一种燃料电池发动机水热管理故障诊断系统及方法
1.本发明涉及燃料电池汽车技术领域,具体涉及一种燃料电池发动机水热管理故障诊断系统及方法。
背景技术:
2.氢能源具有高效无污染的特点,氢燃料电池汽车是新能源汽车的一个重要研究方向,而质子交换膜燃料电池发动机是氢燃料电池汽车的重要组成部件。
3.水热管理系统保障质子交换膜燃料电池发动机内的水平衡和温度平衡,为质子交换膜燃料电池发动机的正常工作提供条件和保障。在水热管理系统内,水淹和膜干是质子交换膜燃料电池发动机水热管理系统的典型故障,对于膜干及水淹故障的识别和诊断目前还很少见。
4.如何对燃料电池发动机水热管理系统进行故障诊断,是本领域亟待解决的重要问题之一。
技术实现要素:
5.本发明的目的是提供一种燃料电池发动机水热管理故障诊断系统,以解决现有技术中的不足,它能够对燃料电池发动机水热管理系统进行故障诊断,准确区分故障类型。
6.本发明提出了一种燃料电池发动机水热管理故障诊断系统,其中,包括,
7.第一数据采集模块,用于采集待诊断的燃料电池发动机的第一数据;
8.第二数据采集模块,用于采集待诊断的燃料电池发动机的第二数据;
9.健康辨识模型,与所述第一数据采集模块电连接,用于接收第一数据并产生对应的参考数据;
10.残差计算模块,分别与所述健康辨识模型和所述第二数据采集模块电连接,用于根据所述第二数据及参考数据计算对应的残差;
11.判断模块,与所述残差计算模块电连接,用于根据所述残差,对故障类型进行判断。
12.如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,所述第一数据包括电堆电流、电堆温度、阴极进气口压强和阳极进气口压强;
13.所述第二数据包括电堆输出电压、阴极压力降和欧姆内阻;
14.所述参考数据包括电堆输出电压、阴极压力降和欧姆内阻。
15.如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,所述健康辨识模型为经过训练的神经网络模型,其输入为第一数据,其输出为参考数据。
16.如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,所述神经网络模型的隐含层个数满足以下公式,
[0017][0018]
如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,还包括数据
选择模块和数据存储模块;
[0019]
所述数据选择模块分别与所述第一数据采集模块、所述数据存储模块、所述第一数据采集模块、所述健康辨识模型和所述残差计算模块电连接;
[0020]
所述数据存储模块用于存储第一数据采模块采集到的第一数据,以及与之对应的第三数据;
[0021]
所述第三数据包括电堆输出电压、阴极压力降和欧姆内阻;
[0022]
所述数据选择模块用于获取第一数据,并在所述数据存储模块内查与之对应的第三数据;若在所述数据存储模块内查到对应的第三数据,将该第三数据作为参考数据传输至所述残差计算模块;若在所述数据存储模块内未查到对应的第三数据,则从所述健康辨识模型中获取以所述第一数据为输入得到的参考数据。
[0023]
如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,所述残差计算模块用于根据所述第二数据与所述参考数据计算电压残差、阴极压力降残差和欧姆内阻残差;
[0024]
所述判断模块用于根据所述电压残差判断燃料电池发动机是否存在故障,还用于在故障存在时,根据所述阴极压力降残差和欧姆内阴残差判断燃料电池发动机故障类型为水淹故障或膜干故障。
[0025]
如上所述的燃料电池发动机水热管理故障诊断系统,其中,优选的是,所述神经网络模型的隐含层个数为7。
[0026]
