CN121030424B - 一种水电解制氢系统故障诊断方法及装置 - Google Patents

Abstract

本发明提供一种水电解制氢系统故障诊断方法及装置，包括：采集水电解制氢系统中多源传感器的运行参数数据；对运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将时间序列数据集划分为具有时间拓扑结构的数据表示；基于时间序列数据集构建图结构，并通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系；基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；将数据表示、自适应邻接矩阵以及传感器特征权重矩阵输入预先训练的故障诊断模型，由故障诊断模型输出故障诊断结果。本发明能够提高水电解制氢系统故障诊断的准确性。

Description

一种水电解制氢系统故障诊断方法及装置

技术领域

本发明属于水电解制氢故障诊断技术领域，具体是涉及到一种水电解制氢系统故障诊断方法及装置。

背景技术

氢能作为清洁低碳的二次能源，是实现“双碳”目标的关键路径之一，而碱性水电解制氢技术因其成熟度高、成本相对较低，成为当前绿氢规模化生产的主要方式。然而，随着可再生能源波动性供电（如风电、光伏）的接入，以及工业场景对制氢系统安全性与效率要求的提升，传统碱性水电解制氢系统在工艺控制、数据协同分析、故障诊断及健康管理等方面面临多重挑战。

数据孤岛与故障诊断低效：系统运行参数（如温度、压力、液位、纯度、电流、电压等）分散于不同设备层级，缺乏多源数据的关联性分析。现有监测技术多聚焦单一参数的阈值预警类别的划分，难以挖掘参数间的时域/频域特征，导致故障溯源效率低、运维依赖人工经验。

健康管理与预测能力不足：多数系统缺乏对设备状态退化趋势的预测模型，无法实现故障的早期预警类别的划分和预防性维护。电解槽催化剂的活性衰减、隔膜老化等长期性问题缺乏量化评估手段，液位差异常波动、系统出现憋压的前兆特征难以挖掘，导致后续启停频繁，运维时长增加。可能影响系统运行的可靠性与经济性。

在远程监测与安全管理方面，现有方法提出了基于网络状态自适应的数据传输优先级调整方法，保障远程监控数据的可靠性；还有数字化运维平台通过多系统模块集成，实现从安全预警类别的划分到事后处理的闭环管理，但尚未深度融合多参数关联分析。部分方法引入时域/频域相关性分析，通过皮尔逊系数和傅里叶变换挖掘参数间关联关系，为故障定位提供依据，但此类方法多用于离线分析，实时性与控制策略的联动性不足。

发明内容

本发明要解决的技术问题为提供一种水电解制氢系统故障诊断方法及装置，以提高水电解制氢系统故障诊断的准确性。

第一方面，本发明提供一种水电解制氢系统故障诊断方法，该方法包括如下步骤：

采集水电解制氢系统中多源传感器的运行参数数据；运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种；

对运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将时间序列数据集划分为具有时间拓扑结构的数据表示；

基于时间序列数据集构建图结构，并通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系；图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系；

基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；

将数据表示、自适应邻接矩阵以及传感器特征权重矩阵输入预先训练的故障诊断模型，由故障诊断模型输出故障诊断结果；其中，故障诊断模型包括时空特征提取模块和故障诊断模块；时空特征提取模块用于从数据表示中提取时间特征，并通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征；故障诊断模块基于时空特征进行分类，输出故障诊断结果；故障诊断模型的训练基于水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。

可选的，通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，包括：

计算两个节点之间的距离；距离为两个节点之间的特征向量差的平方和；

基于两个节点之间的特征向量差的平方和，通过可学习参数和损失函数生成两个节点对应的邻接矩阵元素；损失函数包括节点间特征差异的对齐项和正则化项。

可选的，基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵，包括：

根据数据表示计算查询矩阵、键矩阵以及值矩阵；其中，查询矩阵表示在给定时间内的传感器读数，键矩阵表示传感器数据的不同特征，值矩阵包含与潜在故障相关的特定传感器读数或特征；

