CN114243063B - 一种固体氧化物燃料电池***故障定位方法和诊断方法 - Google Patents
一种固体氧化物燃料电池***故障定位方法和诊断方法 Download PDFInfo
- Publication number
- CN114243063B CN114243063B CN202111555286.6A CN202111555286A CN114243063B CN 114243063 B CN114243063 B CN 114243063B CN 202111555286 A CN202111555286 A CN 202111555286A CN 114243063 B CN114243063 B CN 114243063B
- Authority
- CN
- China
- Prior art keywords
- fault
- fuel cell
- solid oxide
- oxide fuel
- cell system
- 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
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 72
- 239000007787 solid Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 230000015556 catabolic process Effects 0.000 claims abstract description 8
- 238000006731 degradation reaction Methods 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000008367 deionised water Substances 0.000 claims description 4
- 229910021641 deionized water Inorganic materials 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 9
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910052799 carbon Inorganic materials 0.000 description 7
- 230000008021 deposition Effects 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 208000028659 discharge Diseases 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000007787 long-term memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000006057 reforming reaction Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
本发明属于高温燃料电池技术领域，具体涉及一种固体氧化物燃料电池***故障定位方法和诊断方法，包括采用长短期记忆人工神经网络方法对***性能进行评估，判断实验过程中是否发生故障，并对发生的故障进行定位和标记。通过得到的故障数据，设计主成分分析与支持向量机相结合的故障诊断算法，以对故障进行识别和预防。本发明是一套完整的SOFC***故障定位、故障标记及故障诊断方案，解决了SOFC***原始数据量大以及***机理复杂，导致的故障难分辨和难诊断等问题，为***性能优化提供了新的思路。另外为了延长***寿命，提高***性能，满足外部负载需求，通过提前预知***后续的性能，并提前做出相应的措施，可避免由于操作点改变导致的***性能退化。
Description
技术领域
本发明属于高温燃料电池技术领域，更具体地，涉及一种固体氧化物燃料电池***故障定位方法和诊断方法。
背景技术
固体氧化物燃料电池***(Solid Oxide Fuel Cell，SOFC)是将燃料的化学能直接转化为电能的能量转换装置，具有高效率、无污染、无噪声等优点。其应用场景广泛，功率等级从W级到MW级，主要涉及便携式发电、交通运输、分布式发电、固定式发电等领域。随着SOFC***对可靠性和安全性下降的容忍度越来越低，其故障诊断正成为SOFC控制***的一个组成部分，主要包括三个任务：1.检测：检测***中出现的非期望状态；2.隔离：对不同的故障进行定位或分类；3.分析或识别：确定故障的类型、大小或可能的原因。
