基于极限学习机的质子交换膜燃料电池在线故障诊断方法
刘奥 牛志刚 张东光 朱晓鹏 王壮030024） （太原理工大学，太原
【摘要】为解决质子交换膜燃料电池故障诊断中的增量学习应用问题，提出了基于在线序列极限学习机和无监督极限学习机的在线学习诊断方法。利用无监督极限学习机对故障特征向量进行降维处理以得到能够反映燃料电池系统状态的特征向量，使用在线序列极限学习机对处理后的特征向量进行分类以获得增量学习能力，使用K均值聚类辅助进行增量学习的新数据标记。实例分析表明，该方法可同时提高聚类及诊断准确率，适用于多维度大数据量样本和有增量学习需要的在线故障诊断。主题词：在线序列极限学习机 无监督极限学习机 质子交换膜燃料电池 故障诊断TM911.48；TP206+.3 A中图分类号： 文献标识码： 10.19620/j.cnki.1000-3703.20200829 DOI:
1 前言
Proton Exchange Membrane
质子交换膜燃料电池（
Fuel Cell，PEMFC）
系统在新能源汽车发展中具有广阔的应用前景。目前，燃料电池的可靠性和寿命是
PEMFC
系统大规模商用面临的主要难点之一[1-3]。
PEMFC
故障诊断系统的主要功能是检测系统运行
中产生的故障，提高系统的运行稳定性和使用寿命[4]。目前，相关研究可分为基于模型的故障诊断和基于数据
2
驱动的故障诊断 类。基于模型的故障诊断通过建立
PEMFC
仿真模型，计算模型输出与实际输出之间的参数偏差，分析残差实现故障检测[5]，包括使用等效电路模型的流阻检测[6]、利用压力降模型的故障诊断[7]、基于线
Linear Parameter Varying，LPV）
性变参数（ 模型的非线性
动力学仿真[8]和针对膜电极失效的相关研究[9]等。此类诊断方法的难点在于保证模型相对于试验电堆的准确率，由于系统内部数据获取困难，燃料电池系统间存在个体偏差，难以建立准确、具有普遍性的故障诊断模型。基于数据驱动的故障诊断通过算法分析数据建立模型实现故障诊断，快速高效，且无需燃料电池专业知识，具有广阔的研究前景。相关研究包括使
Online Sequential Extreme
用在线序列极限学习机（
Learning Machine，OS- ELM）
的故障诊断方法[10]、利用电
Electrochemical Impedance Spectroscopy，
化学阻抗谱（
EIS） Support Vector Machine，SVM）
的支持向量机（ 模式
Wavelet Transform，WT）
识别[2]、基于小波变换（ 和奇异值
Singular Value Decomposition，SVD）
分解（ 的信号处理方法[11]等。此外，该方法还包括在线诊断的实现，如基于
K K-Means） SVM
均值（ 和 的在线自适应故障诊断[12]。
SVM Mercer
以上研究仍存在待解决的问题： 受 条件限制，收敛慢；神经网络复杂度高，对样本、算力需求
Prin⁃
大，存在过拟合、局部极小值等问题；主成分分析（
cipal Component Analysis，PCA）
降维时面对复杂特征聚类准确率较低；增量学习算法的引入研究仅探讨了算法本身的可行性，未考虑诊断模型更新的实现。
针对以上问题，本文提出基于在线序列极限学习
Unsupervised Extreme Learning
机和无监督极限学习机（
Machines，US-ELM）
的燃料电池在线故障诊断方法，引
