張 杰，諶 祺，韓小濤

(1.華中科技大學(xué)國(guó)家脈沖強(qiáng)磁場(chǎng)科學(xué)中心(籌)，湖北武漢 430074；2.華中科技大學(xué)強(qiáng)電磁工程與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430074)

質(zhì)子交換膜燃料電池(proton exchange membrane fuel cells,PEMFC)作為一種新型能源轉(zhuǎn)換裝置，具有工作溫度低、功率密度大、負(fù)載響應(yīng)快及環(huán)境友好等優(yōu)點(diǎn)。然而PEMFC 系統(tǒng)運(yùn)行狀態(tài)復(fù)雜，在實(shí)際使用過程中可能出現(xiàn)多種故障，包括致命故障與可恢復(fù)故障。致命故障不可逆，會(huì)對(duì)燃料電池造成永久性損壞，主要包括膜損壞、電極穿孔和雙極板損壞等?？苫謴?fù)故障則可通過及時(shí)調(diào)整控制策略來進(jìn)行改善，包括反應(yīng)物供給系統(tǒng)故障、水熱管理系統(tǒng)故障和電路故障等。對(duì)于可恢復(fù)故障，若不能及時(shí)診斷調(diào)控，將會(huì)演變成致命故障，對(duì)電池造成不可逆的損壞，因此對(duì)電池進(jìn)行準(zhǔn)確高效的可恢復(fù)故障診斷具有重要意義。

目前針對(duì)PEMFC 的可恢復(fù)故障診斷方法可分為兩類：基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)的方法。基于模型的方法需建立能夠模擬系統(tǒng)行為的模型，對(duì)實(shí)際系統(tǒng)與模型輸出產(chǎn)生的殘差進(jìn)行分析、處理和決策。數(shù)據(jù)驅(qū)動(dòng)方法利用歷史數(shù)據(jù)確定經(jīng)驗(yàn)分類器，使用分類器將實(shí)時(shí)數(shù)據(jù)分為正常狀態(tài)和各種故障狀態(tài)[1]。隨著機(jī)器學(xué)習(xí)方法的迅速發(fā)展，其在故障診斷中的應(yīng)用也越來越多，本文主要對(duì)幾種典型的基于機(jī)器學(xué)習(xí)的PEMFC 故障診斷方法進(jìn)行總結(jié)，分析和比較不同方法的特點(diǎn)及發(fā)展前景，為PEMFC 的故障診斷研究提供一定的參考和幫助。

1 PEMFC 可恢復(fù)故障分析

1.1 水管理故障

在PEMFC 的運(yùn)行中，水管理是一個(gè)關(guān)鍵問題，質(zhì)子交換膜的含水量和質(zhì)子傳導(dǎo)率密切相關(guān)，膜必須保持充分的濕潤(rùn)度才具有良好的性能。但內(nèi)部含水量過高會(huì)產(chǎn)生水淹故障，液態(tài)水積聚在氣體擴(kuò)散層和催化層表面，降低催化層活性，阻礙氣體擴(kuò)散，甚至堵塞氣體流道，導(dǎo)致氣體流通不暢，嚴(yán)重影響電池性能。而內(nèi)部含水量不足時(shí)會(huì)出現(xiàn)膜干故障，膜電阻率隨之上升，PEMFC 運(yùn)行過程中產(chǎn)熱增加，嚴(yán)重時(shí)甚至?xí)植窟^熱而燒壞質(zhì)子交換膜。常見的影響電池內(nèi)水含量的因素包括溫度、陰陽極進(jìn)氣壓力、濕度等。水淹和膜干是最常出現(xiàn)的故障，需要及時(shí)診斷調(diào)控。

1.2 熱管理故障

PEMFC 工作時(shí)會(huì)產(chǎn)生熱量，使電堆溫度升高。溫度升高能提高反應(yīng)速率，但溫度過高時(shí)，質(zhì)子交換膜的水含量下降，易引起膜干，膜阻增大，甚至導(dǎo)致膜的損壞。反之，當(dāng)溫度過低時(shí)，電化學(xué)反應(yīng)速率降低，導(dǎo)致電堆性能下降。有效的熱管理是維持系統(tǒng)正常工作的必要條件。