通过注意力得分计算和归一化处理，得到传感器特征权重矩阵。

可选的，查询矩阵的表达式为；其中，为数据表示，，表示传感器数量，表示滑动窗口大小，表示传感器的多维特征，表示张量的广播机制，，表示权重矩阵，，，；

键矩阵的表达式为；其中，表示权重矩阵，，；

传感器特征权重矩阵的表达式为；其中，表示传感器特征权重矩阵，，表示可学习的矩阵，，表示函数，表示偏置项，。

可选的，时空特征提取模块包括至少两层时间扩张卷积层，并采用残差连接防止梯度消失；其中，第层时间扩张卷积层的输出为，表示线性整流函数，，表示展开卷积函数，表示第层时间扩张卷积层的输入；残差连接表示为；表示时间扩张卷积层的输入特征数，表示时间扩张卷积层的输出特征数，表示卷积操作。

可选的，通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征，包括：

通过计算公式，得到时空特征；其中，表示自适应邻接矩阵，表示传感器特征权重矩阵，表示第层时间扩张卷积层的输出，表示逐元素相乘，表示权重矩阵。

可选的，邻接矩阵元素的表达式为：

其中，表示邻接矩阵元素，表示两个不同的节点，，表示带泄露的线性整流函数，表示权重系数，，，表示节点和节点之间的距离，表示初始矩阵，表示第维特征，，表示节点的第维特征向量，表示节点的第维特征向量，表示随机矩阵，，表示单位矩阵，；

损失函数的表达式为：

其中，表示超参数。

可选的，故障模式库至少包括系统压力异常、液位差异常、温度异常、气体浓度异常、气体流量异常及碱液流量异常的其中一种故障特征；

故障模式库的构建包括以下至少一种分析规则：

在恒定负荷和变负荷工况下，根据压力变化率判断阀门故障、堵塞或泄漏，检测系统压力异常；

根据氢氧分离器液位差阈值判断调节阀状态、补水流程或差压变送器异常，检测液位差异常；

根据温升速率和温差判断冷却系统效率或电解状态，检测温度异常；

根据浓度变化率判断取样管路或电解槽健康状态，检测气体浓度异常；

根据流量变化率判断传感器或气路堵塞，检测气体流量异常；

根据流量变化率判断调节阀、回流阀或循环泵异常，检测碱液流量异常。

可选的，故障诊断结果包括故障源和故障诊断类别。

第二方面，本发明提供一种水电解制氢系统故障诊断装置，包括：

数据采集模块，用于采集水电解制氢系统中多源传感器的运行参数数据；运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种；

数据预处理模块，用于对运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将时间序列数据集划分为具有时间拓扑结构的数据表示；

图构建模块，用于基于时间序列数据集构建图结构，并通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系；图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系；

权重调节模块，用于基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；

故障诊断模块，用于将数据表示、自适应邻接矩阵以及传感器特征权重矩阵输入预先训练的故障诊断模型，由故障诊断模型输出故障诊断结果；其中，故障诊断模型包括时空特征提取模块和故障诊断模块；时空特征提取模块用于从数据表示中提取时间特征，并通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征；故障诊断模块基于时空特征进行分类，输出故障诊断结果；故障诊断模型的训练基于水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。

本发明至少具有以下有益效果：

采用滑动窗口将时间序列数据集划分，能够有效整合多元参数数据，打破数据孤岛，有利于提高水电解制氢系统故障诊断的准确性；通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系，能够克服传统方法依赖固定关联的局限，精确捕捉故障传播路径，有利于提高水电解制氢系统故障诊断的准确性；基于节点注意力机制动态调整不同传感器特征的重要性权重，能够聚焦于关键故障信号的影响，抑制干扰，有利于提高水电解制氢系统故障诊断的准确性；从数据表示中提取时间特征，并通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征，能够识别缓慢发展的潜在故障和参数退化趋势，实现对复杂故障模式的全面刻画，有利于提高水电解制氢系统故障诊断的准确性。