US-ELM
入 得到反映燃料电池系统运行状态的特征向
OS- ELM
量，使用 对特征向量进行分类，在数据获取
K- Means
方面，采用 聚类区分正常与故障状态的数
3
据，并使用包含种不同状态的样本对方法的有效性进行验证。
2 蒸发冷却型燃料电池系统与算法原理2.1 蒸发冷却型质子交换膜燃料电池
Evaporatively Cooled，EC）
蒸发冷却（ 型燃料电池系统是由英国智能能源公司针对高容量、低成本的工业需
PEMFC 100 kW EC PEMFC
求设计的 。其 型 电堆可提供
3.5 kW/L 3.0 W/kg EC
及 的功率密度， 技术利用蒸发冷却替代传统的冷却液循环，无需设置冷却水流道，降低
1
了系统的复杂性、质量和生产成本。系统原理如图 所
2 PEMFC 300
示，系统并联了 台 电堆，分别由 片单电池组成，空气和氢气分别输入到电池的阴极和阳极，液态
/
冷却水输入到电堆，部分蒸发形成液体蒸汽混合物并从电堆中带走热量，为保持系统水量平衡，热交换器会将电堆排出的蒸汽冷凝，将水收集并送回水箱。
2.2 在线学习故障诊断系统算法
2.2.1
极限学习机
Extreme Learning Machine，ELM）[
极限学习机（ 13]是基于广义逆矩阵的新型单隐层前馈神经网络，该网络由
2
输入层、隐含层和输出层构成，原理如图 所示。
3基于OS-ELM的在线学习故障诊断系统
现有的大部分基于数据驱动的诊断方法中，训练好的诊断模型不再做进一步调整，当故障出现新的特征时，只能重新训练模型，虽然有文献探讨了增量学习在故障诊断领域的应用，但在故障特征提取等方面并没有考虑新数据的获取过程。为解决增量学习过程中的样本获取问题，本文提出
US- ELM K- Means OS- ELM
使用 和 构建基于 的在线故
OS-ELM
障诊断方法，利用 的增量学习能力构建诊断模
US-ELM
型， 实现基于流形正则的降维并输出显式的降维函数。由于数据采集和旧模型的分类往往无法标记
K-Means
全部数据，故引入 聚类算法，利用不同状态数据聚类准确率较高的特点，在进行少量人工标记的情况
3
下达到批量区分标记新数据的目的。图 所示为使用该方法进行燃料电池系统故障诊断的流程。
US-ELM
在系统流程中，预处理步骤包含在 算法程
K- Means
序内， 聚类用于辅助新样本的数据划分，根据
US- ELM
研究经验， 降维后数据的聚类效果明显，故利用聚类辅助区分，根据诊断系统的部分预标记对各聚类区块进行标记。另外，在整个流程中，初始的在线诊断
OS-ELM OS-ELM
模型由 初始模型提供，之后均由在线
OS-ELM
模型提供，该在线 模型即为在线学习阶段通过
OS-ELM
新样本更新的 初始模型。
4 实例分析4.1 原始数据获取
为验证本文提出的方法，利用正常状态、膜干故障
3
和阳极缺气故障共 种状态的数据验证算法的诊断效
PEMFC
果。由蒸发冷却型 获得的原始数据共有约
182 130 Normal）171 020
组，其中正常状态（ 组，阳极缺
F1）2 604 F2）8 506 2
气故障（ 组，膜干故障（ 组，种故障对电堆的影响如下：
a.
膜干故障。质子交换膜为保持良好的离子导电性，运行状态下需要与水接触以保持较高的相对湿度，否则产生膜干故障会导致膜的欧姆阻抗变化[17]，极大地影响质子传导率，引起欧姆过电势增加和电池输出电压下降，严重时会导致电堆内部温度过高，缩短
PEMFC
使用寿命。
b.