但是目前的故障诊断方案都不够完善，存在以下几种问题：1.基于模型的故障诊断方案，是通过建立SOFC***的非线性物理模型，来判断***是否出现故障。但是基于模型的方法有一些困难难以确保模型精度：(1)由于存在不确定的参数以及干扰，必须对模型进行相应的简化，这会导致模型的不确定性；(2)SOFC***是一个复杂的非线性模型，***中存在大量的耦合关系，模型很难准确的还原***的性能；(3)实际***变得越来越复杂，在模型运行过程中，往往需要相当长的处理时间，不适合于实时诊断。2.在大部分的研究中，基于数据的故障诊断，使用的数据都是通过模型产生的。这些研究会面临和基于模型方案同样的问题。产生的数据不够准确，得到的诊断结果也不够准确。只有通过使用实际***运行过程中获得数据，才能得到最为准确的结论。3.目前的诊断方案，都只关注“诊断环节”，很少公开文献关注故障的定位和标记的问题：大部分研究都是直接通过模型产生健康数据和故障数据。但是在实际***运行过程中，***往往要一直运行到停机，才能去检查是否发生了故障以及故障的类型(例如，气体泄漏故障和碳沉积，会影响到***的性能，但是不会导致***的停机)。并且实际***中故障是渐进的，不容易标记，需要设定正确的阈值。在庞大的数据集中，进行SOFC***故障的定位和标记是一项很重要的过程，如果数据标记的不够准确，故障诊断结果也一定会受到影响。
发明内容
针对现有技术的缺陷和改进需求，本发明提供了一种固体氧化物燃料电池***故障定位方法和诊断方法，其目的在于对SOFC***内可能发生的故障进行准确定位以及诊断。
为实现上述目的，按照本发明的一个方面，提供了一种固体氧化物燃料电池***故障定位方法，包括：
将待故障定位固体氧化物燃料电池***的某一时间段多个状态参数数据输入到基于长短期记忆人工神经网络的故障定位模型中，得到所述时间段的后续的多个固体氧化物燃料电池***预测状态参数数据，其中，每个状态参数数据包括时间信息；
采集所述多个固体氧化物燃料电池***预测状态参数数据在时间上一一对应的多个固体氧化物燃料电池***实际状态参数数据，比较每个时间对应的预测状态参数数据和实际状态参数数据，当两者差值大于阈值时，则固体氧化物燃料电池***在该时间发生故障，完成时间维度的故障定位。
进一步，所述故障定位模型的训练数据选自固体氧化物燃料电池***健康运行下的若干状态参数数据。
进一步，所述健康运行的阶段选自固体氧化物燃料电池***全工况的由***启动到进入一个放电高峰的相对稳定状态的阶段。
进一步，所述状态参数数据包括：固体氧化物燃料电池***的输出电压、输出电流、输出功率、燃料输入流量、燃烧室的燃料输入流量、重整器的空气输入流量、旁路空气流量、去离子水输入流量、重整器温度、热交换器温度和燃烧室温度。
进一步，所述方法还包括：
获取多个预估故障类型，采集每个故障时间下的对每个预估故障类型进行故障位置定位所需的其它参数信息，以分别对每个预估故障类型进行位置定位或类型排除，得到该故障时间下的故障类型以及故障发生位置，完成故障位置维度的固体氧化物燃料电池***故障定位。
本发明还提供一种固体氧化物燃料电池***故障诊断方法，包括：
采用多分类的支持向量机，基于固体氧化物燃料电池***的状态参数数据，得到固体氧化物燃料电池***故障类型，完成故障诊断；
其中，用于训练所述支持向量机的训练数据采用以下方法得到：
采用如上所述的一种固体氧化物燃料电池***故障定位方法，得到多个状态参数数据以及每个状态参数数据所对应的故障类型；
由每个状态参数数据及其对应的故障类型作为一个训练样本，构建得到所述训练数据。
进一步，用于训练支持向量机和用于故障诊断的状态参数数据均进行异常值预处理以及主成分分析降维处理。
进一步，采用查准率和查全率对所述支持向量机器的预测质量进行评价。
本发明还提供一种如上所述的一种固体氧化物燃料电池***故障定位方法的应用，用于根据如上所述的一种固体氧化物燃料电池***故障定位方法所提取预测的***后续的状态参数数据，确定防止退化的措施，以避免由于操作点改变导致的***性能退化。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种固体氧化物燃料电池***故障定位方法和/或如上所述的一种固体氧化物燃料电池***故障诊断方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
(1)本发明方法首先收集SOFC***的实验数据，并采用长短期记忆人工神经网络(LSTM)方法对***性能进行评估，判断实验过程中是否发生故障，并对发生的故障进行定位和标记。然后，通过得到的故障数据，设计主成分分析(PCA)与支持向量机(SVM)相结合的故障诊断算法，以对故障进行识别和预防。