1.3 氣體管理系統(tǒng)故障

氣體管理系統(tǒng)故障包括反應(yīng)氣體不足、氣體泄漏、排氣故障等。氫氣不足會(huì)造成電流分布不均，嚴(yán)重時(shí)會(huì)產(chǎn)生反極，影響電池的使用壽命。氧氣不足則會(huì)導(dǎo)致膜表面局部高溫、電堆短路等問題，加速電池老化。但若氣體過量，會(huì)導(dǎo)致無用功率消耗過多，凈功率減少。

目前針對(duì)PEMFC 的故障診斷大多集中在上述幾種類型，其中又以水淹及膜干故障研究最為廣泛。在基于機(jī)器學(xué)習(xí)的診斷方法中，通常采用常規(guī)測(cè)量所得的變量作為診斷變量，包括電堆電壓、單電池電壓、電流、溫度、壓力、濕度、氣體流速等，根據(jù)其變化特征判斷故障類型。除此之外，電化學(xué)阻抗譜也常用于故障診斷中，作為水淹及膜干的診斷指標(biāo)，但測(cè)量成本較高。

2 基于機(jī)器學(xué)習(xí)的故障診斷方法

故障診斷需根據(jù)已有信息對(duì)數(shù)據(jù)進(jìn)行分析，結(jié)合相關(guān)理論方法分析故障類型，得出診斷結(jié)果。機(jī)器學(xué)習(xí)在故障診斷領(lǐng)域的應(yīng)用一般有兩個(gè)方向：其一，根據(jù)實(shí)驗(yàn)數(shù)據(jù)來學(xué)習(xí)和構(gòu)建模型以模擬PEMFC 系統(tǒng)的復(fù)雜過程，通過對(duì)實(shí)際系統(tǒng)輸出與模型輸出產(chǎn)生的殘差進(jìn)行評(píng)估和推理來實(shí)現(xiàn)故障診斷[1]，原理如圖1 所示，但這屬于黑盒模型，難以解釋變量之間的因果關(guān)系，殘差生成及評(píng)價(jià)機(jī)制不如解析模型那么完善。其二，將故障診斷看作多分類問題，診斷過程分為兩個(gè)階段，首先是訓(xùn)練階段，根據(jù)信息豐富的歷史數(shù)據(jù)訓(xùn)練分類模型，判斷樣本所屬的各種故障狀態(tài)，通過對(duì)數(shù)據(jù)的處理及算法的優(yōu)化得到最準(zhǔn)確的分類結(jié)果，其分類流程如圖2所示。之后在診斷階段將實(shí)際運(yùn)行數(shù)據(jù)輸入訓(xùn)練好的模型中，診斷故障類型。

圖1 基于模型的故障診斷原理

圖2 故障分類流程

目前廣泛用于故障診斷的機(jī)器學(xué)習(xí)方法主要包括神經(jīng)網(wǎng)絡(luò)、模糊聚類、神經(jīng)模糊、隨機(jī)森林、貝葉斯網(wǎng)絡(luò)、支持向量機(jī)等。

2.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)(neural network,NN)是故障診斷領(lǐng)域最流行的方法之一，既可作為殘差生成器，也可用作故障分類器。其基本結(jié)構(gòu)如圖3 所示，包含輸入層、隱藏層、輸出層。在給定一組輸入和輸出數(shù)據(jù)的情況下，神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)和建立系統(tǒng)的非線性映射和多變量之間的關(guān)系，這為復(fù)雜系統(tǒng)的建模提供了一種新方案。使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行建模時(shí)一般遵循以下流程：(1)獲取實(shí)驗(yàn)數(shù)據(jù)；(2)數(shù)據(jù)預(yù)處理；(3)劃分?jǐn)?shù)據(jù)集(訓(xùn)練集、測(cè)試集)；(4)構(gòu)建神經(jīng)網(wǎng)絡(luò)；(5)訓(xùn)練神經(jīng)網(wǎng)絡(luò)；(6)驗(yàn)證網(wǎng)絡(luò)；(7)結(jié)果分析。

