使用机器学习对聚合物电解质燃料电池的通用故障诊断

科学领域:

• 电化学 电化学 电化学
• 材料科学 材料科学 材料科学
• 能源系统 能源系统

背景情况:

• 聚合物电解质燃料电池 (PEFC) 对移动和固定发电都有很大的潜力.
• 然而,由于运行寿命有限,容易发生故障,特别是水资源管理和饥饿问题,阻碍了它们的广泛商业应用.
• 有效的诊断工具对于提高PEFC可靠性和寿命至关重要.

研究的目的:

• 开发和评估一个黑子诊断方法,用于识别PEFC中的水资源管理和饥饿缺陷.
• 评估不同机器学习模型 (DNN,1D-CNN,SVM) 在分类PEFC操作状态中的性能.
• 调查数据集多样性对模型通用化的影响,以进行可靠的故障检测.

主要方法:

• 实施使用多频沃尔什功能的扰动信号的黑盒诊断方法.
• 分析电压响应数据以检测指示特定故障的异常.
• 对深度神经网络 (DNN),1D卷积神经网络 (1D-CNN) 和支持矢量机器 (SVM) 的比较评估,用于故障分类.
• 在单个和多个PEFC数据集上测试模型性能,以评估概括能力.

主要成果:

• 所有测试的模型 (DNNs,1D-CNNs,SVM) 在单个PEFC中对正常,干燥和饥饿条件进行分类时都表现出很高的准确性,1D-CNN和SVM实现了100%的准确性.
• 对于未见的PEFCs的初始模型概括在从单个细胞的数据上训练时是有限的.
• 结合来自多个PEFC的数据显著提高了模型性能和概括性.
• 1D-CNN模型表现出卓越的概括能力,即使从未见过的来源获得有限的训练数据.

结论:

• 多频沃什功能的扰动信号为诊断PEFC故障提供了一种有效的,非侵入性的方法.
• 1D-CNN模型在各种操作条件和硬件变异中展示了强大的和可扩展的PEFC诊断的最大潜力.
• 数据集的多样性对于开发可靠的诊断模型至关重要,这些模型可以在不同的PEFC单元中进行概括.