附图说明

附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。

图1为本申请其中一种实施方式中水电解制氢系统故障诊断方法的流程图；

图2为本申请其中一种实施方式中系统压力异常分析的流程图；

图3为本申请其中一种实施方式中液位差异常分析的流程图；

图4为本申请其中一种实施方式中温度异常分析的流程图；

图5为本申请其中一种实施方式中浓度异常分析的流程图；

图6为本申请其中一种实施方式中产气量异常分析的流程图；

图7为本申请其中一种实施方式中碱液流量异常分析的流程图；

图8为本申请其中一种实施方式中水电解制氢系统故障诊断装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

目前，水电解制氢系统在故障诊断方面主要依赖于基于阈值的单一参数预警方法。典型的现有方法是通过在关键位置布置传感器（如温度、压力、液位、纯度等），对采集的数据设定固定阈值，当某一参数超出设定范围时触发报警。例如，当系统压力超过某一上限值时，系统会发出高压预警；当碱液温度异常升高时，触发温度超限报警。此外，部分现有系统采用简单的时序统计分析，如滑动平均、差分处理等，用于平滑数据或检测突变，但仍以单参数独立判断为主。少数系统尝试引入传统机器学习方法（如支持向量机、决策树等）进行故障分类，但多依赖于人工特征提取，且未充分考虑多传感器之间的时空关联性。为了进一步提高水电解制氢系统故障诊断的准确性，本发明提供一种水电解制氢系统故障诊断方法。

实施例1

如图1所示，本发明提供的水电解制氢系统故障诊断方法包括以下步骤：

步骤11，采集水电解制氢系统中多源传感器的运行参数数据。

在本发明实施例中，运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种。

一种可行的实施方式中，在采集运行参数数据之前，可将水电解制氢系统划分为电解槽层和工艺层。电解槽层指水电解制氢系统中电解槽本体及其直接相关设备，包括电解槽、碱液循环系统、气体分离系统等核心部件。工艺层指水电解制氢系统中与工艺过程相关的参数层，包括温度、压力、液位、流量和浓度等运行参数。通过这种分层解耦，可以清晰地定义故障传播路径和数据关联关系。

在具体实施时，可通过安装在水电解制氢系统各部位的传感器，采集电解槽层和工艺层的多源运行数据。示例性的，压力参数可通过安装在系统压力测点的传感器采集；温度参数可通过安装在碱液温度测点、氧出口温度测点或氢出口温度测点的传感器采集；液位参数可通过安装在氧分离器液位测点、氢分离器液位测点的传感器采集；流量参数可通过安装在碱液流量测点、实际产氢量测点的传感器采集；浓度参数可通过安装在氢中氧浓度测点、氧中氢浓度测点的传感器采集。

一种可行的实施方式中，所有数据均以1秒为采样周期进行采集。每个传感器的数据表示为；其中，表示传感器的多维特征，表示时间步长。

步骤12，对运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将时间序列数据集划分为具有时间拓扑结构的数据表示。

在本发明实施例中，预处理为对运行参数数据进行标准化处理，消除量纲影响，并按照采集时间的先后关系对运行参数数据进行排序，得到时间序列数据集。

通过滑动窗口处理，能够将连续时间序列数据分割为固定长度的片段，保留时间局部性，便于后续时域和频域分析。一种可行的实施方式中，窗口大小为，平移步长为1，即每秒钟生成一个新窗口。每个窗口数据表示为，表示传感器数量。

步骤13，基于时间序列数据集构建图结构，并通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系。

在本发明实施例中，图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系。

一种可行的实施方式中，通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，包括步骤13.1至步骤13.2。

步骤13.1，计算两个节点之间的距离。

具体的，节点间的距离为两个节点之间的特征向量差的平方和。

需要说明的是，在实际实施时，考虑到制氢系统传感器之间的关系随着时间的推移而变化，本发明侧重于使用单个时间点的数据来推断图结构。因此，采用中间切片法对数据进一步处理，记为，并使用此时的数据作为图结构学习的基础。

