一种固体氧化物燃料电池电堆故障诊断方法和系统与流程

本发明属于燃料电池领域，更具体地，涉及一种固体氧化物燃料电池电堆故障诊断方法和系统。

背景技术：

固体氧化物燃料电池(sofc)是一种新型的能源供电技术，它利用氢碳化合物与空气发生化学反应，将燃料中的化学能转化为电能，具有高效、安静、环保无污染等优点。sofc发电技术目前在快速的发展中，而要实现sofc的商业化，就必须致力于对故障损坏现象的研究，以求对其充分了解，从而提高sofc独立发电系统的可靠性，保障其稳定、安全的运行。而电堆作为独立发电系统的核心部件，对其进行故障诊断方法的研究就成为必要一环。

在欧盟“dimond”计划项目的支持下，针对pemfc中水管理相关的退化过程，利用故障树分析法对相关的问题进行了研究。而欧盟新启动的“genius”计划则是要将传统检测和故障诊断方法与技术利用在提升sofc的寿命上，其主要是针对sofc系统级进行故障诊断。在该计划项目中，将故障树分析法用于对sofc电堆故障的分析，并通过人为控制产生故障状态的实验来验证该方法的有效性。由于故障树分析法是利用故障及该故障所呈现的特征搭建关于该故障的故障树，之后根据故障所反映出的特征逆向推理可能发生的故障，所以当多个故障为耦合态、呈现出的特征比较相似时，使用故障树分析法进行分析会十分麻烦。

成都电子科技大学的xiaojuanwu等人利用som神经网络模型对sofc温度控制器和空气泄漏故障进行了诊断和分析，其实验结果证明了该som诊断模型拥有较高的准确性。但该som诊断模型没有对系统关键部件——电堆的故障状态进行诊断的能力，因此其诊断能力仍有一定的局限性。

基于以上技术分析，现有电堆诊断方法及模型具有局限性、实用性差、辨识性低。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种固体氧化物燃料电池电堆故障诊断方法和系统，其目的在于通过sofc系统模型对电堆故障和电堆正常工作状态进行模拟，得到了电堆故障和电堆正常工作状态下的电堆参数，采集电堆参数输入训练好的诊断模型，得到电堆故障类型障类型，由此解决现有电堆诊断方法及模型具有局限性、实用性差、辨识性低的技术问题。

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电堆故障诊断方法，包括以下步骤：

(1)利用sofc系统模型对电堆故障和电堆正常工作状态进行模拟，得到了电堆故障的电堆参数和电堆正常工作状态下的电堆参数作为样本电堆参数；

(2)利用样本电堆参数训练诊断模型，得到训练好的诊断模型；

(3)采集实时电堆参数，输入训练好的诊断模型，得到电堆故障类型。

进一步的，步骤(1)还包括利用sofc系统模型参数建立sofc系统模型，所述sofc系统模型参数包括：燃料利用率，空气过量比，旁路阀开度和电堆单电池片输出电压设定值。

进一步的，电堆参数包括：电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例。

进一步的，电堆故障类型为电堆正常工作状态、电极分层和电堆漏气中的任意一种。

进一步的，步骤(2)包括：

(2-1)利用树形分类统计方法采集样本电堆参数，将样本电堆参数分为训练样本和测试样本；

(2-2)利用训练样本训练诊断模型，利用测试样本检测诊断模型对故障诊断的准确率，设置诊断模型的配置参数，选择诊断模型的隐含层节点数，得到训练好的诊断模型。

进一步的，训练样本分为训练集和交叉验证集，训练集用来训练诊断模型，交叉验证集用来确保诊断模型不出现过拟合。

进一步的，诊断模型的配置参数包括：诊断模型训练的目标误差、最大迭代次数和学习率。

按照本发明的另一方面，提供了一种固体氧化物燃料电池电堆故障诊断系统，包括以下模块：

电堆参数模块，用于利用sofc系统模型对电堆故障和电堆正常工作状态进行模拟，得到了电堆故障的电堆参数和电堆正常工作状态下的电堆参数作为样本电堆参数；

训练模块，用于利用样本电堆参数训练诊断模型，得到训练好的诊断模型；

故障诊断模块，用于采集实时电堆参数，输入训练好的诊断模型，得到电堆故障类型。

进一步的，电堆参数模块还包括利用sofc系统模型参数建立sofc系统模型，所述sofc系统模型参数包括：燃料利用率，空气过量比，旁路阀开度和电堆单电池片输出电压设定值。

