質(zhì)子交換膜燃料電池（Proton Exchange Membrane Fuel Cell, PEMFC）是很有遠(yuǎn)景的新型發(fā)電裝備，在清潔能源汽車、電動(dòng)客車、混合動(dòng)力汽車和有軌電車等領(lǐng)域獲得廣泛應(yīng)用。提高燃料電池的耐久性是將PEMFC系統(tǒng)大規(guī)模商業(yè)化面臨的最重要的挑戰(zhàn)之一。

故障診斷旨在通過檢測故障來提高燃料電池系統(tǒng)的使用壽命。為了達(dá)到這個(gè)目標(biāo)，診斷方法必須檢測和識別一些故障才能避免更嚴(yán)重的故障。檢測階段是要判斷燃料電池系統(tǒng)中是否存在故障，辨識階段是要確定故障的大小和位置，隔離階段是要檢修并排除故障。

目前，專家學(xué)者對燃料電池系統(tǒng)故障診斷展開了大量的研究工作，這些工作可分為兩大類：

1）基于模型的故障診斷

首先建立一個(gè)PEMFC模型，然后計(jì)算實(shí)際系統(tǒng)輸出與模型輸出之間的即時(shí)偏差，最后通過殘差分析實(shí)時(shí)檢測故障。Jianxing Liu等首次考慮一類非線性系統(tǒng)的故障診斷問題，并成功應(yīng)用于燃料電池空氣供給系統(tǒng)。因?yàn)楹茈y獲得PEMFC的內(nèi)部參數(shù)、結(jié)構(gòu)和材料等數(shù)據(jù)，所以建立準(zhǔn)確的故障診斷模型是非常困難的。

2）基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷

基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷使用監(jiān)測的歷史數(shù)據(jù)信息檢測故障，無需專業(yè)知識和系統(tǒng)模型，算法運(yùn)算速度快且計(jì)算效率高。劉嘉蔚等提出基于多分類相關(guān)向量機(jī)（multi-class Relevance Vector Machine, mRVM）和模糊C均值聚類（Fuzzy C-Means clustering, FCM）的有軌電車用燃料電池故障診斷方法。

實(shí)驗(yàn)結(jié)果表明：提出的方法可以快速診斷氫氣泄漏、去離子水加濕泵低壓、空氣壓力過低和正常共四種健康狀態(tài)，分類準(zhǔn)確率為96.67%。Xingwang Zhao等提出基于主成分分析（Principal Component Analysis, PCA）和多傳感器信號的故障診斷算法。

該算法分析不同傳感器信號之間的相關(guān)性并計(jì)算出簡化的故障診斷統(tǒng)計(jì)指標(biāo)，可診斷單傳感器故障和嚴(yán)重的系統(tǒng)級故障。周蘇等提出基于電化學(xué)阻抗譜（Electrochemical Impedance Spectro- scopy, EIS）的PEMFC故障檢測算法。

將EIS與實(shí)軸的低頻和高頻交點(diǎn)作為故障特征矢量，使用FCM和支持向量機(jī)（Support Vector Machine, SVM）分別對樣本特征向量聚類和分類。結(jié)果表明，F(xiàn)CM+SVM的組合模式識別方法能夠準(zhǔn)確分類PEMFC正常、膜干和水淹三種狀態(tài)。

Lei Mao等提出基于傳感器靈敏度和燃料電池故障模式影響的傳感器選擇算法。實(shí)驗(yàn)結(jié)果表明，最優(yōu)傳感器能成功識別不同程度的燃料電池水淹故障。

Zhongliang Li等提出考慮系統(tǒng)動(dòng)力學(xué)和空間不均勻性的PEMFC系統(tǒng)故障診斷策略。利用滑動(dòng)窗口中監(jiān)測的單電池電壓值作為診斷觀察值，使用Shapelet變換提取類判別特征，采用球形多類支持向量機(jī)（Sphere Shaped Multi- class Support Vector Machine, SSM-SVM）實(shí)現(xiàn)PEMFC故障診斷。實(shí)驗(yàn)結(jié)果表明，該方法可診斷正常狀態(tài)、低壓故障、高壓故障、膜干故障和低空氣過量系數(shù)故障，測試數(shù)據(jù)的整體診斷準(zhǔn)確率是96.13%。

Zhixue Zheng等提出基于儲備池計(jì)算（Reservoir Computing, RC）的燃料電池故障診斷方法。實(shí)驗(yàn)結(jié)果表明，RC方法可識別一氧化碳（Carbon Monoxide, CO）中毒、低空氣流速、散熱不良和自然退化，數(shù)據(jù)集的分類正確率是92.43%。

