固體氧化物燃料電池的故障預測.pdf

1、在當今能源危機和環(huán)境問題日益嚴峻的情況下，固體氧化物燃料電池(Solid Oxide Fuel Cell, SOFC)作為一個清潔、能量轉換效率高且無污染排放的發(fā)電裝置，受到了研究者的廣泛關注。然而，燃料電池系統(tǒng)中包括重整器，燃燒室，壓縮室等多個外部部件，由于系統(tǒng)較復雜，因此在SOFC系統(tǒng)的運行過程中很容易發(fā)生故障。一旦SOFC系統(tǒng)發(fā)生故障，會導致其性能產(chǎn)生退化，嚴重的話，甚至會導致燃料電池的失效，這成為了限制SOFC發(fā)展的一個主要原因

2、。若能在故障早期階段及時診斷SOFC故障和預測其剩余壽命，則可及時安排對SOFC設備進行維修，有利于延長其使用壽命。因此，本論文研究內(nèi)容如下：
　　（1）基于最小二乘支持向量機(Least Squares Support Vector Machine, LS-SVM）的SOFC故障診斷方案。因燃料氣體中氯氣雜質(zhì)和陰極反應產(chǎn)物水汽積累的影響，SOFC可能會發(fā)生陽極氯氣中毒和陰極水汽中毒的故障。本課題采用了LS-SVM模型對燃料電池的

3、這兩種故障進行了診斷。該模型能對燃料電池正常工作狀態(tài)、陽極氯氣中毒情況或陰極水汽中毒的情況進行有效的診斷，其診斷精度達到了99％。
　?。?）基于HSMM的SOFC故障預測?；贖SMM的預測框架主要分為三個部分：HSMM參數(shù)訓練，設備當前健康狀態(tài)估計，以及剩余壽命估計。本論文分別利用陽極氯氣中毒和陰極水汽這兩種故障類型的全壽命電壓退化數(shù)據(jù)，訓練得到反映這兩種故障情況下，系統(tǒng)退化過程的HSMM。將不同中毒情況下，電池的電壓退化數(shù)據(jù)

4、輸入HSMM中，利用前向-后向算法計算在出現(xiàn)該電壓數(shù)據(jù)的情況下，燃料電池分別處于各健康狀態(tài)的概率，并依據(jù)極大似然準則，估計當前燃料電池系統(tǒng)在該故障情況下的健康狀態(tài)。根據(jù)燃料電池當前所處健康狀態(tài)，可通過HSMM的狀態(tài)轉移矩陣和各狀態(tài)平均持續(xù)時間，預測燃料電池的剩余壽命。實驗表明，HSMM對于中毒程度相似的情況，有較好的預測結果。
　?。?）基于混合模型的SOFC故障預測方法。當前燃料電池的電壓退化與HSMM全壽命訓練數(shù)據(jù)的電壓退化相

5、似度較低時，基于HSMM的預測結果較差。為了解決這個問題，本論文提出了將HSMM與經(jīng)驗模型相結合的混合故障預測方法。若燃料電池的當前運行電壓與HSMM訓練電壓相似度較高，則利用HSMM對燃料電池的剩余壽命進行預測；若兩者的相似度較低，則利用經(jīng)驗模型估計燃料電池剩余運行壽命，經(jīng)驗模型為根據(jù)SOFC歷史運行數(shù)據(jù)訓練的反映該燃料電池退化趨勢的模型；在其余情況下，則按照相似度大小將兩種模型結合起來對SOFC的剩余壽命進行預測。實驗結果表明，對于