圖3 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

Laribi 等[2]建立基于神經(jīng)網(wǎng)絡(luò)的PEMFC 優(yōu)化模型，用于分析氣體相對(duì)濕度對(duì)電池內(nèi)水管理的影響。Yousfi Steiner等[3]基于神經(jīng)網(wǎng)絡(luò)建模進(jìn)行水故障診斷，構(gòu)造Elman 遞歸網(wǎng)絡(luò)模型用于計(jì)算正常情況下的電壓和壓降，與實(shí)際測(cè)量值進(jìn)行比較產(chǎn)生殘差，根據(jù)設(shè)定的閾值對(duì)PEMFC 的狀態(tài)進(jìn)行分類。Koan-Yuh[4]將遺傳算法神經(jīng)網(wǎng)絡(luò)模型與田口方法結(jié)合，利用實(shí)驗(yàn)數(shù)據(jù)訓(xùn)練和構(gòu)建模型，以田口方法優(yōu)化參數(shù)，可精確估算PEMFC 的穩(wěn)態(tài)輸出電壓。

除用于殘差生成，神經(jīng)網(wǎng)絡(luò)越來越多地作為分類器應(yīng)用于故障診斷領(lǐng)域。Shao 等[5]提出一種神經(jīng)網(wǎng)絡(luò)集成方法，對(duì)4個(gè)反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用拉格朗日乘子法將這些子神經(jīng)網(wǎng)絡(luò)組合起來，結(jié)果表明集成神經(jīng)網(wǎng)絡(luò)的診斷準(zhǔn)確率遠(yuǎn)大于單個(gè)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率，且具有更強(qiáng)的泛化能力。

劉嘉蔚等[6]提出基于概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network,PNN)和線性判別分析(linear discriminant analysis,LDA)的水管理故障診斷方法。利用LDA 對(duì)原始數(shù)據(jù)降維，使用PNN 對(duì)故障特征樣本進(jìn)行分類，并與反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)和LDA-BPNN 進(jìn)行對(duì)比，發(fā)現(xiàn)LDA-PNN 方法診斷精度最高且運(yùn)算時(shí)間最短。黨翰斌等[7]提出基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)的故障診斷方法，能識(shí)別膜干、氫氣泄漏故障、正常狀態(tài)及未知狀態(tài)。

Liu 等[8]以單電池電壓作為電量參數(shù)，進(jìn)出口氣體流量及溫度等作為非電量參數(shù)，分別采用核極限學(xué)習(xí)機(jī)和在線順序極限學(xué)習(xí)機(jī)建立基于電量和非電量的故障診斷模型，用D-S證據(jù)理論算法在決策層融合診斷輸出。該模型能夠診斷4 種不同程度的高空氣化學(xué)計(jì)量比故障，平均識(shí)別率為98.7%。

深度置信網(wǎng)絡(luò)(deep belief networks,DBN)在對(duì)于大樣本數(shù)據(jù)的故障診斷中有很好的效果，Zhang 等[9]使用歸一化和主成分分析(principal component analysis,PCA)對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，用模擬退火遺傳算法模糊C 均值聚類處理無效數(shù)據(jù)，篩選故障樣本，采用合成少數(shù)過采樣技術(shù)對(duì)不平衡小樣本進(jìn)行補(bǔ)充。與僅使用DBN 的結(jié)果進(jìn)行比較，發(fā)現(xiàn)前者可明顯提高氫氣泄漏故障的診斷精度，準(zhǔn)確率從81.54%提高到了100%。