(2)本发明提出了一套完整的SOFC***故障定位、故障标记以及故障诊断方案。此发明解决了SOFC***原始数据量大以及***机理复杂，导致的故障难分辨和难诊断等问题，为***性能优化提供了新的思路。并且本发明不依赖复杂的***机理模型，仅通过实验数据即可对故障进行定位、标记和诊断，它不仅仅能用于SOFC***，还适用于众多的故障难以直接诊断的***，如质子交换膜燃料电池***、滚动轴承***、齿轮箱***等。该发明为SOFC***的改进、控制器设计提供了指导。
(3)为了延长***寿命，提高***性能，满足外部负载需求，如果能提前预知***后续的性能，并提前做出相应的措施，可以很好的避免由于操作点改变导致的***性能退化。
附图说明
图1为本发明实施例提供的一种固体氧化物燃料电池***故障定位方法流程框图；
图2为本发明实施例提供的故障定位与标记的具体流程框图；
图3为本发明实施例提供的LSTM的循环单元结构图；
图4为本发明实施例提供的基于支持向量机的故障诊断方案的诊断流程框图；
图5为本发明实施例提供的SVM的实现原理图。
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，以下结合附图及实施例，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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
现有技术存在数据驱动的固体氧化物燃料电池***漏气故障诊断方法，其收集实际SOFC***运行整个阶段的数据，经过数据预处理后，提取表征***运行状态的关键特征，结合主成分分析降低***的变量维数，降维后的主成分综合因子输入到支持向量机模型进行训练，建立故障诊断模型，从而实现SOFC***两类漏气故障的有效检测。但其存在如下缺点：该方案假设已经从全部实验数据中提取出了故障数据，但是这个过程实际上十分复杂。在实际***运行过程中，***往往要一直运行到停机，才能去检查是否发生了故障以及故障的类型(例如，气体泄漏故障和碳沉积，会影响到***的性能，但不会导致***停机)。并且实际***中故障是渐进的，不容易标记，需要设定正确的阈值。在庞大的数据集中进行SOFC***故障的定位和标记是一项很重要的过程，如果数据标记的不够准确，故障诊断结果也一定会受到影响。因此，找到一种完整的数据驱动的SOFC***故障定位、标记以及诊断的方法，成为亟待解决的技术问题，具体如下。
实施例一
一种固体氧化物燃料电池***故障定位方法，如图1所示，包括：
将待故障定位固体氧化物燃料电池***的某一时间段多个状态参数数据输入到基于长短期记忆人工神经网络的故障定位模型中，得到上述时间段的后续的多个固体氧化物燃料电池***预测状态参数数据，其中，每个状态参数数据包括时间信息；
采集多个固体氧化物燃料电池***预测状态参数数据在时间上一一对应的多个固体氧化物燃料电池***实际状态参数数据，比较每个时间对应的预测状态参数数据和实际状态参数数据，当两者差值大于阈值时，则固体氧化物燃料电池***在该时间发生故障，完成时间维度的故障定位。
优选的，上述状态参数数据包括：固体氧化物燃料电池***的输出电压、输出电流、输出功率、燃料输入流量、燃烧室的燃料输入流量、重整器的空气输入流量、旁路空气流量、去离子水输入流量、重整器温度、热交换器温度、燃烧室温度。
具体的，如图2所示，SOFC***全工况实验步骤可以分为：准备阶段、放电阶段、冷待机、热待机、结束阶段。其中，
a.准备阶段：首先准备足量的天然气、氮气、去离子水和冷却水，然后检查SOFC***中各传感器是否读数正确。接下来为SOFC***接入辅助电源，并分别在阳极阴极通入少量的天然气和空气，在各管路的接口处检查是否存在漏气。同时要检查SOFC***的控制***以及通讯设备是否正常，以及各个气体仪表是否读数正常。
b.放电阶段：首先将***启动缓慢升温至550℃～600℃，达到放电温度。然后开始启动电子负载，进行电流的逐步拉升。随着电流的升高，电堆温度和功率也随之升高。将功率提升到最大运行功率后，然后再将功率降至额定功率稳定运行，并观察***的电特性和热特性。在实验过程中要定时检查原料的供应是否充足，以及是否存在燃料泄漏现象，从而保证***的运行处于绝对安全的环境之中。
c.冷待机：当外部负载长期不工作时，将***的温度从放电的高温降低至常温，并将整个***断电以节约能耗，需要启动的时候再从常温升温至放电阶段。
d.热待机：当外部负载停用时，SOFC***停止放电，电流降到0，但是***仍处于高温状态，以随时满足外部负载的需求。
e.结束阶段：在实验结束后，需要先关闭电子负载，然后为***通入氮气作为保护气，来保护电堆。同时减少通入的空气量，使SOFC***逐步降温。当温度降到室温后，关闭SOFC***的所有电源。
为了延长***寿命，提高***性能，满足外部负载需求，如果能提前预知***后续的性能，并提前做出相应的措施，可以很好的避免由于操作点改变导致的***性能退化。并且可以通过预测数据与实际数据进行比较，如果差别过大，则可以判断***发生了故障。