一种可行的实施方式中，可通过计算公式：

得到节点和节点之间的距离；其中，表示第维特征，，表示节点的第维特征向量，表示节点的第维特征向量。

步骤13.2，基于两个节点之间的距离，通过可学习参数和损失函数生成两个节点对应的邻接矩阵元素。

在本发明实施例中，损失函数包括节点间特征差异的对齐项和正则化项。

一种可行的实施方式中，邻接矩阵元素的表达式为：

其中，表示邻接矩阵元素，表示两个不同的节点，，表示带泄露的线性整流函数，表示权重系数，，，表示随机矩阵，，表示单位矩阵，，表示逐元素相乘。

一种可行的实施方式中，损失函数的表达式为：

其中，表示超参数。

需要说明的是，损失函数的第一项衡量了学习到的邻接矩阵与节点间特征差异的对齐程度。当距离增大时，对应的邻接矩阵元素会成反比减小。而第二项用于约束邻接矩阵的稀疏性。

步骤14，基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵。

为了增强关键传感器的特征权重，本发明引入节点注意力机制，具体包括步骤14.1至步骤14.2。

步骤14.1，根据数据表示计算查询矩阵、键矩阵以及值矩阵。

其中，查询矩阵表示在给定时间内的传感器读数，键矩阵表示传感器数据的不同特征，值矩阵包含与潜在故障相关的特定传感器读数或特征。

一种可行的实施方式中，查询矩阵的表达式为；其中，为数据表示，，表示传感器数量，表示滑动窗口大小，表示张量的广播机制，，表示权重矩阵，，，；

键矩阵的表达式为；其中，表示权重矩阵，，。

步骤14.2，通过注意力得分计算和归一化处理，得到传感器特征权重矩阵。

具体而言，传感器特征权重矩阵的表达式为；其中，表示传感器特征权重矩阵，，表示可学习的矩阵，，表示函数，表示偏置项，。

步骤15，将数据表示、自适应邻接矩阵以及传感器特征权重矩阵输入预先训练的故障诊断模型，由故障诊断模型输出故障诊断结果。

在本发明实施例中，故障诊断模型包括时空特征提取模块和故障诊断模块。

时空特征提取模块用于从数据表示中提取时间特征，并通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征。具体的，时空特征提取模块包括至少两层时间扩张卷积层，并采用残差连接防止梯度消失；其中，第层时间扩张卷积层的输出为，表示线性整流函数，，表示展开卷积函数，表示第层时间扩张卷积层的输入；残差连接表示为；表示时间扩张卷积层的输入特征数，表示时间扩张卷积层的输出特征数，表示卷积操作。

通过图卷积操作结合所述自适应邻接矩阵和所述传感器特征权重矩阵，输出时空特征的过程包括：

通过计算公式，得到时空特征；其中，表示自适应邻接矩阵，表示传感器特征权重矩阵，表示第层时间扩张卷积层的输出，表示权重矩阵。

故障诊断模块基于时空特征进行分类，输出故障诊断结果。一种可行的实施方式中，故障诊断模块包括两个线性层，时空特征提取模块的输出端与该两个线性层全连接，用于进行故障诊断。

示例性的，故障诊断结果的表达式为：。具体的，一种可行的实施方式中，时间扩张卷积网络的数量有两个。在第一个时间扩张卷积网络中，通过计算公式：

得到第一个时间扩张卷积网络第层时间扩张卷积层的输出，将其作为第一时间特征。

随后，基于通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，通过计算公式：

得到第一时空特征。

在第二个时间扩张卷积网络中，通过计算公式：

得到第二时间特征。

随后通过计算公式，得到最终的故障诊断结果。

另一种可行的实施方式中，故障诊断结果包括故障源（异常参数数据传感器所在的测点位置）和故障诊断类别。

需要说明的是，在本发明实施例中，故障诊断模型的训练基于水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。

具体的，故障模式库至少包括系统压力异常、液位差异常、温度异常、气体浓度异常、气体流量异常及碱液流量异常的其中一种故障特征。故障模式库的构建包括以下至少一种分析规则：

（一）在恒定负荷和变负荷工况下，根据压力变化率判断阀门故障、堵塞或泄漏，检测系统压力异常。

具体的，系统压力分析考虑恒定负荷与变负荷工况；其中，恒定负荷工况可视为制氢电源给定以及反馈波动范围在±1%In以内，此时系统进入稳态调节。变负荷工况可视为负荷变化速率超过1%In/s的连续变功率工况，此时系统进入变负荷调节，详细流程如图2所示。当系统进入稳态调节时，恒定负荷下系统压力分析使能：

若压力，表示系统压力，表示系统压力突增阈值，表示采样时间，定义此刻压力出现突增趋势，系统开始辨识氧侧液位调节阀与氢侧液位调节阀，检查调节阀是否出现断线故障，是则进行阀门故障预警类别的划分；若无，计算给定开度与反馈开度差值，；当（预设开度差值最大值）则进行阀门负偏差预警类别的划分。排除阀门失效故障后，检查氢、氧分离器补水阀开关，判断此时是否正在补水，分析是否由补水流程导致压力升高；排除上述原因后，对氢氧两侧出口阀、切断阀进行辨识，是否异常关闭；溯源未见异常则进行堵塞点预警类别的划分。