傳統(tǒng)的故障診斷方法采用的一般是單一時(shí)刻的數(shù)據(jù)，但燃料電池在運(yùn)行時(shí)產(chǎn)生的故障數(shù)據(jù)具有強(qiáng)時(shí)序相關(guān)性，王森等[10]以時(shí)間窗將采集到的數(shù)據(jù)分割成樣本序列，以長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)為故障分類器，采用貝葉斯優(yōu)化算法優(yōu)化LSTM 模型參數(shù)。LSTM 善于處理時(shí)序數(shù)據(jù)，與循環(huán)神經(jīng)網(wǎng)絡(luò)和反向傳播神經(jīng)網(wǎng)絡(luò)相比，LSTM 模型具有最好的分類性能和泛化能力。單向LSTM 只能處理一個(gè)方向的故障數(shù)據(jù)，Liu 等[11]提出基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(BiLSTM)和t 分布隨機(jī)近鄰嵌入(t-SNE)的故障診斷方法，使用t-SNE 方法進(jìn)行降維，用BiLSTM 模型進(jìn)行診斷。結(jié)果表明該方法對(duì)PEMFC 的水管理故障診斷準(zhǔn)確率為96.88%。這種基于多變量時(shí)間序列的診斷策略可以有效克服某些異常值對(duì)診斷精度的不利影響，更符合故障的物理演化過程。

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力和非線性逼近能力，善于處理大數(shù)據(jù)樣本，更加靈活且更具魯棒性。相比于其他方法，神經(jīng)網(wǎng)絡(luò)能夠自主學(xué)習(xí)數(shù)據(jù)特征，模型構(gòu)建更加簡(jiǎn)單。目前用于故障診斷的輸入數(shù)據(jù)集都是易于測(cè)量的常規(guī)變量，包括電壓、電流、溫度、氣體壓力等，根據(jù)采集到的大量數(shù)據(jù)可準(zhǔn)確區(qū)分水淹、膜干、反應(yīng)氣體不足、熱管理故障等多種故障類型，且計(jì)算時(shí)間較短。神經(jīng)網(wǎng)絡(luò)屬于監(jiān)督學(xué)習(xí)技術(shù)，要實(shí)現(xiàn)診斷多種故障類型，需要獲取盡可能多的故障樣本，這在實(shí)際操作中非常困難，且隨著故障模式的增加，網(wǎng)絡(luò)復(fù)雜度也大幅上升。

2.2 模糊聚類

聚類就是將數(shù)據(jù)集分成多個(gè)類或簇，最相似的數(shù)據(jù)點(diǎn)分配到同一個(gè)簇中，而不同簇之間的差異盡可能大。圖4 即為在二維特征空間(f1，f2)得到三個(gè)簇(c1，c2，c3)的示意圖。

圖4 模糊聚類圖示

作為一種重要的無監(jiān)督分類算法，聚類在故障診斷領(lǐng)域有著廣泛應(yīng)用。用于故障診斷時(shí)，每個(gè)簇代表系統(tǒng)中特定的故障類型，數(shù)據(jù)點(diǎn)便是要診斷的特征向量。在使用聚類算法分類時(shí)需重點(diǎn)關(guān)注特征提取與選擇方法，Liu 等[12]利用k均值聚類進(jìn)行故障判別，有別于傳統(tǒng)的從一維電壓數(shù)據(jù)中提取特征，文中利用信號(hào)——圖像轉(zhuǎn)換技術(shù)將一維電壓數(shù)據(jù)轉(zhuǎn)換為二維圖像，然后從二維圖像數(shù)據(jù)中提取特征，使用費(fèi)舍爾判別分析技術(shù)確定最佳特征，利用k均值聚類進(jìn)行特征分類，可較好地診斷水管理故障。將一維數(shù)據(jù)轉(zhuǎn)換為二維圖像的方法能更好地突出故障在信號(hào)中引起的變化，提高診斷性能，也為數(shù)據(jù)不完整情況下的故障診斷提供了一種新的思路。

