CN110190306B - 一种用于燃料电池***的在线故障诊断方法 - Google Patents

一种用于燃料电池***的在线故障诊断方法 Download PDF

Info

Publication number
CN110190306B
CN110190306B CN201910481798.9A CN201910481798A CN110190306B CN 110190306 B CN110190306 B CN 110190306B CN 201910481798 A CN201910481798 A CN 201910481798A CN 110190306 B CN110190306 B CN 110190306B
Authority
CN
China
Prior art keywords
fault diagnosis
fuel cell
data
cell system
real
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910481798.9A
Other languages
English (en)
Other versions
CN110190306A (zh
Inventor
刘博�
邓俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhao Guilan
Original Assignee
Kunshan Zhihydrogen Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunshan Zhihydrogen Information Technology Co ltd filed Critical Kunshan Zhihydrogen Information Technology Co ltd
Priority to CN201910481798.9A priority Critical patent/CN110190306B/zh
Publication of CN110190306A publication Critical patent/CN110190306A/zh
Application granted granted Critical
Publication of CN110190306B publication Critical patent/CN110190306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04686—Failure or abnormal function of auxiliary devices, e.g. batteries, capacitors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种用于燃料电池***的在线故障诊断方法，包括获取第一故障诊断模型，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，电堆的实时数据是通过电堆基准测试实验获得；燃料电池***运行过程中，获取实时测量的电堆运行数据，将其作为第一故障诊断模型的输入参数，获得电堆的故障诊断结果；获取第二故障诊断模型，第二故障诊断模型中包含了与燃料电池***中各辅助部件对应的标准数据；获取燃料电池***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，获得各辅助部件的故障诊断结果；本发明以现有的燃料电池***为基础，无需额外增加传感器以及测试设备，且不会对燃料电池***运行造成干扰，实施成本低、易于推广。

