使用特征工程与选择方法,可以获得对状态识别有效的特征集,提高后续模型表现。
请参见图2,本发明的另一实施例提供一种氢燃料电池系统的故障监测装置,包括:获取模块和控制处理模块;其中,
所述获取模块被配置为:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
所述控制处理模块被配置为:
根据所述样本电堆数据建立电堆异常评估模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。
在本发明实施例中,通过对电堆的监测分析,并结合其他信息,可以实现氢燃料电池系统的故障预警和状态评估。
应当知道的是,图2所示的氢燃料电池系统的故障监测装置的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (9)
1.一种氢燃料电池系统的故障监测方法,其特征在于,包括:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
根据所述样本电堆数据建立电堆异常评估模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案;
所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本双极板数据;
从所述样本双极板数据中提取正常工作条件下的正常双极板数据,并根据所述正常双极板数据建立描述样本双极板电化学特性的双极板正常模型;
从所述样本双极板数据中按第一预设规则确定反映所述样本双极板健康状态的第一双极板关键指标;
根据所述样本双极板数据建立所述样本双极板的双极板仿真模型;
根据所述样本电堆数据建立所述样本电堆的电堆仿真模型;
从所述样本双极板数据中提取异常双极板数据,并根据所述异常双极板数据、所述第一双极板关键指标生成双极板异常实验数据;
根据所述双极板仿真模型、所述电堆仿真模型和所述双极板异常实验数据,进行双极板异常模拟,得到双极板异常模拟数据;
根据所述异常双极板数据、所述双极板异常模拟数据建立描述双极板异常状态的第一双极板异常模型;
根据所述双极板正常模型和所述第一双极板异常模型得到双极板异常评估模型,并将所述双极板异常评估模型作为所述电堆异常评估模型的子模型。
2.根据权利要求1所述的氢燃料电池系统的故障监测方法,其特征在于,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本质子交换膜数据;
从所述样本质子交换膜数据中提取异常质子交换膜数据;
对所述异常质子交换膜数据进行清洗、平滑、标准化、标注处理后,划分为质子交换膜训练数据和质子交换膜测试数据;
分别从所述质子交换膜训练数据和所述质子交换膜测试数据中提取与质子交换膜性能的相关度处于第一预设范围的特征,得到第一训练特征集和第一测试特征集;
使用所述第一训练特征集对第一神经网络模型进行训练得到第一质子交换膜异常评估模型;
利用所述第一测试特征集对所述第一质子交换膜异常评估模型进行测试,并根据测试结果对所述第一质子交换膜异常评估模型进行调整得到质子交换膜异常评估模型;
将所述质子交换膜异常评估模型作为所述电堆异常评估模型的子模型。
3.根据权利要求2所述的氢燃料电池系统的故障监测方法,其特征在于,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本气体扩散层数据;
去除所述样本气体扩散层数据中的错误数据和噪声数据并进行平滑处理、标注后,提取异常气体扩散层数据;
从所述异常气体扩散层数据中提取有效特征,得到气体扩散层特征数据;
根据气体扩散层的工作原理,从所述气体扩散层特征数据中选择与气体扩散层性能的相关度在第二预设范围内的特征,并划分为第二训练特征集和第二测试特征集;
使用所述第二训练特征集对第二神经网络模型进行训练得到第一气体扩散层异常评估模型;
利用所述第二测试特征集对所述第一气体扩散层异常评估模型进行测试,并根据测试结果对所述第一气体扩散层异常评估模型进行调整得到气体扩散层异常评估模型;
将所述气体扩散层异常评估模型作为所述电堆异常评估模型的子模型。
4.根据权利要求3所述的氢燃料电池系统的故障监测方法,其特征在于,所述根据所述样本电堆数据建立电堆异常评估模型的步骤,包括:
从所述样本电堆数据中提取样本催化剂层数据;
从所述样本催化剂层数据中提取异常催化剂层数据;
对所述异常催化剂层数据进行清洗、平滑、标准化、标注处理后,划分为催化剂层训练数据和催化剂层测试数据;
根据催化剂层的工作原理,分别从所述催化剂层训练数据和所述催化剂层测试数据中提取与催化剂层状态的相关度处于第三预设范围的特征,得到第三训练特征集和第三测试特征集;
使用所述第三训练特征集对第三神经网络模型进行训练得到第一催化剂层异常评估模型;
利用所述第三测试特征集对所述第一催化剂层异常评估模型进行测试,并根据测试结果对所述第一催化剂层异常评估模型进行调整得到催化剂层异常评估模型;
将所述催化剂层异常评估模型作为所述电堆异常评估模型的子模型。
5.根据权利要求4所述的氢燃料电池系统的故障监测方法,其特征在于,所述对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据的步骤,包括:
获取所述第一电堆的每个第一单体电池的第一双极板、第一质子交换膜、第一气体扩散层、第一催化剂层的第一属性数据、第一三维数据和第一监测需求数据;
根据所述第一属性数据、所述第一三维数据和所述第一监测需求分别在所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层对应的第一位置安装对应的第一类型和第一数量的第一传感器;
利用所述第一传感器分别对所述第一双极板、所述第一质子交换膜、所述第一气体扩散层和所述第一催化剂层进行监测,得到所述第一电堆监测数据。
6.根据权利要求5所述的氢燃料电池系统的故障监测方法,其特征在于,所述根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果的步骤,包括:
从所述第一电堆监测数据中分别提取出所述第一双极板的第一双极板监测数据、所述第一质子交换膜的第一质子交换膜监测数据、所述第一气体扩散层的第一气体扩散层监测数据和所述第一催化剂层的第一催化剂层监测数据;
将所述第一双极板监测数据、所述第一质子交换膜监测数据、所述第一气体扩散层监测数据和所述第一催化剂层监测数据输入所述电堆异常评估模型;
所述电堆异常评估模型的双极板异常评估子模型对所述第一双极板监测数据进行处理分析,得到第一双极板异常评估结果;
所述电堆异常评估模型的质子交换膜异常评估子模型对所述第一质子交换膜监测数据进行处理分析,得到第一质子交换膜异常评估结果;
所述电堆异常评估模型的气体扩散层异常评估子模型对所述第一气体扩散层监测数据进行处理分析,得到第一气体扩散层异常评估结果;
所述电堆异常评估模型的催化剂层异常评估子模型对所述第一催化剂层监测数据进行处理分析,得到第一催化剂层异常评估结果;
将所述第一双极板异常评估结果、所述第一质子交换膜异常评估结果、所述第一气体扩散层异常评估结果和所述第一催化剂层异常评估结果整合成所述第一电堆异常评估结果。
7.根据权利要求6所述的氢燃料电池系统的故障监测方法,其特征在于,所述根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果的步骤,包括:
根据所述氢燃料电池系统故障诊断模型中的电堆故障诊断子模型对所述第一电堆异常评估结果进行判断分析,确定所述第一电堆中存在故障的第一电堆故障部件;
根据所述氢燃料电池系统故障诊断模型中的供氢系统故障诊断子模型、供氧系统故障诊断子模型、冷却系统故障子模型和蓄电池故障诊断子模型分别对所述第一电堆异常评估结果进行判断分析,确定所述第一氢燃料电池系统中对应的第一供氢系统中存在故障的第一供氢系统故障部件和/或第一供氧系统中存在故障的第一供氧系统故障部件和/或第一冷却系统中存在故障的第一冷却系统故障部件和/或第一蓄电池中存在故障的第一蓄电池故障部件;
对所述第一电堆故障部件和/或所述第一供氢系统故障部件和/或所述第一供氧系统故障部件和/或所述第一冷却系统故障部件和/或所述第一蓄电池故障部件进行分析,得到所述第一故障诊断结果;
其中,所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障子模型和所述蓄电池故障诊断子模型中分别包含了电堆的异常状态与供氢系统或供氧系统或冷却系统或蓄电池中存在故障的部件的对应关系。
8.根据权利要求7所述的氢燃料电池系统的故障监测方法,其特征在于,构建所述氢燃料电池系统故障诊断模型的步骤,包括:
从所述样本电堆数据、所述样本供氢系统数据、所述样本供氧系统数据、所述样本冷却系统数据和所述样本蓄电池数据中提取对应的样本电堆故障数据、样本供氢系统故障数据、样本供氧系统故障数据、样本冷却系统故障数据和样本蓄电池故障数据;
对所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据进行清洗、标准化、标注后,划分成训练集和测试集,所述训练集和所述测试集中的数据按其归属的子系统进行分组;
分别对所述训练集和所述测试集提取特征工程,选择能有效反映子系统状态的特征,得到训练特征集和测试特征集,所述训练特征集和所述测试特征集中的特征数据按其归属的子系统进行分组;
将所述训练特征集中的特征数据按分组分别输入对应的神经网络进行训练得到第一电堆故障诊断子模型、第一供氢系统故障诊断子模型、第一供氧系统故障诊断子模型、第一冷却系统故障诊断子模型和第一蓄电池故障诊断子模型;
利用所述测试特征集分别对所述第一电堆故障诊断子模型、所述第一供氢系统故障诊断子模型、所述第一供氧系统故障诊断子模型、所述第一冷却系统故障诊断子模型和所述第一蓄电池故障诊断子模型进行测试,并根据测试结果对各个子模型进行调整得到所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型;
建立关联规则学习模型,利用所述样本电堆故障数据、所述样本供氢系统故障数据、所述样本供氧系统故障数据、所述样本冷却系统故障数据和所述样本蓄电池故障数据学习不同子系统故障之间的关联规则以进行故障根因推理分析,得到不同子系统故障的故障根因间的第一关联关系;
根据所述第一关联关系,整合所述电堆故障诊断子模型、所述供氢系统故障诊断子模型、所述供氧系统故障诊断子模型、所述冷却系统故障诊断子模型和所述蓄电池故障诊断子模型,得到所述氢燃料电池系统故障诊断模型。