Zheng 等[13]提出一種基于模糊聚類的故障診斷方法，從電化學(xué)阻抗譜中提取特征，結(jié)合專家知識(shí)，使用基于方差和相關(guān)系數(shù)分析的方法進(jìn)行特征選擇，將選定的特征利用模糊聚類進(jìn)行分類，可作為實(shí)時(shí)監(jiān)測(cè)和診斷的有效工具。

此外，一種基于模糊聚類和模糊邏輯的雙模糊方法也應(yīng)用于PEMFC 的故障診斷[14-15]，將模糊聚類的無監(jiān)督分類能力與模糊邏輯的決策能力相結(jié)合。提取特征并構(gòu)造特征空間后，在特征空間中進(jìn)行模糊聚類，并根據(jù)聚類結(jié)果及專業(yè)知識(shí)設(shè)計(jì)模糊規(guī)則，每條規(guī)則對(duì)應(yīng)一個(gè)聚類。此法可準(zhǔn)確區(qū)分水管理故障的不同等級(jí)，如輕度干燥、中度干燥、重度干燥等，這證明了模糊邏輯的優(yōu)勢(shì)，且在不同堆棧上采集的數(shù)據(jù)集的測(cè)試結(jié)果驗(yàn)證了該方法的可移植性。

模糊聚類算法常用于診斷水管理故障，以電化學(xué)阻抗譜作為輸入變量，分析水淹與膜干的特征，與有監(jiān)督分類算法相比，模糊聚類根據(jù)專家知識(shí)來設(shè)計(jì)規(guī)則，對(duì)故障的分級(jí)更加清晰且具有更強(qiáng)的可解釋性，但當(dāng)出現(xiàn)新的故障類型時(shí)這些規(guī)則往往不能在線調(diào)整，對(duì)專家知識(shí)的依賴也限制其擴(kuò)展性。

2.3 神經(jīng)模糊

結(jié)合模糊邏輯和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)神經(jīng)模糊系統(tǒng)(adaptive network-based fuzzy inference system,ANFIS)也廣泛應(yīng)用于故障診斷領(lǐng)域。神經(jīng)網(wǎng)絡(luò)的局限性在于需要大量數(shù)據(jù)且推理能力弱，而模糊邏輯則依賴于先驗(yàn)知識(shí)，自適應(yīng)性差。一個(gè)典型的ANFIS 如圖5 所示。它由輸入層、輸入隸屬度函數(shù)層、規(guī)則層、規(guī)范化層、輸出隸屬度函數(shù)層和輸出層組成。利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制自動(dòng)從輸入輸出數(shù)據(jù)中提取規(guī)則，通過離線訓(xùn)練和在線學(xué)習(xí)進(jìn)行模糊推理系統(tǒng)參數(shù)的自調(diào)整。

ANFIS 在PEMFC 故障診斷領(lǐng)域的應(yīng)用大多是建立模型以預(yù)測(cè)輸出。Silva 等[16]以電壓為輸入，訓(xùn)練一個(gè)自適應(yīng)神經(jīng)模糊推理系統(tǒng)，對(duì)電壓序列的未來與過去的觀測(cè)值之間的關(guān)系進(jìn)行建模，采用梯度下降法和最小二乘法相結(jié)合的混合算法優(yōu)化系統(tǒng)參數(shù)，結(jié)果表明該方法能有效預(yù)測(cè)電池的性能。這種方法不需要復(fù)雜的物理建模，易于實(shí)現(xiàn)，計(jì)算成本較低，且速度較快。唐奇等[17]采用自適應(yīng)神經(jīng)模糊網(wǎng)絡(luò)對(duì)磷酸鐵鋰電池組故障診斷系統(tǒng)進(jìn)行建模，利用減法聚類算法構(gòu)建模糊規(guī)則，采用最小二乘法和誤差反向傳播算法構(gòu)成的混合學(xué)習(xí)算法學(xué)習(xí)系統(tǒng)參數(shù)，該模型的診斷準(zhǔn)確率可達(dá)92.7%。

