燃料電池系統故障模擬試驗平臺設計

楊光友， 謝 松， 陳 明

(1 湖北工業大學農業機械工程研究設計院， 湖北 武漢 430068；2 東風汽車集團有限公司前瞻技術研究院， 湖北 武漢 430068)

燃料電池通常可分為磷酸燃料電池、堿性燃料電池、熔融碳酸鹽燃料電池、質子交換膜燃料電池和固體氧化物燃料電池等5大類[1]。其中，以氫氣為燃料的質子交換膜燃料電池，由于無污染、工作溫度低、冷啟動迅速、穩定性高、效率高等特性[2-4]，是最具有發展前景的能源之一。燃料電池系統的工作狀態和輸出性能受電池堆溫度、濕度、流量、壓力、負載大小等眾多參數影響。燃料電池系統為多輸入多輸出結構，由于其結構復雜，所涉及的外圍輔助設備眾多，易受外界環境變化影響，導致系統在運行時易發生各種故障。氫具有易燃易爆特性，為了防止安全事故發生，提高燃料電池系統使用過程中的安全可靠性，燃料電池系統進行故障分析和診斷具有重大意義。燃料電池造價昂貴，難以進行故障實驗，故需要對燃料電池及系統進行模擬。Yang Q和Aitouche A等[5]建立燃料電池發動機系統仿真模型，得出一種基于冗余的診斷方法以實現對膜干、水淹等故障的檢測。Mohammadi等[6]建立質子交換膜燃料電池系統的3D模型，以3D模型為基礎提出了一種檢測膜干、水淹的故障定位和診斷的雙層前饋神經網絡方法。郭愛基于Matlab/simulink搭建虛擬燃料電池系統平臺，提出了基于最佳過氧比控制方法，并對燃料電池系統進行了總成控制實驗，驗證了各個子系統控制器能夠協調工作，并達到滿意的控制精度[7]。韓喆利用等效替換原理搭建燃料電池冷卻系統實物平臺，分析了燃料電池冷卻系統中不同部件可能發生的故障，并研究了故障對燃料電池冷卻系統流量溫度等相關參數的影響，利用多傳感器監測關鍵參數變化，提出了基于多傳感器數據相互校正的故障診斷策略[8]。由此可見，燃料電池系統模擬仿真的研究思路得到較多應用，其不僅可得到相關故障數據，驗證算法正確性，還能節約成本，保證安全。

近些年，隨著人工智能的快速發展，神經網絡越來越多地運用于故障診斷中。王思遠采取卷積神經網絡LiNN對旋轉機械時域的信號進行故障診斷，在凱斯西儲大學的軸承數據和數控機床的電主軸等實際需求上均取得了不錯的效果[9]。辛浩冬提出一種使用PSO-BP神經網絡對道岔故障進行智能診斷的方法，來解決當前現場存在的道岔故障判斷難、時間長等問題[10]。本文通過搭建燃料電池模擬平臺進行故障模擬實驗，采集故障數據，構建BP神經網絡故障診斷模型，并驗證模型的準確性。

1 燃料電池系統

電堆是燃料電池系統的核心部分。除去電堆之外，外圍輔助設備構成的子系統為電堆提供功能性服務，子系統和電堆一起構成完整的燃料電池系統。一個完整的燃料電池系統組成結構通常如圖1所示。

圖 1 燃料電池系統組成結構

燃料電池系統主要由燃料電池堆、空氣供給子系統、氫氣供給子系統、冷卻子系統、電力輸出子系統以及控制系統等部分組成[11]。

2 燃料電池系統故障模擬試驗平臺

燃料電池系統控制平臺結構復雜，控制繁瑣，參數不易調節。參數如果波動較大容易導致燃料電池電堆損傷，難以設置所需要的故障類型。此外，燃料電池本身脆弱，空氣和氫氣的比例變化易使其造成永久性損傷。由于燃料電池陽極輸入的是氫氣，氫氣屬于易燃易爆氣體，故用其他安全氣體代替氫氣。燃料電池系統控制平臺和燃料電池本身造價不菲，若實驗過程中對平臺和電堆造成損傷，將導致較大的經濟損失?；谏鲜隹紤]，本研究平臺主要是模擬電堆之外的燃料電池系統的其他組成部分的故障，并擬通過試驗建立燃料電池系統故障監測及故障診斷模型。

2.1 結構組成

以60 kW燃料電池為研究對象，根據其系統結構，所搭建燃料電池系統拓撲圖和模擬臺架(圖2和圖3)。

圖 2 模擬燃料電池系統拓撲圖

1-空氣機；2,15,17-調壓閥；3-空氣中熱器；4,12,16-截止閥；5-中冷器；6,9,13-溫度傳感器、壓力傳感器；7,10-背壓閥；8-氫氣循環泵；11-循環水泵;14-水箱圖 3 模擬臺架

從安全性和經濟性考慮，模擬系統從以下方面對燃料電池系統進行簡化處理。

1)燃料電池模擬臺架只針對燃料電池系統的空氣供給子系統、氫氣供給子系統和冷卻子系統，即只包括入堆前的系統模擬，不涉及燃料電池電堆。由東風公司提供數據可知，燃料電池電堆內部冷卻液容量為10 L，本文采用同等容積的水箱對電堆進行等效替代。