若压力，表示系统压力突降阈值，定义此刻压力出现突降趋势，同理，系统开始辨识氧侧液位调节阀与氢侧液位调节阀，检查调节阀是否出现断线故障，是则进行阀门故障预警类别的划分；若无，计算给定开度与反馈开度差值；当（预设开度差值最小值）则进行阀门正偏差预警类别的划分。排除阀门失效故障后，检查氢、氧分离器补水阀开关，判断此时是否正在补水，分析是否由补水流程导致压力降低；排除上述原因后，对氢氧两侧出口阀、切断阀进行辨识，是否工作在指定状态；若排除以上所有因素后，进入电解槽层分析溯源。溯源未见异常则进行漏点预警类别的划分。当系统进入变负荷工况，稳态分析关闭：此时每经过时间记录调节过程中压力最大正超调量，构建本次开机的所有超调量，将超调量、次数与频率作为系统潜在风险点的故障特征。

（二）根据氢氧分离器液位差阈值判断调节阀状态、补水流程或差压变送器异常，检测液位差异常。

具体的，系统氢、氧分离器液位差分析同样考虑恒定负荷与变负荷工况，定义同上。液位差定义为氢分离器差压式液位计测量值减去氧分离器差压式液位计测量值，详细流程如图3所示。

当系统进入稳态调节时，恒定负荷下系统压力分析使能：

若液位差，表示氢氧分离器液位差，表示氢氧分离器液位差高报，定义此刻氢侧液位过高，氧侧压力高于氢侧压力，系统开始辨识氧侧液位调节阀与氢侧液位调节阀，检查调节阀是否出现断线故障，是则进行阀门故障预警类别的划分；若无，计算氧侧调节阀给定开度与反馈开度差值，当则进行氧侧阀门负偏差预警类别的划分。同时，计算氢侧调节阀给定开度与反馈开度差值，当则进行氢侧阀门正偏差预警类别的划分。排除阀门失效故障后，检查氢、氧分离器补水阀开关，判断此时是否正在补水，分析是否由补水流程导致氧侧压力升高；排除上述原因后，对氧侧出口阀、切断阀进行辨识，是否异常关闭；对氢侧出口阀、切断阀进行辨识，是否工作在指定状态；排除上述原因后，分析氧气侧排水管路中排水阀历史趋势，计算排水阀开启频率、开启时间、间隔时间是否异常；若排除以上所有因素后，进入电解槽层分析溯源。溯源未见异常则进行差压变送器气管堵塞预警类别的划分。

若液位差，表示氢氧分离器液位差低报，定义此刻氧侧液位过高，氢侧压力高于氢侧压力，系统开始辨识氧侧液位调节阀与氢侧液位调节阀，检查调节阀是否出现断线故障，是则进行阀门故障预警类别的划分；若无，计算氢侧调节阀给定开度与反馈开度差值，当则进行氢侧阀门负偏差预警类别的划分。同时，计算氧侧调节阀给定开度与反馈开度差值，当则进行氧侧阀门正偏差预警类别的划分。排除阀门失效故障后，检查氢、氧分离器补水阀开关，判断此时是否正在补水，分析是否由补水流程导致氢侧压力升高；排除上述原因后，对氢侧出口阀、切断阀进行辨识，是否异常关闭；对氧侧出口阀、切断阀进行辨识，是否工作在指定状态；排除上述原因后，分析氢气侧排水管路中排水阀历史趋势，计算排水阀开启频率、开启时间、间隔时间是否异常；若排除以上所有因素后，进入电解槽层分析溯源。溯源未见异常则进行差压变送器气管堵塞预警类别的划分。

当系统进入变负荷工况，稳态分析关闭：此时每经过时间记录调节过程中液位差最大正、负超调量，构建本次开机的所有超调量，将超调量、次数与频率作为系统潜在风险点的故障特征。

（三）根据温升速率和温差判断冷却系统效率或电解状态，检测温度异常。

具体的，系统温度分析可划分为氧侧出口温度分析、氢侧出口温度分析、碱液温度分析，详细流程如图4所示。

氧侧出口温度分析：氧侧出口温度对温升速率进行计算，表示氧侧出口温度，当温升速率出现异常对小室温度温升速率，进行计算判断是否有槽体引起，表示小室温度。同时计算与碱液温度温差，表示碱液温度，当，表示氧侧出口温度与碱液温度的最大允许温差，此时判断冷却水调节阀是否正常，进入碱液温度分析。同时判断碱液循环泵是否出现异常，检测流量是否发生突变，排除过滤器堵塞、阀门异常等情况；计算与氢侧出口温度温差，表示氢侧出口温度，同时计算氧中氢浓度变化速率，表示为氧气中的氢气含量，由氧中氢分析仪测量，当两者变化速率同时上升时，系统进入温度预警类别的划分；计算与小室温度的平均温差，求解传感器误差补偿；计算与环境温度温差，判断此时冷启动可能的用时，用以评估电解槽层相关信息。

