集成深度堆叠自编码器与BiLSTM网络及在线几何电化学阻抗谱技术,用于质子交换膜燃料电池的实时故障诊断与健康状态评估
《Applied Energy》:Integrated deep stacked autoencoder–BiLSTM networks and online geometric electrochemical impedance spectroscopy data for real-time fault diagnosis and health assessment of PEMFCs
【字体:
大
中
小
】
时间:2026年03月08日
来源:Applied Energy 12.2
编辑推荐:
佩曼·巴亚特|哈马丹技术大学电气工程系,伊朗哈马丹
摘要:本文提出了一种用于质子交换膜燃料电池多故障诊断与健康状态监测的端到端新框架。该方法将电化学阻抗谱的几何分析与基于物理原理的深度堆叠自编码器-双向长短期记忆网络相结合。通过扩展的11元素等效电路可生成12个可解释的表征参数
佩曼·巴亚特|哈马丹技术大学电气工程系,伊朗哈马丹
摘要:本文提出了一种用于质子交换膜燃料电池多故障诊断与健康状态监测的端到端新框架。该方法将电化学阻抗谱的几何分析与基于物理原理的深度堆叠自编码器-双向长短期记忆网络相结合。通过扩展的11元素等效电路可生成12个可解释的表征参数,即四个凹陷的奈奎斯特半圆的中心点和半径,这些参数分别对应欧姆电阻、阳极/阴极活化以及质量传输过程。这一简洁的特征集能够将复杂的频谱数据转化为12维向量,从而无需手动设置阈值即可通过单次频率扫描实现在线数据提取。深度堆叠自编码器负责对这些几何特征进行去噪和压缩,形成潜在流形,同时保持电化学特征的可解释性。双向长短期记忆网络则处理潜在代码的时间序列,以识别五种故障类型:膜脱水、阴极浸水、催化剂降解、反应物堵塞以及膜结构损伤。基于物理原理的多任务损失函数可确保输出结果具有单调性和几何一致性,使其与电路参数之间的机制关系相契合。经过优化的回归模块可用于量化故障严重程度并实时监测电池健康状态。实验结果表明,在动态负载条件下,该方法的故障分类准确率超过98.5%,健康状态估算的平均准确率高于92%,最高可达97.3%。此外,该方法具备出色的抗干扰能力,即便在EIS曲线数据中加入30%的噪声时,仍能通过内置的过滤和圆拟合技术保持86.1%以上的准确率。对比实验和消融研究进一步证实,相较于传统模型驱动、深度学习及现有混合方法,该方案具有更优异的性能和稳定性。
引言:质子交换膜燃料电池作为一种清洁能源转换技术,因其高电效率、快速启动特性以及使用氢气时无直接排放的优势而备受关注。如图1(a)所示,通过电化学方式将氢气和氧气结合,PEMFC可在常温条件下产生电能和水,因此特别适用于交通运输和分布式发电领域[1]、[2]。尽管在材料研发、电堆设计及系统集成方面已取得显著进展,但PEMFC的广泛商业化仍受到耐用性和可靠性问题的制约。在现实运行环境中,由于频繁的负载变化、环境湿度波动以及间歇性的启停操作,多种退化机制可能同时或依次发生,进而加速性能下降,甚至导致系统突然故障[2]、[3]。
在公共交通领域,PEMFC尤其有望帮助实现公交系统的低碳化,尤其是以燃料电池公交车形式存在。研究表明,对于那些需要较长行驶距离、较大载客量以及快速补能的路线,燃料电池公交车相比传统柴油公交车更具优势,因为在这些工况下纯电动公交车可能存在局限性[4]。据相关研究显示,使用绿色氢气作为动力的燃料电池公交车,其从生产到使用的二氧化碳排放量可降低93%,同时还具备降噪效果,且无尾气污染物排放[4]。然而,实际应用中燃料电池公交车需在严苛的工作条件下长期运行,面临频繁的负载变化和多样的环境条件,这些因素都会加速性能下降并增加故障发生概率。因此,提升PEMFC的预测性健康管理能力,不仅关乎材料或电堆本身的改进,更是确保燃料电池公交车具备可靠性、耐用性以及较低全生命周期成本的关键,而这类公交车正逐渐成为可持续公共交通体系中的重要组成部分[4]、[5]。