在进行故障定位和标记时，在***实验初期，由***启动到进入一个放电高峰的相对稳定状态。此时的电流、电压数据都比较平稳，在此期间***出现故障的可能性较低。因此把实验初期的数据标记为健康数据(包括状态参数及其对应的时间信息)，然后通过这些健康数据训练长短期记忆人工神经网络(LSTM)预测模型。然后，通过得到的LSTM模型对待故障定位的若干状态参数数据进行预测，并使用预测误差对故障进行判断以及定位，一旦预测误差超过一定阈值(例如1％)，就判断故障将要发生。
其中，LSTM在常规循环换神经网络的基础上引入了一个新的内部状态专门进行线性的循环信息传递，同时通过隐藏层的外部状态/>传递非线性的输出信息。内部状态ct通过下面公式计算：
ht＝ot⊙tanh(ct) (2)
其中ft∈[0,1]D、it∈[0,1]D和ot∈[0,1]D为控制信息传递的三个门；⊙为向量元素乘积；ct-1为上一时刻的记忆单元；是通过非线性函数得到的候选状态，表示如下：
在每个时刻t，内部状态ct记录了到当前时刻的历史信息。LSTM中的三个门分别是输入门it、遗忘门ft和输出门ot。这三个门的作用为：
(1)遗忘门ft控制上一个时刻的内部状态ct-1需要遗忘多少信息。
(2)输入门it控制当前时刻的候选状态有多少信息需要保存。
(3)输出门ot控制当前时刻的内部状态ct有多少信息需要输出给外部状态ht。
LSTM中的门取值在(0,1)之间，表示以一定的比例允许信息通过。例如，当ft＝0，it＝1时，表示将历史信息清空，并将候选状态向量全部写入。当ft＝1，it＝0时，将完全复制上一时刻的信息，不写入新的信息。
三个门的计算方式为：
it＝σ(Wixt+Uiht-1+bi) (4)
ft＝σ(Wfxt+Ufht-1+bf) (5)
ot＝σ(Woxt+Uoht-1+bo) (6)
其中σ(·)为Logistic函数，其输出区间为(0,1)，xt为当前时刻的输入，ht-1为上一时刻的外部状态。
图3给出了LSTM的循环单元结构，其计算过程为：(1)首先利用上一时刻的外部状态ht-1和当前时刻的输入xt，计算出三个门，以及候选状态(2)结合遗忘门ft和输入门it来更新记忆单元ct；(3)通过输出门ot，将内部状态的信息传递给外部状态ht。
通过LSTM循环单元，整个网络可以建立较长距离的时序依赖关系。公式(1)-(6)可以简洁的描述为：
ht＝ot⊙tanh(ct) (9)
其中为当前时刻的输入，/>和/>为网络参数。
在传统的循环神经网络中，隐藏状态h可以看作一种短期记忆单元。而在LSTM网络中，记忆单元c可以在某个时刻捕获某个关键信息，并能够将此关键信息保存一定的时间间隔。记忆单元c中保存的信息比短期记忆单元h保存的信息时间长，但是又比长期记忆要短，因此被称为长短期记忆。
优选的，上述方法还包括：
获取多个预估故障类型，采集每个故障时间下的对每个预估故障类型进行故障位置定位所需的其它参数信息，以分别对每个预估故障类型进行位置定位或类型排除，得到该故障时间下的故障类型以及故障发生位置，完成故障位置维度的固体氧化物燃料电池***故障定位。
通过LSTM进行故障时间定位之后，通过电堆参数、BOP关键参数、燃烧室温度参数、***气体供给流速数据对***状态进一步进行分析，结合专家知识对故障的类型进行标记，具体流程如图2所示。
例如，热交换器破裂会导致与外界环境连通，温度下降。并且会导致后续空气供应不足，无法带走多余的热量，使燃烧室温度上升。热交换器与电堆阴极入口直接相连，热交换器破裂会导致电堆阴极入口压力降低甚至消失。并且控制器为了调节***性能，会增大空气需求量。通过这些信息可以判断热交换器破裂故障发生。
积碳故障是一个逐步积累的过程，不会导致性能的剧烈变化，只会逐步降低***的性能。当重整器中的积碳形成后，会随机的分布在重整器中。如果碳沉积发生在了气路出口或者覆盖住了重整催化剂，会导致重整反应不完全，无法产生电堆需要的理想气体，进一步会导致SOFC***性能的下降。并且由于积碳产生的随机性，可能会导致甲烷重整反应的不确定性，进而会造成甲烷流速和燃烧室温度的频繁抖动。通过这些信息可以判断积碳故障发生。
实施例二
一种固体氧化物燃料电池***故障诊断方法，包括：
采用多分类的支持向量机，基于固体氧化物燃料电池***的状态参数数据，得到固体氧化物燃料电池***故障类型，完成故障诊断；
其中，用于训练支持向量机的训练数据采用以下方法得到：
采用如上所述的一种固体氧化物燃料电池***故障定位方法，得到多个状态参数数据以及每个状态参数数据所对应的故障类型；
由每个状态参数数据及其对应的故障类型作为一个训练样本，构建得到所述训练数据。
优选的，用于训练支持向量机和用于故障诊断的状态参数数据均进行异常值预处理以及主成分分析降维处理。
优选的，采用查准率和查全率对所述支持向量机器的预测质量进行评价。
