考虑故障退化影响的燃料电池传感器筛选建模方法

本发明属于燃料电池领域，具体涉及一种对燃料电池系统中的传感器进行优化筛选的建模方法。

背景技术：

1、燃料电池因其高功率密度和快速响应等优点在交通、储能领域展现出较大潜能。由于负载及运行环境的变化、部件磨损等，燃料电池在使用过程中会不可避免地出现许多故障，故障如果未能得到及时的识别和修复，就会加速设备的性能退化、致使燃料电池设备失效等，更有甚者可能会发生安全问题。为了保证燃料电池系统能够安全稳定的运行，在大面积商业化落地之前，配套发展完善的故障以及性能监测系统对其具有重要的意义和价值。

2、为了获得更精准的燃料电池性能预测以及故障诊断结果，需要基于大量传感器的历史工作状态数据，将数据模式化后通过模式识别的方式，逼近系统数据中所内含的映射机制及深层信息，从而达到故障检测、性能预测的目的。计算效率与精度平衡也是诊断方法要注意的重要因素，多传感器的使用为不同的系统故障提供了更多可区分的信息。但是高维数据集的分析复杂且耗时，难以在计算能力有限的嵌入式系统中实现。

3、本发明提出了一种适用于燃料电池性能预测以及故障诊断应用的传感器筛选建模方法，从而过滤掉对燃料电池性能变化不敏感的传感器。基于燃料电池模型考虑各类常见故障模式对燃料电池的影响，将不同失效模式对系统性能退化的影响相耦合，选择出最佳的传感器集合，解决高维复杂信息难以满足在线诊断要求的难点。

技术实现思路

1、本发明的目的是，提出一种考虑故障退化影响的燃料电池传感器优化筛选建模的方法。从燃料电池故障对退化影响角度出发，借助灵敏性分析耦合失效模式加权的方法来进行传感器优化选择，解决高维复杂信息难以满足在线诊断要求的难点。

2、以下对本发明的原理步骤予以说明。考虑故障退化影响的燃料电池传感器筛选建模方法包括：燃料电池传感器优化筛选模型、燃料电池仿真模型以及机器学习算法。燃料电池仿真模型用于计算模型输出参数的灵敏性，其中仿真模型所涉及的健康参数，电流密度、活化面积、液态水含量作为输入；仿真模型预测的传感器参数的集合作为输出。燃料电池仿真模型的函数表达式为：

3、α＝f(i,aact,s)    (1)

4、α表示传感器参数的集合，其中传感器参数包括v,ta,tc,rhc,qa,in,qa,out,qc,in,qc,out。燃料电池输出参数对电流密度、活化面积、液态水含量这三个健康参数的灵敏性集合的计算表达式为：

5、

6、

7、

8、传感器参数对于不同健康参数具有不同的灵敏度，采用三个健康参数故障对燃料电池性能退化影响的加权选择方法，其计算公式如下：

9、

10、式中，df代表传感器加权退化灵敏度集合；di代表电流密度失效模式造成的性能退化率；代表活化面积失效模式造成的性能退化率；ds代表液态水含量失效模式造成的性能退化率。

11、传感器加权退化灵敏度集合包括：

12、

13、按照其数值从大到小降序对传感器加权退化灵敏度集合包含的参数进行排序，其函数关系式为：

14、

15、式中sort代表对集合的降序函数；δ代表进行降序后的传感器加权退化灵敏度集合，随后对δ中的元素进行分组操作：

16、gi＝(δ1,...,δi)i＝1,2,...,8     (8)

17、利用机器学习算法，将所有分组中包含的传感器集合分别作为输入，寻找准确度最高的i分组，获得的gi为筛选的最佳传感器集合，以此完成过滤多余传感器以及传感器优化筛选的过程。

18、进一步的：可利用的机器学习算法分类模型包括但不限于：自适应神经模糊系统、卷积神经网络、人工神经网络以及长短期记忆人工神经网络。

19、本发明的特点及产生的有益效果是：提出的燃料电池传感器筛选方法，考虑燃料电池故障对退化影响，借助灵敏性分析耦合失效模式加权的方法来进行传感器优化选择，利用燃料电池仿真模型和机器学习算法结合，能够实现对车载燃料电池中涉及的传感器进行筛选，适用于燃料电池性能预测以及故障诊断应用。本发明不仅可以过滤无法有效表征系统性能及状态的传感器，从而提升预测以及诊断的准确度，还可以提升计算效率，从而解决高维复杂信息难以满足在线诊断要求的难点。整个传感器筛选方法利用编写好的程序可自动实现；传统传感器筛选的研究过程，需要研究者对传感器所有可能的组合均进行实验或者仿真操作，根据大量尝试完成最终筛选传感器过程，这需要消耗大量的人力以及实验经费。

技术特征：

1.考虑故障退化影响的燃料电池传感器筛选建模方法，其特征是：建模包括燃料电池传感器优化筛选模型、燃料电池仿真模型以及机器学习算法，燃料电池仿真模型用于计算模型输出参数的灵敏性，其中仿真模型所涉及的健康参数，电流密度、活化面积、液态水含量作为输入；仿真模型预测的传感器参数集合作为输出，燃料电池仿真模型的函数表达式为：

2.根据权利要求1所述考虑故障退化影响的燃料电池传感器筛选建模方法，其特征是：所述机器学习算法包括但不局限于：自适应神经模糊系统、卷积神经网络、人工神经网络以及长短期记忆人工神经网络。

技术总结
本发明公开了一种考虑故障退化影响的燃料电池传感器筛选建模方法。建模包括燃料电池传感器优化筛选以及燃料电池仿真，仿真模型用于计算模型输出参数的灵敏性，通过灵敏性分析耦合失效模式加权方法进行传感器优化选择，采用仿真模型和机器学习算法结合，实现对车载燃料电池中涉及的传感器进行筛选，适用于燃料电池性能预测以及故障诊断应用。通过有效的传感器优化筛选，使得燃料电池的性能预测结果以及状态分类结果均有非常大的提升。本发明不仅可以过滤无法有效表征系统性能及状态的传感器，从而提升预测以及诊断的准确度，还可以提升计算效率，从而解决高维复杂信息难以满足在线诊断要求的难点，整个优化筛选过程利用编写好的程序可自动实现。

技术研发人员：焦魁,宫智超,王博文
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/1/13