基于P-L雙重特征提取的PEMFC系統(tǒng)故障診斷方法

摘要：針對質(zhì)子交換膜燃料電池系統(tǒng)故障診斷問題，提出基于P-L雙重特征提取的故障診斷方法。使用P-L雙重特征提取對預(yù)處理后的樣本數(shù)據(jù)進(jìn)行特征提取，通過冗余變量剔除與二次特征提取，最大程度保留分類特征并有效降低樣本數(shù)據(jù)維度。利用二叉樹多類支持向量機(jī)與極限學(xué)習(xí)機(jī)對二維故障特征向量進(jìn)行分類實現(xiàn)故障診斷。通過實例驗證，對比線性判別分析的特征提取效果，P-L雙重特征提取可使相同分類器測試集診斷準(zhǔn)確率提高21.19%，診斷準(zhǔn)確率達(dá)99.27%，實現(xiàn)了PEMFC系統(tǒng)膜干、氫氣供應(yīng)故障的精準(zhǔn)快速診斷。

關(guān)鍵詞：質(zhì)子交換膜燃料電池；故障檢測；數(shù)據(jù)挖掘；P-L雙重特征提??；支持向量機(jī)；極限學(xué)習(xí)機(jī)

中圖分類號：TK91文獻(xiàn)標(biāo)志碼：A

0引言

在碳達(dá)峰、碳中和背景下，氫能已成為未來能源發(fā)展的重要拼圖，質(zhì)子交換膜燃料電池（proton exchange membranefuelcell，PEMFC）作為氫能核心應(yīng)用裝置，以其無污染、能量轉(zhuǎn)化率高和噪音小等優(yōu)勢成為近年來炙手可熱的新型發(fā)電技術(shù)[1-2]。但隨著大規(guī)模商業(yè)應(yīng)用，PEMFC內(nèi)部多物理場耦合的復(fù)雜運行環(huán)境所導(dǎo)致的系統(tǒng)故障多發(fā)與診斷困難等問題逐漸凸顯，對其服役壽命與工作穩(wěn)定性造成了嚴(yán)重影響。因此，PEMFC故障診斷方法研究已成為重要課題，對氫能發(fā)展規(guī)劃和順利推進(jìn)具有重大意義。

國內(nèi)外常見的PEMFC故障診斷方法主要分為基于模型、基于實驗與基于數(shù)據(jù)驅(qū)動3個方面，基于數(shù)據(jù)驅(qū)動的方法以其診斷速度快、成本低等優(yōu)勢在故障診斷中得到廣泛應(yīng)用I3-6，方法通常包含特征提取與分類多個步驟。文獻(xiàn)[7]提出一種流體模型與支持向量機(jī)相結(jié)合的PEMFC在線故障診斷方法，文章通過費舍爾線性判別分析進(jìn)行故障特征提取，使用支持向量機(jī)對特征數(shù)據(jù)集進(jìn)行分類，實現(xiàn)了膜干、水淹和正常狀態(tài)的準(zhǔn)確識別；文獻(xiàn)[8]提出在PEMFC水淹故障中著重考慮單體電池差異性，利用一個由20片單體電池組成的電堆進(jìn)行模擬實驗，將單片電池電壓作為輸入數(shù)據(jù)組成故障數(shù)據(jù)集，通過費舍爾線性判別分析提取特征，使用高斯混合模型進(jìn)行分類并進(jìn)行故障診斷，從而實現(xiàn)了PEMFC健康狀態(tài)的準(zhǔn)確識別；文獻(xiàn)[9]提出費舍爾線性判別分析與有向非循環(huán)圖SVM相結(jié)合的PEMFC故障診斷方法，通過費舍爾線性判別分析模型對故障進(jìn)行特征提取，使用有向非循環(huán)圖支持向量機(jī)模型對特征數(shù)據(jù)集進(jìn)行分類，實現(xiàn)了基于實時數(shù)據(jù)的在線診斷；文獻(xiàn)[10]提出基于線性判別分析與概率神經(jīng)網(wǎng)絡(luò)的PEMFC故障診斷方法，通過線性判別分析對故障進(jìn)行特征提取，使用概率神經(jīng)網(wǎng)絡(luò)對故障進(jìn)行診斷，實現(xiàn)了對水管理狀態(tài)的有效識別。

