貧數據條件下燃料電池汽車故障分類方法

聶振宇 李良雨 張廣秀 陳帥 張曉輝

【歡迎引用】 聶振宇，李良雨， 張廣秀， 等. 貧數據條件下燃料電池汽車故障分類方法[J]. 汽車文摘，2024（XX）： 1-11.

【Cite this paper】 NIE Z Y， LI L Y， ZHANG G X， et al. Fault Classification Methods for Fuel Cell Vehicles under Poor Data Conditions [J]. Automotive Digest （Chinese）， 2024（XX）：1-11.

【摘要】燃料電池汽車是未來汽車工業可持續發展的重要方向，但現存燃料電池整車相關的測試評價標準尚未對燃料電池汽車存在的故障類型及其分類進行深入研究，缺乏統一故障分級分類方案。為改善該問題，提出一套完善的燃料電池汽車故障模式的分級分類評價指標以統一相關故障等級，重點研究在缺乏數據條件下的燃料電池汽車故障分類方法。基于因子分析法和模糊集理論，提出一種針對燃料電池汽車在貧數據條件下的故障模式分類評價方法，為燃料電池汽車故障等級的分類提供指導意見。

關鍵詞：燃料電池汽車；貧數據；故障分類；模糊集理論；因子分析法

中圖分類號：U469.72 ? 文獻標識碼：A ?DOI： 10.19822/j.cnki.1671-6329.20230260

Fault Classification Methods for Fuel Cell Vehicles under Poor Data Conditions

Nie Zhenyu1，2， Li Liangyu1，2， Zhang Guangxiu1， Chen Shuai1，2， Zhang Xiaohui1，2

（1.China Automotive Technology & Research Center Co.， Ltd.， Tianjin， 300300; 2. CATARC Automotive Test Center （Tianjin） Co.， Ltd.， Tianjin， 300300）

【Abstract】 Fuel cell vehicle （FCV） is an important direction for the sustainable development of the automotive industry in the future. However， existing test and evaluation standards for FCVs have not thoroughly examined the types of faults and their classification. There is a lack of a unified fault grading classification scheme. To solve this issue， a comprehensive set of grading classification evaluation indicators for FCV faults is proposed to standardize the levels of related faults. The focus is on researching methods for classifying FCV faults in the case of lack of data. Based on factor analysis and fuzzy set theory， a fault mode classification evaluation method for FCVs under data scarcity conditions is proposed， offering guidance for the classification of FCV fault levels.

Key words： Fuel cell vehicle（FCV）; Data deficiency; Fault classification; Fuzzy set theory; Factor analysis method

0 引言

相比于傳統汽車，燃料電池汽車具有零排放、高效率、低噪聲的優勢，受到日本、歐洲、美國等國家的廣泛關注[1-2]。隨著燃料電池汽車關鍵技術不斷突破并在部分車型上應用，氫燃料電池汽車產業化不斷加速[3]。我國燃料電池汽車多采用電-電混合技術路線，在續駛里程及整車成本方面具有明顯優勢，但耐久性、可靠性等性能指標與國外部分發達國家差距較大。雖然燃料電池系統的關鍵零部件已實現國產化，但到目前尚未有量產車型投放市場。對燃料電池汽車的故障類型及其所屬類別不明確，成為限制其發展的主要因素之一。

我國已對燃料電池汽車發展進行了布局規劃，制修訂了多項燃料電池整車相關的測試評價標準，在GB/T 39132—2020《燃料電池電動汽車定型試驗規程》[4]提出可靠性行駛試驗過程中不應出現1、2類故障。然而，目前尚未對燃料電池汽車存在的故障類型及其分類進行研究，各整車制造商對于故障分級分類混亂，需提出一套完善的燃料電池汽車故障模式的分級分類評價指標以統一相關故障等級。

本文提出了一套針對燃料電池汽車故障分類的評價指標體系，該體系從故障性質、故障概率、故障后果和環境影響等維度進行構建。在數據相對貧乏的條件下，采用模糊集理論和專家評判的方法實現了對故障可能性和后果的定量分析。為確定各評價指標的權重，采用因子分析法旨在減弱主觀性評價。根據多維評價指標的計算結果，實現了對燃料電池汽車故障的分類和分級。本文為燃料電池汽車的安全性研究提供了新的視角，為燃料電池汽車故障分類體系的建立提供了一種新的思路和方法，實現了在數據貧乏條件下進行故障定量分析，對推進燃料電池汽車的安全性研究具有一定的指導意義。