Description

一种用于燃料电池***的在线故障诊断方法
技术领域
本发明属于燃料电池技术领域，具体涉及一种用于燃料电池***的在线故障诊断方法。
背景技术
燃料电池是一种将燃料的化学能直接转化为电能的装置，具有运行效率高、清洁无污染、噪音低等优点，有望替代传统的热机以解决能源***的环境污染问题。目前，燃料电池已经在汽车、无人机、固定式发电等领域开始推广应用，未来有广阔的应用前景。
燃料电池***包含电堆、空气供给***、氢气供给***、热管理***等，是一套复杂的非线性***。运行过程中有可能出现水淹、膜干、缺气、短路、催化剂中毒等故障，对燃料电池性能和寿命都有很大影响。因此，在使用过程中对燃料电池***进行在线检测，实时对其故障状态进行评估，对保障安全稳定运行至关重要。一方面，及时发现故障并采取相应的故障恢复措施，避免更严重的故障发生，减小故障造成的不可逆损伤，提高***可靠性。另一方面，准确的定位故障发生的位置、确定故障类型和故障发生的原因，可以大大减少维修时的工作量。
现有技术中虽然已提出多种燃料电池***故障诊断方法，但是还不能满足实际应用的需要，主要存在以下几个问题：1)大多只针对一种故障类型提出诊断方法，无法直接用于实际的燃料电池***；2)大多是仅针对燃料电池电堆的故障诊断方法，但事实上空压机、氢气循环泵等关键部件的故障检测也是不可缺少的；3)诊断方法复杂，实施成本高，无法用于在线故障诊断。由于以上原因，燃料电池技术领域至今还未形成一种可以推广使用的、规范统一的故障诊断方法。
发明内容
针对上述问题，本发明提出一种用于燃料电池***的在线故障诊断方法，能够对燃料电池电堆进行实时在线检测、准确评估其故障状态，诊断过程快速、高效，可用于燃料电池控制***或者燃料电池测试设备。
为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
一种用于燃料电池***的在线故障诊断方法，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***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。
优选地，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。
优选地，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。
优选地，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。
优选地，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。
优选地，所述方法还包括以下步骤：
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***中各辅助部件对应的标准数据；
获取燃料电池***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。
优选地，所述获取电堆的实时运行数据步骤和/或获取燃料电池***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。
优选地，所述获取燃料电池***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***中各辅助部件的实时运行数据；
将获取到的燃料电池***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。
优选地，所述辅助部件包括氢气循环泵、空气压缩机、换热器、水泵、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。
优选地，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：氢气循环泵转速、进出口压力、流量、空气压缩机转速、进出口压力、流量、换热器进出口温度、流量、水泵转速、进出口压力、流量、DC/DC升压转换器输入电压、输出电压、输入功率、输出功率。
与现有技术相比，本发明的有益效果：
(1)本发明的方法以现有的燃料电池***为基础，无需额外增加传感器以及测试设备，且不会对燃料电池***运行造成干扰，实施成本低、易于推广。
(2)本发明的方法能够同时实时检测电堆和辅助部件的多种故障状态，满足实际使用需求。
(3)本发明的方法使用机器学习方法构建燃料电池电堆故障诊断模型，克服了燃料电池电堆非线性特性带来的技术困难，诊断方法适应性强、诊断准确度更高。
(4)本发明能够准确判断故障类型和故障发生的位置，为控制***进行故障恢复和维修工作提供重要参考依据。
(5)本发明获得的准确、完善的故障信息可以为燃料电池***优化设计提供依据。
附图说明
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1为本发明一种实施例中故障诊断过程中需要实时测量的状态参数示意图；
图2为本发明一种实施例中构建基于机器学习的燃料电池电堆故障诊断模型的流程图；
图3为本发明一种实施例中燃料电池***的在线故障诊断方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例提供了一种用于燃料电池***的在线故障诊断方法，包括以下步骤：
步骤(1)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；
步骤(2)燃料电池***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，优选地，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。
在本发明实施例的一种具体实施方式中，所述第一故障诊断模型的获得步骤具体为：
A针对燃料电池电堆进行基准测试实验，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；在实际过程中，应当保证数据集中的数据足够多；如图1所示，所述工况数据包括以下参数：
①电流；
②电压；
③单片电压：即每个电池单元的电压；
④阳极气体状态参数：流量、进出口温度、进出口压力、进出口湿度；
⑤阴极气体状态参数：流量、进出口温度、进出口压力、进出口湿度；
⑥冷却水状态参数：流量、进出口温度；
由于上述的实时测量的参数都是燃料电池***本身需要实时采集的数据。因此，本发明所述的燃料电池***故障诊断方法无需引入附加的传感器和测量装置，不会对燃料电池***运行造成干扰，实施成本低；
所述针对燃料电池电堆进行基准测试实验分为两部分，具体为：一是对不同温度、压力、湿度条件下的正常运行工况进行测量；二是人为造成的电堆故障，记录故障状态下的燃料电池***状态参数。实验过程中，对图1所示的燃料电池电堆状态参数进行测量，并标记每组状态参数对应的故障状态，形成数据样本集；