可見，線性判別分析（linear discriminant analysis ，LDA）作為經(jīng)典特征提取方法，在PEMFC系統(tǒng)故障診斷中表現(xiàn)良好，但經(jīng)進(jìn)一步研究發(fā)現(xiàn)，在面對不同故障、不同分類方法時，LDA特征提取效果并不穩(wěn)定，可能導(dǎo)致故障診斷準(zhǔn)確率遠(yuǎn)低于預(yù)期標(biāo)準(zhǔn)，難以滿足故障診斷要求。考慮到LDA僅對均值較為敏感，而樣本均值與方差均為重要分類信息，因此合理推測經(jīng)LDA特征提取后極有可能缺失了重要的方差信息，從而導(dǎo)致分類結(jié)果不夠理想。鑒于此，本文引入方差信息更為敏感的主成分分析（principal components analysis，PCA）對LDA進(jìn)行改進(jìn)，提出了P-L雙重特征提取方法。

本文將改進(jìn)的P-L雙重特征提取方法用于PEMFC系統(tǒng)故障診斷，對樣本數(shù)據(jù)集進(jìn)行預(yù)處理后，使用LDA與P-L雙重特征提取方法分別對數(shù)據(jù)集進(jìn)行特征提取，劃分樣本后將訓(xùn)練集分別送入支持向量機(jī)（support vector machine，SVM）與極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）進(jìn)行分類學(xué)習(xí)，利用測試集的診斷結(jié)果對兩種特征提取方法的特征提取效果以及魯棒性進(jìn)行分析，并對比支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)的故障診斷效率。

1 PEMFC系統(tǒng)與故障類型

1.1 PEMFC系統(tǒng)

PEMFC實驗系統(tǒng)為英國拉夫堡大學(xué)的蒸發(fā)冷卻（evaporative cooling，EC）燃料電池系統(tǒng)[，系統(tǒng)運行過程中，氫氣和空氣分別注入電堆的正極和負(fù)極，通過水變?yōu)樗魵鈦韼ё唠姸阎械臒崃?，排出的水蒸氣冷凝在換熱器中，回收足夠的水返回至水箱，以維持系統(tǒng)內(nèi)的水平衡。實驗的PEMFC系統(tǒng)包含兩個電堆，每個電堆包括300片單體電池，EC燃料電池系統(tǒng)見圖1。

1.2燃料電池故障類型

PEMFC系統(tǒng)由電堆模組和輔機(jī)構(gòu)成，其中電堆模組由多個單體電池串聯(lián)組合構(gòu)成，MEA組件和雙極板是其核心；輔機(jī)包括數(shù)據(jù)采集和控制系統(tǒng)、空氣供給系統(tǒng)、氫氣供給系統(tǒng)、水熱管理系統(tǒng)。膜干故障與氫氣供應(yīng)故障作為涉及到電堆核心部件和輔機(jī)多個系統(tǒng)的常見故障，是本文主要研究對象。膜干故障大多是由于燃料電池內(nèi)部水含量不足所導(dǎo)致的，故障時會引起電阻率上升，使系統(tǒng)產(chǎn)熱增加，進(jìn)一步降低能量轉(zhuǎn)化效率甚至產(chǎn)生膜撕裂，嚴(yán)重影響燃料電池性能和壽命[12]。氫氣饑餓引起的故障一般稱為氫氣供應(yīng)故障，是由燃料電池在負(fù)載電流下無法獲得足夠的燃料供應(yīng)從而引發(fā)的故障，輕度的氫氣饑餓會造成陽極局部電勢升高、電流分布不均勻以及電極腐蝕[13]，更加嚴(yán)重時燃料電池電壓會降低至負(fù)數(shù)從而引起“反極”，從而大幅降低燃料電池電堆電壓，對電堆的性能造成損傷14]。機(jī)理研究表明，膜干故障與氫氣供應(yīng)故障對燃料電池性能和內(nèi)部結(jié)構(gòu)均會造成不可逆損害，但可通過及時改變操作條件緩解故障造成的影響。因此，尋求能快速準(zhǔn)確識別兩種故障的診斷方法，從而第一時間采取有效措施，對于保證燃料電池性能、延長其服役壽命具有重要意義。