本发明还提出了一种燃料电池发动机水热管理故障诊断方法,其中,包括如下步骤,
[0027]
s1,构建健康辨识模型;
[0028]
s2,采集第一数据和第二数据;
[0029]
s3,将采集到的第一数据输入健康辨识模型,得到参考数据;
[0030]
s4,根据第二数据和参考数据,计算残差,并判断故障类型;
[0031]
其中,残差计算结果包括电压残差、阴极压力降残差和欧姆内阻残差。
[0032]
如上所述的燃料电池发动机水热管理故障诊断方法,其中,可选的是,步骤s4中,判断故障类型包括如下具体步骤:
[0033]
s41,判断所述电压残差是否大于设定电压差,如果是,则执行步骤s42;如果否,则为健康状态;
[0034]
s42,判断阴极压力降是否大于设定压降,如果是,则为水淹故障;如果否,执行步骤s43;
[0035]
s43,判断欧姆内阻残差是否大于设定内阻残差,如果是,则为膜干故障;如果否,则为其他故障。
[0036]
与现有技术相比,本发明通过构建康辨识模型,利用从燃料电池发动机采集的第一数据,获取参考数据,并将参考数据与从燃料电池发动机采集的第二数据进行作差,得到对应的残差。残差包含了电压残差、阴极压力降残差和欧姆内阻残差,进而对是否故障以及故障类型进行判断。
[0037]
在本发明提供的方案中,对水淹故障和膜干故障进行了区别,以便于诊断出故障类型。
[0038]
在本发明提供的方案中,利用所使用的参考数据优先使用数据存储模块中的数据,相比于通过健康辨识模型得到的参考数据,数据存储模块中存储的数据更准确。而相比于利用数据存储模块中存储的参考数据,健康辨识模型得到的参考数据更加全面。本发明中,综合了两种获取参考数据的方式,结合了两种方式的优点,使诊断结果更加准确。
附图说明
[0039]
图1是本发明提出的燃料电池发动机水热管理故障诊断系统结构框图;
[0040]
图2是本发明提出的燃料电池发动机水热管理故障诊断系统的又一结构框图;
[0041]
图3是本发明提出的燃料电池发动机水热管理故障诊断方法的步骤流程图;
[0042]
图4是本发明提出的燃料电池发动机水热管理故障诊断方法中步骤s4的具体步骤流程图。
具体实施方式
[0043]
下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
[0044]
如背景技术中所记载,燃料电池发动机的水热管理故障诊断是本领域较为常见的故障,对于水淹和膜干的故障能够尽早发现并识别故障类型,能够及时消除故障,有利于提高水热管理的效果。而目前,水热管理故障识别研究较少的原因主要在于,一是燃料电池发动机当前应用还处于初期,产生相应水淹及膜干故障的数据有限;二是当前的研究主要集中于燃料电池汽车相关的结构本身,加之燃料电池发动机原理复杂,涉及到多学科交叉,故障内容纷繁复杂。通过本技术提供的方案,巧妙地规避了以上问题,能够实现对于燃料电池发动机水热管理故障的诊断。具体请参照以下实施例。
[0045]
实施例1
[0046]
本发明的实施例:如图1和图2所示。本实施例提出了一种燃料电池发动机水热管理故障诊断系统,其中,包括第一数据采集模块、第二数据采集模块、健康辨识模型、残差计算模块和判断模块。
[0047]
第一数据采集模块用于采集待诊断的燃料电池发动机的第一数据。具体实施时,第一数据采集模块可以是多个传感器,如,包括电流传感器、温度传感器和压力传感器,以便于获得电堆电流、电堆温度、阴极进气口压强和阳极进气口压强。
[0048]
第二数据采集模块用于采集待诊断的燃料电池发动机的第二数据;具体实施时,第二数据采集模块可以是多个传感器,如,包括电压传感器、电流传感器、气体压力传感器。以便于测量电堆输出电压、阴极压力降,第二数据中的欧姆内阻可以根据电压传感器及电流传感器所测结果进行计算,对于欧姆内阻的测量与计算,属于现有技术,对于本领域技术人员来讲,属于常规技术手段,此处不再赘述。健康辨识模型与所述第一数据采集模块电连接,用于接收第一数据并产生对应的参考数据。具体地,健康辨识模型的作用在于模拟正常燃料电池发动机,获取正常状态下的输出数据,并将其作为故障诊断的参考数据。
