基于典型機器學習的PEMFC故障診斷綜述

張 杰，諶 祺，韓小濤

(1.華中科技大學國家脈沖強磁場科學中心(籌)，湖北武漢 430074；2.華中科技大學強電磁工程與新技術國家重點實驗室，湖北武漢 430074)

質子交換膜燃料電池(proton exchange membrane fuel cells,PEMFC)作為一種新型能源轉換裝置，具有工作溫度低、功率密度大、負載響應快及環境友好等優點。然而PEMFC 系統運行狀態復雜，在實際使用過程中可能出現多種故障，包括致命故障與可恢復故障。致命故障不可逆，會對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。可恢復故障則可通過及時調整控制策略來進行改善，包括反應物供給系統故障、水熱管理系統故障和電路故障等。對于可恢復故障，若不能及時診斷調控，將會演變成致命故障，對電池造成不可逆的損壞，因此對電池進行準確高效的可恢復故障診斷具有重要意義。

目前針對PEMFC 的可恢復故障診斷方法可分為兩類：基于模型的方法和數據驅動的方法。基于模型的方法需建立能夠模擬系統行為的模型，對實際系統與模型輸出產生的殘差進行分析、處理和決策。數據驅動方法利用歷史數據確定經驗分類器，使用分類器將實時數據分為正常狀態和各種故障狀態[1]。隨著機器學習方法的迅速發展，其在故障診斷中的應用也越來越多，本文主要對幾種典型的基于機器學習的PEMFC 故障診斷方法進行總結，分析和比較不同方法的特點及發展前景，為PEMFC 的故障診斷研究提供一定的參考和幫助。

1 PEMFC 可恢復故障分析

1.1 水管理故障

在PEMFC 的運行中，水管理是一個關鍵問題，質子交換膜的含水量和質子傳導率密切相關，膜必須保持充分的濕潤度才具有良好的性能。但內部含水量過高會產生水淹故障，液態水積聚在氣體擴散層和催化層表面，降低催化層活性，阻礙氣體擴散，甚至堵塞氣體流道，導致氣體流通不暢，嚴重影響電池性能。而內部含水量不足時會出現膜干故障，膜電阻率隨之上升，PEMFC 運行過程中產熱增加，嚴重時甚至會局部過熱而燒壞質子交換膜。常見的影響電池內水含量的因素包括溫度、陰陽極進氣壓力、濕度等。水淹和膜干是最常出現的故障，需要及時診斷調控。

1.2 熱管理故障

PEMFC 工作時會產生熱量，使電堆溫度升高。溫度升高能提高反應速率，但溫度過高時，質子交換膜的水含量下降，易引起膜干，膜阻增大，甚至導致膜的損壞。反之，當溫度過低時，電化學反應速率降低，導致電堆性能下降。有效的熱管理是維持系統正常工作的必要條件。

1.3 氣體管理系統故障

氣體管理系統故障包括反應氣體不足、氣體泄漏、排氣故障等。氫氣不足會造成電流分布不均，嚴重時會產生反極，影響電池的使用壽命。氧氣不足則會導致膜表面局部高溫、電堆短路等問題，加速電池老化。但若氣體過量，會導致無用功率消耗過多，凈功率減少。

目前針對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。在基于機器學習的診斷方法中，通常采用常規測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，根據其變化特征判斷故障類型。除此之外，電化學阻抗譜也常用于故障診斷中，作為水淹及膜干的診斷指標，但測量成本較高。

2 基于機器學習的故障診斷方法

故障診斷需根據已有信息對數據進行分析，結合相關理論方法分析故障類型，得出診斷結果。機器學習在故障診斷領域的應用一般有兩個方向：其一，根據實驗數據來學習和構建模型以模擬PEMFC 系統的復雜過程，通過對實際系統輸出與模型輸出產生的殘差進行評估和推理來實現故障診斷[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系，殘差生成及評價機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，診斷過程分為兩個階段，首先是訓練階段，根據信息豐富的歷史數據訓練分類模型，判斷樣本所屬的各種故障狀態，通過對數據的處理及算法的優化得到最準確的分類結果，其分類流程如圖2所示。之后在診斷階段將實際運行數據輸入訓練好的模型中，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器學習方法主要包括神經網絡、模糊聚類、神經模糊、隨機森林、貝葉斯網絡、支持向量機等。

2.1 神經網絡

神經網絡(neural network,NN)是故障診斷領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。其基本結構如圖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據的情況下，神經網絡能夠學習和建立系統的非線性映射和多變量之間的關系，這為復雜系統的建模提供了一種新方案。使用神經網絡算法進行建模時一般遵循以下流程：(1)獲取實驗數據；(2)數據預處理；(3)劃分數據集(訓練集、測試集)；(4)構建神經網絡；(5)訓練神經網絡；(6)驗證網絡；(7)結果分析。