2故障診斷方法

2.1 P-L雙重特征提取

線性判別分析（LDA）與主成分分析（PCA）作為特征提取方法，PCA更依賴于方差而LDA更依賴于均值，考慮到樣本數(shù)據(jù)集故障信息的多樣性，為更加深入的提取故障信息，本文提出P-L雙重特征提取方法，即先由PCA去除原始樣本數(shù)據(jù)集中的冗余信息，在此基礎(chǔ)上使用LDA進(jìn)行二次特征提取，尋求最佳維度使故障特征在該維度投影后不同類別的數(shù)據(jù)盡可能的分離開來，從而達(dá)到更好的特征提取效果。

2.1.1主成分分析

PCA主要思想為計算并選取數(shù)據(jù)最主要的幾個成分來代替原始數(shù)據(jù)集進(jìn)行分析，例如數(shù)據(jù)集為n維，共有m個數(shù)據(jù)（x？，x2，.，x”），將這m個數(shù)據(jù)從n維降到n'維，希望m個n'維數(shù)據(jù)集盡可能代表原始數(shù)據(jù)集，其計算流程見圖2。可知主成分分析法即提取樣本數(shù)據(jù)集的協(xié)方差矩陣XXT中的前n′個特征值對應(yīng)的特征向量矩陣組成矩陣W，之后通過z？=WTx對原始數(shù)據(jù)集進(jìn)行變換，以達(dá)到特征提取的目的。

2.1.2線性判別分析

LDA是典型的特征提取方法，主要思想可概括為“投影后類內(nèi)方差最小，類間方差最大”，假設(shè)數(shù)據(jù)集D={（x？，y），（x？，y？）…，（xm，ym）}，x，是n維向量，y;∈{C，C？，…，C}。定義N;（j=1，2，…，k）為第j類樣本數(shù)量，X;（j=1，2，…，k）為第j類樣本集合，而μ;（j=1，2，…，k）為第j類樣本的均值向量，定義2，（j=1，2，…，k）為第j類樣本的協(xié)方差矩陣。其計算流程見圖3。

2.2支持向量機(jī)

SVM作為通過最優(yōu)方法解決分類問題的工具，近年來得到了廣泛應(yīng)用。通常情況下，SVM通過構(gòu)造超平面對包含兩類數(shù)據(jù)的樣本集進(jìn)行分離，且當(dāng)兩類數(shù)據(jù)之間的間隔最大時分類效果最好。例如，給定N個樣本{（x？，y），（x？，y？）·（x，，yn）}，其中x是d維向量，y;指的是類別，且y;屬于{-1，1}，目的是尋找一個實值函數(shù)g（x），可用分類函數(shù)f（x）=sgn（g（x））推斷任意一個樣本x對應(yīng)的y值。線性可分SVM就是用上述的樣本訓(xùn)練得到線性分類器，也就是得到一個超平面：f（x）=sgn（w·x+b），線性可分表明當(dāng)w·x+bgt;0時，對應(yīng)的f（x）=1，相應(yīng)的當(dāng)w·x+blt;0時，對應(yīng)的f（x）=-1，而w·x+b=0就是要尋找的超平面，此時對應(yīng)的超平面為硬間隔超平面。對于數(shù)據(jù)點有一定程度偏離超平面而無法使用直線進(jìn)行劃分時，依然可采用超平面進(jìn)行劃分，但此時需構(gòu)造軟間隔超平面。當(dāng)樣本點確實線性不可分時，則需采用核函數(shù)進(jìn)行處理。通過發(fā)掘數(shù)據(jù)在特征空間上的線性模式，進(jìn)而選取相應(yīng)的核函數(shù)利用輸入計算內(nèi)積。

2.3極限學(xué)習(xí)機(jī)

