论文研究-燃料电池系统在线状态监测与故障诊断研究 .pdf

发布时间：2022-05-30 发布人：admin 分类：说明书资料大小：0.28M 资料格式：pdf 举报版权申诉

weixin_39840387-11569592-4744302543306744616.pdf-第1页.png

第1页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第2页.png

第2页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第3页.png

第3页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第4页.png

第4页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第5页.png

第5页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第6页.png

第6页 / 共7页

weixin_39840387-11569592-4744302543306744616.pdf-第7页.png

第7页 / 共7页

文本预览

中国科技论文在线 http://www.paper.edu.cn 燃料电池系统在线状态监测与故障诊断研究罗良庆，娄平，韩锐武汉理工大学自动化学院，武汉（430070） E-mail:llq9943@sina.com 摘要：文章分析了质子交换膜燃料电池系统的结构和工作原理，分别给出了基于双 CAN 网络的燃料电池单片电压巡检系统和基于电化学阻抗谱的单片内阻在线检测系统的实现方案。针对燃料电池的结构特点和多传感器特性，提出和详细论述了基于分布式神经网络的故障诊断方法，有效地简化了燃料电池系统故障诊断过程，改善了故障诊断的实时性和提高了燃料电池系统工作的稳定性和可靠性。关键词：质子交换膜燃料电池；电压巡检；内阻测试；故障诊断；分布式神经网络中图分类号：TP277 文献标识码：A 1. 引言质子交换膜燃料电池（PEMFC）因无污染、高效率、功率密度高、结构简单等优点而成为世界各国大力发展的新型替代能源。为确保系统工作的稳定性和可靠性，必须在燃料电池运行过程中对重要特征参数进行实时监测，对系统发生的故障进行在线诊断，这也是保证燃料电池未来大规模商业化应用的前提条件之一[1]。燃料电池电压和内阻是燃料电池运行中的两个重要特征参数。燃料电池单片电压是电池性能好坏的最直接体现，燃料电池单片内阻反映质子交换膜的含水量，体现电池的发电效率，必须在线实时监测。针对燃料电池系统的结构特点和多传感器特性，提出基于分布式神经网络[2]的燃料电池系统在线故障诊断方法，有效简化故障诊断过程，改善故障诊断的实时性和提高燃料电池系统的工作稳定性和可靠性。 2 燃料电池系统结构及工作原理如图 1 所示，燃料电池系统由两个电池堆、空气供给、氢气供给和冷却循环系统等组成。主控制器（图中未画出）按照内部控制策略控制氢气调节阀（EV1）的开度和给定不同的风机转速分别调节进堆氢气与空气的压力和流量；通过控制入口处的加湿器，保持进堆氢气和空气在合适湿度；一定压力、温度、湿度的反应气体在电堆内的催化剂和电解质作用下发生化学反应，将化学能转化为电能，同时产生热量和水，主控制器开启循环水泵和冷却风扇调节燃料电池堆工作在合适的温度，而将多余的反应气体通过尾气阀（EV2，EV3）排到电堆外。图 1 燃料电池系统及部分传感器示意图此外，利用布置在电堆系统各重要部位的大量传感器，主控制器实时测量电堆系统的工 - 1 -

