[发明专利]一种用于燃料电池系统的在线故障诊断方法

权利要求书

1.一种用于燃料电池系统的在线故障诊断方法，其特征在于，包括以下步骤：

获取第一故障诊断模型，所述第一故障诊断模型是基于电堆的实时数据和机器学习方法获得；所述电堆的实时数据是通过电堆基准测试实验获得；

燃料电池系统运行过程中，获取实时测量的电堆运行数据，将其作为所述第一故障诊断模型的输入参数，进而获得电堆的故障诊断结果；

获取第二故障诊断模型，所述第二故障诊断模型中包含了与燃料电池系统中各辅助部件对应的标准数据；

获取燃料电池系统中各辅助部件的实时运行数据，将其作为所述第二故障诊断模型的输入参数，进而获得各辅助部件的故障诊断结果；具体为：

获取燃料电池系统中各辅助部件的实时运行数据；

将获取到的燃料电池系统中各辅助部件的实时运行数据与第二故障诊断模型中已有的标准数据进行对比，根据差值是否超过预先设定的阈值，来判断辅助部件是否发生故障；

所述辅助部件包括氢气循环泵、空气压缩机、换热器、水泵和/或DC/DC升压转换器；

对于氢气循环泵、空气压缩机和水泵，标准数据是指不同转速下的流量和压力关系曲线；

对于换热器，标准数据是指换热系数和流量的关系曲线；

对于DC/DC升压转换器，标准数据是指效率和电压比的关系曲线。

2.根据权利要求1所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述第一故障诊断模型的获得步骤具体为：

获取电堆的实时正常放电工况数据和故障工况数据，形成数据集；

将所述数据集分为训练数据子集和验证数据子集；

选定机器学习模型；

使用所述训练数据子集对所述机器学习模型进行训练；

使用所述验证数据子集对机器学习模型的准确度进行验证；

根据验证结果调整机器学习模型的结构，反复进行训练和验证，最终得到准确度符合要求的第一故障诊断模型。

3.根据权利要求2所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述机器学习模型的学习方法为K近邻、贝叶斯网络、支持向量机、人工神经网络或深度学习中的任意一种。

4.根据权利要求2所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述调整机器学习模型的结构的过程中采用的是基于梯度下降法、牛顿法、共轭梯度法或遗传算法。

5.根据权利要求1-4中任一项所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述电堆的故障诊断结果包括水淹、膜干、缺气、短路和/或催化剂中毒。

6.根据权利要求1所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述获取实时测量的电堆运行数据步骤和/或获取燃料电池系统中各辅助部件的实时运行数据之后还包括：

对采集到的实时运行数据进行实时滤波，去除时域数据的高频分量。

7.根据权利要求1所述的一种用于燃料电池系统的在线故障诊断方法，其特征在于：所述电堆的实时运行数据包括：电流、电压、每个电池单元的电压、阴极和阳极的气体流量、进出口温度、进出口压力、进出口湿度、冷却水流量和/或冷却水进出口温度；所述各辅助部件的实时运行数据包括：氢气循环泵的转速、进出口压力和流量，空气压缩机的转速、进出口压力和流量，换热器的进出口温度和流量，水泵的转速、进出口压力和流量，和/或，DC/DC升压转换器的输入电压、输出电压、输入功率和输出功率。