ELM是由南洋理工大學(xué)的黃廣斌教授[15]在2004年提出的求解單隱層神經(jīng)網(wǎng)絡(luò)的算法。相對于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢、易陷入局部極小值點等缺點，ELM算法隨機(jī)產(chǎn)生輸入層與隱含層的連接權(quán)值及隱含層神經(jīng)元的閾值，且在訓(xùn)練過程中無需調(diào)整、只需設(shè)置隱含層神經(jīng)元的數(shù)量，便可獲得唯一的最優(yōu)解。與傳統(tǒng)訓(xùn)練方式相比有學(xué)習(xí)速度快、泛化性能好等優(yōu)點，是較為典型的神經(jīng)網(wǎng)絡(luò)分類算法，極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)結(jié)構(gòu)見圖4。

2.4基于P-L雙重特征提取的PEMFC系統(tǒng)故障診斷方法

以使用SVM為分類器為例，基于P-L雙重特征提取的PEMFC系統(tǒng)故障診斷方法見圖5，具體流程如下：

1）通過整理傳感器的狀態(tài)監(jiān)測數(shù)據(jù)，采集能反映EC燃料電池系統(tǒng)運行狀況的實驗數(shù)據(jù)構(gòu)成樣本數(shù)據(jù)集，由于原始樣本不同變量之間存在量綱不一致等問題，因此通過歸一化與標(biāo)簽化對數(shù)據(jù)集進(jìn)行預(yù)處理。

2）樣本數(shù)據(jù)集變量眾多且變量之間耦合關(guān)系復(fù)雜，直接投入分類器時，會存在計算難度高、耗時長、準(zhǔn)確率低等問題。使用P-L雙重特征提取對預(yù)處理后的樣本數(shù)據(jù)集進(jìn)行特征提取，可最大程度保留分類特征，降低分類難度、提升效率。

3）將特征提取后的樣本數(shù)據(jù)集按1：1的比例隨機(jī)劃分為訓(xùn)練集與測試集。

4）選擇SVM的核函數(shù)，由二分類器構(gòu)造四分類器，將訓(xùn)練集樣本投入SVM中訓(xùn)練故障診斷模型。

5）將測試集樣本投入訓(xùn)練好的SVM模型中，輸出診斷結(jié)果。

6）將故障診斷結(jié)果與樣本的實際分類相對比，結(jié)合每種運行狀態(tài)的診斷準(zhǔn)確率、診斷時間對特征提取與故障診斷方法進(jìn)行性能評估。

3實驗與結(jié)果

3.1實驗數(shù)據(jù)

本文選用文獻(xiàn)[11]中的EC燃料電池系統(tǒng)實驗數(shù)據(jù)對提出的基于P-L雙重特征提取的故障診斷方法的有效性進(jìn)行驗證。在實驗中，在PEMFC電堆進(jìn)出口布置多個傳感器，用來監(jiān)測電池的工作性能，包括電堆的負(fù)載電流、壓力、流量、溫度等，選擇其中的20個傳感器變量構(gòu)成樣本，樣本監(jiān)測變量見表1。

3.2數(shù)據(jù)采集與預(yù)處理

采集傳感器監(jiān)測數(shù)據(jù)構(gòu)造樣本數(shù)據(jù)集，數(shù)據(jù)集總樣本數(shù)為2763組，其中膜干故障樣本602組、氫氣供應(yīng)故障樣本1061組、正常樣本1100組，分別定義為1類故障狀態(tài)、2類故障狀態(tài)和正常狀態(tài)，根據(jù)系統(tǒng)狀態(tài)對樣本數(shù)據(jù)集進(jìn)行標(biāo)簽化處理，結(jié)果見表2。在標(biāo)簽化后，為消除量綱影響，對樣本數(shù)據(jù)集進(jìn)行歸一化處理。

3.3特征提取

由于樣本數(shù)據(jù)集囊括了EC燃料電池系統(tǒng)20個傳感器的監(jiān)測變量，所以樣本為20維數(shù)據(jù)集，變量維數(shù)高且耦合性強(qiáng)，極大增加了計算復(fù)雜度與運算時間，因此需提取關(guān)鍵特征并實現(xiàn)降維。通常情況下，LDA具有良好的特征提取性能，本文首先使用LDA對預(yù)處理后的樣本數(shù)據(jù)集進(jìn)行特征提取，運算后得到各個變量對應(yīng)的特征向量和特征值，根據(jù)特征值選取特征空間維數(shù)，定義累計貢獻(xiàn)率為所選特征值在所有變量特征值中所占比例。經(jīng)處理，前4個主要特征值累計貢獻(xiàn)率見圖6，可看到前兩個主要特征值累計貢獻(xiàn)率超過99%，這說明可用特征提取后的二維特征變量表示原始20維樣本數(shù)據(jù)，該二維變量具有實際物理意義。