中国科技论文在线作参数，根据控制策略实现系统闭环控制，保证燃料电池运行于稳定的最佳工作状态。同时，通过 CAN 总线，主控制器与燃料电池单片电压巡检系统和单片内阻测试系统以及燃料电池汽车的其它控制系统通讯，可根据单片电压和单片内阻的监测结果实现控制策略的调整和优化，进一步实现燃料电池系统科学有效的管理。 3 燃料电池系统的实时状态监测 http://www.paper.edu.cn 设计燃料电池的单片电压巡检系统和单片内阻测试系统来在线测量每片燃料电池电压值和交流内阻值，实时监测每片燃料电池的工作状态，为主控制器的控制策略调整和优化提供实时参考数据。 3.1 单片电池电压巡检系统燃料电池电堆是由几百片单片燃料电池串联而成的，电压采集数据量大，实时性要求高，且还需要与燃料电池系统的其它模块即时通信，为此采用如图 2 所示的双层 CAN 网络结构电压巡检系统[3]，即由 CAN 子网和 CAN 主网两级 CAN 网络组成。CAN 子网是主控单元与 10 块检测单元的数据通讯网络，CAN 主网是主控单元与燃料电池的其它控制模块间的通讯网络。每个检测单元的组成电路完全相同，最多同时检测 30 路电压，10 个检测单元共同实现两个电堆 580 片电池电压的测量（设计时每两片电池作一路电压输出，计算时把结果除以 2 作为每片的电压值）。主控单元通过 CAN 子网顺序、定时且限时读取 10 个检测单元所测的电压值，一方面将数据打包后通过 RS232 发送到上位机，专门开发的上位机软件以数值和曲线两种方式实时显示每片电压值；另一方面通过 CAN 主网将数据发给系统主控制器，以调整和优化控制策略，提高燃料电池的工作性能。图 2 燃料电池单片电压巡检系统结构图 3.2 单片电池内阻测试系统单片燃料电池的内阻只有几百 µΩ 到几十 mΩ，且具有非线性和实变性，其机理模型和等效电路分别见文献[4 ]和 [5 ]。为了高精度测量单片燃料电池的内阻和减小系统干扰，采用基于电化学阻抗谱（EIS）的在线内阻测试方法[6]。测试方案如图 3 所示，程控交流电流激励源以每 10 倍频 10 个频率点的扫频方式发出频率 1－20kHz、幅值等于 5％直流工作电流的恒定交流电流，对运行中的燃料电池堆进行激励，内阻测试单元检测每片电池上的交流电压和交流电流响应，计算出幅值比和相位差，将结果通过 RS232 发送到上位机进行阻抗计算和阻抗谱图的绘制。分析内阻值数据和阻抗谱图[ 5]，建立基于 RBF 网络的 PEM 含水量软测量模型[ 7]，实现燃料电池含水量的状态监测与健康诊断。 - 2 -

中国科技论文在线 http://www.paper.edu.cn 与燃料电池单片电压巡检系统相同，内阻测试单元也采用双 CAN 网络的结构，实时测量各片燃料电池的内阻值，并将预测出的含水量状态数据传送给主控制器，以合理控制反应气体的湿度等参数，提高燃料电池的发电效率。图 3 燃料电池单片内阻测试系统结构图 4 燃料电池系统的在线故障诊断 4.1 燃料电池系统故障诊断方案根据燃料电池系统结构，首先将这一较为复杂的系统分解为相对独立的子系统（系统之间可能会存在耦合）：空气系统、氢气系统、冷却系统和电堆系统等 4 个子系统，然后在各子系统的范围内分别进行故障诊断，判断各子系统工作是否正常，可有效简化故障诊断过程，提高诊断实时性，如图 4 所示。图 4 燃料电池系统故障诊断方案 4.2 传感器信号及故障信号空气系统、氢气系统、冷却系统和电堆系统的传感器测量信号及故障输出信号如表 1 所示，共 31 路测量信号，涉及电压、电流、压力、流量、温度和湿度等，同时系统输出高达 19 种不同的故障信号。系统传感器信号故障信号系统传感器信号故障信号表 1 传感器信号及故障列表空气系统 x1 风机转速 x2 风机出口压力 x3 空气进堆压力 x4 空气进堆流量 f11 风机转速不足 f12 空气管路堵塞 f13 空气管路泄漏氢气系统 y1 氢气泄漏量 y2 氢气储量 y3 氢气高压压力 y4 氢气进堆压力 y5 氢气进堆流量 f21 氢气泄漏报警 f22 氢气储量不足报警 f23 氢气管路堵塞 f24 氢气循环泵故障 - 3 -