常见的故障类型包括膜脱水——由于加湿不足或电堆温度过高,会导致质子传导性下降,欧姆电阻上升;阴极浸水——液态水在催化剂层和气体扩散层中积聚,阻碍反应物传输;催化剂降解——表现为铂纳米颗粒聚集、溶解或载体腐蚀,从而减少具有电化学活性的表面积;反应物气体堵塞——由于流道或催化剂孔隙被堵塞,导致局部区域出现反应物不足现象;以及膜结构损伤——包括针孔形成或机械撕裂,这些缺陷都会导致气体泄漏和内部短路[3]、[4]、[5]、[6]、[7]、[8]。每种故障都会在电压-电流极化曲线和频域阻抗谱上留下独特的电化学特征。如果未能及时检测或误诊,这些故障会降低电池效率,缩短其使用寿命,并增加维护成本。
因此,对PEMFC的预测性健康管理需要具备三项紧密关联的能力。首先,必须能够快速、准确地检测并隔离新出现的故障,以便在造成不可逆损害之前采取措施挽回性能损失。其次,需要实现对电池健康状态的定量跟踪,以此为预防性维护提供依据,同时让系统操作人员了解电池的剩余容量及安全余量。最后,需要将诊断和预测结果无缝整合到更高层次的控制系统中,比如燃料电池混合动力汽车和燃料电池公交车的能量管理策略中,从而优化功率分配决策,在保障即时效率的同时兼顾长期耐用性。
传统的监测方法,如测量电池电压和电堆温度,对特定故障类型的敏感度较低;而全谱电化学阻抗谱虽然能提供丰富的诊断信息,但需要进行耗时的频率扫描和复杂的信号拟合,难以实现实时在线监测。在方法论的另一端,纯粹的数据驱动型机器学习方法,如长短期记忆网络、门控循环单元和Transformer模型,在预测电池使用寿命和电压值方面已展现出较高的准确性[6]、[7]、[8]。不过,这类模型属于“黑箱”,可解释性较差,且当遇到训练过程中未见过的全新故障组合时,很容易出现泛化失败的问题。那些将基于物理原理的等效电路模型嵌入神经网络结构的混合方法,虽然在提高可解释性和降低数据需求方面具有潜力,但通常仅适用于少数几种故障类型,且依赖于高维的原始特征向量或完整的阻抗谱,同时还需要大量的离线校准工作。因此,目前亟需一种集成型框架,能够将单次EIS扫描结果转化为一组具有物理意义的可解释特征,同时实现多种故障类型的检测、故障严重程度的量化、健康状态的实时监测,并能在严格的推理时间限制下与能量管理系统直接交互。
关于PEMFC故障诊断和健康状态监测的研究涵盖了众多不断发展的方法,这些方法可大致分为五类[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]:(I)具备健康状态感知功能的能量管理策略[2]、[17]、[18];(II)仅基于阻抗特征的诊断方法以及对EIS谱的分析[8]、[11]、[14]、[15]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26];(III)基于模型的预测方法[3]、[27]、[28]、[29];(IV)数据驱动的电池使用寿命和健康状态预测方法[1]、[6]、[30]、[31]、[32]、[33]、[34]、[35]、[36]、[37]、[38];(V)融合物理原理引导的深度学习和机器学习方法[7]、[16]、[39]、[40]、[41]、[42]、[43]、[44]、[45]、[46]、[47]、[48]、[49]、[50]、[51]、[52]。尽管每类方法都在特定故障或预测问题上取得了进展,但单独来看,均无法满足实时、多故障、可解释且高效运行的全面健康管理要求。下文将对这些研究方向进行总结,分析各自的优缺点,并指出当前存在的不足,从而为本文的研究工作提供依据。
具备健康状态感知功能的能量管理策略旨在通过将组件健康状况信息纳入功率分配决策中,从而优化氢气消耗并延长燃料电池混合动力汽车的系统寿命。有研究对预测、诊断及系统性能量管理策略进行了分类,根据它们是否考虑组件退化情况,发现忽视组件退化可能会使氢气消耗量增加24%[2]、[4]。后续的研究进一步细化了这种分类,并指出了将精细的诊断结果整合到能量管理策略规划系统中所面临的困难[17]。虽然这类策略能够有效降低全生命周期成本,但它们严重依赖外部健康管理模块来提供准确、及时且针对特定故障的健康状态指标,而现有的诊断或预测方法在多故障条件下还无法满足这一需求[1]、[2]、[3]。近期的一些框架,如姚等人提出的分层协作修复框架[18],试图从故障感知到自我修复的全流程进行系统化管理,体现了从被动维护向主动、跨尺度协作管理的转变。