除建立預(yù)測(cè)模型，ANFIS 作為故障分類器在機(jī)械及醫(yī)學(xué)領(lǐng)域也有大量應(yīng)用。Esin Dogantekin 等[18]將ANFIS 用于糖尿病診斷，利用線性判別分析進(jìn)行特征提取，診斷準(zhǔn)確率可達(dá)84.61%。作為分類器時(shí)，ANFIS 采用的是包含豐富信息的高維特征作為輸入，而不是一部分最能代表系統(tǒng)的特征，這非常適用于非線性系統(tǒng)，可診斷多種故障類型，且自適應(yīng)性強(qiáng)。

2.4 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一種概率統(tǒng)計(jì)模型，它通過有向無環(huán)圖來表示變量間的條件依賴關(guān)系，善于從不完全、不確定的信息中做出推理。

Wasterlain 等[19]使用樸素貝葉斯分類器，如圖6 所示，假設(shè)每個(gè)變量Xi……Xn都有條件地獨(dú)立于故障模式Xc，通過對(duì)大量數(shù)據(jù)的概率計(jì)算與分析確定最可能的分類。以PEMFC 堆棧阻抗譜上的多個(gè)頻率作為輸入變量，診斷從輕度干燥到中度水淹之間5 種不同等級(jí)的故障，并研究學(xué)習(xí)數(shù)據(jù)庫的大小對(duì)診斷結(jié)果的影響。結(jié)果顯示，診斷正確率隨著學(xué)習(xí)數(shù)據(jù)庫的增大而增大。貝葉斯網(wǎng)絡(luò)作為故障診斷工具也被用于機(jī)械軸承、冷水機(jī)組等的故障診斷中[20-21]。由于對(duì)大數(shù)據(jù)集的依賴，其在PEMFC 的故障診斷領(lǐng)域應(yīng)用較少，但也不失為一種有潛力的發(fā)展方向。

2.5 支持向量機(jī)

支持向量機(jī)(support vector machine,SVM)是一種基于統(tǒng)計(jì)學(xué)理論的工具，通過非線性映射將數(shù)據(jù)投影到高維空間中，并構(gòu)造一個(gè)超平面來分離該空間中不同的類。在SVM 實(shí)現(xiàn)過程中需要確定懲罰因子C和核函數(shù)參數(shù)g，C決定了訓(xùn)練誤差和SVM 分類器的泛化能力，g決定了樣本數(shù)據(jù)在特征空間的分布形式，通常需要對(duì)其進(jìn)行優(yōu)化。該算法的計(jì)算復(fù)雜性不受樣本空間維數(shù)的影響，善于解決高維問題，且泛化能力較強(qiáng)。

支持向量機(jī)可用于建立PEMFC 系統(tǒng)非線性多變量模型，模擬電堆行為，預(yù)測(cè)輸出電壓[22]，此外也常作為分類器廣泛應(yīng)用于故障診斷領(lǐng)域，其診斷流程如圖7 所示。

Li 等[23]以單電池電壓為特征變量，研究水淹和膜干兩種典型故障。比較主成分分析(principal components analysis,PCA)、核主元分析(kernel principal components analysis,KPCA)、費(fèi)舍爾判別分析(Fisher discrimination analysis,FDA)、內(nèi)核費(fèi)舍爾判別分析(kernel Fisher discrimination analysis,KFDA)四種特征提取方法，比較高斯混合模型(Gaussian mixture model,GMM)、K 最近鄰算法，支持向量機(jī)三種分類方法。結(jié)果表明，使用FDA 和KFDA 作為特征提取工具的錯(cuò)誤率低于PCA 和KPCA，KNN 和SVM 作為分類器的錯(cuò)誤診斷率低于GMM，且計(jì)算量也更少。