具体地，使用通过LSTM方法定位得到的故障数据，对支持向量机(SVM)的故障诊断模型进行训练和验证。在SOFC***实验中，通过传感器在冷区和热区采集到的数据量很大，故障诊断算法很难从多维信息中快速对故障进行检测和定位。因此需要先通过主成分分析(PCA)对数据进行降维，然后将降维后的数据分成两份，一份用来训练SVM故障诊断模型，一份数据用来验证模型的准确性。
详细的诊断步骤可以被分为数据预处理、数据降维、模型训练、模型性能评估四个步骤，如图4所示。
(a)数据预处理
在采集到的真实数据中，数据通常会受到噪声的影响。并且当数据集比较大的时候，很有可能包含由异常引发的数据。低质量的数据会影响到故障诊断算法的结果，因此要在训练模型之前，对数据进行预处理。首先要对数据进行清洗，填写缺失的值，光滑噪声数据，识别并删除离群点。然后对数据进行归一化处理，来消除不同变量之间维度和数值差异的影响。
数据归一化处理：
假设数据中有m个变量，X1，X2，...，Xm分别代表各个变量。每个变量中有N个数据，则它们可以用一个N*m的矩阵表示：
然后对矩阵XN×m进行归一化处理，生成一个标准矩阵标准化公式为：
其中i＝1,2…,N；j＝1,2…,m；uj和sj分别是变量xij的平均值和标准差。
(b)数据降维：
为了对故障进行快速的诊断，要先对数据进行降维。主成分分析(PCA)是一种非监督学习的数据降维方法，它通过特征值分解对数据进行压缩和去噪。PCA的实现流程如下：
假设通过(11)归一化之后的矩阵为DN×m＝(x(1),x(2),…,x(m))。
1)计算矩阵D的协方差矩阵：DDT；
2)对矩阵DDT进行特征值分解；
对矩阵DDT的特征值进行分析，取出最大的n’个特征值对性的特征向量(ω1,ω2,…,ωn′)，并将其标准化，组成特征向量矩阵W；
3)将每一个样本x(i)转化为新的样本z(i)＝WTx(i)；
4)最后得到降维后的数据集D′n′×m＝(z(1),z(2),…,z(m))。
(c)模型训练
支持向量机(SVM)是一种有监督的学习模型，常用来处理二分类问题。也可以通过训练多个二分类分类器，来实现多分类问题。该方法具有很好的鲁棒性，因此广泛用于很多任务中，并表现出很强的优势。
如图5所示，假设有一个二分类的数据集其中yn∈{+1,-1}，如果两类样本是线性可分的，那么存在一个超平面：
ωTx+b＝0 (12)；
可将两类样本分开，那么每个样本都有y(n)(ωTx(n)+b)>0。
数据集R中每个样本x(n)到分割超平面的距离为：
假设γ为整个数据集R中所有样本到分割超平面的最短距离：
γ越大就代表该超平面对两个数据集的划分越稳定，越不容易受噪声等因素的影响。SVM的目标就是寻找一个超平面(ω*,b*)使得γ最大，即：
由于同时缩放ω和b不会改变样本到分割超平面的距离，这里限制||ω||·γ＝1，则公式(15)等价于：
对于线性可分的数据集，存在多个分割超平面，但是间隔最大的超平面是唯一的，如图5所示，其中ω为权重，b为偏差。
SVM可以通过使用核函数将原始数据映射到更高维的空间，来解决非线性问题。比如在一个变换后的特征空间φ中，SVM的决策函数为：
其中k(x,z)＝φ(x)Tφ(z)为核函数。常用的核函数有线性核函数、径向基函数(RBF)和多项式核函数。其中RBF核函数通常用来处理非线性可分性问题。RBF核函数可以用以下公式表示：
其中σ是RBF的宽度。
通过SVM实现m分类问题，需要训练m个二类分类器。其中的分类器i是将第i类数据的标签设置为类1(正类)，其它所有m-1个i类以外的类的标签共同设置为类2(负类)，这样，针对每一个类都需要训练一个二类分类器，最后，我们一共有m个分类器。对于一个需要分类的数据x，通常选择置信度最大的类别标记为分类结果。
(d)模型性能评估
为了验证故障诊断算法的性能，需要使用一些评价模型预测质量的指标。将测试数据集带入到SVM模型之中，将预测得到的数据与真实标签进行比较，可以得到查准率、查全率以及综合评价指标，如表2所示。
表2故障诊断算法诊断结果
类别1的查准率：p＝a/(a+d+g)，类别1的查全率：r＝a/(a+b+c)，综合评价指标F1：2*p*r/(p+r)。
查准率代表预测类别正确的数量占预测值为此类别的比例，查全率代表模型正确预测的正样本的比例(即召回率/真正率)。查准率和查全率是一对矛盾的指标，一般说，当查准率高的时候，查全率一般很低；查全率高时，查准率一般很低，除非对所有的类别都能预测的非常准确。在实际的模型评估中，单用查准率或者查全率来评价模型是不完整的，评价模型时必须用查准率/查全率两个值。因此同时引入了综合评价指标F1，F1度量是基于查准率和查全率的调和平均(harmonic mean)定义的。
基于以上一套完整的SOFC***故障定位、故障标记以及故障诊断方案，解决了SOFC***原始数据量大以及***机理复杂，导致的故障难分辨和难诊断等问题，为***性能优化提供了新的思路。并且本发明不依赖复杂的***机理模型，仅通过实验数据即可对故障进行定位、标记和诊断，它不仅仅能用于SOFC***，还适用于众多的故障难以直接诊断的***，如质子交换膜燃料电池***、滚动轴承***、齿轮箱***等，该发明为SOFC***的改进、控制器设计提供了指导。