[0049]
残差计算模块分别与所述健康辨识模型和所述第二数据采集模块电连接,用于根据所述第二数据和参考数据计算对应的残差。具体实施时,第二数据与参考数据均包含多种数据类型,且第二数据中的数据类型与参考数据中的数据类型一致,在计算残差时,参考
数据与第二数据中的同类型数据进行作差。
[0050]
判断模块与所述残差计算模块电连接,用于根据所述残差,对故障类型进行判断。即,根据各类型数据作差所得的结果作为残差,便得残差中的数据类型与第二数据中的数据类型一一对应,根据该残差进行诊断。
[0051]
具体实施时,通过健康辨识模型来获取与第一数据相对应的参考数据,即,当参考数据作为健康状态下的第二数据。通过这种方式,能够克服参考数据不足的问题,并根据残差进行水热管理故障诊断,以得到具体的故障类型。
[0052]
在上述实施过程中,对于第一数据、第二数据和参考数据的具体类型有一定的要求,在本实施例中,所述第一数据至少包括电堆电流、电堆温度、阴极进气口压强和阳极进气口压强;所述第二数据至少包括电堆输出电压、阴极压力降和欧姆内阻;所述参考数据至少包括电堆输出电压、阴极压力降和欧姆内阻。其中,第二数据和参考数据的数据类型必须一一对应。在实际应用时,第一数据还可以包括其他数据,如空气的湿度和氢气的湿度等。
[0053]
对于健康辨识模型,可以是神经网络模型,也可以是其他类型的燃料电池发动机模型,只要能够满足根据第一数据得到健康状态下的参考数据即可,在本实施例中,选择神经网络模型为健康辨识模型,具体地,可以选择bp神经网络,具体地,所述健康辨识模型为经过训练的神经网络模型,其输入为第一数据,其输出为参考数据。
[0054]
为了获得准确的神经网络模型,对于隐含层层数的选择极为关键。较佳的隐含层层数不仅关系到训练后模型的准确性,还能够防止模型产生局部收敛。在实际应用中,所述神经网络模型的隐含层个数满足以下公式,
[0055][0056]
其中,l为隐含层的个数,且为正整数,m表示输入神经元的个数,n表示输出神经元的个数。
[0057]
本实施例中,以4输入、3输出的结构为例,代入以上公式,隐含层应当为介于3到9之间的正整数。考虑到训练数据的样本数量及训练结果,本实施例中,选择4-7-3结构的bp神经网络模型。
[0058]
为了进一步对本实施例所提出的神经网络模型进行说明,下面对某次训练的样本进行说明,具体如下表:
[0059]
表1神经网络训练数据
[0060][0061]
所使用的样本数量为3050,其中,训练样本占比80%,验证样本占比10%,测试样本占比10%。
[0062]
通过将健康辨识模型设置为bp神经网络模型,能够有效地解决数据量不足的问题,但同时,对于神经网络模型的预测精度也过于依赖,神经网络模型的精度直接影响诊断结果的准确性。神经网模型本身精度与实际情况存在一定的误差,会使故障诊断精度受到影响。而上述训练样本又集中在一定的区间内,以极端情况为例,当第一数据中的某个或多个数据不处于该区别内时,容易引起较大的误差。为此,本实施例作了进一步的改进。
[0063]
具体地,燃料电池发动机水热管理故障诊断系统,还包括数据选择模块和数据存储模块。数据存储模块用于存储燃料电池汽车实际运行时的第一数据和与之对应的健康状态下的参考数据,数据选择模块用于根据实际情况选择对应的参考数据的数据来源,即,来自于燃料电池发动机健康状态下的运行结果或者以神经网络模型的预测结果。
[0064]