B将数据集分为两部分：一部分用于机器学习模型的训练过程，称为训练数据子集；另一部分用于机器学习模型的验证过程，成为验证数据子集；
C选定机器学习模型；优选地，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，具体参见图2；以人工神经网络为例，需要确定输入层、隐含层、输出层的节点数量和层数，输出层的节点数量即故障状态的数量；
D使用所述训练数据子集对所述机器学习模型进行训练；训练过程中，不断地根据训练数据子集对机器学习模型的状态进行调整的过程，是机器学习模型构建过程中所需时间最长的过程。训练过程完成后，机器学习模型能够很好的拟合燃料电池电堆的故障特性，根据训练数据子集的输入参数能够准确计算出电堆故障类型；影响模型的准确性的因素主要有：燃料电池电堆基准测试实验的工况范围是否足够宽、训练数据集的选取是否合适、机器学习方法的类型是否合适；
E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，即机器学习模型训练过程结束后，将验证数据子集的燃料电池***状态参数作为输入参数，用训练完成的机器学习模型来进行燃料电池电堆诊断。根据诊断结果与验证数据集的故障状态是否吻合，评估机器学习模型的准确度；
F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；优选地，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，具体为：
如果机器学习模型在模型验证阶段的准确度未达到预期，需要对机器学习模型进行调整，反复迭代以获得准确的燃料电池电堆故障诊断模型。调整分为三个层次：
首先，调整模型训练方法；
如果调整模型训练方法后，模型的准确度还不能达到预期，调整机器学习模型的结构或者更换机器学习方法；
经过以上步骤还是不能达到预期的模型准确度，可以补充燃料电池电堆基准测试实验，用更多的训练样本来训练机器学习模型。
在本发明实施例的一种优选实施方式中，所述获取电堆的实时运行数据步骤之后还包括：
对获取到的电堆的实时运行数据进行实时滤波，去除时域数据的高频数据，防止干扰信号影响故障诊断结果，实施滤波技术可以采用硬件滤波，也可以采用软件滤波。
实施例2
基于相同的发明构思，如图3所示，本发明实施例与实施例1的区别在于：所述方法还包括以下步骤：
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***中各辅助部件对应的标准数据；
获取燃料电池***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；在实际应用过程中，所述的燃料电池***同时监测电堆和各辅助部件的各个状态参数。
在本发明实施例的一种具体实施方式中，所述辅助部件包括氢气循环泵、空气压缩机、换热器、水泵、DC/DC升压转换器；
所述各辅助部件的实时运行数据包括以下参数：氢气循环泵转速、进出口压力、流量、空气压缩机转速、进出口压力、流量、换热器进出口温度、流量、水泵转速、进出口压力、流量、DC/DC升压转换器输入电压、输出电压、输入功率、输出功率；
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；
所述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：将获取到的燃料电池***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；更具体为：
对于氢气循环泵、空气压缩机、水泵：根据实时转速和流量，在标准性能曲线上查询对应的进出口压比，与实时测量的压比进行比较；
对于换热器：根据实时流量，根据标准性能数据差值得到对应的换热系数，与实时测量的换热系数进行比较；
对于DC/DC升压转换器：根据实时输入电压和输出电压，根据标准性能数据插值得到对应的能量转换效率，与实时测量的能量转换效率进行比较。
当各辅助部件的实时测量数据与标准数据的差值超过预设的阈值时，说明辅助部件出现故障。
在本发明实施例的一种具体实施方式中，所述获取燃料电池***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数据，防止干扰信号影响故障诊断结果。实施滤波技术可以采用硬件滤波，也可以采用软件滤波。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种用于燃料电池***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***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***中各辅助部件对应的标准数据；
获取燃料电池***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***中各辅助部件的实时运行数据；
将获取到的燃料电池***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***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***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***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***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***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***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***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。
CN201910481798.9A 2019-06-04 2019-06-04 一种用于燃料电池***的在线故障诊断方法 Active CN110190306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910481798.9A CN110190306B (zh) 2019-06-04 2019-06-04 一种用于燃料电池***的在线故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910481798.9A CN110190306B (zh) 2019-06-04 2019-06-04 一种用于燃料电池***的在线故障诊断方法