综上，本发明一方面实现了固体氧化物燃料电池***故障的定位，其关键技术手段是通过长短期记忆人工神经网络(LSTM)结合实验数据，设计SOFC***性能预测模型，对故障进行定位和标记。长短期记忆人工神经网络(LSTM)是一类具有长短期记忆能力的神经网络。它能够一次处理一个样本的连续数据。通过这种方式，LSTM可以自适应地模拟多个尺度上的连续数据的动态信息。它引入状态变量来存储过去的信息，同时引入门控机制来有选择地加入新的信息，并有选择地遗忘之前的信息，与当前的输入共同决定当前的输出。并且LSTM能够很好的解决循环神经网络中的梯度***或消失问题。因此通过健康数据训练长短期记忆人工神经网络(LSTM)预测模型。然后，通过得到的LSTM模型对后续数据进行预测，并使用预测误差对故障进行判断以及定位，一旦预测误差超过一定阈值，就判断故障将要发生。
另一方面，本发明还实现了固体氧化物燃料电池***故障的诊断，其关键技术手段是使用主成分分析(PCA)对标记后的实验数据进行降维，然后对支持向量机(SVM)分类器进行训练，获得故障诊断模型，对故障进行诊断。该技术手段能够解决该问题：1.主成分分析(PCA)是一种简化数据的分析技术，通过线性变换将问题从高维转化到低维，保留低阶主成分，删除高阶成分达到降低数据集维数的目的。通过降维将原本复杂的多维数据转换成简单、直观且不相关的低维数据，有效降低数据分析的难度和复杂程度。2.SVM是建立在统计学***面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化，因此可以实现SOFC***中的故障诊断。
实施例三
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种固体氧化物燃料电池***故障定位方法和/或如上所述的一种固体氧化物燃料电池***故障诊断方法。
相关技术方案同实施例一和实施例二，在此不再赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种固体氧化物燃料电池***故障诊断方法，其特征在于，包括：
采用多分类的支持向量机，基于固体氧化物燃料电池***的状态参数数据，得到固体氧化物燃料电池***故障类型，完成故障诊断；
其中，用于训练所述支持向量机的训练数据采用以下方法得到：
采用一种固体氧化物燃料电池***故障定位方法，得到多个状态参数数据以及每个状态参数数据所对应的故障类型；
由每个状态参数数据及其对应的故障类型作为一个训练样本，构建得到所述训练数据；
所述一种固体氧化物燃料电池***故障定位方法具体为：
将待故障定位固体氧化物燃料电池***的某一时间段多个状态参数数据输入到基于长短期记忆人工神经网络的故障定位模型中，得到所述时间段的后续的多个固体氧化物燃料电池***预测状态参数数据，其中，每个状态参数数据包括时间信息；所述故障定位模型的训练数据选自固体氧化物燃料电池***健康运行下的若干状态参数数据；
采集所述多个固体氧化物燃料电池***预测状态参数数据在时间上一一对应的多个固体氧化物燃料电池***实际状态参数数据，比较每个时间对应的预测状态参数数据和实际状态参数数据，当两者差值大于阈值时，则固体氧化物燃料电池***在该时间发生故障，完成时间维度的故障定位；
获取多个预估故障类型，采集每个故障时间下的对每个预估故障类型进行故障位置定位所需的其它参数信息，以分别对每个预估故障类型进行位置定位或类型排除，得到该故障时间下的故障类型以及故障发生位置，完成故障位置维度的固体氧化物燃料电池***故障定位；
所述状态参数数据包括：固体氧化物燃料电池***的输出电压、输出电流、输出功率、燃料输入流量、燃烧室的燃料输入流量、重整器的空气输入流量、旁路空气流量、去离子水输入流量、重整器温度、热交换器温度和燃烧室温度。
2.根据权利要求1所述的一种固体氧化物燃料电池***故障诊断方法，其特征在于，所述健康运行的阶段选自固体氧化物燃料电池***全工况的由***启动到进入一个放电高峰的相对稳定状态的阶段。
3.根据权利要求1所述的一种固体氧化物燃料电池***故障诊断方法，其特征在于，用于训练支持向量机和用于故障诊断的状态参数数据均进行异常值预处理以及主成分分析降维处理。
4.根据权利要求1所述的一种固体氧化物燃料电池***故障诊断方法，其特征在于，采用查准率和查全率对所述支持向量机器的预测质量进行评价。