1 研究背景

1.1 燃料電池汽車

燃料電池汽車具有清潔、能效高的優點，在汽車市場的滲透率逐步提高。燃料電池汽車主要使用氫氣或甲醇為主要燃料，通過電堆將化學能轉化為電能，以驅動車輛。盡管其結構簡單，但燃料電池汽車需要大功率、高動態響應的燃料電池系統，且長時間頻繁的變載工況會使燃料電池壽命衰減。為了克服以上問題，燃料電池和動力電池的電-電混合技術方案成為目前國內燃料電池研究重點。該技術方案的典型結構見圖1[5]。

1.2 故障分類

從安全性和故障的嚴重程度出發，可以將燃料電池汽車故障分為4級。1級故障：對燃料電池汽車造成安全性的損傷，如影響氫、電安全和啟動運行，一旦發生必須緊急切斷開關進行安全保護。2級故障：這類故障會影響車輛的正常工作及性能。若不及時處理，該故障會存在惡化風險。3級故障：這類故障僅會輕微影響系統，但不會造成致命性的危害。4級故障：這類故障不影響整體功能，可以忽略不計。

2 基礎理論分析

2.1 綜合評價模型

對本文研究的燃料電池故障分類，建立對應指標評價體系。對各項指標的相對重要性進行量化，從多個評價指標對其進行評價，以減少主觀性判斷，盡可能提高準確性。對每一項指標單獨進行評分，并根據指標對應權重，對所得指標評分進行修正，將各個修正后的指標評分進行求和。最終，得到某一燃料電池汽車故障的綜合評價水平，確定其所屬分類。

[Yi=i=1pAij×Wij（i=1，2，…，m）] ? ? ? ? ? ? ?（1）

式中：Yi為燃料電池汽車故障綜合評價水平，p為故障的評價指標個數，m為評價水平所分析的故障數，i為故障個數，Aij為第i個故障的第j個指標的標準化值，Wij為第i個故障的第j個指標在所有指標中所占的權重。

2.2 因子分析法

本文采用因子分析法計算指標的權重。因子分析是一種統計學方法，用于分析復雜數據集中的變量之間的相互關系和結構。其通過對數據進行降維，提取變量之間的關系，進而得到一些解釋性更強、與原始數據相關性更好的因子用于理解數據。因子分析通常需要輸入1個包含2個或者2個以上變量的數據集，然后通過選定主成分個數和因子旋轉方式等參數獲得預期結果。

因子分析的基本思想是通過對變量進行壓縮，提取可以解釋變量之間關系的構建成分（即因子），并將這些因子用于數據的降維和解釋。通過因子分析，可以將眾多的觀測變量歸納為更少的一些潛在因子，這些因子之間存在一定程度的相關性，并且可以反映出原始數據集中的一些重要信息和結構性關系。因子分析有助于理解數據、簡化數據處理流程、提高預測準確率等。

3 燃料電池汽車故障評價指標體系

3.1 指標體系構建原則

考慮構建燃料電池汽車故障評價指標體系的合理性和正確性，主要遵循以下原則：

（1）科學性：在構建過程中要從官方渠道獲得數據，更真實的量化分析。

（2）全面性：由多個指標構成，需大量閱讀參考文獻，全面準備構建評價指標體系所需要的輔助資料。

（3）可量化原則：選擇指標要考慮能否可量化，以便進行計算和分析，以確保定量分析結果具有可比性。

3.2 指標內容及其計算方法

構建燃料電池汽車故障的評價指標，可以從故障性質、故障概率、故障后果（對人員生命或財產造成損害或后果的嚴重性）、環境影響等方面進行。由于數字對比相對更直觀清晰，因此需要對各個指標進行量化分析。

