[发明专利]一种基于非线性阻抗谱的燃料电池故障诊断方法

权利要求书

1.一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，包括以下步骤：

S1、设计不同类型下不同程度的故障工况，并对燃料电池施加设定幅值的交流扰动，采集激励电流和响应电压；

S2、去除响应电压数据中的稳态分量，进行快速傅里叶变化得到目标频率下各阶谐波响应，并计算一阶频响函数和二阶频响函数；

S3、将一阶频响函数和二阶频响函数共同构成非线性阻抗故障数据集，通过主成分分析对数据集进行故障特征提取和降维；

S4、根据降维后的故障数据集，构建故障诊断模型并进行训练；

S5、对燃料电池施加设定幅值的交流扰动并采集电压电流数据，计算频响函数，经降维后输入到训练好的故障诊断模型中，实时诊断当前燃料电池健康状态。

2.根据权利要求1所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S1中，不同类型的故障工况包括膜干、饥饿、水淹、膜干和水淹以及水淹和饥饿，每个类型下包含轻微、中等和严重的程度。

3.根据权利要求2所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S1中，通过不同的工作参数设置，实现不同程度和不同类型故障设置，则有：

在标准工况基础上，通过降低进气湿度和升高电池温度实现膜干故障设计；在标准工况基础上，通过升高进气湿度和降低电池温度实现淹故障设计；在标准工况基础上，降低空气计量比实现缺气故障设计。

4.根据权利要求1所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S1中，通过交流激励装置对燃料电池施加频率范围0.1Hz-1000Hz的正弦电流信号，且频率点的设置呈指数分布类型，同时通过数据采集装置对响应电压和激励电流进行采样，以获取离线非线性阻抗数据集。

5.根据权利要求1所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S2中，一阶频响函数H₁(ω)和二阶频响函数H₂(ω)的表达式为：

其中，A为交流激励幅值，H_q,I(ω)为一阶谐波频率响应，H_q,II(ω,ω)为二阶谐波频率响应。

6.根据权利要求5所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S1中，对燃料电池施加的交流正弦扰动幅值为直流的15％，用以使得三阶频响函数被忽略，保证不会因电流过大引起电池故障，同时防止信噪比太低影响频响函数计算精度。

7.根据权利要求1所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S3中，通过主成分分析进行故障特征提取和降维包括以下步骤：

S31、对原始数据矩阵按列计算均值和标准差，进行平均值中心化，并得到标准化矩阵，消除各不同单位故障特征分量在量纲和数量级上的差别；

S32、计算标准化矩阵的协方差矩阵；

S33、根据协方差矩阵获取特征向量和特征值；

S34、将特征值按照大小进行排序，排序后的特征值即为主成分；

S35、根据特征值计算主成分贡献率和累积贡献率，并根据累积贡献率要求，选取特征值和对应的特征向量，组成主成分矩阵。

8.根据权利要求7所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S35中，选取累计贡献率超过90％或95％的主成分组成主成分矩阵。

9.根据权利要求1所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S4中，故障诊断模型采用支持向量机、神经网络、灰度模型或随机森林。

10.根据权利要求9所述的一种基于非线性阻抗谱的燃料电池故障诊断方法，其特征在于，所述的步骤S4中，当故障诊断模型采用随机森林时，具体包括以下步骤：

S41、采用Bootstrap方法从故障数据集中随机有放回地抽取相同样本数量的抽样，将其用于训练生成的每棵决策树；

S42、利用抽取的样本子集和分类与回归算法建立多颗决策树并组合构成随机森林；

S43、基于随机子空间对生成的每颗决策树进行节点分裂，按照Gini系数最小原则选取最优特征变量和分裂值完成节点分裂；

S44、重复步骤S42-S43，构建随机森林中的每一颗决策树，构建混淆矩阵对所有决策树进行分类结果的测试；

S45、各决策树分类结果进行投票，票数最多的分类结果作为最终类别。