仅基于阻抗特征的诊断方法无需进行完整的频谱扫描,就能利用EIS中的关键特征。 Relay-excitation反馈方法可直接在典型的燃料电池控制系统中估算奈奎斯特图的低频截距,从而避免进行全面的EIS测量,实现轻量级实现[11]。同样,通过在高低两种频率下进行阻抗测量,也可区分电池处于浸水状态还是干燥状态[14]。有一些方法将电堆电压和EIS得到的阻抗值结合成一个几何距离指标,再通过无迹粒子滤波器和二阶高斯退化模型,从而实现可靠的健康状态和使用寿命预测,但这些方法需要进行完整的阻抗扫描,因此会带来较大的计算和测量负担[8]、[14]。模糊逻辑框架通过结合模糊聚类和模糊推理,能够自动从EIS数据中挖掘出用于区分阴极浸水程度的诊断规则,虽具有一定的可解释性,但仅适用于单一故障类型[15]。扩展卡尔曼滤波器和无迹卡尔曼滤波器能够在包括启动和停机过程中的复杂工况下实现可靠的状态估计,但它们依赖于精确的模型线性化处理,一旦模型与实际情况存在较大差异,就会失效[7]。一些改进型的等效电路模型通过引入感应环,能够捕捉非理想的低频奈奎斯特特征,从而提高不同工况下的频谱拟合精度[19]。总体而言,基于阻抗特征的诊断方法能够实现早期故障检测,并且其结果具有明确的物理意义,但它们通常只适用于一两种故障类型,需要手动调整阈值,而且还需要进行多次频率测量,不利于实现连续、无缝的监测。近期仍有许多研究在不断推进基于EIS的诊断技术。阿布克尔等人[20]将松弛时间分布分析与TimesNet深度学习架构相结合,优化多正弦激励信号,从而在降低测量冗余的同时提高诊断精度。马等人[21]对EIS在车载故障诊断中的应用进行了系统综述,重点介绍了快速阻抗采集、非线性EIS以及分区域阻抗测量等方面的最新进展。魏晨等人[23]则采用全频段 holographic EIS技术进行湿度状态估算,并借助先进的机器学习分类器将阻抗数据与运行条件相互关联。沈等人[24]则将耗散能与松弛时间伪电容联系起来,而黄等人[26]则利用扩展松弛时间理论进行动态电压分解,从而量化负载作用下的电池退化程度。尽管有了这些进展,基于阻抗特征的诊断方法仍然通常只适用于一两种故障类型,需要手动调整阈值,而且还需要进行多次频率测量,难以实现连续、无缝的监测,这一点在最近的几项研究中也有提及[21]、[22]、[25]。
基于模型的预测方法则借助半经验或基于机理的退化模型来估算电池健康状态并预测其使用寿命。基于塔费尔分析的方法通过将极化曲线与高频电阻测量结果相结合,能够分离出活化损失和欧姆损失,从而实时获得准确的电化学表面积和电阻值,但如果直接对极化数据进行处理,就容易高估浓度损失[1]、[2]。在传统的退化模型中引入极化电阻,并结合粒子滤波器使用,可使实际测试数据上的使用寿命估算误差从30%以上降至约12%,从而提升了方法的通用性和准确性[2]、[3]。最近又有新的研究进一步改进了这些方法。例如,马等人[27]提出了一种基于电化学表面积损失的电堆退化预测模型,该模型综合考虑了催化剂降解机制,利用实际运行数据证明其准确率优于传统的半经验模型和LSTM模型。同样,卢等人[28]提出了一种混合型的LSTM-Transformer预测框架,该框架交替使用时间序列特征和指数型退化特征,因此在静态和动态工况下都能获得较低的均方根误差。邓等人[29]则对退化机制、预测方法以及相关数据集方面的最新进展进行了全面总结,但他们也指出,基于模型的预测方法仍然计算成本较高,往往假设只有单一类型的故障退化路径,且对快速变化的多种故障同时出现的场景响应能力较弱。