阳极缺气故障。阳极缺气会导致电堆无法获得足够的氢气供应，在负载电流下表现为工作电压逐渐
0
下降。严重时，电池电压降至 后会发生“反极”现象，电池阳极析出氧气，大幅降低电堆的电压。极端条件下，氢氧混合可能会在阴极催化剂上反应发生燃烧，造成燃料电池系统内部爆炸。考虑机器学习的数据均衡，本实例对每种状态各采
400
样 组数据，从中随机抽取形成训练集、测试集，采样
600 3
结果数据集各包含样本 组，每个数据集包含 种状
200 1
态数据各 组，数据的具体参数如表 所示。
4.2 故障特征提取
为提高聚类和模式识别的效率及准确率，选用
US- ELM US- ELM
对归一化数据进行降维。 降维基于
ELM
流形正则思想，利用 的逼近能力将高维样本通过非线性映射投影至低维空间，并能够得到显式的映射函数[14]。在保证降维数据各维度的相关性尽量最小的同
时，通过将高维数据合理展开至低维空间，可大幅简化模型复杂度。
1 1 20
由表 可知，每组原始数据为 个 维特征向量
X=( x1,x2,⋯,x20)，
对样本进行归一化处理，将向量中各变
[- 1,1]
量归一化至 区间，在保留数据特征的同时减少了量纲差异所带来的问题。由于非线性降维的参数选取缺乏统一的评判指标，
US- ELM
本文以 在不同参数下的聚类准确率作为衡量标准，对比并最终确定特征提取的参数设置如下：拉普拉斯算子采用基于距离的权重，距离度量采用欧氏距离
0， 1
函数，算子归一化参数为 迭代阶数为 阶，近邻数量
5 5
为 个，超参数设定嵌入层数为 层，隐含层神经元数量
2 000 1，
默认为 个，归一化输入、输出均为 核函数使用
Sigmoid 2
函数。降维后部分样本数据如表 所示。
4.3 OS-ELM初始阶段
OS-ELM
初始阶段，算法参数包括初始训练数据量N0= 200 L= 5
组，隐含层神经元数量 个（考虑预处理后数
Sigmoid OS
据维度），激活函数使用 函数。该阶段对应
ELM
的初始模型生成。在系统流程中，该步骤生成的模型即可用作最初的在线诊断模型，对后续试验中获得的数据进行故障识别及标记。
4.4在线学习阶段的数据划分
该步骤用于标记经预处理的原始数据，此时数据缺少状态标签（正常或故障），需对新数据进行聚类和标
K-Means
记。使用 算法，基于诊断模型的结果和少量人工标记，即可实现快速分类获得不同状态的数据，形成新的训练集，配合增量算法实现诊断模型的更新。
为更好地验证聚类结果，将试验样本合并后进行
K- Means 4
聚类分析，可视化结果如图 所示，经降维后
95.75%
数据的聚类准确率达 ，较原始样本提升约
12.5%， 100%，
其中正常状态数据的聚类准确率达到 可达到快速有效分离各状态数据的目的。
在聚类过程中，存在少量样本标记错误的情况，由于诊断模型的更新在原模型基础上产生，新样本数量远少于模型累计训练样本的数量，因此这类错误并不会影响更新后新模型的诊断准确率。
4.5 在线学习阶段及验证
OS- ELM L= 5
在线学习阶段，隐含层神经元数量 个
Sigmoid
（考虑预处理后数据维度），激活函数使用 函数，
40
以上参数需与初始阶段保持一致。数据块为 组，表示
40 1
未训练样本将以 组为 个数据块投入模型模拟增量学习过程，在初始阶段的基础上对模型进行更新。试验结
5 OS- ELM 0.187 5 s，
果的分布如图 所示， 的运算用时为
93.17%，
训练样本分类准确率为 测试样本分类准确率为
92.00%， 100%
其中正常状态的分类准确率达 。
US-ELM-OS-ELM
基于 的燃料电池系统诊断结果
3 3 US-ELM-OS-ELM
如表 所示。由表 可以看出， 的准
90% 92%，
确率均达到 以上，整体准确率为 分类诊断效果较好。
US-ELM-OS-ELM
试验结果验证了 构建模型的故
PCA-OS-ELM
障诊断能力，此外，结果较 得到的同维数
6.97%，
样本准确率提高约 且达到相近准确率所用的L
US-ELM K-Means
数值更小，说明 用于特征提取在改善聚类效果的同时，对模型复杂度的降低能力更好。
US- ELM K- Means OS
试验验证了使用 和 建立以
ELM
为核心的在线学习诊断模型的可行性。由于试验的主要目的为检验聚类辅助数据标记的可行性和算法的在线学习能力，样本偏重表现数据特征的复杂度，导致在样本总量有限的情况下部分特征独立出现，对分类
OS-ELM
准确率产生了较大影响， 的分类准确率略低于预期。本文认为随着增量学习的进一步深入，该影响会
OS- ELM [10]
随着训练数据的增加得到改善， 相关文献
OS- ELM
表明，在各特征样本数量充足的情况下， 准确
98% SVM
率、召回度均可达 以上，且性能优于 、反向传播
Back Propagation，BP）
（ 等同类算法。
5 结束语
本文利用蒸发冷却型燃料电池系统数据进行了故
OS-ELM US-ELM
障诊断研究，提出了在 基础上使用 和
K-Means 3
