質子交換膜燃料電池（Proton Exchange Membrane Fuel Cell, PEMFC）是很有遠景的新型發電裝備，在清潔能源汽車、電動客車、混合動力汽車和有軌電車等領域獲得廣泛應用。提高燃料電池的耐久性是將PEMFC系統大規模商業化面臨的最重要的挑戰之一。

故障診斷旨在通過檢測故障來提高燃料電池系統的使用壽命。為了達到這個目標，診斷方法必須檢測和識別一些故障才能避免更嚴重的故障。檢測階段是要判斷燃料電池系統中是否存在故障，辨識階段是要確定故障的大小和位置，隔離階段是要檢修并排除故障。

目前，專家學者對燃料電池系統故障診斷展開了大量的研究工作，這些工作可分為兩大類：

1）基于模型的故障診斷

首先建立一個PEMFC模型，然后計算實際系統輸出與模型輸出之間的即時偏差，最后通過殘差分析實時檢測故障。Jianxing Liu等首次考慮一類非線性系統的故障診斷問題，并成功應用于燃料電池空氣供給系統。因為很難獲得PEMFC的內部參數、結構和材料等數據，所以建立準確的故障診斷模型是非常困難的。

2）基于數據驅動的故障診斷

基于數據驅動的故障診斷使用監測的歷史數據信息檢測故障，無需專業知識和系統模型，算法運算速度快且計算效率高。劉嘉蔚等提出基于多分類相關向量機（multi-class Relevance Vector Machine, mRVM）和模糊C均值聚類（Fuzzy C-Means clustering, FCM）的有軌電車用燃料電池故障診斷方法。

實驗結果表明：提出的方法可以快速診斷氫氣泄漏、去離子水加濕泵低壓、空氣壓力過低和正常共四種健康狀態，分類準確率為96.67%。Xingwang Zhao等提出基于主成分分析（Principal Component Analysis, PCA）和多傳感器信號的故障診斷算法。

該算法分析不同傳感器信號之間的相關性并計算出簡化的故障診斷統計指標，可診斷單傳感器故障和嚴重的系統級故障。周蘇等提出基于電化學阻抗譜（Electrochemical Impedance Spectro- scopy, EIS）的PEMFC故障檢測算法。

將EIS與實軸的低頻和高頻交點作為故障特征矢量，使用FCM和支持向量機（Support Vector Machine, SVM）分別對樣本特征向量聚類和分類。結果表明，FCM+SVM的組合模式識別方法能夠準確分類PEMFC正常、膜干和水淹三種狀態。

Lei Mao等提出基于傳感器靈敏度和燃料電池故障模式影響的傳感器選擇算法。實驗結果表明，最優傳感器能成功識別不同程度的燃料電池水淹故障。

Zhongliang Li等提出考慮系統動力學和空間不均勻性的PEMFC系統故障診斷策略。利用滑動窗口中監測的單電池電壓值作為診斷觀察值，使用Shapelet變換提取類判別特征，采用球形多類支持向量機（Sphere Shaped Multi- class Support Vector Machine, SSM-SVM）實現PEMFC故障診斷。實驗結果表明，該方法可診斷正常狀態、低壓故障、高壓故障、膜干故障和低空氣過量系數故障，測試數據的整體診斷準確率是96.13%。

Zhixue Zheng等提出基于儲備池計算（Reservoir Computing, RC）的燃料電池故障診斷方法。實驗結果表明，RC方法可識別一氧化碳（Carbon Monoxide, CO）中毒、低空氣流速、散熱不良和自然退化，數據集的分類正確率是92.43%。

然而，以上工作的研究對象主要集中在單套中、小功率水冷或空冷型燃料電池系統，而針對大功率蒸汽冷卻（Evaporatively Cooled, EC）型燃料電池系統的故障診斷研究卻很少。EIS對電化學專業知識要求很高，設備監測時間長且可視性差，不適用于在線診斷；SVM的核函數受Mercer條件限制、算法收斂慢，在實際應用中具有局限性；相關向量機（Relevance Vector Machine, RVM）的時間成本隨著訓練集的增多而迅速增加；神經網絡（Neural Network, NN）的樣本需求量大、計算復雜度高、樣本運算時間較長，且容易導致“過擬合”與“局部極小”。

在線序列超限學習機（Online Sequential-Extreme Learning Machine, OS-ELM）是一種新型單隱含層前饋神經網絡（Single-hidden Layer Feedforward Neural Network, SLFN），通過分塊矩陣分批次訓練樣本數據集，可有效避免數據的重復訓練并顯著提高學習效率。OS-ELM大量使用于變壓器放電模式識別、航空發動機故障診斷、風力渦輪機傳動系統的健康狀態估計和模擬電路故障診斷等實際工程中。目前，還未有文獻將OS-ELM應用到燃料電池系統故障診斷領域。

本文首次提出基于OS-ELM和PCA的EC型燃料電池系統快速故障診斷新方法，能在保證診斷精度的同時顯著降低運算時間。新方法采用PCA過濾冗余信息并降低數據維數，得到能反映EC型燃料電池系統運行狀態的故障特征向量；使用OS-ELM對特征向量分類故障；通過600組原始故障樣本對新方法的有效性進行驗證。與SVM算法和BPNN算法的診斷結果進行對比，以進一步驗證新方法的效果。

圖1 100kW EC型PEMFC電堆

圖4 基于PCA-OS-ELM的EC型燃料電池系統故障診斷流程

結論

本文對大功率EC型燃料電池系統進行故障診斷研究，并提出一種基于OS-ELM和PCA的快速故障診斷方法，實現三種健康狀態的模式識別，結論如下：

1）當新樣本數據分批次加入時，新方法可只學習新加入的樣本數據，實現在線訓練，無需對舊樣本反復訓練，可提高學習效率。

2）600組原始故障樣本數據的實例分析表明：新方法可快速診斷膜干、氫氣泄漏故障和正常狀態共三種健康狀態。分類正確率達到99.67%，運算時間僅為0.2969s。

3）該診斷方法無需深入了解燃料電池的物理機理，是一種新型的數據驅動方法。由于不同類型和規格PEMFC的材料組成、物理參數和極化特性差異很大，因此很難建立統一的PEMFC故障診斷機理模型。PCA-OS-ELM方法只需輸入不同類型燃料電池在多種健康狀態下的傳感器測量數據，通過設置初始階段選取的初始訓練數據的數量N0、隱含層神經元數目L和每一步中學習的數據塊大小Block三個參數即可快速訓練PEMFC診斷模型，進而檢測出PEMFC故障。新方法具有良好的普適性，可應用于其他類型的燃料電池中（如普通的低溫PEMFC）。

4）新方法特別適合于大數據量樣本和高數據維數的工程應用中，在大數據時代具有很好的應用價值。