论文部分内容阅读
质子交换膜燃料电池(Proton exchange membrane fuel cell,PEMFC)作为一种新型发电装置,可将化学能转变为电能,因为环保无污染、能量转化率高和噪音小等优势,已逐渐在家用轿车、公交车和有轨电车等交通领域得到推广应用。然而,寿命短、易故障、成本高等缺陷一直是阻碍其大规模普及商用的制约因素。为保障PEMFC发电系统可靠运行并提高其使用寿命,亟需进行PEMFC故障诊断和寿命预测方法研究。本文主要研究成果如下:
(1)针对PEMFC水管理子系统故障诊断问题,提出基于概率神经网络(Probabilistic neural network,PNN)与线性判别分析(Linear discriminant analysis,LDA)的燃料电池水管理子系统故障诊断算法,可以大大降低计算复杂度,同时提高诊断准确性。该方法使用归一化和线性判别分析来消除量纲并减小原始实验数据的维度,能将故障特征向量提取,减小计算量;基于故障数据的PNN完成燃料电池水管理子系统故障检测,可以大大提高故障排除的准确性。使用17086套燃料电池水管理子系统故障数据集(包括膜干燥故障,水淹故障和正常状态)来实验验证该方法的可行性。为了测试新算法的可靠性,分别把BPNN和LDA-BPNN与新策略进行了比较。
(2)针对燃料电池空气供给子系统故障诊断问题,提出基于数据融合的PEMFC发电系统故障诊断新方法。对不同故障下燃料电池发电系统的电学量和非电学量进行特征提取,分别采用核超限学习机(Kernel extreme learning machine,K-ELM)算法与在线序列超限学习机(Online sequential extreme learning machine,OS-ELM)算法,建立基于电学量和非电学量的燃料电池发电系统故障诊断模型,用于燃料电池发电系统的初步故障诊断。采用挤压函数将上述2种策略的诊断结果转化为基本概率分配(Basic probability assignment,BPA)函数值,使用D-S证据理论算法在决策层进行融合诊断输出。通过由4种不同程度高空气过量系数故障组成的154组实测样本数据对新方法的可行性进行验证。并与传统一对一法(One-against-one)SVM算法和BP神经网络算法的识别结果分析对比,验证新算法的效果。
(3)针对大功率水冷型PEMFC发电系统故障诊断问题,提出基于K均值聚类的大功率水冷型燃料电池发电系统离散隐马尔科夫模型(Discrete hidden Markov model, DHMM)故障识别算法。它对多种健康状态具有较高的识别精度和较好的扩展性。采用K-means聚类算法消除奇异样本点。Lloyd策略用于量化样本矢量集,以获得训练集和测试集的离散码组合。使用Baum-Welch算法和前向后向算法分别训练和推断DHMM。使用有轨电车的实验数据验证该策略的可行性,通过与一对一法SVM的比较,进一步证明该方法的优越性。
(4)针对PEMFC电堆稳态寿命预测问题,提出基于长短期记忆(Long short-term memory,LSTM)递归神经网络(Recurrent neural networks,RNN)与局部加权散点平滑(Locally weighted scatterplot smoothing,LOESS)的燃料电池寿命预测方法,它可以在确保预测准确性的同时大大减小计算复杂度。采用等间隔采样和LOESS实现原始老化样本的数据重构和平滑处理,利用归一化对样本进行过滤,采用LSTM-RNN对测试集实现寿命预测。在1kW燃料电池发电系统条件下,利用新方法验证了[0h,1154h]时稳态实验数据的有效性。与BPNN的预测结果进行比较,进一步验证了该方法的有效性。
(5 )针对PEMFC电堆暂态寿命预测问题,提出基于稀疏自动编码器(Sparse autoencoder,SAE)和深度神经网络(Deep neural network,DNN)的PEMFC寿命预测方法。该方法以1小时等间隔从原始实验数据中提取数据集并实现数据重构。采用高斯加权移动平均滤波器对含噪数据(电堆输出电压和电流)进行平滑处理。提取平滑滤波后的电堆输出功率信号作为老化指标。使用SAE自动提取预测特征,采用DNN实现寿命预测。使用127369组实验数据对所提方法进行实验验证。分别采用三种不同训练集和测试集的配置方式验证新方法的有效性。通过与K近邻算法和支持向量回归机算法的对比进一步验证所提方法的优越性和有效性。