具体地,所述数据选择模块分别与所述数据存储模块、第一数据采集模块、健康辨识模型和残差计算模块电连接;所述数据存储模块用于存储第一数据采模块采集到的第一数据,以及与之对应的第三数据。具体地,第三数据为预设的样本数据和/或在实际运行时产生的数据,无论是预设的样本数据,还是实际运行时产生的数据,都应当是在燃料电池发动机健康运行状态下所产生的数据。
[0065]
所述第三数据包括电堆输出电压、阴极压力降和欧姆内阻。即,第三数据作为可供选作为参考数据,其数据类型应当与参考数据一一对应。
[0066]
所述数据选择模块用于获取第一数据,并在所述数据存储模块内查与之对应的第三数据;若在所述数据存储模块内查到对应的第三数据,将该第三数据作为参考数据传输至所述残差计算模块;若在所述数据存储模块内未查到对应的第三数据,则从所述健康辨识模型中获取以所述第一数据为输入得到的参考数据。
[0067]
在具体实施时,在数据存储模块内,包含了多条存储数据,即,存在多个数据条,每个数据条包含了一个第一数据和至少一个第三数据。每个数据条均可以表示为{第一数据:第三数据1,第三数据2,第三数据3,......第三数据q};在选择参考数据时,若查到第一数据后,判断其对应的第三数据1的数量,若第三数据为一个,则将该第三数据作为参考数据输出到残差计算模块中;若第三数据为2到50个,则将该多个第三数据内的不同类型数据
求取平均值后作为对应的参考数据;若第三数据的数量大于50个,则将第三数据中各类型数据的中位数作为对应的参考数据。
[0068]
即,按如下公式来选取参考数据,
[0069][0070]
其中,表示参考数据,表示第三数据,表示第三数据的平均数,(v
3med
,δp
3med
,δr
3med
)表示第三数据的中位数。
[0071]
在实际应用时,燃料电池发动机的状态随着使用时间的增加会发生变化,为了保证数据的准确性,数据存储模块中数据应当是实时更新的。每进行一次故障诊断,根据诊断结果对数据存储模块进行更新。具体地,当诊断结果为无水淹或膜干故障时,产生一条数据:{第一数据,第二数据};根据第一数据从数据存储模块中查到包含该第一数据的该条数据,如为{第一数据:第三数据1,第三数据2,第三数据3,......第三数据q},则在第三数据q后增加第二数据作为第三数据q+1,即,{第一数据:第三数据1,第三数据2,第三数据3,......第三数据q,第二数据},也就是:{第一数据:第三数据1,第三数据2,第三数据3,......第三数据q,第三数据q+1}。若未查到包含该第一数据的数据条,则,在数据存储模块中增加新的数据条:{第一数据,第二数据}。
[0072]
也就是说,本实施例所公开的诊断系统是与燃料电池发动机同步运行并根据检测的频率进行不断更新的。在具体实施时,燃料电池发动机运行初期,参考数据的选择主要依靠健康辨识模型产生,其精度较低。但燃料电池发动机运行初期,其水淹或膜干的概率较低,能够满足诊断需要。随着燃料电池发动机的不断运行,数据存储模块中所存储的数据量逐渐增大,参考数据由主要依靠健康辨识模型产生改变为依靠数据存储模块中的数据实现。由于数据存储模块中的数据来源于燃料电池发动机的实际运行,其精度要高于依赖健康辨识模型。因而随着使用时间变长,诊断系统的精度会有一定的提升。
[0073]
考虑到在使用时,早期产生的数据在数据产生时燃料电池发动机的状态与当前燃料电池发动机的状态存在一定的差异,因而,本实施例又作了如下改进,在将第二数据写入数据存储模块中的数据条时,判断第三数据的数量是否达到设定的数值,如100个,当第一数据对应的第三数据的个数达到100个时,删除第一个第三数据,并将第二数据作为最后一个第三数据写入对应的数据条。如,原数据条为{第一数据:第三数据1,第三数据2,第三数据3,......第三数据100},在写入新的数据后,则为:{第一数据:第三数据2,第三数据3,第三数据4,......第三数据100,第二数据}。如此,能够删除与燃料电池发动机当前状态差别较大的第三数据,有利于提高诊断精度。在具体实施时,更新数据存储模块中的数据,可由判断模块触发,当判断模块的判断结果为健康状态时,获取第一数据和第二数据,并按以上
