有軌電車燃料電池系統(tǒng)故障診斷研究

趙娟娟

（北京城建設(shè)計發(fā)展集團股份有限公司深圳分公司，廣東 深圳 518049）

引言

目前，在有軌電車中所用的燃料電池比較多，質(zhì)子交換膜燃料電池（PEMFC）是其中最為常見的一類，PEMFC 在電解質(zhì)上選用質(zhì)子導(dǎo)電材料，兼具功率密度高、電解質(zhì)流失可控、電池響應(yīng)及時、工作溫度低等優(yōu)勢[1]。本文以深度學(xué)習(xí)為基礎(chǔ)對燃料電池做出故障診斷研究，并進一步探索深度學(xué)習(xí)應(yīng)用于故障診斷的前景。值得注意的是，有軌電車在運營狀態(tài)下所處的工況比較復(fù)雜，因此其電池各項數(shù)據(jù)也就較為多變，數(shù)據(jù)驅(qū)動在故障診斷中的理論基礎(chǔ)尚不成熟，所以需要建立起更加合理的診斷方法。

1 基于DBN 的故障診斷算法

燃料電池在發(fā)生故障時大多會牽涉到多部件狀態(tài)變異，所以往往難以借助系統(tǒng)直接顯示的參數(shù)來確定具體故障，同時傳統(tǒng)診斷技術(shù)對于多項耦合數(shù)據(jù)的處理效果有限，所以就需要采用先進算法來做出判斷。作為一類出現(xiàn)較早的深度學(xué)習(xí)方法，DBN 目前在字體、語音、圖片識別方面已經(jīng)取得了較為成熟的發(fā)展。但DBN 在故障識別方面的應(yīng)用仍較為局限，大多存在于機械軸承的故障診斷中。已有的研究表明[2-3]，DBN 用于故障診斷具有顯著優(yōu)勢，能夠很好地滿足燃料電池在故障診斷數(shù)據(jù)處理方面的要求，本文以DBN為診斷算法基礎(chǔ)，探究該方法在PEMFC 故障診斷中的適用性及有效性。同時，考慮到所采集的初始數(shù)據(jù)中不可避免會存在冗余、噪聲及無效信息，所以首先通過SAGAFCM法對初始數(shù)據(jù)進行處理，篩選得出其中的故障樣本。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

為獲取有軌電池在運行狀態(tài)下的燃料電池狀態(tài)，本研究將出冷卻液入口高溫故障、氫氣泄露故障及空氣壓力低故障作為數(shù)據(jù)診斷對象，分別標(biāo)記為F1、F2 及F3，將其與正常狀態(tài)N1 進行比對，上述四種健康狀態(tài)的取樣組數(shù)分別為600 組、260 組、105 組及2011 組。

已有的研究表明[4-5]，燃料電池的故障診斷數(shù)據(jù)中存在大量噪聲且數(shù)據(jù)體量較大，因此也就不可避免會包括一些異常值。借助標(biāo)準(zhǔn)化處理數(shù)據(jù)，根本上來看就是對數(shù)據(jù)做縮放、平移，將各數(shù)值的特征值調(diào)整至均值為0、方差為1，進而使得不同維度的數(shù)據(jù)能夠滿足相同的尺度要求。標(biāo)準(zhǔn)化處理所用的基本計算式如下：

式中，x'、x 分別為原始、標(biāo)準(zhǔn)化數(shù)據(jù)；μ 為樣本的平均值，S 為樣本的標(biāo)準(zhǔn)差。

對原始數(shù)據(jù)做標(biāo)準(zhǔn)化處理即可得到標(biāo)準(zhǔn)化數(shù)據(jù)。通過標(biāo)準(zhǔn)化處理，不同數(shù)據(jù)的差距得到了顯著縮小，有助于深度學(xué)習(xí)中權(quán)重參數(shù)計算的收斂，并為下一步計算提供了便捷。