Publications (2)

Publication Number Publication Date
CN110190306A CN110190306A (zh) 2019-08-30
CN110190306B true CN110190306B (zh) 2022-08-05

Family

ID=67720217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910481798.9A Active CN110190306B (zh) 2019-06-04 2019-06-04 一种用于燃料电池***的在线故障诊断方法

Country Status (1)

Country Link
CN (1) CN110190306B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632519A (zh) * 2019-09-30 2019-12-31 潍柴动力股份有限公司 燃料电池故障诊断方法和装置
CN111029624B (zh) * 2019-12-12 2021-06-01 东风汽车集团有限公司 在线监控和恢复燃料电池水状态的***及方法
CN112993337B (zh) * 2019-12-14 2022-05-17 中国科学院大连化学物理研究所 一种适用于燃料电池衰减过程的水管理故障诊断***
CN111220913B (zh) * 2020-02-24 2021-01-22 上海捷氢科技有限公司 一种燃料电池电堆***的诊断装置及诊断方法
CN111765102B (zh) * 2020-05-26 2021-04-30 稳力(广东)科技有限公司 一种燃料电池***用空压机的故障诊断及保护***
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 一种基于机器学习的液流电池电堆最优操作条件预测方法
CN111856299A (zh) * 2020-07-29 2020-10-30 中国联合网络通信集团有限公司 电源状态的确定方法、装置及设备
CN112084910A (zh) * 2020-08-28 2020-12-15 北京旋极信息技术股份有限公司 故障诊断方法及***
CN112026524A (zh) * 2020-09-16 2020-12-04 浙江吉利控股集团有限公司 一种用于燃料电池汽车的故障诊断及处理方法和***
CN112186226B (zh) * 2020-09-24 2021-05-11 同济大学 一种燃料电池单体缺气诊断方法
CN112133941B (zh) * 2020-10-10 2021-07-30 西南交通大学 一种机车质子交换膜燃料电池***的快速故障诊断方法
CN112946497A (zh) * 2020-12-04 2021-06-11 广东电网有限责任公司 基于故障注入深度学习的蓄电池故障诊断方法和装置
CN113561853B (zh) * 2021-06-08 2023-10-10 北京科技大学 燃料电池***在线故障诊断方法及装置
CN113406505A (zh) * 2021-07-22 2021-09-17 中国第一汽车股份有限公司 一种燃料电池的剩余寿命预测方法及装置
CN113659175B (zh) * 2021-10-19 2022-04-05 潍柴动力股份有限公司 燃料电池堆自诊断方法、装置和电子设备
CN115000456A (zh) * 2022-05-12 2022-09-02 亿创氢能源科技(张家港)有限公司 一种燃料电池***中电堆短路试验方法
CN114843560A (zh) * 2022-05-19 2022-08-02 上海捷氢科技股份有限公司 一种燃料电池***水淹故障诊断方法和装置
CN115476734B (zh) * 2022-09-20 2023-05-23 中国汽车工程研究院股份有限公司 一种基于模糊推理的燃料电池***水管理故障诊断方法
CN116231010B (zh) * 2023-05-10 2023-07-18 北京新研创能科技有限公司 一种氢燃料电池***故障诊断方法及***
CN116505034B (zh) * 2023-06-28 2023-09-15 北京新研创能科技有限公司 一种用于氢燃料电池***的安全管理方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和***
CN108344947A (zh) * 2018-01-11 2018-07-31 西南交通大学 一种非侵入式的燃料电池故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180983A (zh) * 2017-05-16 2017-09-19 华中科技大学 一种固体氧化物燃料电池电堆故障诊断方法和***
CN108344947A (zh) * 2018-01-11 2018-07-31 西南交通大学 一种非侵入式的燃料电池故障诊断方法

Also Published As

Publication number Publication date
CN110190306A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110190306B (zh) 一种用于燃料电池***的在线故障诊断方法
Lu et al. On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement
CN110165248B (zh) 燃料电池发动机空气供给***容错控制方法
Ibrahim et al. Wavelet-based approach for online fuel cell remaining useful lifetime prediction
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
CN107180983B (zh) 一种固体氧化物燃料电池电堆故障诊断方法和***
Ma et al. A hybrid prognostic method for PEMFC with aging parameter prediction
CN110676488B (zh) 一种基于低频阻抗与电化学阻抗谱的在线质子交换膜燃料电池故障诊断方法
CN113608131B (zh) 一种动态机车工况下pemfc电堆衰退性能检测方法
Lee et al. Hierarchical fault diagnostic method for a polymer electrolyte fuel cell system
CN113782778B (zh) 基于定频阻抗和气体压降的电堆水管理调控方法及装置
CN114843562B (zh) 一种基于电堆电压的燃料电池水淹诊断方法
CN112331888A (zh) 一种基于仿真模型的燃料电池电堆模拟器
CN112289385A (zh) 大功率质子交换膜燃料电池电堆电化学阻抗谱预测方法
CN113611900A (zh) 一种质子交换膜燃料电池的膜干故障诊断方法
CN114048772A (zh) 一种燃料电池装置的故障诊断方法、***及存储介质
CN116053531A (zh) 一种燃料电池堆健康状态的评估***及方法
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
CN117117258B (zh) 一种氢燃料电池***的故障监测方法及装置
CN112448005B (zh) 一种燃料电池发动机出堆温度传感器失效的温度容错控制方法
CN116231013A (zh) 燃料电池故障嵌入模型的建立方法
CN114843560A (zh) 一种燃料电池***水淹故障诊断方法和装置
CN114583221B (zh) 一种电堆衰减寿命的测算方法
Salim et al. A review on fault diagnosis tools of the proton exchange membrane fuel cell
Hu et al. Review on State of Health Definition in Relation to Proton Exchange Membrane Fuel Cells in Fuel Cell Electric Vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230904

Address after: No. 1-251, No. 129, South Section of Hanguang Road, Yanta District, Xi'an City, Shaanxi Province, 710000

Patentee after: Zhao Guilan

Address before: 215300 Room 315, Room A3, Room 268 Dengyun Road, Yushan Town, Kunshan City, Suzhou City, Jiangsu Province

Patentee before: Kunshan Zhihydrogen Information Technology Co.,Ltd.