进一步的，电堆参数包括：电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明通过sofc系统模型对电堆故障和电堆正常工作状态进行模拟，得到了电堆故障和电堆正常工作状态下的电堆参数，采集电堆参数输入训练好的诊断模型，得到电堆故障类型。本发明诊断模型能有效地对电堆正常工作和电堆故障类型进行诊断，其诊断结果具有较高的准确性，本发明诊断方法实用性强、辨识性高、准确性高。

(2)本发明利用电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例作为电堆参数，由此训练得到的诊断模型准确率高，且蕴含最优的关系信息。

(3)优选的，设置诊断模型的配置参数，可以保证训练得到的诊断模型的稳定性，选择诊断模型的隐含层节点，可以减小训练得到的诊断模型的误差，避免出现过拟合的现象。

附图说明

图1是本发明实施例提供的一种固体氧化物燃料电池电堆故障诊断方法的流程图；

图2是本发明实施例电堆正常状态与电极分层时电堆电流曲线；

图3是本发明实施例电堆正常状态与电极分层时电堆温度曲线；

图4为本发明实施例电堆正常状态与电堆漏气时电堆电流曲线；

图5为本发明实施例电堆正常状态与电堆漏气时电堆温度曲线；

图6为本发明实施例诊断模型示意图。

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。

如图1所示，一种固体氧化物燃料电池电堆故障诊断方法，包括以下步骤：

(1)利用sofc系统模型对电堆故障和电堆正常工作状态进行模拟，得到了电堆故障和电堆正常工作状态下的样本电堆参数；

(2)利用样本电堆参数训练诊断模型，得到训练好的诊断模型；

(3)采集实时电堆参数，输入训练好的诊断模型，得到电堆故障类型。

进一步的，步骤(1)还包括利用sofc系统模型参数建立sofc系统模型，所述sofc系统模型参数包括：燃料利用率，空气过量比，旁路阀开度和电堆单电池片输出电压设定值。

进一步的，电堆参数包括：电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例。

进一步的，电堆故障类型为电堆正常工作状态、电极分层和电堆漏气中的任意一种。

在对电堆故障进行诊断之前，必须要深入理解电堆损坏现象及其相应的参数。具体来说，电堆性能的下降可能是由单个元件或者多个元件的连接损坏引起的，因此为了能系统的描述故障类型，本发明将对电堆典型故障类型进行分类讨论：首先考虑由电堆电极分层引起的故障，其次考虑由电堆燃料气体泄漏造成的故障。在此需指出，同种故障也会因为发生故障的严重程度等原因的不同而得到不同的数据，但其恶化现象本身的趋势是相同的。比如燃料泄漏故障会造成电堆功率下降和电压损失，而恶化发生的强弱受故障本身严重程度的影响。验证故障模型特征数据的变化趋势有利于对故障进行更加深化的认识，以及在实际实验中，当产生故障时，能采取更为有效的防护措施，避免恶化现象加剧。

进一步的，对电堆故障的情况分析和仿真方法具体为：

(1-1)电堆电极分层情况分析及仿真

电堆电极分层是固体氧化物燃料电池(sofc)电堆欧姆增长的主要原因之一，其存在于电极与电解质的分离过程中。事实上，固体氧化物燃料电池的高温工作状态对确保充分的化学反应和电解质的导电性都至关重要，但却会对材料产生不好的影响，特别是反复进行由室温到工作温度的热循环过程。再者，除了工作的高温状态，系统材料在发电过程中也会经历一些高温过程，由于邻接的电池层之间材料的热膨胀系数的不同，将导致热应力的产生。以上的热循环可能会导致电池层之间接口的退化，最终导致接口的脱离。分层发生后，由于垂直的主电流路径的裂口的存在，将会构成一个阻止电荷传导的绝缘阻挡层，破坏电化学反应位点从而使得电池的性能恶化。值得强调的是，这个过程将导致燃料电池的有效反应面积的缩减。对于单个的固体氧化物燃料电池来说，电极分层是通过减少有效导电区域以及使分层面两侧产生电化学惰性导致电池性能降低。