2)由于臺架采用的是小型空壓機，功率沒有車載空壓機那么大，壓縮后的氣體不會像車載空壓機壓縮的氣體有溫度升高的現象。為了模擬氣體溫度變化的工況，在空壓機后連接了氣體加熱器，對氣體進行加熱。

3)一般燃料電池系統中采用的是水冷型中冷器。為了簡化結構，操作方便，模擬平臺選用風冷型中冷器。

4)由于空氣供給子系統中沒有設置濕度傳感器，故去除了加濕器，不考慮濕度因素。

5)氫氣供給子系統不使用氫氣，用空氣代替，由空壓機供氣，通過調壓閥調節氫氣管路的壓強。

6)由于不涉及燃料電池電堆，氫氣循環泵從燃料電池堆中抽的未完全反應的氫氣，由空壓機來提供，由調壓閥來調節壓力大小。

7)采用集熱器對冷卻水進行加熱模擬燃料電堆發熱。

8)模擬系統增加了一些截止閥、調壓閥等部件以方便設置故障。

燃料電池模擬臺架實物如圖4所示。

圖 4 燃料電堆模擬臺架

2.2 數據采集系統

為監測空氣入堆前的溫度和壓力、氫氣入堆前的溫度和壓力以及循環水進堆時的溫度及壓力，燃料電池模擬實驗平臺共需要6個傳感器。傳感器數據采集控制器選擇使用STM32F103為核心的控制器。該控制器板載芯片STM32F103ZE，144引腳，512K Flash，64K SRAM，資源豐富，引腳多，容量大，穩定性強，廣泛應用于各種工控場合[12]。

傳感器信號采集采用AD7606模塊，AD7606是16位、8通道同步采樣模數數據采集系統(DAS)[13]，所有通道同時均能以200kSPS的吞吐速率采樣，使用高速串行通信接口(SPI)和并行通信接口兩種通信方式。模塊采用5 V單電源供電，能夠處理±10 V和±5 V真雙極性輸入信號。

3 燃料電池系統故障分析

燃料電池模擬臺架器件包括空壓機、中冷器、氫氣循環泵、水箱、水泵、傳感器、管道等。故障發生時，會導致系統中單個參數或多個參數發生變化，對系統的運行造成影響。本節對燃料電池系統部件可能出現的故障進行分析。

空壓機和氫氣循環泵結構類似，都是利用離心機制，因此有類似的故障類型，當由于堵塞等原因造成進氣不足時，都會發生喘振現象、機身抖動加劇、輸出氣壓不穩，不僅影響整個系統的運作，對內部電機也有較大損傷?？諌簷C也可能因為控制器和內部傳感器原因導致出壓不準，這是由于控制器或者壓力傳感器損壞，空壓機不能準確監測輸出壓力大小，導致輸出壓力偏差較大?？諌簷C輸出壓力不準或波動較大，不僅影響燃料電池的工作性能，更可能會導致電池的不可逆損傷。

車載中冷器主要靠自身散熱片和散熱風扇排出熱量。車輛運行環境復雜惡劣，容易積累灰塵，若灰塵覆蓋在中冷器的散熱片上，將嚴重影響散熱效果，使進入燃料電池電堆的空氣溫度過高，導致燃料電池受損。

冷卻子系統中的冷卻液一般采用去離子水，若水中有細微雜質，時間久了雜質沉淀在管道內造成輕微堵塞，使水流量減小，電堆溫度升高。堵塞嚴重時管道可能無法供水[8]。管道因自身材質及環境影響會出現不同程度的腐蝕或老化，從而導致管道破損冷卻液泄漏。泄漏和堵塞都可能導致管道嚴重破裂。管道嚴重破裂會導致冷卻液在系統中無法正常循環，冷卻子系統無法正常工作，容易造成電堆局部過熱，對燃料電池造成嚴重損傷。因此，管道發生頻率較高的故障為泄露、堵塞與炸裂。

離心泵通過葉輪旋轉的離心作用將電機的機械能傳遞給冷卻液，冷卻液在離心泵的作用下其壓力和勢能得到增加，以一定的壓力和流量在管道和電堆中循環。離心泵故障種類多樣，如泵入口因管道泄漏或結構設計等因素導致壓力過低，泵內液體汽化沖擊葉輪，冷卻水流量不足或中斷等原因所導致的葉輪損壞等故障[14-16]。上述故障的主要表現為額定轉速下泵能夠帶動的流量下降。