2.2 基于SAGAFCM的數(shù)據(jù)清洗

為降低初始數(shù)據(jù)中噪聲的影響，從原始樣本中提取出有價值的樣本數(shù)據(jù)，在本研究中選用SAGAFCM法來處理原始數(shù)據(jù)，剔除其中的無效數(shù)據(jù)，得出故障分析樣本。在SAGAFCM法的處理下，對標(biāo)準(zhǔn)化后的數(shù)據(jù)聚類，并以此得出4 種健康狀態(tài)。在此基礎(chǔ)上，按照輸出結(jié)果的隸屬度矩陣識別各組數(shù)據(jù)中最大隸屬度所對應(yīng)的健康狀態(tài)，剔除其中與實際類型不符的無效數(shù)據(jù)。SAGAFCM能夠有效彌補在FCM計算中易于局部解處收斂的不足。已有的研究發(fā)現(xiàn)，相較于FCM，SAGAFCM法更容易收斂至較低的值，且其收斂的速度也相較更快。

以SAGAFCM 法對表2 中數(shù)據(jù)進行清洗，分別剔除N1、F1 及F2 狀態(tài)下11 組、22 組及2 組異常數(shù)據(jù)，而F3 保持不變，以此得到2941 組最終樣本，其中F1、F2、F3、N1 四種健康狀態(tài)下的清洗后組數(shù)分別有578組、258 組、105 組及2011 組。

3 基于DBN 算法的故障診斷

3.1 故障診斷流程

在對數(shù)據(jù)完成預(yù)處理后，即可將故障樣本按照平均劃分的原則分為5 份，并以4:1 比例確定訓(xùn)練、測試樣本的數(shù)量，各健康狀態(tài)下的樣本劃分見表1。

表1 每種健康狀態(tài)的樣本劃分

以表1 所得到的訓(xùn)練樣本為訓(xùn)練集，對所建立的DBN 網(wǎng)絡(luò)開展訓(xùn)練，得出優(yōu)化后的網(wǎng)絡(luò)模型，并以測試樣本驗證模型的可行性、有效性，其故障診斷流程見圖1。

在對訓(xùn)練后的故障診斷模型進行評價時，需要基于一定指標(biāo)來得出評價結(jié)果，診斷的穩(wěn)定性、誤報率、有效性及分離性等都是常用的指標(biāo)參數(shù)。在本研究中，模型的評價采用分類準(zhǔn)確度進行表征，為了確保評價結(jié)果的有效性，每次評價選擇三次故障診斷的平均準(zhǔn)確率作為參考。

3.2 構(gòu)建DBN 網(wǎng)絡(luò)結(jié)構(gòu)

在DBN 網(wǎng)絡(luò)結(jié)構(gòu)、參數(shù)設(shè)定方面，目前行業(yè)內(nèi)缺乏規(guī)范化標(biāo)準(zhǔn)，所以就需要不斷調(diào)試，通過經(jīng)驗判斷出合適的網(wǎng)絡(luò)配置。所構(gòu)建的DBN 網(wǎng)絡(luò)結(jié)構(gòu)包括了網(wǎng)絡(luò)深度及各層的神經(jīng)元分布。較少的層數(shù)、神經(jīng)元個數(shù)，也就使得計算難度降低，訓(xùn)練周期短，但所帶來的訓(xùn)練效果難以得到保障；而較多的層數(shù)、神經(jīng)元個數(shù)，將使得深度學(xué)習(xí)對于目標(biāo)特征有更全面、深入的掌握，但所對應(yīng)的訓(xùn)練時間也將所有提升，且過多層數(shù)、神經(jīng)元數(shù)量下可能導(dǎo)致過擬合的出現(xiàn)，使得訓(xùn)練效果反而劣化。所以，網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計需要綜合考慮到樣本體量、特征來確定。