本发明针对分层现象机理分析，采用了减少电堆中的单电池有效反应面积参数对电堆电极分层故障进行了仿真，在仿真进行到5000s时，使单电池片有效反应面积减少，缩减参数为0.8，除了对电池片的有效面积进行模拟以外，和电极分层及反应面积相关的参数如气体热传递有效面积，连接体热传递有效面积等参数也进行了模拟，此处为了简化计算，假设了每片单电池有效面积都缩减了相同的参数。

如图2所示，为本发明实施例电堆正常状态与电极分层时电堆电流曲线，可以看出当电池片发生电极分层恶化之后，电堆输出电流明显减少，如图3所示，为本发明实施例电堆正常状态与电极分层时电堆温度曲线，可以看出当电池片发生电极分层恶化之后，电堆温度受影响情况则相对较小。从仿真结果可以看出，该仿真实验的电堆电特性与温度特性与实际实验中发生电极分层故障的电堆特征基本一致，从而证明了该电极分层仿真实验的有效性。

(1-2)电堆漏气故障情况分析及仿真

电堆漏气是实验过程中最常见的电堆故障，也是最希望避免的、恶化现象最严重的故障之一。电堆漏气时，泄漏的燃料气体遇空气发生燃烧反应，会使电堆温度迅速升高。因参与电化学反应的阳极气体减少，所以电堆的电特性会发生衰减，造成电堆输出电流下降，电堆输出功率下降。

本发明将通过分流sofc在电堆内部节点间的氢气气体流量来模拟电堆内部气体泄漏故障。假设漏气故障发生在第三个节点处，则第一、二个节点入口燃料流量正常，从第三个节点开始燃料入口燃料流量减少，开始产生局部燃料短缺，即燃料亏空。此处为了简化计算，对电堆阳极入口燃料流量衰减系数取值为0.8，并利用燃烧室模型对泄漏气体的燃烧反应进行仿真。

图4所示为本发明实施例电堆正常状态与电堆漏气时电堆电流曲线，可以看出当电堆发生漏气故障之后，电堆输出电流明显减少，图5示为本发明实施例电堆正常状态与电堆漏气时电堆温度曲线，可以看出当电堆发生漏气故障之后，电堆温度因泄漏的燃料气体发生燃烧反应产生大量的热而迅速上升。从仿真结果可以看出，该仿真实验的电堆电特性与温度特性与实际实验中发生电堆漏气故障的电堆特征基本一致，从而证明了该电堆漏气仿真实验的有效性。

在同一实验条件下，在发生电极分层时，电堆输出电流明显减少，而电堆温度受影响情况则相对较小；在发生电堆漏气故障时，电堆输出电流明显减少，而电堆温度因泄漏的燃料气体发生燃烧反应产生大量的热而迅速上升。由此可知，当电堆性能恶化时，电堆的电特性如电堆电流等免不了开始衰减。由此可知，电堆电特性的衰减是判断电堆是否发生故障的一个关键标志，同时也表明了仅靠电堆电特性的衰减无法辨别出电堆到底发生了哪种故障。而电极分层和漏气故障对电堆温度造成的影响截然不同，所以，针对此两种电堆故障，电堆温度便成为一种有效的判别标志。除此之外，气体质量及气体成分比例也是电堆的重要参数。随着电化学反应的进行，燃料流量每流经一个节点时都会有所消耗。在相同的输入条件下，当电堆漏气时，节点内部燃料气体流量少于正常情况；当电堆发生电极分层时，因电化学反应接触面减少，参与电化学反应的燃料气体也相应减少，节点内部燃料气体高于正常情况。因阳极气体在电化学反应中作为还原剂，与阴极穿透过来的氧离子作用生成水，所以随着电化学反应的进行，每经过一个节点，燃料气体所占总气体的比例都有所减少。当电堆漏气时，节点内部燃料气体所占比例低于正常情况；当电堆发生电极分层时，节点内部燃料气体所占比例高于正常情况。通过分析，在电堆发生故障时，电堆节点内部燃料气体流量和所占比例会发生变化，且因故障的不同而变化趋势不同。故燃料流量和所占比例可作为诊断电堆故障的参数。