数据驱动的电池使用寿命和健康状态预测方法则利用学习算法来建模复杂的高维时间序列数据[30]、[31]、[32]、[33]、[34]、[35]、[36]、[37]、[38]。通过主成分分析降低数据维度,再结合高斯过程回归,就能够实现在不同工况下的准确健康状态预测[6]。尽管这类方法在长期预测方面表现优异,但它们仍然计算成本较高,且往往假设只有单一类型的故障退化路径,对快速变化的多种故障同时出现的场景响应能力较弱。贝叶斯GRU网络则将贝叶斯推理框架与GRU架构相结合,从而能够为电压衰减提供点估计和区间估计结果[30]。刘等人[31]提出了基于贝叶斯的分段时间序列Transformer模型,用于进行概率性退化预测;华等人[32]则将EKF与回声状态网络结合,形成一种混合预测方法;而凯贝德等人[33]则将量子增强型LSTM与迁移学习技术相结合,用于实现具有不确定性意识的电池使用寿命估算。Allal等人[35]和Nasser等人[36]的综述文章分别系统总结了基于机器学习的剩余寿命预测与膜降解预测方法,二者都强调了构建符合物理规律的模型以及使用标准化数据集的必要性。混合式物理引导深度学习与机器学习方法试图结合机制模型的可解释性与神经网络的表现能力。矩阵-LSTM网络通过引入指数型门控机制来提升对非线性依赖关系的整体建模能力[40]。该领域发展迅速,众多近期研究聚焦于具备不确定性感知能力的混合预测方法。例如,混合多头自注意力与双向LSTM模型能够捕捉时间序列与上下文关联,从而在大多数情况下以低于0.6毫伏的绝对误差实现电池健康状态预测[41]。通过瞬态质子交换膜燃料电池系统仿真,可生成用于训练LSTM模型的数据,这类模型能够预测特定区域的电阻与电压,通过优化序列时长与采样频率可将数据量减少95%[42]。灰狼优化算法被用于调整LSTM的超参数,以提高剩余寿命预测的精度,测试集精度最高可提升12%,同时剩余寿命误差也显著降低[43]。包括层增强型量子LSTM模型在内的迁移学习策略进一步提升了电池管理框架中剩余寿命预测的稳定性,相对精度提升幅度可达1.33%[44]。尽管这些深度学习方法在预测与不确定性量化方面表现优异,但其黑箱特性以及缺乏内置的物理约束,使得其在面对未知故障状况时的可解释性与可靠性存在疑问。一种基于机理信息的等效电路神经网络将DRT多正弦激励信号与电化学膜损耗直接纳入LSTM训练框架,既提升了可解释性,又降低了对数据的依赖程度[16]。Li等人[48]的研究便是这一理念的延伸,他们建立了热-水-电耦合模型,用于分析不同条件下的动态性能。Zhang等人[49]则采用多尺度卷积神经网络与双向LSTM的混合模型,对质子交换膜燃料电池-氨/氢内燃机混合系统进行故障诊断,在自适应功率分配条件下仍能保持较高准确率。Guo等人[50]整合了多头注意力机制与贝叶斯一维卷积框架,以实现可解释的不确定性量化。此外,?elikdemir等人[51]将混合特征选择与高斯过程回归相结合,用于识别关键故障变量;而Niu等人[25]则将DRT分析与线性回归及神经网络相融合,无需预先建立模型即可实现快速在线预测。这些混合方法虽提升了故障检测与电池健康状态估算的能力,但往往仅适用于有限类型的故障模式,对特征维度要求较高,且需要大量参数调优,限制了其在实时多故障预测中的应用。不过,深度学习的黑箱特性以及缺乏物理约束的问题,依然影响着其在未知故障状况下的可解释性与可靠性,这一问题在近期一些融入可解释人工智能技术的框架中得到了解决,比如Xu等人[52]提出的集成预测框架中所采用的沙普利加法解释方法。尽管含有恒定相位元素的电化学膜已被证明能有效捕捉非理想阻抗行为[8],但对EIS谱图的几何分析,即提取半圆中心、半径以及感应尾部特征,作为多故障诊断的简洁特征集,目前仍未被充分利用。目前还没有任何研究能够将多故障检测(包括脱水、液泛、催化剂降解、气体阻塞以及膜损伤)、故障严重度量化以及连续电池健康状态跟踪整合到从单次EIS测试中即可获取的低维几何表示中。Schopen等人[22]开展的基于数据驱动的EIS运行映射研究虽朝着更丰富的特征利用方向迈进,但仍未完全解决这一整合难题。