9.一种氢燃料电池系统的故障监测装置,其特征在于,包括:获取模块和控制处理模块;其中,
所述获取模块被配置为:
获取样本氢燃料电池系统的样本电堆的样本电堆数据、样本供氢系统的样本供氢系统数据、样本供氧系统的样本供氧系统数据、样本冷却系统的样本冷却系统数据和样本蓄电池的样本蓄电池数据;
所述控制处理模块被配置为:
根据所述样本电堆数据建立电堆异常评估模型,具体包括:从所述样本电堆数据中提取样本双极板数据;从所述样本双极板数据中提取正常工作条件下的正常双极板数据,并根据所述正常双极板数据建立描述样本双极板电化学特性的双极板正常模型;从所述样本双极板数据中按第一预设规则确定反映所述样本双极板健康状态的第一双极板关键指标;根据所述样本双极板数据建立所述样本双极板的双极板仿真模型;根据所述样本电堆数据建立所述样本电堆的电堆仿真模型;从所述样本双极板数据中提取异常双极板数据,并根据所述异常双极板数据、所述第一双极板关键指标生成双极板异常实验数据;根据所述双极板仿真模型、所述电堆仿真模型和所述双极板异常实验数据,进行双极板异常模拟,得到双极板异常模拟数据;根据所述异常双极板数据、所述双极板异常模拟数据建立描述双极板异常状态的第一双极板异常模型;根据所述双极板正常模型和所述第一双极板异常模型得到双极板异常评估模型,并将所述双极板异常评估模型作为所述电堆异常评估模型的子模型;
对第一氢燃料电池系统的第一电堆进行监测,得到第一电堆监测数据;
根据所述电堆异常评估模型对所述第一电堆监测数据进行分析,得到第一电堆异常评估结果;
根据预设的氢燃料电池系统故障诊断模型和所述第一电堆异常评估结果确定所述第一氢燃料电池系统中存在故障的部件,得到第一故障诊断结果;
根据所述第一故障诊断结果确定故障原因,并执行对应的处理方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381517.5A CN117117258B (zh) | 2023-10-24 | 2023-10-24 | 一种氢燃料电池系统的故障监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311381517.5A CN117117258B (zh) | 2023-10-24 | 2023-10-24 | 一种氢燃料电池系统的故障监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117117258A CN117117258A (zh) | 2023-11-24 |
CN117117258B true CN117117258B (zh) | 2024-01-09 |
Family
ID=88813208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311381517.5A Active CN117117258B (zh) | 2023-10-24 | 2023-10-24 | 一种氢燃料电池系统的故障监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117117258B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117525478B (zh) * | 2023-12-15 | 2024-06-14 | 新研氢能源科技有限公司 | 一种燃料电池电堆的控制方法及燃料电池电堆 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
WO2021213989A1 (en) * | 2020-04-24 | 2021-10-28 | Robert Bosch Gmbh | Fuel cell diagnostic apparatus and corresponding diagnostic method, vehicle, and vehicle system |
CN114492087A (zh) * | 2022-04-02 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 |
CN114899457A (zh) * | 2022-05-23 | 2022-08-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
CN116231010A (zh) * | 2023-05-10 | 2023-06-06 | 北京新研创能科技有限公司 | 一种氢燃料电池系统故障诊断方法及系统 |
-
2023
- 2023-10-24 CN CN202311381517.5A patent/CN117117258B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
WO2021213989A1 (en) * | 2020-04-24 | 2021-10-28 | Robert Bosch Gmbh | Fuel cell diagnostic apparatus and corresponding diagnostic method, vehicle, and vehicle system |