氢侧出口温度分析：氢侧出口温度对温升速率进行计算，当温升速率出现异常对小室温度温升速率进行计算判断是否有槽体引起。同时计算与碱液温度温差，当，此时判断冷却水调节阀是否正常，进入碱液温度分析。同时判断碱液循环泵是否出现异常，检测流量是否发生突变，排除过滤器堵塞、阀门异常等情况；计算与氧侧出口温度温差，同时计算氢中氧浓度变化速率，表示氢气中的氧气含量，由氢中氧分析仪测量，当两者变化速率同时上升时，系统进入温度预警类别的划分；计算与小室温度的平均温差，求解传感器误差补偿；计算与环境温度温差，判断此时冷启动可能的用时，用以评估电解槽层相关信息。

碱液温度分析：碱液温度对温升速率进行计算，当温升速率出现异常对小室温度温升速率进行计算判断是否有槽体引起。同时计算碱液温度与氢氧两侧出口温度的温差从而辨识冷却效率，此时冷却效率受环境因素、冷却水温度、冷却阀门影响。当冷却效率出现异常，系统开始对冷却水出口温度、回水温度进行峰峰值与平均值计算进而判断冷却塔潜在故障点。若排除上述原因，系统进入冷却水阀门状态辨识，计算冷却水调节阀给定开度与反馈开度差值，当则进行冷却水调节阀负偏差预警类别的划分。

（四）根据浓度变化率判断取样管路或电解槽健康状态，检测气体浓度异常。

具体的，系统浓度分析可划分为氧中氢分析和氢中氧分析，详细流程如图5所示。

氧中氢分析：若系统负荷稳定，对氧中氢浓度变化速率进行计算，当氧中氢浓度变化速率出现异常判断氢侧是否正在进行补水，若未补水则判断槽出口温度、碱液温度、碱液流量是否出现显著变化，并相应进行预警类别的划分。若无明显变化，判断分析仪排水是否正常、取样阀状态是否正常、取样管路是否出现异常，并相应进行预警类别的划分。若短时间内负荷出现大幅度调整，则使用浓度辨识模型计算当前负荷下对应的氧中氢计算值，与实际值进行比较，将差值作为电解槽健康状态评价指标之一，同时计算与额定工况下的浓度差作为电解槽状态辨识特征之一。

氢中氧分析：若系统负荷稳定，对氢中氧浓度变化速率进行计算，当氢中氧浓度变化速率出现异常判断氧侧是否正在进行补水，若未补水则判断槽出口温度、碱液温度、碱液流量是否出现显著变化，并相应进行预警类别的划分。若无明显变化，判断分析仪排水是否正常、取样阀状态是否正常、取样管路是否出现异常，并相应进行预警类别的划分。若短时间内负荷出现大幅度调整，则使用浓度辨识模型计算当前负荷下对应的氢中氧计算值，与实际值进行比较，将差值作为电解槽健康状态评价指标之一，同时计算与额定工况下的浓度差作为电解槽状态故障特征之一。

（五）根据流量变化率判断传感器或气路堵塞，检测气体流量异常。

具体的，详细流程如图6所示。对流量计测量值进行滑动平均滤波得到，若，表示氢气流量允许的平均时变，则首先判断系统是否在降低负荷，然后判断流量计前端电磁阀是否属于正常开启状态；排除上述因素后对流量计传感器本身状态进行预警类别的划分、气路堵塞预警类别的划分。同时记录流量计测量值，从长时间尺度中提取特征值作为电解槽健康状态的评价指标之一。