总体而言,现有的质子交换膜燃料电池预测方法要么侧重某些特定方面,如无法覆盖多种故障类型的实时阻抗诊断,或只能进行长期建模预测而无法立即定位故障,要么采用缺乏物理约束的深度学习方法,或是给出适用范围有限、计算复杂度极高的混合解决方案。理想的解决方案应当:(I)将EIS数据简化为与物理过程直接相关的最少几何描述符;(II)能够同时实现对五种主要故障模式的分类并评估其严重程度;(III)实现连续的电池健康状态跟踪;(IV)通过融入物理约束来确保在数据量有限或存在噪声的情况下仍具备可解释性与泛化能力。近期大量先进的、基于数据驱动的、混合式的以及具备不确定性感知能力的 方法的出现,既体现了该领域的活力,也凸显出人们对于构建一种统一、可解释且计算效率高的框架的迫切需求,这样的框架应能够在现实世界中的多故障条件下正常工作。本文提出了一种端到端的框架,用于快速诊断质子交换膜燃料电池的故障并实现其电池健康状态跟踪,该框架借助几何EIS分析与深度堆叠的自编码器-双向LSTM网络。dSAE与BiLSTM的协同作用带来了诸多优势:dSAE可作为自适应滤波器,学习抑制输入参数中的噪声与无关变化,同时保留关键的诊断信息。通过将12维的输入数据压缩到低维空间,dSAE不仅降低了后续BiLSTM的计算复杂度,还减少了过拟合的风险。BiLSTM则能够利用过去与未来的上下文信息来预测某一时间步的状态,这对于故障检测至关重要,因为某个时间点出现的故障往往与其在序列窗口内的前期迹象以及后期影响密切相关。这种堆叠式架构使网络能够学习分层的时空特征,较低层可捕捉短期、瞬时性的模式,而较高层则能将这些模式整合为更复杂的、反映故障发展过程的长期特征。这种混合型的dSAE-BiLSTM框架是一种强大的端到端模型,能够将质子交换膜燃料电池EIS参数的复杂时空动态转化为准确且可靠的故障检测与分类结果,甚至可以区分细微的退化趋势与突发性故障状况。本文的主要贡献包括:(I)几何EIS描述符提取:从扩展后的11元素电路模型中提取12个参数,即奈奎斯特半圆的圆心与半径,这些参数能够从单次EIS测试中反映欧姆效应、活化效应以及质量传输效应;(II)潜在特征压缩:通过dSAE对12维向量进行去噪处理并压缩至低维潜在流形,同时保留电化学相关的可解释性;(III)故障类型的时间序列分类:利用BiLSTM对五种故障类型——脱水、阴极液泛、催化剂降解、反应物阻塞以及膜损伤——进行分类,同时评估故障严重程度与整体电池健康状态;(IV)基于物理原理的准确性保障:通过多任务损失函数确保模型的单调性与时序几何一致性。实验验证表明,通过多任务损失函数所实现的基于物理原理的约束,可使故障分类准确率超过98.5%,而在动态负载条件下,电池健康状态估算的平均准确率可超过92%,最高甚至可达97.3%。本文的结构如下:第2节介绍了用于描述质子交换膜燃料电池阻抗的扩展电化学膜模型,涵盖了电路拓扑结构、总阻抗的计算方法,以及与活化效应与质量传输极化相关的奈奎斯特圆的几何分析方法。第3节全面阐述了质子交换膜燃料电池的各类故障类型及其对应的EIS特征,同时还介绍了用于特征提取的稳健圆拟合算法。第4节介绍了本文提出的实时故障诊断与电池健康状态评估框架,详细说明了该框架所采用的dSAE-BiLSTM架构及其基于物理原理的约束条件,包括单调性约束、秩一致性约束与几何惩罚机制,同时还涉及不确定性量化、电池健康状态定义以及误差评估方法。第5节展示了实验研究内容,包括单电池测试平台、故障诱发方案、数据集构建方法、统计分析结果以及抗噪声能力分析。第6节进行了对比研究,第7节分析了该框架的实时应用可行性,第8节则从可视化与定量角度评估了不同故障模式之间的区分度。最后第9节对全文进行了总结,附录部分则给出了圆拟合算法的数学表达式以及各类故障特征的详细描述。补充材料中还包含了该框架的总体概述、阻抗元素的理论基础、等效电路模型、实验设计、奈奎斯特图展示、故障诊断与电池健康状态跟踪的详细说明、消融实验设计、实时应用可行性分析,以及该诊断框架的超参数调优方法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号