圖3 神經網絡基本結構

Laribi 等[2]建立基于神經網絡的PEMFC 優化模型，用于分析氣體相對濕度對電池內水管理的影響。Yousfi Steiner等[3]基于神經網絡建模進行水故障診斷，構造Elman 遞歸網絡模型用于計算正常情況下的電壓和壓降，與實際測量值進行比較產生殘差，根據設定的閾值對PEMFC 的狀態進行分類。Koan-Yuh[4]將遺傳算法神經網絡模型與田口方法結合，利用實驗數據訓練和構建模型，以田口方法優化參數，可精確估算PEMFC 的穩態輸出電壓。

除用于殘差生成，神經網絡越來越多地作為分類器應用于故障診斷領域。Shao 等[5]提出一種神經網絡集成方法，對4個反向傳播神經網絡進行訓練，利用拉格朗日乘子法將這些子神經網絡組合起來，結果表明集成神經網絡的診斷準確率遠大于單個神經網絡的準確率，且具有更強的泛化能力。

劉嘉蔚等[6]提出基于概率神經網絡(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 對原始數據降維，使用PNN 對故障特征樣本進行分類，并與反向傳播神經網絡(back propagation neural network,BPNN)和LDA-BPNN 進行對比，發現LDA-PNN 方法診斷精度最高且運算時間最短。黨翰斌等[7]提出基于卷積神經網絡(convolutional neural networks,CNN)的故障診斷方法，能識別膜干、氫氣泄漏故障、正常狀態及未知狀態。

Liu 等[8]以單電池電壓作為電量參數，進出口氣體流量及溫度等作為非電量參數，分別采用核極限學習機和在線順序極限學習機建立基于電量和非電量的故障診斷模型，用D-S證據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計量比故障，平均識別率為98.7%。

深度置信網絡(deep belief networks,DBN)在對于大樣本數據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)對原始數據進行預處理，用模擬退火遺傳算法模糊C 均值聚類處理無效數據，篩選故障樣本，采用合成少數過采樣技術對不平衡小樣本進行補充。與僅使用DBN 的結果進行比較，發現前者可明顯提高氫氣泄漏故障的診斷精度，準確率從81.54%提高到了100%。

傳統的故障診斷方法采用的一般是單一時刻的數據，但燃料電池在運行時產生的故障數據具有強時序相關性，王森等[10]以時間窗將采集到的數據分割成樣本序列，以長短期記憶網絡(long short-term memory,LSTM)為故障分類器，采用貝葉斯優化算法優化LSTM 模型參數。LSTM 善于處理時序數據，與循環神經網絡和反向傳播神經網絡相比，LSTM 模型具有最好的分類性能和泛化能力。單向LSTM 只能處理一個方向的故障數據，Liu 等[11]提出基于雙向長短期記憶網絡(BiLSTM)和t 分布隨機近鄰嵌入(t-SNE)的故障診斷方法，使用t-SNE 方法進行降維，用BiLSTM 模型進行診斷。結果表明該方法對PEMFC 的水管理故障診斷準確率為96.88%。這種基于多變量時間序列的診斷策略可以有效克服某些異常值對診斷精度的不利影響，更符合故障的物理演化過程。

神經網絡具有強大的學習能力和非線性逼近能力，善于處理大數據樣本，更加靈活且更具魯棒性。相比于其他方法，神經網絡能夠自主學習數據特征，模型構建更加簡單。目前用于故障診斷的輸入數據集都是易于測量的常規變量，包括電壓、電流、溫度、氣體壓力等，根據采集到的大量數據可準確區分水淹、膜干、反應氣體不足、熱管理故障等多種故障類型，且計算時間較短。神經網絡屬于監督學習技術，要實現診斷多種故障類型，需要獲取盡可能多的故障樣本，這在實際操作中非常困難，且隨著故障模式的增加，網絡復雜度也大幅上升。

2.2 模糊聚類

聚類就是將數據集分成多個類或簇，最相似的數據點分配到同一個簇中，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督分類算法，聚類在故障診斷領域有著廣泛應用。用于故障診斷時，每個簇代表系統中特定的故障類型，數據點便是要診斷的特征向量。在使用聚類算法分類時需重點關注特征提取與選擇方法，Liu 等[12]利用k均值聚類進行故障判別，有別于傳統的從一維電壓數據中提取特征，文中利用信號——圖像轉換技術將一維電壓數據轉換為二維圖像，然后從二維圖像數據中提取特征，使用費舍爾判別分析技術確定最佳特征，利用k均值聚類進行特征分類，可較好地診斷水管理故障。將一維數據轉換為二維圖像的方法能更好地突出故障在信號中引起的變化，提高診斷性能，也為數據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，從電化學阻抗譜中提取特征，結合專家知識，使用基于方差和相關系數分析的方法進行特征選擇，將選定的特征利用模糊聚類進行分類，可作為實時監測和診斷的有效工具。