在本研究中，采取四層DBN 網(wǎng)絡(luò)結(jié)構(gòu)，且首層、最后一層將分別承擔(dān)輸入、輸出層的功能這與數(shù)據(jù)自身的特征存在顯著關(guān)聯(lián)，輸入層的神經(jīng)元數(shù)量與樣本維數(shù)一致，也即23 個。同時，輸出層結(jié)構(gòu)上為分類層，在其中插入兩個隱藏層分別承擔(dān)特征提取、學(xué)習(xí)的功能，所以本研究中所建立的DBN 網(wǎng)絡(luò)結(jié)構(gòu)可以看做由2 個RBM 和1 個分類器組成。在DBN 網(wǎng)絡(luò)中需要定義的參數(shù)較多，見表2。

表2 DBN 參數(shù)

4 基于DBN 算法的故障診斷結(jié)果

4.1 不同參數(shù)的影響

由表4 可以發(fā)現(xiàn)，在DBN 模型中不同參數(shù)的選擇對于訓(xùn)練效果存在顯著影響。

（1）激活函數(shù) 控制表4 中其他參數(shù)恒定，分別在sigmoid 函數(shù)、tanh 函數(shù)及ReLU 函數(shù)下完成模型訓(xùn)練，以此得出訓(xùn)練樣本、測試樣本之間的精度見表3。從表中數(shù)據(jù)可以發(fā)現(xiàn)，sigmoid 函數(shù)在訓(xùn)練樣本中表現(xiàn)出最高的精度，而ReLU 函數(shù)在測試樣本中表現(xiàn)出最高的精度，但兩者的總體精度相差不大。

表3 不同激活函數(shù)結(jié)果

在不同激活函數(shù)下故障類型都具有較好的效果，而正常狀態(tài)分類則存在較大差異，其中ReLU 函數(shù)對N1 的診斷精度較其他兩種函數(shù)有約20%的提升，所以本研究在激活函數(shù)中選用ReLU 函數(shù)。

（2）網(wǎng)絡(luò)結(jié)構(gòu) 網(wǎng)絡(luò)深度、神經(jīng)元數(shù)量對于診斷結(jié)果存在至關(guān)重要的影響，控制表4 中其他參數(shù)恒定，分別選用4 層、5 層網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練。研究結(jié)果發(fā)現(xiàn)，在網(wǎng)絡(luò)深度增大的同時，訓(xùn)練效果反而呈現(xiàn)出下降的趨勢，這主要是由于網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化但樣本體量不變引起了過擬合，所以應(yīng)當(dāng)選擇與樣本相適應(yīng)的結(jié)構(gòu)類型。

4.2 故障診斷結(jié)果比對

在用訓(xùn)練樣本訓(xùn)練模型的過程中，損失函數(shù)收斂的情況見圖2。由此可以發(fā)現(xiàn)，在RBM訓(xùn)練及微調(diào)過程中，迭代至五次時損失函數(shù)即出現(xiàn)明顯收斂，這也表明模型最少僅需五次迭代即可完成訓(xùn)練，其訓(xùn)練周期較短。

不同健康狀態(tài)下測試樣本的診斷分類情況見表4。將SVM法及DBN 法的結(jié)果進行比對，見表5。可以發(fā)現(xiàn)，SVM法在高維度、大樣本數(shù)據(jù)的處理中存在缺陷，尤其是在F3 類型的測試樣本中全部被錯誤歸入F2 類型中。通過表5 的比對可以認(rèn)為，DBN 在故障診斷中較SVM具有更強的適用性。

表4 測試樣本故障診斷結(jié)果

表5 DBN 與SVM 故障診斷結(jié)果對比

5 結(jié)論

本研究選用DBN 法對故障樣本做了診斷分析，并以冷卻液循環(huán)、氫氣循環(huán)及空氣循環(huán)系統(tǒng)為研究對象采集樣本數(shù)據(jù)，以SAGAFCM 法將其中無效數(shù)據(jù)清除，最后以DBN 法完成診斷。本研究將DBN 法的診斷結(jié)果與傳統(tǒng)SVM 法進行比對，發(fā)現(xiàn)DBN 法在對燃料電池不同模塊故障的診斷中兼具良好適用性、精度，展現(xiàn)出優(yōu)于SVM法的優(yōu)勢。