5.一种如权利要求1至4任一项所述的一种固体氧化物燃料电池***故障诊断方法的应用，其特征在于，用于根据如权利要求1至4任一项所述的一种固体氧化物燃料电池***故障诊断方法中的故障定位方法所提取预测的***后续的状态参数数据，确定防止退化的措施，以避免由于操作点改变导致的***性能退化。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至4任一项所述的一种固体氧化物燃料电池***故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555286.6A CN114243063B (zh) | 2021-12-17 | 2021-12-17 | 一种固体氧化物燃料电池***故障定位方法和诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111555286.6A CN114243063B (zh) | 2021-12-17 | 2021-12-17 | 一种固体氧化物燃料电池***故障定位方法和诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114243063A CN114243063A (zh) | 2022-03-25 |
| CN114243063B true CN114243063B (zh) | 2024-05-14 |
Family
ID=80758594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111555286.6A Active CN114243063B (zh) | 2021-12-17 | 2021-12-17 | 一种固体氧化物燃料电池***故障定位方法和诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114243063B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117491793B (zh) * | 2023-12-29 | 2024-05-10 | 国网浙江省电力有限公司电力科学研究院 | 一种氢电耦合***综合性能测试方法、装置及介质 |
Citations (2)
| 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*** |
| CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
-
2021
- 2021-12-17 CN CN202111555286.6A patent/CN114243063B/zh active Active
Patent Citations (2)
| 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*** |
| CN111157898A (zh) * | 2020-01-07 | 2020-05-15 | 清华大学深圳国际研究生院 | 一种新能源车辆在线电池故障检测分析方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Data-driven fault diagnosis method for the safe and stable operation of solid oxide fuel cells system;Yi Zheng等;Journal of Power Sources;第490卷;第1-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114243063A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning | |
| Li et al. | Data-driven simultaneous fault diagnosis for solid oxide fuel cell system using multi-label pattern identification | |
| Li et al. | Diagnosis for PEMFC based on magnetic measurements and data-driven approach | |
| CN114899457A (zh) | 一种针对质子交换膜燃料电池***的故障检测方法 | |
| Peng et al. | Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference | |
| Ma et al. | Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method | |
| CN114243063B (zh) | 一种固体氧化物燃料电池***故障定位方法和诊断方法 | |
| Guo et al. | Deep learning technique for process fault detection and diagnosis in the presence of incomplete data | |