此外，一種基于模糊聚類和模糊邏輯的雙模糊方法也應用于PEMFC 的故障診斷[14-15]，將模糊聚類的無監督分類能力與模糊邏輯的決策能力相結合。提取特征并構造特征空間后，在特征空間中進行模糊聚類，并根據聚類結果及專業知識設計模糊規則，每條規則對應一個聚類。此法可準確區分水管理故障的不同等級，如輕度干燥、中度干燥、重度干燥等，這證明了模糊邏輯的優勢，且在不同堆棧上采集的數據集的測試結果驗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，以電化學阻抗譜作為輸入變量，分析水淹與膜干的特征，與有監督分類算法相比，模糊聚類根據專家知識來設計規則，對故障的分級更加清晰且具有更強的可解釋性，但當出現新的故障類型時這些規則往往不能在線調整，對專家知識的依賴也限制其擴展性。

2.3 神經模糊

結合模糊邏輯和神經網絡的自適應神經模糊系統(adaptive network-based fuzzy inference system,ANFIS)也廣泛應用于故障診斷領域。神經網絡的局限性在于需要大量數據且推理能力弱，而模糊邏輯則依賴于先驗知識，自適應性差。一個典型的ANFIS 如圖5 所示。它由輸入層、輸入隸屬度函數層、規則層、規范化層、輸出隸屬度函數層和輸出層組成。利用神經網絡的學習機制自動從輸入輸出數據中提取規則，通過離線訓練和在線學習進行模糊推理系統參數的自調整。

ANFIS 在PEMFC 故障診斷領域的應用大多是建立模型以預測輸出。Silva 等[16]以電壓為輸入，訓練一個自適應神經模糊推理系統，對電壓序列的未來與過去的觀測值之間的關系進行建模，采用梯度下降法和最小二乘法相結合的混合算法優化系統參數，結果表明該方法能有效預測電池的性能。這種方法不需要復雜的物理建模，易于實現，計算成本較低，且速度較快。唐奇等[17]采用自適應神經模糊網絡對磷酸鐵鋰電池組故障診斷系統進行建模，利用減法聚類算法構建模糊規則，采用最小二乘法和誤差反向傳播算法構成的混合學習算法學習系統參數，該模型的診斷準確率可達92.7%。

除建立預測模型，ANFIS 作為故障分類器在機械及醫學領域也有大量應用。Esin Dogantekin 等[18]將ANFIS 用于糖尿病診斷，利用線性判別分析進行特征提取，診斷準確率可達84.61%。作為分類器時，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的特征，這非常適用于非線性系統，可診斷多種故障類型，且自適應性強。

2.4 貝葉斯網絡

貝葉斯網絡是一種概率統計模型，它通過有向無環圖來表示變量間的條件依賴關系，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，假設每個變量Xi……Xn都有條件地獨立于故障模式Xc，通過對大量數據的概率計算與分析確定最可能的分類。以PEMFC 堆棧阻抗譜上的多個頻率作為輸入變量，診斷從輕度干燥到中度水淹之間5 種不同等級的故障，并研究學習數據庫的大小對診斷結果的影響。結果顯示，診斷正確率隨著學習數據庫的增大而增大。貝葉斯網絡作為故障診斷工具也被用于機械軸承、冷水機組等的故障診斷中[20-21]。由于對大數據集的依賴，其在PEMFC 的故障診斷領域應用較少，但也不失為一種有潛力的發展方向。

2.5 支持向量機

支持向量機(support vector machine,SVM)是一種基于統計學理論的工具，通過非線性映射將數據投影到高維空間中，并構造一個超平面來分離該空間中不同的類。在SVM 實現過程中需要確定懲罰因子C和核函數參數g，C決定了訓練誤差和SVM 分類器的泛化能力，g決定了樣本數據在特征空間的分布形式，通常需要對其進行優化。該算法的計算復雜性不受樣本空間維數的影響，善于解決高維問題，且泛化能力較強。

支持向量機可用于建立PEMFC 系統非線性多變量模型，模擬電堆行為，預測輸出電壓[22]，此外也常作為分類器廣泛應用于故障診斷領域，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)、費舍爾判別分析(Fisher discrimination analysis,FDA)、內核費舍爾判別分析(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，支持向量機三種分類方法。結果表明，使用FDA 和KFDA 作為特征提取工具的錯誤率低于PCA 和KPCA，KNN 和SVM 作為分類器的錯誤診斷率低于GMM，且計算量也更少。