同樣以單電池電壓為特征變量，文獻(xiàn)[24]利用FDA 和有向無環(huán)圖支持向量機(jī)(DAGSVM)進(jìn)行特征提取和分類，使用兩個(gè)堆棧的數(shù)據(jù)進(jìn)行驗(yàn)證，該方法能準(zhǔn)確檢測(cè)和隔離5 種故障。但來自未知故障類型的樣本會(huì)被錯(cuò)誤地歸類到一個(gè)已知的故障類別中，因此這種方法通常需要一個(gè)包含大量故障類型數(shù)據(jù)的豐富數(shù)據(jù)集，這也是模式分類方法普遍存在的缺點(diǎn)。Li 等[25]使用FDA 和球面多類支持向量機(jī)(SSM-SVM)進(jìn)行特征提取和分類，在高維空間中設(shè)置球邊界，并使用增量學(xué)習(xí)方法來訓(xùn)練SSM-SVM，以此來識(shí)別新的故障模式，提高診斷性能。對(duì)于不同類型的故障和不同的燃料電池堆，診斷準(zhǔn)確率都能保持在較高水平，只有當(dāng)數(shù)據(jù)處于正常與故障狀態(tài)之間時(shí)誤報(bào)率較高。

除以單電池電壓為特征數(shù)據(jù)，Li 等[26]還利用安裝在PEMFC 堆棧周圍的磁傳感器獲得磁場(chǎng)數(shù)據(jù)作為輸入，用線性判別分析法和球面多類支持向量機(jī)進(jìn)行特征提取和分類，以98.26%的診斷準(zhǔn)確度實(shí)現(xiàn)了對(duì)七種故障狀態(tài)的識(shí)別。

樣本中存在無效或冗余數(shù)據(jù)，通常會(huì)影響診斷精度與效率，Han 等[27]用可能性模糊C 均值聚類算法(PFCM)來過濾樣本，剔除隸屬度低于90% 的樣本點(diǎn)，利用人工蟻群算法(artificial bee colony,ABC)優(yōu)化SVM 參數(shù)。針對(duì)燃料電池運(yùn)行數(shù)據(jù)時(shí)序相關(guān)的問題，Li 等[28]同樣提出以在滑動(dòng)時(shí)間窗口中采樣的電壓序列作為診斷樣本，用時(shí)間序列分析工具shapelet transform 進(jìn)行特征提取，以球形多類支持向量機(jī)(SSM-SVM)進(jìn)行分類，分類準(zhǔn)確率達(dá)96.13%。

支持向量機(jī)相比于神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，相比于模糊邏輯具有更高的精度且不依賴于先驗(yàn)知識(shí)，善于解決高維、小樣本問題，能準(zhǔn)確區(qū)分水淹、膜干、氣體泄漏、溫度管理故障等多種故障類型。但由于核函數(shù)受條件限制，算法收斂較慢，通常需要選擇合適的特征提取算法與優(yōu)化算法來提高診斷性能，整體算法復(fù)雜度也有一定提升。

2.6 隨機(jī)森林

隨機(jī)森林(random forest,RF)是一種有監(jiān)督的集成學(xué)習(xí)算法，將單一的決策樹組成一片森林來進(jìn)行集體決策，以此提升分類器的性能。RF 能快速有效地處理具有高維特征的輸入樣本，評(píng)估各個(gè)特征的重要性，且容噪能力強(qiáng)，計(jì)算成本低，能夠避免過擬合。其算法構(gòu)建流程如圖8 所示。

圖8 RF算法流程圖

目前隨機(jī)森林算法在燃料電池故障分類領(lǐng)域的應(yīng)用相對(duì)較少，Lin 等[29]以增量式主成分分析法進(jìn)行特征提取，隨機(jī)森林算法作為分類器，得到了一個(gè)高效且準(zhǔn)確的氫燃料電池診斷模型。余嘉熹等[30]將隨機(jī)森林算法用于大功率PEMFC 系統(tǒng)故障分類中，與SVM 和K 最近鄰算法對(duì)比，隨機(jī)森林算法分類準(zhǔn)確率達(dá)94.4%，且計(jì)算時(shí)間最短。