根據故障表現特征對故障性質進行等級劃分，故障表現特征包括：檢測性故障（1）、警示性故障（2）、功能性故障（3）[6]，3種表現特征的嚴重程度依次遞進為了便于后續分析計算，將語言轉化為數值，分別用數值1、2、3表述。考慮到目前燃料電池汽車數量較少，缺少對應的故障數據樣本，因此采用模糊集理論（Fuzzy Set Theory，FST）計算燃料電池汽車故障概率與后果[7-8]。通過專家對事件的主觀語言判斷，將定性分析轉換成定量的數值分析[9]。并對專家給出的數值進行權重平均，得到綜合多位專家意見的模糊概率評分。

通過測量氫氣泄露濃度評估其對環境影響，將故障導致的泄露或尾氣排出的氫氣濃度劃分為4個等級[10]，見表1。

4 燃料電池汽車故障綜合評價

4.1 數據收集與整理

考慮到燃料電池汽車涉及多個系統，潛在故障數量龐大，本文僅選取燃料電池系統作為研究對象，并總結了常見的故障模式，見表2。在上述理論研究和評價指標體系構建的基礎上，運用專業統計服務科學平臺（Scientific Platform Serving for Statistics Professional，SPSSPRO）軟件對數據進行處理。

將各燃料電池故障發生的可能性分為非常低、低、中等、高和非常高5個等級。利用梯形模糊數，將模糊語言轉換成數值語言[11]。語言變量對應梯形模糊數見表3。

通過增加專家人數可以縮小專家意見偏差，使結果更接近真實值。考慮到研究可操作性，邀請了3位業內專家進行評價[12]，采用FST分別對燃料電池汽車各發生故障的可能性和嚴重度進行分析，將模糊語言轉化為能夠代表多個專家的綜合評估分數。以發生故障的可能性為例，得到發生故障可能性的聚合后模糊數，見表4。

故障發生將對人員、財產和環境造成不同程度的影響。專家綜合考慮各方面因素，對故障造成的后果進行評估，并采用模糊集理論，構建了故障嚴重度的聚合模糊數，見表5。

收集到的原始數據進行二次整理計算，對于梯形模糊數M={u，m1，m2，l}可利用模糊重心法去模糊化，具體原理為：

[X*=u（x）xdxu（x）dx， 其中u（x）xdx≠0] ? ? ? ? ? ? ? （2）

式中：X*為輸出值，[u（x）]為隸屬度函數，x輸出變量。

對式（2）進行推導，可得其重心公式：

[CN=（u2+m22+um2-l2-m21-lm1）3（m2+u-m1-l）] ? ? ? ? （3）

式中：[CN]即為去模糊化后的結果。

最終，得到各項故障的發生可能性以及對應故障后果的綜合評分，見表6。

4.2 數據處理與分析

首先對燃料電池故障分類的原始數據進行抽樣適合性檢驗（Kaiser-Meyer-Olkin，KMO）和巴特利特（Bartlett）球形度檢驗，判斷是否可以進行因子分析，見表7。

由表7可得，KMO的檢驗值為0.718，適合做因子分析。對于Bartlett的檢驗，顯著性遠小于0.01，說明各變量間具有相關性，因子分析有效。

對主成分和累計方差貢獻率進行計算，通常情況下進行主成分分析，主成分1和主成分2的累計方差貢獻率在80%左右，選取的主成分需能反映大部分原有指標。表8為樣本數據的總方差解釋情況。

根據各主成分對數據變異的解釋程度繪制成碎石圖（圖2），利用特征值下降的坡度確認所需選擇的因子主成分個數，選取前2個公因子。

計算因子載荷矩陣和成分得分系數矩陣。因子載荷矩陣中的某列數值除以對應主成分特征值得到各指標的成分得分系數。燃料電池汽車故障分類旋轉后的因子載荷系數和成分矩陣見表9。

將原始數據與成分得分系數矩陣相乘，得到各主成分的得分結果，主成分得分F的計算表達式為：

F1=0.063*A1-0.384*A2+0.321*A3+0.302*A4 ? ? ? ? ? ? ? ? （4）

F2=1.19*A1-0.049*A2+0.528*A3+0.479*A4 ? ? ? ? ? ? ? ? ? （5）

F=（0.48/0.789）*F1+（0.31/0.789）* F2 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