构建的在线诊断方法，并在试验中实现了对种运行状态的识别。该方法具有以下优点：
a. US- ELM
实现了非线性的故障特征提取，在样本可视化、聚类及故障诊断等方面均表现了较好的处理结果，提高了聚类结果的准确率并降低了模型复杂度。
b. K- Means
聚类的使用实现了新数据的快速区分，在诊断模型给出结果的基础上能够对大部分数据进行正确分类，扩展了增量学习中旧模型的数据区分范围，降低了增量学习过程中数据标记的困难程度。
c. OS- ELM
作为基于机器学习的诊断方法，在样本数量较少的情况下获得较为可靠的诊断模型，通过增
量学习能够不断更新诊断模型并提高诊断性能，具备较高的实用性，并可扩展应用到类似的模式识别问题中。
参考文献
[1] , , , .陈维荣 刘嘉蔚 李奇 等 质子交换膜燃料电池故障诊断[J]. , 2017, 37(16):方法综述及展望 中国电机工程学报4712-4721+4896. CHEN W R, LIU J W, L Q, et al. Review and Prospect of Fault Diagnosis Methods for Proton Exchange Membrane Fuel Cell[J]. Proceedings of the CSEE, 2017, 37(16): 47124721. [2] , , , .周苏 韩秋玲 胡哲 等 质子交换膜燃料电池故障诊断的[J]. , 2017, 45模式识别方法 同济大学学报（自然科学版） (3): 408-412. ZHOU S, HAN Q L, HU Z, et al. Pattern Recognition Method for Proton Exchange Membrane Fuel Cell Fault Diag⁃ nosis[J]. Journal of Tongji University (Natural Science), 2017, 45(3): 408-412. [3] , , , .刘宗巍 史天泽 郝瀚 等 中国燃料电池汽车发展问题研[J]. , 2018(1): 1-9.究 汽车技术LIU Z W, SHI T Z, HAO H, et al. Research on Main Problems Associated with Development of Fuel Cell Vehicle in China[J]. Automobile Technology, 2018(1): 1-9. [4] LIU J X, LUO W S, YANG X Z, et al. Robust Model- Based Fault Diagnosis for PEM Fuel Cell Air- Feed System[J]. IEEE Transactions on Industrial Electronics, 2016, 63(5): 3261-3270. [5] DING S X. Model- Based Fault Diagnosis Techniques[M]. Berlin Heidelberg: Springer, 2008 [6] HERNANDWZ A, HISSEL D, OUTBIB R. Modeling and Fault Diagnosis of a Polymer Electrolyte Fuel Cell Using Electrical Equivalent Analysis[J]. IEEE Transactions on Energy Conversion, 2010, 25(1): 148-160． [7] , , , .单希壮 杨月华 马天才 等 一种用于燃料电池含水量诊[J]. , 2019(1): 7-12.断的新型压力降模型 汽车技术SHAN X Z, YANG Y H, MA T C, et al. A New Pressure Drop Model for the Diagnosis of Water Content in Fuel Cells [J]. Automobile Technology, 2019(1): 7-12. [8] LIRA S D, PUIG V, QUEVEDO J. LPV Model- Based Fault Diagnosis Using Relative Fault Sensitivity Signature Approach in a PEM Fuel Cell[C]// 18th Mediterranean of Control & Automation (MED) Conference, IEEE, 2010. [9] , , , .唐嘉楠 邹海斌 张智明 等 车用质子交换膜燃料电池交[J]. , 2020(4):变温度条件下的膜电极受力分析 汽车技术16-21. TANG J N, ZOU H B, ZHANG Z M, et al. Stress Analysis of Membrane Electrode Assembly of Automotive Proton Exchange Membrane Fuel Cell under Alternating Tempera⁃ ture Conditions[J]. Automobile Technology, 2020(4): 16-21