然而，以上工作的研究對象主要集中在單套中、小功率水冷或空冷型燃料電池系統(tǒng)，而針對大功率蒸汽冷卻（Evaporatively Cooled, EC）型燃料電池系統(tǒng)的故障診斷研究卻很少。EIS對電化學(xué)專業(yè)知識要求很高，設(shè)備監(jiān)測時(shí)間長且可視性差，不適用于在線診斷；SVM的核函數(shù)受Mercer條件限制、算法收斂慢，在實(shí)際應(yīng)用中具有局限性；相關(guān)向量機(jī)（Relevance Vector Machine, RVM）的時(shí)間成本隨著訓(xùn)練集的增多而迅速增加；神經(jīng)網(wǎng)絡(luò)（Neural Network, NN）的樣本需求量大、計(jì)算復(fù)雜度高、樣本運(yùn)算時(shí)間較長，且容易導(dǎo)致“過擬合”與“局部極小”。

在線序列超限學(xué)習(xí)機(jī)（Online Sequential-Extreme Learning Machine, OS-ELM）是一種新型單隱含層前饋神經(jīng)網(wǎng)絡(luò)（Single-hidden Layer Feedforward Neural Network, SLFN），通過分塊矩陣分批次訓(xùn)練樣本數(shù)據(jù)集，可有效避免數(shù)據(jù)的重復(fù)訓(xùn)練并顯著提高學(xué)習(xí)效率。OS-ELM大量使用于變壓器放電模式識別、航空發(fā)動(dòng)機(jī)故障診斷、風(fēng)力渦輪機(jī)傳動(dòng)系統(tǒng)的健康狀態(tài)估計(jì)和模擬電路故障診斷等實(shí)際工程中。目前，還未有文獻(xiàn)將OS-ELM應(yīng)用到燃料電池系統(tǒng)故障診斷領(lǐng)域。

本文首次提出基于OS-ELM和PCA的EC型燃料電池系統(tǒng)快速故障診斷新方法，能在保證診斷精度的同時(shí)顯著降低運(yùn)算時(shí)間。新方法采用PCA過濾冗余信息并降低數(shù)據(jù)維數(shù)，得到能反映EC型燃料電池系統(tǒng)運(yùn)行狀態(tài)的故障特征向量；使用OS-ELM對特征向量分類故障；通過600組原始故障樣本對新方法的有效性進(jìn)行驗(yàn)證。與SVM算法和BPNN算法的診斷結(jié)果進(jìn)行對比，以進(jìn)一步驗(yàn)證新方法的效果。

圖1 100kW EC型PEMFC電堆

圖4 基于PCA-OS-ELM的EC型燃料電池系統(tǒng)故障診斷流程

結(jié)論

本文對大功率EC型燃料電池系統(tǒng)進(jìn)行故障診斷研究，并提出一種基于OS-ELM和PCA的快速故障診斷方法，實(shí)現(xiàn)三種健康狀態(tài)的模式識別，結(jié)論如下：

1）當(dāng)新樣本數(shù)據(jù)分批次加入時(shí)，新方法可只學(xué)習(xí)新加入的樣本數(shù)據(jù)，實(shí)現(xiàn)在線訓(xùn)練，無需對舊樣本反復(fù)訓(xùn)練，可提高學(xué)習(xí)效率。

2）600組原始故障樣本數(shù)據(jù)的實(shí)例分析表明：新方法可快速診斷膜干、氫氣泄漏故障和正常狀態(tài)共三種健康狀態(tài)。分類正確率達(dá)到99.67%，運(yùn)算時(shí)間僅為0.2969s。

3）該診斷方法無需深入了解燃料電池的物理機(jī)理，是一種新型的數(shù)據(jù)驅(qū)動(dòng)方法。由于不同類型和規(guī)格PEMFC的材料組成、物理參數(shù)和極化特性差異很大，因此很難建立統(tǒng)一的PEMFC故障診斷機(jī)理模型。PCA-OS-ELM方法只需輸入不同類型燃料電池在多種健康狀態(tài)下的傳感器測量數(shù)據(jù)，通過設(shè)置初始階段選取的初始訓(xùn)練數(shù)據(jù)的數(shù)量N0、隱含層神經(jīng)元數(shù)目L和每一步中學(xué)習(xí)的數(shù)據(jù)塊大小Block三個(gè)參數(shù)即可快速訓(xùn)練PEMFC診斷模型，進(jìn)而檢測出PEMFC故障。新方法具有良好的普適性，可應(yīng)用于其他類型的燃料電池中（如普通的低溫PEMFC）。

4）新方法特別適合于大數(shù)據(jù)量樣本和高數(shù)據(jù)維數(shù)的工程應(yīng)用中，在大數(shù)據(jù)時(shí)代具有很好的應(yīng)用價(jià)值。