所以，本发明以电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例作为电堆参数，即诊断模型的输入变量。

因输入变量均是与电堆相关的参数，所以在数据准备过程中，为了简化数据的获取，在此只对电堆内的氢气燃料进行考虑，并在sofc系统模型2.5kw、4kw和5kw恒功率稳态情况下对数据进行分析。

在实际sofc系统模型中，sofc系统模型参数为阴极空气流量、阳极燃料流量、旁路阀开度和电堆输出电压的设定值。而在系统稳态分析过程中，因sofc系统模型燃料不仅要参与电堆的电化学反应，还要参与燃烧室内的燃烧反应，所以不方便对系统效率等参数进行分析。于是采用与以上四种参数直接关联的四种参数作为系统的控制量，这四种参数分别为燃料利用率fu，空气过量比ar，旁路阀开度bp和电堆单电池片输出电压设定值vcell。

燃料利用率fu等于电堆中参与电化学反应的氢气流量与电堆内总的氢气流量的比值：

其中n为电堆中单电池片数，f为法拉第常数，is为电堆电流。

空气过量比ar等于电堆内总的氧气流量与电堆中参与电化学反应的氧气流量的比值：

其中表示空气中氧气的占有比例值为0.79，表示由空气风机通入系统的总空气流量。

旁路阀开度bp等于旁路阀中冷空气的流量与系统中总空气流量的比值：

旁路阀的作用主要是通过调节电堆阴极入口温度来调节电堆温度及温度梯度。

电堆电池片电压vcell表示电堆的工作点，由负载功率需求决定，根据电堆电特性，当负载所需功率较高时，电堆工作电压会较低；当负载所需功率较低时，电堆工作电压会较高。

在sofc系统模型参数的控制过程中，控制变量取值范围如下：

燃料利用率fu＝[0.6，0.9]，低于0.6效率低，高于0.9不能保证热量；

空气过量比ar＝[6，12]，低于6无法控温，高于12系统效率太低；

旁路阀开度bp＝[0.0，0.3]，高于0.3，电堆入口空气温度过低，系统性能下降；

电堆电池片电压vcell＝[0.6v，0.8v]，单片电池所对应正常工作电压；

通过实验，对以上参数组合进行离散化并进行了稳态分析，发现fu、ar、bp和vcell离散的精度取值在0.1、1、0.05和0.05v时，系统的计算量较小并且系统数据具有较好的连续性。

本发明考虑系统正常工作时稳态输出功率为2.5kw、4kw和5kw时系统工作状况，以及对该状态下系统发生的电极分层和电堆漏气故障进行诊断和识别。

优选的，诊断模型为神经网络模型。

进一步的，神经网络模型算法的选取，根据对故障情况的分析，得出所述电堆故障其样本数据中输入与输出会有明确的对应关系，符合监督学习的特点，而反向传播算法(bp算法)是一种具有很强的非线性映射能力的监督学习算法，根据kolrnogorov定理，一个3层bp神经网络能够实现对任意非线性函数进行逼近。除此之外，在对网络中神经元节点激励函数选取时，因sofc系统为非线性系统，故激励函数需要采用非线性函数，本发明采用sigmoid函数作为激励函数，因其曲线特征像大写字母“s”，故也被称为“s”函数：

z表示激励函数的输入参数，e是一个自然常数(约为2.71828)，在本发明对sofc电堆故障诊断分类中，用y＝0或1来代表两种类型的标签，这是因为sigmoid激活函数的值域为0～1。

进一步的，步骤(2)包括：

(2-1)输入变量的选择

bp神经网络对输入变量的选择十分重要，因为诊断模型是基于输入变量和输出变量辨识出其间存在的非线性关系，合适的输入变量可以使诊断模型蕴含最优的关系信息，使诊断模型拥有更高的有效性和准确性。

