机器学习在PEM燃料电池故障诊断中的应用
01背景质子交换膜（Proton Exchange Membrane, PEM）燃料电池是一种高效且环保的能源转换装置，然而，由于其非线性特性和时变性质，PEM燃料电池在实际运行中面临着各种潜在故障。因此，及时而准确地诊断出这些故障对 ...
以下为文章全文：(本站微信公共账号:cartech8)
汽车零部件采购、销售通信录 填写你的培训需求，我们帮你找 招募汽车专业培训老师
| 01 背景 质子交换膜（Proton Exchange Membrane, PEM）燃料电池是一种高效且环保的能源转换装置，然而，由于其非线性特性和时变性质，PEM燃料电池在实际运行中面临着各种潜在故障。因此，及时而准确地诊断出这些故障对于维持燃料电池的高效性和可靠性至关重要。 传统的故障诊断方法通常依赖于基于物理模型的分析和监测，然而，由于PEM燃料电池内部复杂的物理和化学过程，建立一个精确的数学模型非常困难，尤其是考虑到各种可能的故障机制。机器学习技术具有自动化、数据驱动和适应性强的特点，可以处理PEM燃料电池复杂的非线性关系，能够用来识别和预测潜在故障，从而实现对故障的早期诊断。 02 机器学习在PEM燃料电池故障诊断中的具体应用 在基于机器学习的PEM燃料电池故障诊断中，输入的选取对模型的有效性和准确性有着至关重要的影响。当PEM燃料电池发生故障时，由传感器可直接测量的燃料电池运行参数——电流、电压、温度、湿度、气压等可能会出现数据异常，这些异常数据可以被用来估计燃料电池是否出现故障。例如，CHANAL D等[1]通过使用20个传感器测量PEM燃料电池的电流、阴阳极出入口压力、阴阳极反应物流量、阴极化学计量比、阴阳极出入口温度等作为机器学习的输入，通过模型训练实现对PEM燃料电池故障状态的预测，预测准确率可达99%。 虽然采用运行参数作为机器学习输入的方法能够较为准确地区分PEM燃料电池是否发生故障，但这实际上只是状态监测，状态监测更重视故障检测的实时性和低成本的性能，而故障诊断则更重视对不同故障的表征和分类[2]。如图1所示，PEM燃料电池有着膜干(Drying)、水淹(Flooding)和饥饿(Starvation)三种可恢复故障。膜干故障主要是由于聚合物膜中含水量低阻碍了质子的传输，造成质子传输阻抗的增大；水淹故障是由于燃料电池内过量的液态水阻碍了氧气经流道或多孔介质转移到催化反应部位进行电化学反应，从而导致电荷转移和传质损失的显著增加；饥饿故障是由于反应物供应无法满足电化学反应的消耗。  图1 PEM燃料电池的三种常见的可恢复故障 电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）是一种应用广泛的原位无损测量方法，能够解析电化学系统不同时间尺度的极化过程，常用于燃料电池操作条件敏感性分析和故障诊断。由于包含了更丰富的内部状态信息，基于EIS的方法可以诊断更多的故障，并提高了准确性。 如图2所示，通过将EIS与等效电路方法结合，可以计算出燃料电池在膜干、水淹和空气饥饿不同故障程度下的奈奎斯特图、极化电阻等的变化情况。其中，2500 Hz和10 Hz的阻抗可以分别反映质子传输阻抗Rpt和电荷转移阻抗Rct随故障发生的演化趋势。具体来说，随着膜干故障的加剧，电压持续下降，而2500 Hz阻抗和Rpt持续增大，同时，奈奎斯特图中高频圆弧的截距增大，中频圆弧尺寸增大，低频圆弧尺寸减小，这些都可以反映燃料电池处于严重的膜干故障状态。  图2 三种典型故障下的PEM燃料电池电压、特性阻抗、相关标签、EIS、和极化电阻的变化。(a)膜干；(b)水淹；(c)空气饥饿。Ro为欧姆电阻；Ric为界面接触阻抗；Rpt为质子传输阻抗；Rct为电荷转移阻抗；Rmt为传质电阻。 因此，采用基于EIS方法获得的各类特性阻抗数据能够被用于准确诊断PEM燃料电池出现的故障种类及程度。Yuan H等[3]选择电流I、电压V、温度Tcell、阴极入口温度Tca、空气计量比λca和特性阻抗Rci作为神经网络模型的输入，选择故障类别作为输出，建立PEM燃料电池在动态工况下的25类故障数据集，然后结合残差网络（ResNet）的特征提取能力和长短期记忆网络（LSTM）的序列处理能力，构建了一个包含ResNet和LSTM的混合深度学习模型，用包含25类故障的数据集进行模型训练。从最终结果来看，ResNet-LSTM的整体诊断准确率为99.623%，准确率很高，其中膜干、水淹和空气饥饿的诊断准确率分别为99.172%、99.899%和99.618%。 03 总结 特征参数的选取在机器学习中至关重要，合适的特征可以降低计算复杂度、提高模型训练速度。可用于PEM燃料电池故障诊断的特征参数主要有两类，一类是可由传感器直接测得的运行参数；另一类是EIS技术获得的各类特性阻抗。EIS能够准确地反映出不同类别、不同程度故障的特性阻抗变化，因此利用EIS获得的各类特性阻抗数据作为特征参数的机器学习方法能够更加准确地诊断出PEM燃料电池的各类故障，对于提高PEM燃料电池系统的可靠性具有较高的价值。  04 参考文献 [1] CHANAL D, STEINER N Y, CHAMAGNE D, et al. LT-PEM Fuel Cells diagnosis based on EIS, clustering, and automatic parameter selection[J/OL]. IEEE transactions on vehicular technology, 2023: 1-14. [2] Yan C, Chen J, Liu H, et al. Health Management for PEM Fuel Cells Based on an Active Fault Tolerant Control Strategy [J]. IEEE Transactions on Sustainable Energy, 2021, 12(2): 1311–1320. [3] Yuan H, Tan D, Wei X, et al. Fault Diagnosis of Fuel Cells by a Hybrid Deep Learning Network Fusing Characteristic Impedance [J]. IEEE Transactions on Transportation Electrification, 2023: 1–1. |
文章网友提供，仅供学习参考，版权为原作者所有，如侵犯到
你的权益请联系542334618@126.com，我们会及时处理。
会员评价：
共0条 发表评论