| Pang et al. | Intelligent health states recognition of fuel cell by cell voltage consistency under typical operating parameters | |
| Benouioua et al. | Diagnostic of fuel cell air supply subsystems based on pressure signal records and statistical pattern recognition approach | |
| Lu et al. | PEMFC water management fault diagnosis method based on principal component analysis and support vector data description | |
| Klass et al. | Lifelong performance monitoring of PEM fuel cells using machine learning models | |
| Moser et al. | Joint feature and model selection for SVM fault diagnosis in solid oxide fuel cell systems | |
| Dang et al. | A novel diagnosis method of proton exchange membrane fuel cells based on the PCA and XGBoost algorithm | |
| Arunthavanathan et al. | Remaining useful life estimation using fault to failure transformation in process systems | |
| Guo et al. | Early diagnosis of battery faults through an unsupervised health scoring method for real-world applications | |
| CN112598057B (zh) | 一种基于feknn策略的燃煤电厂锅炉故障诊断方法 | |
| Peng et al. | Control-oriented extraction and prediction of key performance features affecting performance variability of solid oxide fuel cell system | |
| Sepulvene et al. | Analysis of machine learning techniques in fault diagnosis of vehicle fleet tracking modules | |
| Wang et al. | Data-driven fault diagnosis-tolerant control integrated technique for solid oxide fuel cell | |
| Yuan et al. | Fault classification of proton exchange membrane fuel cell based on convolutional neural network coupled with support vector machine | |
| Peng et al. | Multistate Reliability Analysis of Solid Oxide Fuel Cells Using Automatic Spectral Clustering and Neighborhood Rough Sets | |
| Petrone et al. | Diagnostics and prognostics for the wind-hydrogen plant | |
| CN118114101B (zh) | 燃料电池故障诊断方法及*** | |
| Li et al. | Spatial–temporal synchronous fault feature extraction and diagnosis for proton exchange membrane fuel cell systems |
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 |