(2-2)输出变量的选择

本发明所述诊断模型的作用是对电堆正常工作状态、电极分层和电堆漏气故障进行诊断，所以该故障诊断模型输出层相应节点以输出1和0表示该种故障有无发生。

(2-3)样本准备和预处理

对sofc系统模型参数fu、ar、bp和vcell在各自的取值范围内进行离散组合：

x表示sofc系统模型参数的取值，采用树形分类统计方法采集满足温度约束条件的系统输出功率为2.5kw、4kw和5kw时的总共130个稳态工作点。对其中的110个工作点分别采集得到其在系统正常工作、电极分层和电堆漏气状态的电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例共330组数据作为训练样本，另外20个工作点的60组数据作为测试样本。

本发明设计的神经网络故障诊断模型激励函数为s函数，其输出范围为0～1。输出层变量取值范围也是在0和1之间，但输入层变量取值范围有很大差异，若直接使用原始输入数据对诊断模型进行训练，输入数据的数量级可能会影响模型的权重，使诊断模型的有效性和收敛性变差。所以需要对原始输入数据进行预处理，也就是归一化操作，其转换过程如下：

其中xnorm表示归一化数据，x表示原始数据，xmin表示原始数据中最小值，xmax表示原始数据中最大值。在对神经网络进行训练和测试时应使用相同的最小值和最大值进行归一化。

值得注意的是基于梯度下降策略的bp网络在训练的过程中有陷入局部极小值的可能，当网络陷入局部极小值时，基于梯度下降策略，网络训练会终止。这时候可能会出现的情况是，训练得到的网络对于训练样本误差极小，而对于测试样本误差极大。为了避免模型的过拟合和陷入局部极小值，本发明将训练样本分为训练集和交叉验证集，采用11折交叉验证，即将训练样本的330组数据随机分成11组，每次取其中一组作为交叉验证集，其余十组作为训练集。训练集用来训练模型参数，交叉验证集用来确保模型不出现过拟合，一旦模型在交叉验证集上误差开始增大，训练过程就会停止。

(2-4)网络配置参数

本发明中神经网络的允许误差设定为0.001，即当两次迭代结果的误差小于该值时，网络结束迭代计算，给出结果。网络的最大迭代次数设为1000次，设置最大迭代次数是因为神经网络的计算并不能保证在该种参数的配置下迭代结果收敛，所以当迭代结果不收敛时，允许最大的迭代次数。在bp算法中，学习率越大，权重变化越大，收敛越快。但学习率过大，会引起系统的振荡。因此，学习率在不导致振荡前提下，越大越好。本发明的神经网络学习率设为0.1。

神经网络训练的目标误差：

net.trainparam.goal＝0.001

最大迭代次数：

net.trainparam.epochs＝1000

学习率：

net.trainparam.lr＝0.1

(2-5)隐含层结构的选择

关于隐含层节点数的选择是关乎到训练得到的诊断模型的误差的大小。当神经元过少，诊断模型就不具备足够的复杂性来描述sofc电堆本身的非线性；如果神经元个数过多，可能会出现过拟合现象，即诊断模型陷入局部极小值。

在此根据神经元选择的经验公式：

其中nhidden表示隐含层节点数，nin表示输入层节点数，nout表示输出层节点数，α表示一个常数取值范围为1～10。

本发明在从nhidden＝4开始，逐次增加一个隐含层神经元个数，比较每次诊断模型的预测性能，选择性能最好的节点数作为隐含层节点数。值得注意的是，即便使用相同的数据、相同的算法和网络结构，每次辨识出的神经网络诊断模型参数都会不同，本发明对每种诊断模型进行多次辨识，并对其结果进行比较。发现隐含层节点选择为7时，诊断模型的误差最小。

基于以上分析，进行诊断模型的仿真实验。图6所示为本发明实施例搭建的诊断模型对系统状态进行辨识和诊断的过程。

如图6所示，x1表示电堆电流，x2表示电堆温度，x3表示燃料流量，x4表示燃料占气体成分比例，状态类型1表示输出层变量o1为1，即正常状态；状态类型2表示输出层变量o2为1，即电极分层情况；状态类型3表示输出层变量o3为1，即电堆漏气故障。在实验过程中，通过对测试样本的诊断，发现该网络对测试样本的识别率为95.0％。本发明利用电堆输出电流、电堆温度、燃料流量和燃料占气体成分比例作为电堆参数，由此训练得到的诊断模型准确率高，且蕴含最优的关系信息，也证明本发明建立的诊断模型对其要判定的电堆故障具有较高的识别准确性。

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。