式中：F為主成分得分，F1為成分1的得分，F2為成分2的得分，A1為故障性質，A2為故障可能性，A3為后果評估，A4為環境影響。

根據主成分得分計算綜合得分，對其進行降序排序，得到各燃料電池故障類型的綜合得分與排名情況，見表10。

將故障劃分為4個等級，綜合得分＞1分為1級故障，綜合得分0～1分為2級故障，綜合得分－1～0分為3級故障，綜合得分＜－1分為4級故障[13]。最終，對燃料電池汽車系統的故障等級進行分類及綜合評分結果見圖3。

5 結束語

本文分析了燃料電池汽車在貧數據條件下的故障分類，構建了燃料電池汽車故障評價指標內容及其計算方法，為整車廠提供一種燃料電池汽車故障等級的分類方法。對各項指標進行數據收集，采用因子分析法對數據進行處理，根據得分區間，將各個故障分為4個故障等級，對燃料電池汽車系統的故障等級進行故障等級分類。

通過綜合因子分析和模糊集理論，本研究提出了一種針對貧數據條件下燃料電池汽車故障分類的新方法，實現了故障等級的有效評價。此方法結合數據和專家判斷，彌補了傳統計算方法可能忽略重大故障概率的不足，為燃料電池汽車系統故障的精準分類提供了一種可行途徑。

參 考 文 獻

[1] ZHAO F Q， MU Z X， HAO H， et al. Hydrogen Fuel Cell Vehicle Development in China： An Industry Chain Perspective[J]. Energy Technology， 2020， 8（11）： 2000179.

[2] HAUER K H. Analysis Tool for Fuel Cell Vehicle Hardware and Software （Controls） with an Application to Fuel Economy Comparisons of Alternative System Designs[J/OL]. Institute of Transportation Studies， Working Paper Series， 2001[2024-04-15]. https：//ideas.repec.org/p/cdl/itsdav/qt52g0c0

3n.html.

[3] WIPKE B K， SPRIK S， KURTZ J， et al. Fuel Cell Vehicle and Infrastructure Learning Demonstration Status and Results[J]. ECS Transactions， 2019， 16（2）： 173-184.

[4] 國家市場監督管理總局， 中國國家標準化管理委員會. GB/T 39132—2020： 燃料電池電動汽車定型試驗規程[S/OL]. （2020-10-11）[2024-05-01]. https：//openstd.samr.gov.cn/bzgk/gb/newGbInfo？hcno=667FED7F07C1C55433F1767

4C1F7120C.

[5] 馬睿， 黨翰斌， 張鈺奇， 等. 質子交換膜燃料電池系統故障機理分析及診斷方法研究綜述[J].中國電機工程學報， 2024， 44（1）： 407-427.

[6] 周蘇， 胡哲， 文澤軍. 基于K均值和支持向量機的燃料電池在線自適應故障診斷[J]. 同濟大學學報（自然科學版）， 2019， 47（2）： 255-260.

[7] SAATY T L， VARGASL G. Models， Methods， Concepts and Applications of the Analytic Hierarchy Process[M]. New York： Springer Science and Business Media， 2001.

[8] 李新宏， 朱玉嬌， 李成成， 等. 貧數據條件下海底電纜故障概率評估方法[J]. 中國安全生產科學技術， 2022， 18（6）： 224-229.

[9] 康勁松， 康婷. 基于FTA-AHP的FCEV動力系統可靠性影響因子及其權重研究[J].電源學報， 2013（4）： 1-7+25.

[10] MIRI LAVASANI S M， YANG Z， FINLAY J， et al. Fuzzy risk assessment of oil and gas offshore wells[J]. Process Safety and Environmental Protection， 2011， 89（5）： 277-294.

[11] FERDOUS R， KHAN FAISAL， SADIQ REHAN， et al. Handling and Updating Uncertain Information in Bow-Tie Analysis[J]. Journal of Loss Prevention in the Process Industries， 2011， 25（1）： 8-19.

[12] 劉斌. 燃料電池系統故障診斷識別策略發展[J]. 船電技術， 2023， 43（4）： 1-4.

（責任編輯 明慧）