(1)针对PEMFC水管理子系统故障诊断问题,提出基于概率神经网络(Probabilistic neural network,PNN)与线性判别分析(Linear discriminant analysis,LDA)的燃料电池水管理子系统故障诊断算法,可以大大降低计算复杂度,同时提高诊断准确性。该方法使用归一化和线性判别分析来消除量纲并减小原始实验数据的维度,能将故障特征向量提取,减小计算量;基于故障数据的PNN完成燃料电池水管理子系统故障检测,可以大大提高故障排除的准确性。使用17086套燃料电池水管理子系统故障数据集(包括膜干燥故障,水淹故障和正常状态)来实验验证该方法的可行性。为了测试新算法的可靠性,分别把BPNN和LDA-BPNN与新策略进行了比较。
(2)针对燃料电池空气供给子系统故障诊断问题,提出基于数据融合的PEMFC发电系统故障诊断新方法。对不同故障下燃料电池发电系统的电学量和非电学量进行特征提取,分别采用核超限学习机(Kernel extreme learning machine,K-ELM)算法与在线序列超限学习机(Online sequential extreme learning machine,OS-ELM)算法,建立基于电学量和非电学量的燃料电池发电系统故障诊断模型,用于燃料电池发电系统的初步故障诊断。采用挤压函数将上述2种策略的诊断结果转化为基本概率分配(Basic probability assignment,BPA)函数值,使用D-S证据理论算法在决策层进行融合诊断输出。通过由4种不同程度高空气过量系数故障组成的154组实测样本数据对新方法的可行性进行验证。并与传统一对一法(One-against-one)SVM算法和BP神经网络算法的识别结果分析对比,验证新算法的效果。
(3)针对大功率水冷型PEMFC发电系统故障诊断问题,提出基于K均值聚类的大功率水冷型燃料电池发电系统离散隐马尔科夫模型(Discrete hidden Markov model, DHMM)故障识别算法。它对多种健康状态具有较高的识别精度和较好的扩展性。采用K-means聚类算法消除奇异样本点。Lloyd策略用于量化样本矢量集,以获得训练集和测试集的离散码组合。使用Baum-Welch算法和前向后向算法分别训练和推断DHMM。使用有轨电车的实验数据验证该策略的可行性,通过与一对一法SVM的比较,进一步证明该方法的优越性。
(4)针对PEMFC电堆稳态寿命预测问题,提出基于长短期记忆(Long short-term memory,LSTM)递归神经网络(Recurrent neural networks,RNN)与局部加权散点平滑(Locally weighted scatterplot smoothing,LOESS)的燃料电池寿命预测方法,它可以在确保预测准确性的同时大大减小计算复杂度。采用等间隔采样和LOESS实现原始老化样本的数据重构和平滑处理,利用归一化对样本进行过滤,采用LSTM-RNN对测试集实现寿命预测。在1kW燃料电池发电系统条件下,利用新方法验证了[0h,1154h]时稳态实验数据的有效性。与BPNN的预测结果进行比较,进一步验证了该方法的有效性。
(5 )针对PEMFC电堆暂态寿命预测问题,提出基于稀疏自动编码器(Sparse autoencoder,SAE)和深度神经网络(Deep neural network,DNN)的PEMFC寿命预测方法。该方法以1小时等间隔从原始实验数据中提取数据集并实现数据重构。采用高斯加权移动平均滤波器对含噪数据(电堆输出电压和电流)进行平滑处理。提取平滑滤波后的电堆输出功率信号作为老化指标。使用SAE自动提取预测特征,采用DNN实现寿命预测。使用127369组实验数据对所提方法进行实验验证。分别采用三种不同训练集和测试集的配置方式验证新方法的有效性。通过与K近邻算法和支持向量回归机算法的对比进一步验证所提方法的优越性和有效性。