4 故障模擬實驗及故障診斷模型

4.1 故障模擬實驗設計

4.1.1空氣進氣子系統進氣故障模擬實驗

1)模擬空壓機排氣壓力不穩：通過頻繁開啟空壓機排氣開關實施。頻繁開啟空壓機排氣開關會導致壓力不穩，壓力不穩也將導致入堆溫度產生波動。

2)模擬空壓機排氣壓力不準：基于某一種工況，在變頻空壓機上調節排氣壓力，使其不在該工況要求的壓力值，壓力過高過低也將使入堆氣體溫度發生相應變化。

3)模擬中冷器進氣堵塞：在中冷器進氣口前安裝截止閥，通過截止閥調節進氣量以模擬進氣不良。

4)模擬中冷器散熱故障：遮擋中冷器散熱片，減小中冷器與外界環境的熱交換面積，中冷器散熱故障導致氣體溫度無法冷卻到正常區間。

4.1.2氫氣進氣子系統進氣故障模擬實驗

1)模擬氫氣循環泵進氣故障：在氫氣循環泵進氣口前安裝截止閥，通過截止閥調節進氣量以模擬進氣不良。

2)模擬管道泄漏故障：調節背壓閥減小管內氣壓模擬泄漏現象。將背壓閥開口增大，管內壓力相應減小，模擬輕微泄露；將背壓閥開口完全打開，相當于管內直接連接大氣壓，管內壓力急劇減小，模擬氣管炸裂現象。

4.1.3循環水路故障模擬實驗開啟加熱器，使水箱內的冷卻水升溫，待水溫上升到一定程度時，開啟水泵，此時水溫下降，等待一會，水溫將在小范圍內保持恒定，以此時的環境作為實驗基礎。

1)模擬管路泄漏故障：使管道接口處連接不緊密，形成泄漏現象，管道造成的大型的泄漏會導致壓力大幅度下降，溫度快速升高。

2)模擬管道炸裂故障：直接拔掉一處管道接口，觀察現象。

3)模擬管路堵塞故障：在水管一處安裝截止閥，通過調節截止閥開度模擬水管堵塞，水管堵塞導致壓力變化，水流減緩，導致溫度升高(進行50%堵塞和100%堵塞兩組實驗)。

4.2 試驗數據集

依據上一小節所提到的故障模擬實驗劃分，燃料電池共14種故障狀態，以數字1-14作為故障狀態編號(表1)。

表1 故障狀態

燃料電池系統14種故障狀態的數據樣本均通過模擬故障實驗采集。故障數據采集實驗條件如下：

1)環境溫度為10℃左右，在標準大氣壓下；

2)所有設備供電正常，采集板供電電壓為5 V，傳感器供電電壓為24 V，模擬試驗平臺中的其他器件供電電壓均為220 V；

3)設置相應故障，記錄不同故障下溫度傳感器和壓力傳感器的信號，采集頻率為100 Hz；

4)同等條件下反復采集5次。

數據采集完成后，從5次實驗所采集的數據中隨機截取，組成故障樣本。故障樣本分為訓練集和測試集。訓練集總共14000個樣本，每種故障類型1000個樣本，測試集總共7000個樣本，每種故障類型500個樣本。

4.3 故障診斷模型訓練與測試

BP神經網絡(BPNN)，即反向傳播神經網絡，基本組成單元是神經元，一般由輸入層、隱含層和輸出層構成三層網絡[17]。激活函數一般使用線性函數、正切S型函數、雙極S型函數、斜坡函數等[18]。最主要的特征是信號前向傳播、誤差反向傳播。

在matlab環境下搭建結構為6-18-14的三層BP神經網絡模型，輸入層6個神經元，輸出層14個神經元，隱含層18個神經元。輸入層6個神經元分別表示空氣進氣子系統的壓力和溫度、氫氣進氣子系統壓力和溫度以及循環水進堆壓力和溫度等6個參數。輸出層14個神經元分別代表14種故障狀態編號。神經網絡結構如圖5所示。

圖5 神經網絡結構

BP神經網絡設定最大迭代次數設定為1000次，學習率設定為0.1，訓練誤差設定為0.00001，訓練算法選擇trainlm，激活函數使用logsig和purelin函數。在該訓練方法下，圖6為訓練過程中的訓練誤差，表2為不同故障的狀態識別準確率。

圖 6 模型訓練誤差曲線

表2 燃料電池故障狀態識別準確率

由圖6可知，經過137次迭代之后，模型的均方誤差達到要求。由表2可知，該模型用于測試集的識別準確率達到99%以上，說明基于BP神經網絡的故障診斷方法能夠對燃料電池系統的14種故障狀態進行診斷，具有較優異的性能。

5 結束語

基于60 kW的燃料電池系統，搭建了燃料電池模擬平臺。模擬平臺包括氫氣供氣子系統、空氣供氣子系統、冷卻子系統，涵括空壓機、中冷器、氫氣循環泵、冷卻水泵等主要部件。基于所搭建的模擬平臺進行燃料電池系統的14種故障狀態模擬實驗。以空氣進氣子系統的壓力和溫度、氫氣進氣子系統壓力和溫度以及循環水進堆壓力和溫度6個參數分別作為輸入節點，14種故障狀態作為輸出節點，構建了3層BP神經網絡故障診斷模型。試驗結果表明：該模型整體故障診斷準確率及單個故障診斷準確率均達到99%以上，驗證了BP神經網絡診斷模型用于燃料電池故障診斷的可行性。