车用燃料电池系统故障诊断与维护若干关键问题研究

论文摘要

作为燃料电池汽车的核心单元,车用燃料电池系统由于结构复杂、运行环境恶劣以及动态响应能力较差等原因在实际应用中难免出现失效、故障甚至重大事故,因此,对其开展故障诊断研究对提高其自身以及燃料电池汽车的安全性、可靠性、可维护性以及市场接受能力具有重要意义。本文以自主研发的60kW车用燃料电池系统为对象,对整体系统安全性与可维护性、辅助系统和电堆的可靠性等涉及到的若干关键问题进行了研究。本文的主要研究成果如下：较系统地提出了车用燃料电池系统故障特征与故障机理的共性问题,分别从耦合性、渐变性、随机性和不确定方面定性分析了其故障特征,从机械因素、电气因素、设备因素、人为因素和环境因素方面定性分析了其故障机理,对自主研发的车用燃料电池系统进行了故障分类并划分了其故障等级。针对车用燃料电池系统的氢安全,建立了氢气泄漏的故障树模型并进行了定性分析,找出了系统氢安全的薄弱环节；为了进行系统氢气泄漏的安全性定量评价,考虑到各底事件的发生概率难以精确化,将模糊数学理论与传统故障树相结合定量分析了顶事件发生的模糊概率以及各个底事件的模糊重要度,并提出了系统氢气泄漏的故障诊断策略与整改措施。为了进行辅助系统的多传感器故障检测与信号容错,提出并建立了一种主、从两级神经网络的联合故障诊断与容错模型,利用主网络和各个子网络的预测值与多传感器的实际输出值构建残差,当主网络的误差大于所设定的阈值并且持续的时间节拍大于一定值时判断传感器存在故障,此时利用误差超过设定阈值的子网络的预测值代替所对应的故障传感器输出值并进行在线刷新,针对不同数量下的传感器同时发生故障情况进行了仿真,仿真结果表明,所建立的模型可以实现这些存在冗余关系的多传感器的故障联合检测和信号冗余重构,能满足车用燃料电池系统的温度和风量容错控制要求。考虑到电堆水淹和膜干两种故障难以准确识别,提出了二叉树支持向量机和D-S证据理论相结合的电堆健康诊断信息融合方法,从影响和反映电堆水平衡传输的实时参数及其变化参数中提取故障特征,将二叉树支持向量机进行初步诊断,利用D-S证据理论进行融合得出最终诊断结果。仿真结果表明,单独利用支持向量机比神经网络具有更高的诊断精度和识别速度,对于少数测试样本进行诊断时证据冲突所带来的不确定性,利用D-S证据理论进行融合后得出的电堆健康状态诊断结论具有较高的信任度,不确定性明显降低,可为电堆的湿度软测量与优化控制提供便利。最后,结合车用燃料电池系统离线和在线故障诊断与实际维护的需要,开发了一种嵌入式的手持故障诊断仪,设计了实用的故障码并提出了故障诊断策略与流程,此外,基于VC++编程语言设计了可视化的状态监测与故障诊断专家系统,完成了原型机基本功能的开发,诊断实例和结果证明了其实用性。综上所述,本文分别从氢气泄漏、冗余多传感器的故障诊断与容错、电堆健康状态诊断以及状态监测与故障诊断系统设计这4个关键问题出发,提出了它们的研究方法和思路,相关计算和仿真结果验证了它们的可行性和有效性,可为今后进一步开展车用燃料电池系统故障诊断与维护所涉及到的其它问题研究提供一些参考。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 研究背景及意义
• 1.2.1 课题来源
• 1.2.2 论文研究背景
• 1.2.3 课题研究意义
• 1.3 国内外研究现状分析
• 1.3.1 燃料电池及燃料电池系统研究现状
• 1.3.2 故障诊断技术研究现状
• 1.3.3 燃料电池系统故障诊断研究现状
• 1.3.4 存在的问题
• 1.4 本文主要研究内容
• 第2章 车用燃料电池系统故障特征与故障机理分析
• 2.1 车用燃料电池系统的故障特征
• 2.1.1 车用燃料电池系统故障的耦合性
• 2.1.2 车用燃料电池系统故障的渐变性
• 2.1.3 车用燃料电池系统故障的随机性
• 2.1.4 车用燃料电池系统故障的不确定性
• 2.2 车用燃料电池系统的故障机理
• 2.2.1 机械因素引起的故障
• 2.2.2 电气因素引起的故障
• 2.2.3 设备因素引起的故障
• 2.2.4 人为因素引起的故障
• 2.2.5 环境因素引起的故障
• 2.3 车用燃料电池系统的故障分类
• 2.4 本章小结
• 第3章 车用燃料电池系统氢气泄漏的安全性研究
• 3.1 氢气泄漏的检测方法
• 3.1.1 冒泡检测法
• 3.1.2 报警检测法
• 3.1.3 传感器检测法
• 3.1.4 机理模型检测法
• 3.2 氢气泄漏的故障树模型及其定性分析
• 3.2.1 故障树模型的构建
• 3.2.2 定性分析
• 3.3 基于模糊故障树的氢气泄漏定量分析及其安全性维护
• 3.3.1 顶事件发生的故障概率
• 3.3.2 底事件的重要度分析
• 3.3.3 氢气泄漏的故障诊断策略
• 3.3.4 系统整改措施与建议
• 3.5 本章小结
• 第4章 基于神经网络的多传感器联合故障诊断研究
• 4.1 车用燃料电池系统多传感器信号冗余性分析
• 4.2 多传感器故障检测与容错系统的构建
• 4.2.1 主网络拓扑结构
• 4.2.2 子网络拓扑结构
• 4.2.3 故障诊断与容错策略
• 4.2.4 神经网络学习算法
• 4.3 仿真与分析
• 4.3.1 神经网络的学习、训练与仿真
• 4.3.2 单传感器故障诊断与冗余重构
• 4.3.3 多传感器故障诊断与冗余重构
• 4.3.4 训练样本数目对故障诊断结果的影响与比较
• 4.4 本章小结
• 第5章 基于信息融合技术的电堆健康诊断研究
• 5.1 燃料电池水传输机理定性分析
• 5.2 支持向量机和D-S证据理论相结合的电堆健康诊断
• 5.2.1 信息融合诊断模型
• 5.2.2 多分类支持向量机的构建
• 5.2.3 基本概率分配
• 5.2.4 D-S证据理论的故障诊断决策规则
• 5.3 仿真与分析
• 5.3.1 支持向量机的学习与训练
• 5.3.2 支持向量机与神经网络的诊断效果对比
• 5.3.3 支持向量机故障诊断输出的信息融合
• 5.4 本章小结
• 第6章 离线和在线用故障诊断系统设计与研究
• 6.1 嵌入式手持故障诊断仪设计与实现
• 6.1.1 软硬件总体框架
• 6.1.2 故障码设计
• 6.1.3 故障诊断流程与策略
• 6.2 状态监测与故障诊断专家系统设计与研究
• 6.2.1 系统总体结构
• 6.2.2 知识库
• 6.2.3 推理机
• 6.2.4 自学习机制
• 6.2.5 原型机设计与实现
• 6.2.6 诊断实例与分析
• 6.3 本章小结
• 第7章 全文工作总结与展望
• 7.1 全文工作总结
• 7.2 本文创新点
• 7.3 工作展望
• 致谢
• 参考文献
• 攻读博士学位期间发表的论文及参加的科研项目