表1 總結(jié)了各種算法的特點(diǎn)。

表1 故障診斷算法對(duì)比

3 總結(jié)與展望

機(jī)器學(xué)習(xí)方法已廣泛應(yīng)用于PEMFC 的故障診斷之中并取得了良好的效果，但要想在工程實(shí)際中更好地應(yīng)用，仍需進(jìn)一步的研究和改進(jìn)。結(jié)合機(jī)器學(xué)習(xí)算法及PEMFC 系統(tǒng)的工作特點(diǎn)，其未來的發(fā)展趨勢(shì)大致可概括為以下幾點(diǎn)：

(1)復(fù)合故障診斷方法

目前的故障研究大都是在實(shí)驗(yàn)測(cè)試平臺(tái)上完成，故障情況單一，且現(xiàn)有的診斷方法大都是對(duì)單獨(dú)故障的分類。而實(shí)際工作環(huán)境更為復(fù)雜，各種外界干擾都會(huì)導(dǎo)致故障狀態(tài)的變化，且一個(gè)故障的發(fā)生可能會(huì)使多個(gè)子系統(tǒng)偏離正常狀態(tài)，不同的故障特征信息之間也會(huì)相互影響，增加診斷的復(fù)雜性。因此PEMFC 系統(tǒng)的復(fù)合故障研究以及故障嚴(yán)重性的診斷是值得進(jìn)一步關(guān)注的問題。

(2)故障樣本數(shù)據(jù)獲取

機(jī)器學(xué)習(xí)算法用于故障診斷時(shí)大都要求足夠的樣本量用以訓(xùn)練，然而在工程實(shí)際中難以獲得較為全面且高質(zhì)量的系統(tǒng)故障樣本數(shù)據(jù)，通常會(huì)存在噪聲干擾等問題，這也是機(jī)器學(xué)習(xí)應(yīng)用于故障診斷領(lǐng)域的一大挑戰(zhàn)。

(3)PEMFC 系統(tǒng)自適應(yīng)故障診斷策略

PEMFC 系統(tǒng)退化可由故障引起，也可由自然的老化效應(yīng)引起，因此診斷策略應(yīng)該能夠區(qū)分故障及自然老化。且機(jī)器學(xué)習(xí)模型大都只能對(duì)已有故障類型進(jìn)行分類，無法識(shí)別未知故障樣本。目前已有少量文獻(xiàn)對(duì)此進(jìn)行研究，而在難以獲得較為全面的系統(tǒng)故障數(shù)據(jù)的情況下，這也是一個(gè)重要研究方向。

(4)PEMFC 故障控制策略

目前機(jī)器學(xué)習(xí)方法的應(yīng)用主要集中在一些特定故障的檢測(cè)和分類，為使診斷程序更加完善且發(fā)揮機(jī)器學(xué)習(xí)方法優(yōu)勢(shì)，可進(jìn)一步結(jié)合PEMFC 故障控制策略進(jìn)行調(diào)控，改善其運(yùn)行性能。

(5)混合算法的應(yīng)用

在故障診斷中，沒有哪一種單一的算法可以滿足所有要求，從原始數(shù)據(jù)處理到特征提取、特征選擇、分類，大量混合算法用于故障診斷之中，發(fā)揮各自的優(yōu)勢(shì)，這也是未來診斷算法的發(fā)展趨勢(shì)。

(6)PEMFC 系統(tǒng)在線故障診斷技術(shù)

現(xiàn)有的故障診斷方法大部分仍停留在離線驗(yàn)證階段，在實(shí)現(xiàn)在線診斷的過程中仍面臨著諸如獲得高精度、非侵入性且靈敏的傳感器、設(shè)計(jì)高效準(zhǔn)確的在線診斷方法等挑戰(zhàn)。但隨著PEMFC 的發(fā)展，在線故障診斷是勢(shì)必要解決的問題。