同樣以單電池電壓為特征變量，文獻[24]利用FDA 和有向無環圖支持向量機(DAGSVM)進行特征提取和分類，使用兩個堆棧的數據進行驗證，該方法能準確檢測和隔離5 種故障。但來自未知故障類型的樣本會被錯誤地歸類到一個已知的故障類別中，因此這種方法通常需要一個包含大量故障類型數據的豐富數據集，這也是模式分類方法普遍存在的缺點。Li 等[25]使用FDA 和球面多類支持向量機(SSM-SVM)進行特征提取和分類，在高維空間中設置球邊界，并使用增量學習方法來訓練SSM-SVM，以此來識別新的故障模式，提高診斷性能。對于不同類型的故障和不同的燃料電池堆，診斷準確率都能保持在較高水平，只有當數據處于正常與故障狀態之間時誤報率較高。

除以單電池電壓為特征數據，Li 等[26]還利用安裝在PEMFC 堆棧周圍的磁傳感器獲得磁場數據作為輸入，用線性判別分析法和球面多類支持向量機進行特征提取和分類，以98.26%的診斷準確度實現了對七種故障狀態的識別。

樣本中存在無效或冗余數據，通常會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，利用人工蟻群算法(artificial bee colony,ABC)優化SVM 參數。針對燃料電池運行數據時序相關的問題，Li 等[28]同樣提出以在滑動時間窗口中采樣的電壓序列作為診斷樣本，用時間序列分析工具shapelet transform 進行特征提取，以球形多類支持向量機(SSM-SVM)進行分類，分類準確率達96.13%。

支持向量機相比于神經網絡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知識，善于解決高維、小樣本問題，能準確區分水淹、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化算法來提高診斷性能，整體算法復雜度也有一定提升。

2.6 隨機森林

隨機森林(random forest,RF)是一種有監督的集成學習算法，將單一的決策樹組成一片森林來進行集體決策，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，評估各個特征的重要性，且容噪能力強，計算成本低，能夠避免過擬合。其算法構建流程如圖8 所示。

圖8 RF算法流程圖

目前隨機森林算法在燃料電池故障分類領域的應用相對較少，Lin 等[29]以增量式主成分分析法進行特征提取，隨機森林算法作為分類器，得到了一個高效且準確的氫燃料電池診斷模型。余嘉熹等[30]將隨機森林算法用于大功率PEMFC 系統故障分類中，與SVM 和K 最近鄰算法對比，隨機森林算法分類準確率達94.4%，且計算時間最短。

表1 總結了各種算法的特點。

表1 故障診斷算法對比

3 總結與展望

機器學習方法已廣泛應用于PEMFC 的故障診斷之中并取得了良好的效果，但要想在工程實際中更好地應用，仍需進一步的研究和改進。結合機器學習算法及PEMFC 系統的工作特點，其未來的發展趨勢大致可概括為以下幾點：

(1)復合故障診斷方法

目前的故障研究大都是在實驗測試平臺上完成，故障情況單一，且現有的診斷方法大都是對單獨故障的分類。而實際工作環境更為復雜，各種外界干擾都會導致故障狀態的變化，且一個故障的發生可能會使多個子系統偏離正常狀態，不同的故障特征信息之間也會相互影響，增加診斷的復雜性。因此PEMFC 系統的復合故障研究以及故障嚴重性的診斷是值得進一步關注的問題。

(2)故障樣本數據獲取

機器學習算法用于故障診斷時大都要求足夠的樣本量用以訓練，然而在工程實際中難以獲得較為全面且高質量的系統故障樣本數據，通常會存在噪聲干擾等問題，這也是機器學習應用于故障診斷領域的一大挑戰。

(3)PEMFC 系統自適應故障診斷策略

PEMFC 系統退化可由故障引起，也可由自然的老化效應引起，因此診斷策略應該能夠區分故障及自然老化。且機器學習模型大都只能對已有故障類型進行分類，無法識別未知故障樣本。目前已有少量文獻對此進行研究，而在難以獲得較為全面的系統故障數據的情況下，這也是一個重要研究方向。

(4)PEMFC 故障控制策略

目前機器學習方法的應用主要集中在一些特定故障的檢測和分類，為使診斷程序更加完善且發揮機器學習方法優勢，可進一步結合PEMFC 故障控制策略進行調控，改善其運行性能。

(5)混合算法的應用

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

(6)PEMFC 系統在線故障診斷技術

現有的故障診斷方法大部分仍停留在離線驗證階段，在實現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、設計高效準確的在線診斷方法等挑戰。但隨著PEMFC 的發展，在線故障診斷是勢必要解決的問題。