中国科技论文在线冷却系统 z1 储水箱水位 z2 冷却水电导率 z3 空气进堆温度 z4 氢气进堆温度 z5 进堆水温 z6 出堆水温 z7 循环水压力 z8 循环水流量 f31 储水箱水位低报警 f32 冷却水电导率高报警 f33 冷却水堵塞 f34 循环水泵故障 f35 风扇故障 z9 风扇组后水温 f36 水箱水温偏高 z10 电堆温度电堆系统 http://www.paper.edu.cn f41 单片电池电压低报警 f42 单片电池损坏 f43 电堆电极积水 f44 电堆膜干涸 f45 交换膜损坏 f46 过载 y6 氢气出堆压力 y7 氢气循环泵电流 u1 电堆输出电压 u2 电堆输出电流 u3 空气进堆压力 u4 空气进堆湿度 u5 空气进堆温度 u6 氢气进堆压力 u7 氢气进堆温度 u8 氢气进堆湿度 u9 电堆出口湿度 u10 电堆温度 4.3 系统故障诊断空气系统、氢气系统、冷却系统和电堆系统的结构相对独立，但传感器信号多且信号间存在相互耦合，症状与故障之间也不是简单的对应关系，采用分布式的基于神经网络的故障诊断系统可达到较好的诊断效果。四个子系统故障诊断的方法和步骤完全相同：信号进入各自的传感器网络进行测量后，分成三步进行处理，诊断过程见图 4。现以空气系统的故障诊断过程为例。（1）数据处理：空气系统的传感器网络实时测量风机转速（x1）、风机出口压力（x2）、空气进堆压力（x3）和空气进堆流量（x4）等参数。为保证测量结果的准确性和提高诊断的抗干扰能力，对这些参数进行连续多次测量，然后将测量结果进行数据处理，去除测量错误和平滑测量结果，得到每个测量参数的最终结果 Xi ’（i=1,2,3,4）。数据处理方法采用平均值滤波法，即将同一参数的 n 次测量结果求和，减去最大值和最小值后再求平均值。即 X ' i = ( n ∑ j 1 = x ij − x i max − x i min ) /( n − 2) i = (1, 2, 3, 4) 测量次数 n 不用太多，但也不能太少，要平衡诊断系统的实时性和滤波效果，根据系统的采样和 AD 转换速率来确定，一般取 10 次即可达到较好的效果。针对氢气泄漏量、氢气储量、储水箱水位、冷却水电导率以及单片电池电压等参数，直接设置变量阈值，当测出的信号超出预先设定的阈值时，直接发出报警信号，提醒相关人员采取措施消除故障。（2）特征提取：被测参数的特征提取是对经过数据处理后的参数值 Xi ’进行必要的特征识别和提取，并将提取后的结果 Xi 作为后续神经网络诊断系统的输入变量，以简化和改善 - 4 -

中国科技论文在线神经网络诊断性能。假定每个参数 Xi ’ 所表征的症状 Xi（i=1,2,3,4）只取三种状态：Xi = -1 表示 Xi ’ 超出设 ’ 超出设定的信号上限值，Xi =0 表示无故障症状发生，如图定的信号下限值，Xi =1 表示 Xi 5 所示[8]。根据各个信号设定的容许范围值，可得出每个信号对应的症状状态，完成信号特征的提取，然后输入到神经网络模型进行故障诊断。 http://www.paper.edu.cn 图 5 风机转速故障症状判定方法（3）神经网络故障诊断：神经网络故障诊断系统具有自学习能力和并行处理能力，可以有效解决信号间的相互耦合问题，特别适用于无精确数学模型且信号间相互耦合等特点的燃料电池系统的故障诊断。采用 BP 神经网络诊断系统的输入变量为经过数据处理并完成特征进取后的变量 Xi （i=1,2,3,4），输出变量为空气系统的故障诊断结果：风机转速不足（f11）、空气管路堵塞（f12）和空气管路泄漏（f13）。BP 神经网络采用 3 层结构的模型，即输入层、隐含层和输出层各为 1 层。诊断系统的输入节点数 m、输出节点数 n 分别为 4 和 3，隐含层节点数l 选 [9]。隐含层和输出层的节点输出函数都采用 S 型函数，即 m n + + = a a ( 1 ~ 10) l = 为 f x ( ) (1 = + e− )x − 1 。通过实验获得表 2 所示的空气系统神经网络的训练样本，选择合适的网络训练函数对 BP 神经网络进行训练（如图 6 所示），完成网络的自学习过程，并进行仿真，达到预期的目标输出后即可用于系统的在线故障诊断。表 2 空气系统神经网络训练样本样本输入目标输出 X1 -1 0 0 0 X2 -1 1 -1 0 X3 -1 -1 -1 0 X4 -1 -1 0 0 f11 f12 f13 故障 0 1 0 1 0 风机转速不足 0 空气管路堵塞 1 空气管路泄漏 1 诊断出错 1 0 0 1 - 5 -