[10] , , , .刘嘉蔚 李奇 陈维荣 等 基于在线序列超限学习机和主成分分析的蒸汽冷却型燃料电池系统快速故障诊断[J]. , 2019, 34(18): 3949-3960.方法 电工技术学报LIU J W, LI Q, CHEN W R, et al. Fast Fault Diagnosis Method of Evaporatively Cooled Fuel Cell System Based on Online Sequential Extreme Learning Machine and Principal Component Analysis[J]. Transactions of China Electrotechnical Society, 2019, 34(18): 3949-3960. [11] MAO L, JACKSON L, DUNNETT S. Fault Diagnosis of Practical Polymer Electrolyte Membrane (PEM) Fuel Cell System with Data- driven Approaches[J]. Fuel Cells, 2017, 17(2): 247-258. [12] , , . K周苏 胡哲 文泽军 基于 均值和支持向量机的燃料电[J].池在线自适应故障诊断 同济大学学报（自然科学, 2019, 47(2): 255-260.版） ZHOU S, HU Z, WEN Z J. A K- Means/Support Vector Machine Based Self- Adaptive Online Fault Diagnosis Method for Fuel Cell Systems[J]. Journal of Tongji University (Natural Science), 2019, 47(2): 255-260. [13] HUANG G B, ZHOU H M, DING X J, et al. Extreme Learning Machine for Regression and Multiclass Classifica⁃ tion[J]. IEEE Transactions on Systems Man & Cybernetics Part B, 2012, 42(2): 513-529. [14] , .陈晓云 廖梦真 基于稀疏和近邻保持的极限学习机降[J]. , 2019, 45(2): 325-333.维 自动化学报CHEN X Y, LIAO M Z. Dimensionality Reduction with Extreme Learning Machine Based on Sparsity and Neigh⁃ borhood Preserving[J]. Acta Automatica Sinica, 2019, 45 (2): 325-333. [15] HUANG G, SONG S J, JATINDER N D, et al. Semi- Super⁃ vised and Unsupervised Extreme Learning Machines[J]. IEEE Transactions on Cybernetics, 2014, 44(12): 24052417. [16] LIANG N Y, HUANG G B, SARATCHANDRAN P, et al. A Fast and Accurate Online Sequential Learning Algorithm for Feedforward Networks[J]. IEEE Transactions on Neural Networks, 2006, 17(6)17: 1411-1423. [17] , , , .彭跃进 张国瑞 王勇 等 阴、阳极加湿对质子交换膜燃[J]. , 2017, 32料电池性能影响的差异性 电工技术学报(4): 196-203. PENG Y J, ZHANG G R, WANG Y, et al. Differences on the Influences of Humidity of Cathod and Anode on the Performance of Proton Exchange Membrane Fuel Cell[J]. Transactions of China Electrotechnical Society, 2017, 32 (4): 196-203.
（责任编辑 斛畔） 2020 12 16修改稿收到日期为 年 月 日。