方法写入到数据存储模块中。具体地,所述判断模块还分别与所述第一数据采集模块、第二数据采集模块和所述数据存储模块电连接,以实现上述功能。
[0074]
具体地,本实施例通过如下方式进行故障类型的识别,所述残差计算模块用于根据所述第二数据与所述参考数据计算电压残差、阴极压力降残差和欧姆内阻残差。所述判断模块用于根据所述电压残差判断燃料电池发动机是否存在故障,还用于在故障存在时,根据所述阴极压力降残差和欧姆内阴残差判断燃料电池发动机故障类型为水淹故障或膜干故障。更具体地,判断所述电压残差是否大于设定电压差,如果是,则执行阴极压力降判断;如果否,则为健康状态;判断阴极压力降是否大于设定压降,如果是,则为水淹故障;如果否,执行欧姆内阻判断;判断欧姆内阻残差是否大于设定内阻残差,如果是,则为膜干故障;如果否,则为其他故障。
[0075]
在具体实施时健康辨识模型也可以是其他模型,如经验模型等。
[0076]
实施例2,
[0077]
本实施例是针对实施例1所提出的诊断方法,请参照图3和图4,本实施例提出了一种燃料电池发动机水热管理故障诊断方法,其中,包括如下步骤,
[0078]
s1,构建健康辨识模型;具体请参数实施例1,可采用bp神经网络模型或经验模型。当采用bp神经网络模型时,应当预先进行训练。
[0079]
s2,采集第一数据和第二数据;具体地,所述第一数据包括电堆电流、电堆温度、阴极进气口压强和阳极进气口压强;所述第二数据包括电堆输出电压、阴极压力降和欧姆内阻;所述参考数据包括电堆输出电压、阴极压力降和欧姆内阻。
[0080]
s3,将采集到的第一数据输入健康辨识模型,得到参考数据。在具体实施时,所述参考数据的获取方法也可以如实施例1所公开。利用健康辨识模型,能够快速扩大数据量,以克服数据量不足的情况。
[0081]
s4,根据第二数据和参考数据,计算残差,并判断故障类型;在计算残差时,应当将参考数据中各类型的数据减去对应的第二数据中对应类型的数据。
[0082]
其中,残差计算结果包括电压残差、阴极压力降残差和欧姆内阻残差。
[0083]
请参照图4步骤s4中,判断故障类型包括如下具体步骤:
[0084]
s41,判断所述电压残差是否大于设定电压差,如果是,则执行步骤s42;如果否,则为健康状态。
[0085]
s42,判断阴极压力降是否大于设定压降,如果是,则为水淹故障;如果否,执行步骤s43。
[0086]
s43,判断欧姆内阻残差是否大于设定内阻残差,如果是,则为膜干故障;如果否,则为其他故障。
[0087]
与现有技术相比,本发明通过构建康辨识模型,利用从燃料电池发动机采集的第一数据,获取参考数据,并将参考数据与从燃料电池发动机采集和第二数据进行作差,得到对应的残差。残差包含了电压残差、阴极压力降残差和欧姆内阻残差,进而对是否故障以及故障类型进行判断。
[0088]
在本发明提供的方案中,对水淹故障和膜干故障进行了区别,以便于诊断出故障类型。
[0089]
在本发明提供的方案中,利用所使用的参考数据优先使用数据存储模块中的数
据,相比于通过健康辨识模型得到的参考数据,数据存储模块中存储的数据更准确。而相比于利用数据存储模块中存储的参考数据,健康辨识模型得到的参考数据更加全面。本发明中,综合了两种获取参考数据的方式,结合了两种方式的优点,使诊断结果更加准确。
[0090]
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
技术特征:
1.一种燃料电池发动机水热管理故障诊断系统,其特征在于:包括:第一数据采集模块,用于采集待诊断的燃料电池发动机的第一数据;第二数据采集模块,用于采集待诊断的燃料电池发动机的第二数据;健康辨识模型,与所述第一数据采集模块电连接,用于接收第一数据并产生对应的参考数据;残差计算模块,分别与所述健康辨识模型和所述第二数据采集模块电连接,用于根据所述第二数据及参考数据计算对应的残差;判断模块,与所述残差计算模块电连接,用于根据所述残差,对故障类型进行判断。2.根据权利要求1所述的燃料电池发动机水热管理故障诊断系统,其特征在于:所述第一数据包括电堆电流、电堆温度、阴极进气口压强和阳极进气口压强;所述第二数据包括电堆输出电压、阴极压力降和欧姆内阻;所述参考数据包括电堆输出电压、阴极压力降和欧姆内阻。3.根据权利要求2所述的燃料电池发动机水热管理故障诊断系统,其特征在于:所述健康辨识模型为经过训练的神经网络模型,其输入为第一数据,其输出为参考数据。4.根据权利要求3所述的燃料电池发动机水热管理故障诊断系统,其特征在于:所述神经网络模型的隐含层个数满足以下公式,5.根据权利要求1-4任一项所述的燃料电池发动机水热管理故障诊断系统,其特征在于:还包括数据选择模块和数据存储模块;所述数据选择模块分别与所述第一数据采集模块、所述数据存储模块、所述健康辨识模型和所述残差计算模块电连接;所述数据存储模块用于存储第一数据采模块采集到的第一数据,以及与之对应的第三数据;所述第三数据包括电堆输出电压、阴极压力降和欧姆内阻;所述数据选择模块用于获取第一数据,并在所述数据存储模块内查与之对应的第三数据;若在所述数据存储模块内查到对应的第三数据,将该第三数据作为参考数据传输至所述残差计算模块;若在所述数据存储模块内未查到对应的第三数据,则从所述健康辨识模型中获取以所述第一数据为输入得到的参考数据。6.根据权利要求5所述的燃料电池发动机水热管理故障诊断系统,其特征在于:所述残差计算模块用于根据所述第二数据与所述参考数据计算电压残差、阴极压力降残差和欧姆内阻残差;所述判断模块用于根据所述电压残差判断燃料电池发动机是否存在故障,还用于在故障存在时,根据所述阴极压力降残差和欧姆内阴残差判断燃料电池发动机故障类型为水淹故障或膜干故障。7.根据权利要求4所述的燃料电池发动机水热管理故障诊断系统,其特征在于:所述神经网络模型的隐含层个数为7。8.一种燃料电池发动机水热管理故障诊断方法,其特征在于:包括如下步骤,s1,构建健康辨识模型;
s2,采集第一数据和第二数据;s3,将采集到的第一数据输入健康辨识模型,得到参考数据;s4,根据第二数据和参考数据,计算残差,并判断故障类型;其中,残差计算结果包括电压残差、阴极压力降残差和欧姆内阻残差。9.根据权利要求8所述的燃料电池发动机水热管理故障诊断方法,其特征在于,步骤s4中,判断故障类型包括如下具体步骤:s41,判断所述电压残差是否大于设定电压差,如果是,则执行步骤s42;如果否,则为健康状态;s42,判断阴极压力降是否大于设定压降,如果是,则为水淹故障;如果否,执行步骤s43;s43,判断欧姆内阻残差是否大于设定内阻残差,如果是,则为膜干故障;如果否,则为其他故障。
技术总结
本发明公开了一种燃料电池发动机水热管理故障诊断系统及方法,该系统包括第一数据采集模块,用于采集待诊断的燃料电池发动机的第一数据;第二数据采集模块,用于采集待诊断的燃料电池发动机的第二数据;健康辨识模型,分别与所述第一数据采集模块和所述第二数据采集模块电连接,用于输入第一数据并产生对应的参考数据;残差计算模块,分别与所述健康辨识模型和所述第二数据采集模块电连接,用于根据所述第二数据及参考数据计算对应的残差;判断模块,与所述残差计算模块电连接,用于根据所述残差,对故障类型进行判断。本发明能够对燃料电池发动机水热管理系统进行故障诊断,准确区分故障类型。区分故障类型。区分故障类型。