通过产气量计算系统效率，设使用电流法计算得到产气量，则系统效率，将其作为电解槽健康状态的评价指标之一。

（六）根据流量变化率判断调节阀、回流阀或循环泵异常，检测碱液流量异常。

具体的，详细流程如图7所示。若系统负荷稳定，计算碱液流量，表示碱液流量增量，表示碱液流量允许的最大增速度，定义此时流量为突增状态，此时检测碱液流量调节阀是否异常，计算碱液流量调节阀给定开度与反馈开度差值，当则进行流量调节阀正偏差预警类别的划分。若无异常，计算碱液回流阀给定开度与反馈开度差值，当则进行碱液回流阀负偏差预警类别的划分。若无异常，计算碱液循环泵给定频率与反馈开度差值，当则进行碱液循环泵变频器正偏差预警类别的划分，表示变频器允许的最小正偏差量。

若系统负荷稳定，计算碱液流量，表示碱液流量减少量，表示碱液流量允许的最大减速度，定义此时流量为突降状态，此时检测碱液流量调节阀是否异常，计算碱液流量调节阀给开度与反馈开度差值，当则进行流量调节阀负偏差预警类别的划分。若无异常，计算碱液回流阀给定开度与反馈开度差值，当则进行碱液回流阀正偏差预警类别的划分。若无异常，计算碱液循环泵给定频率与反馈开度差值，当，表示变频器允许的最大负偏差量，则进行碱液循环泵变频器负偏差预警类别的划分。排除上述因素后进行循环路堵塞预警类别的划分。

若系统处在变负荷状态，则主要考虑流量设定与负荷大小的关联性，排除后进行上述过程分析。

实施例2

本实施例提供一种水电解制氢系统故障诊断装置，如图8所示，该装置800包括：

数据采集模块801，用于采集水电解制氢系统中多源传感器的运行参数数据；运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种；

数据预处理模块802，用于对运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将时间序列数据集划分为具有时间拓扑结构的数据表示；

图构建模块803，用于基于时间序列数据集构建图结构，并通过计算图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获水电解制氢系统中传感器之间的动态耦合关系；图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系；

权重调节模块804，用于基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；

故障诊断模块805，用于将数据表示、自适应邻接矩阵以及传感器特征权重矩阵输入预先训练的故障诊断模型，由故障诊断模型输出故障诊断结果；其中，故障诊断模型包括时空特征提取模块和故障诊断模块；时空特征提取模块用于从数据表示中提取时间特征，并通过图卷积操作结合自适应邻接矩阵和传感器特征权重矩阵，输出时空特征；故障诊断模块基于时空特征进行分类，输出故障诊断结果；故障诊断模型的训练基于水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种水电解制氢系统故障诊断方法，其特征在于，包括：

采集水电解制氢系统中多源传感器的运行参数数据；所述运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种；

对所述运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将所述时间序列数据集划分为具有时间拓扑结构的数据表示；

基于所述时间序列数据集构建图结构，并通过计算所述图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获所述水电解制氢系统中传感器之间的动态耦合关系；所述图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系；

基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；

将所述数据表示、所述自适应邻接矩阵以及所述传感器特征权重矩阵输入预先训练的故障诊断模型，由所述故障诊断模型输出故障诊断结果；其中，

所述故障诊断模型包括时空特征提取模块和故障诊断模块；所述时空特征提取模块用于从所述数据表示中提取时间特征，并通过图卷积操作结合所述自适应邻接矩阵和所述传感器特征权重矩阵，输出时空特征；所述故障诊断模块基于所述时空特征进行分类，输出所述故障诊断结果；所述故障诊断模型的训练基于所述水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。

2.根据权利要求1所述的水电解制氢系统故障诊断方法，其特征在于，所述通过计算所述图结构中节点间的特征差异动态生成自适应邻接矩阵，包括：

计算两个节点之间的距离；所述距离为所述两个节点之间的特征向量差的平方和；

基于所述两个节点之间的特征向量差的平方和，通过可学习参数和损失函数生成所述两个节点对应的邻接矩阵元素；所述损失函数包括节点间特征差异的对齐项和正则化项。

3.根据权利要求2所述的水电解制氢系统故障诊断方法，其特征在于，所述基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵，包括：

根据所述数据表示计算查询矩阵、键矩阵以及值矩阵；其中，所述查询矩阵表示在给定时间内的传感器读数，键矩阵表示传感器数据的不同特征，值矩阵包含所述多源传感器的读数或特征；

通过注意力得分计算和归一化处理，得到所述传感器特征权重矩阵。

4.根据权利要求3所述的水电解制氢系统故障诊断方法，其特征在于，所述查询矩阵的表达式为；其中，为所述数据表示，，表示传感器数量，表示滑动窗口大小，表示传感器的多维特征，表示张量的广播机制，表示权重矩阵，，，；