CN114492087A (zh) * | 2022-04-02 | 2022-05-13 | 国网浙江省电力有限公司电力科学研究院 | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 |
CN114899457A (zh) * | 2022-05-23 | 2022-08-12 | 淮阴工学院 | 一种针对质子交换膜燃料电池系统的故障检测方法 |
CN116231010A (zh) * | 2023-05-10 | 2023-06-06 | 北京新研创能科技有限公司 | 一种氢燃料电池系统故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117117258A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement | |
CN110190306B (zh) | 一种用于燃料电池系统的在线故障诊断方法 | |
Steiner et al. | Diagnosis of polymer electrolyte fuel cells failure modes (flooding & drying out) by neural networks modeling | |
Wang et al. | Recent advances and summarization of fault diagnosis techniques for proton exchange membrane fuel cell systems: A critical overview | |
Cadet et al. | Diagnostic tools for PEMFCs: from conception to implementation | |
Jouin et al. | Prognostics and Health Management of PEMFC–State of the art and remaining challenges | |
Mao et al. | Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics | |
Hissel et al. | Diagnostic & health management of fuel cell systems: Issues and solutions | |
Mao et al. | Investigation of PEMFC fault diagnosis with consideration of sensor reliability | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
Mao et al. | Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method | |
Zheng et al. | Brain-inspired computational paradigm dedicated to fault diagnosis of PEM fuel cell stack | |
Mao et al. | Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
CN104396073A (zh) | 用于确定燃料电池组中的临界操作状态的方法 | |
Pahon et al. | Signal-based diagnostic approach to enhance fuel cell durability | |
Peng et al. | Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference | |
CN116706157B (zh) | 燃料电池车辆及排氢阀/排水阀故障诊断方法和装置 | |
Xiao et al. | Fault diagnosis method for proton exchange membrane fuel cells based on EIS measurement optimization | |
CN116053531A (zh) | 一种燃料电池堆健康状态的评估系统及方法 | |
CN103575515B (zh) | 经由堆电压响应分析诊断喷射器故障 | |
CN111628195A (zh) | 一种基于逻辑推理的燃料电池电堆实时状态识别方法 | |
Zhao et al. | A novel pre-diagnosis method for health status of proton exchange membrane fuel cell stack based on entropy algorithms | |
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 |
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 |