中国科技论文在线 Performance is 0.000868739, Goal is 0.001 100 http://www.paper.edu.cn k c a B l - l a o G l e u B - g n n a r T i i 10-1 10-2 10-3 10-4 0 1 2 3 4 4 Epochs 5 总结图 6 空气系统神经网络训练性能曲线根据文中所述方案开发而成的燃料电池单片电压巡检系统已成功应用于武汉理工大学所研制的双机并联 80KW 燃料电池发动机测试平台上，能够在 500ms 内完成两个电堆所有电池电压的测量，精度在 0.01V 之内。燃料电池内阻在线测试与湿度软测量技术研究已成功申请为“国家 863 项目”，正在进行系统研发，不久也将应用于测试平台上，实现燃料电池质子交换膜含水量的状态监测与健康诊断。分布式神经网络故障诊断方法切合燃料电池系统的结构特点与多传感器特性，具有结构简单，实现方便，诊断快速高效等特点。参考文献 [1] Guangyu Tian, S´ebastien Wasterlain, Issame Endichi, et al.Diagnosis methods dedicated to the localization of failed cells within PEMFC stacks [J]. Journal of Power Sources, 2008 (182): 449–461. [2] 陈意. 基于分布式模糊神经网络的船舶机电故障诊断[J]. 中国航海，2008(1)：49-53. [3] 杨维. 燃料电池单片电压巡检系统设计与故障诊断研究[D]. 武汉：武汉理工大学自动化学院，2006. [4] Sheng-Ju Wu, Sheau-Wen Shiah, Wei-Lung Yu. Parametric analysis of proton exchange membrance fuel cell performance by using the Taguchi method and a neural network [J]. Renewable Energy, 2009(34): 135-144. [5] I. Sadli, P. Thounthong, J.-P. Matrin, et al. Behaviour of a PEMFC supplying a low voltage static converter [J]. Jounal of Power Sources, 2006(156): 119-125. [6] K.R. Cooper, M. Smith. Electrical test methods for on-line fuel cell ohmic resistance measurement [J]. Jounal of Power Sources, 2006(160): 1088-1095. [7] 舒芝锋. 燃料电池单片内阻在线测试与 PEM 含水量软件测量研究[D]. 武汉：武汉理工大学自动化学院， 2008. [8] Luis Alberto M. Riascos, Marcelo G. Simoes, Paulo E. Miyagi.On-line fault diagnostic system for proton exchange membrane fuel cells [J]. Journal of Power Sources, 2008 (175): 419–429. [9] 周开利，康耀红. 神经网络模型及其 MATLAB 仿真程序设计[M]. 北京：清华大学出版社，2005. Research on On-line State Monitoring and Fault Diagnosis for PEMFC System Luo Liangqing, Lou Ping, Han Rui School of Automation，Wuhan University of Technology, Wuhan (430070) Abstract By analyzing the structure and working principles of a Proton Exchange Membrane Feul Cell （ PEMFC ） system, two feasible schemes of a feul cell voltage monitoring system based on double-CAN network and an on-line feul cell impedance testing system based on Electrochemical Impedance Spectroscopy（EIS）were presented. In consideration of the structural and multi-sensor characteristics of the PEMFC system, a fault diagnosis method based on distributed neural network was - 6 -

中国科技论文在线 http://www.paper.edu.cn proposed and further elaborated, which proved to simplify the process of the fault diagnosis and improve its real-time performance, as well as better the PEMFC system’s working stability and reliability. Key words: PEMFC; Cell voltage monitoing; Cell impedance test; Fault diagnosis; Distributed neural network 作者简介：罗良庆（1981－），男，江西吉安人，2007 级硕士研究生，主要研究方向为燃料电池控制系统；计算机控制与系统集成。 -7-

分享到：

赞收藏

资料库

论文研究-燃料电池系统在线状态监测与故障诊断研究 .pdf

相关推荐

开发技术

热门标签

最新资料