所述键矩阵的表达式为；其中，表示权重矩阵，，；

所述传感器特征权重矩阵的表达式为；其中，表示所述传感器特征权重矩阵，，表示可学习的矩阵，，表示函数，表示偏置项，。

5.根据权利要求4所述的水电解制氢系统故障诊断方法，其特征在于，所述时空特征提取模块包括至少两层时间扩张卷积层，并采用残差连接防止梯度消失；其中，第层时间扩张卷积层的输出为，表示线性整流函数，表示展开卷积函数，表示第层时间扩张卷积层的输入；残差连接表示为；表示时间扩张卷积层的输入特征数，表示时间扩张卷积层的输出特征数，表示卷积操作。

6.根据权利要求5所述的水电解制氢系统故障诊断方法，其特征在于，所述通过图卷积操作结合所述自适应邻接矩阵和所述传感器特征权重矩阵，输出时空特征，包括：

通过计算公式，得到所述时空特征；其中，表示所述自适应邻接矩阵，表示所述传感器特征权重矩阵，表示逐元素相乘，表示第层时间扩张卷积层的输出，表示权重矩阵。

7.根据权利要求6所述的水电解制氢系统故障诊断方法，其特征在于，所述邻接矩阵元素的表达式为

其中，表示邻接矩阵元素，表示两个不同的节点，，表示带泄露的线性整流函数，表示权重系数，，，表示节点和节点之间的距离，表示初始矩阵，表示第维特征，，表示节点的第维特征向量，表示节点的第维特征向量，表示随机矩阵，，表示单位矩阵，；

所述损失函数的表达式为

其中，表示超参数。

8.根据权利要求1所述的水电解制氢系统故障诊断方法，其特征在于，所述故障模式库至少包括系统压力异常、液位差异常、温度异常、气体浓度异常、气体流量异常及碱液流量异常的其中一种故障特征；

所述故障模式库的构建包括以下至少一种分析规则：

在恒定负荷和变负荷工况下，根据压力变化率判断阀门故障、堵塞或泄漏，检测系统压力异常；

根据氢氧分离器液位差阈值判断调节阀状态、补水流程或差压变送器异常，检测液位差异常；

根据温升速率和温差判断冷却系统效率或电解状态，检测温度异常；

根据浓度变化率判断取样管路或电解槽健康状态，检测气体浓度异常；

根据流量变化率判断传感器或气路堵塞，检测气体流量异常；

根据流量变化率判断调节阀、回流阀或循环泵异常，检测碱液流量异常。

9.根据权利要求8所述的水电解制氢系统故障诊断方法，其特征在于，所述故障诊断结果包括故障源和故障诊断类别。

10.一种水电解制氢系统故障诊断装置，其特征在于，包括：

数据采集模块，用于采集水电解制氢系统中多源传感器的运行参数数据；所述运行参数包括压力、温度、液位、纯度、电流和电压中的至少两种；

数据预处理模块，用于对所述运行参数数据进行预处理，构建时间序列数据集，并采用滑动窗口将所述时间序列数据集划分为具有时间拓扑结构的数据表示；

图构建模块，用于基于所述时间序列数据集构建图结构，并通过计算所述图结构中节点间的特征差异动态生成自适应邻接矩阵，以捕获所述水电解制氢系统中传感器之间的动态耦合关系；所述图结构中的节点表示传感器，节点属性表示传感器特征向量，边表示传感器之间的关联关系；

权重调节模块，用于基于节点注意力机制动态调整不同传感器特征的重要性权重，得到传感器特征权重矩阵；

故障诊断模块，用于将所述数据表示、所述自适应邻接矩阵以及所述传感器特征权重矩阵输入预先训练的故障诊断模型，由所述故障诊断模型输出故障诊断结果；其中，

所述故障诊断模型包括时空特征提取模块和故障诊断模块；所述时空特征提取模块用于从所述数据表示中提取时间特征，并通过图卷积操作结合所述自适应邻接矩阵和所述传感器特征权重矩阵，输出时空特征；所述故障诊断模块基于所述时空特征进行分类，输出所述故障诊断结果；所述故障诊断模型的训练基于所述水电解制氢系统的历史运维数据和系统运行规则构建故障模式库。