數(shù)據(jù)可視化可將樣本在特征空間中的分布更加直觀的展現(xiàn)出來，LDA特征提取后的二維特征可視化圖見圖7，可看到3類樣本的分布并不理想，1類故障狀態(tài)、2類故障狀態(tài)與正常狀態(tài)均有大量重合，這將對下一步狀態(tài)分類構(gòu)成極大挑戰(zhàn)。

鑒于此，對LDA進(jìn)行改進(jìn)，使用P-L雙重特征提取對樣本數(shù)據(jù)集進(jìn)行降維。首先使用PCA對樣本數(shù)據(jù)集進(jìn)行特征提取，運算后得到各個變量對應(yīng)的特征向量和特征值，定義累計貢獻(xiàn)率表示所選特征值在所有變量特征值中所占的比例。經(jīng)PCA運算后的前4個最高特征值對應(yīng)的累計貢獻(xiàn)率見圖8，可看到前4個主要特征值累計貢獻(xiàn)率已達(dá)到95%以上，說明原20維樣本數(shù)據(jù)可用4維的新的特征變量表示。

在新的4維特征變量的基礎(chǔ)上，再次使用LDA進(jìn)行二次特征提取，使四維特征空間進(jìn)一步變?yōu)槎S特征空間，經(jīng)過雙重特征提取后的二維特征空間數(shù)據(jù)可視化結(jié)果見圖9。可看到相比于LDA單層特征提取，3類樣本的分布有了明顯區(qū)分，1類故障狀態(tài)和2類故障狀態(tài)可較為明確分離，僅正常狀態(tài)與2類故障狀態(tài)有少量重合。由此可見，P-L雙重特征提取后的特征空間中樣本分布情況更好，但對故障診斷結(jié)果的具體影響需結(jié)合分類器開展進(jìn)一步研究。

3.4訓(xùn)練集與測試集

本文樣本數(shù)據(jù)集有3類共2763組數(shù)據(jù)，其中1類故障狀態(tài)有602組數(shù)據(jù)，2類故障狀態(tài)有1061組數(shù)據(jù)，正常狀態(tài)有1100組數(shù)據(jù)。隨機(jī)打亂樣本數(shù)據(jù)集，按1：1的比例將前1381組數(shù)據(jù)定義為訓(xùn)練集，后1382組數(shù)據(jù)定義為測試集，具體情況如表3所示。

3.5診斷結(jié)果

3.5.1 LDA-SVM分類結(jié)果

由于單個SVM只能解決二分類問題，而樣本數(shù)據(jù)集包含了3種運行狀態(tài)，因此本文選擇構(gòu)造二叉樹多類SVM，二叉樹多分類算法針對k類問題只需建立k-1個二值分類器，具有重復(fù)訓(xùn)練量少的優(yōu)點，二叉樹多類SVM結(jié)構(gòu)見圖10，在識別第k類狀態(tài)和其他狀態(tài)時，屬于k類的狀態(tài)標(biāo)記為1，其他標(biāo)記為-1。

將經(jīng)LDA特征提取的訓(xùn)練集二維特征變量輸入到二叉樹多類SVM模型中，選取RBF函數(shù)作為核函數(shù)對模型進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練后的模型對測試集的診斷結(jié)果見圖11。其中，測試集的分類準(zhǔn)確率為84.59%，測試集的混淆矩陣見表4。

可看到基于LDA與二叉樹多類SVM的方法對1類故障狀態(tài)和2類故障狀態(tài)的識別效果較好，分類準(zhǔn)確率分別達(dá)到了98.28%和96.5%，但對正常狀態(tài)的識別能力較差，分類準(zhǔn)確率僅有65.51%，主要由于部分正常狀態(tài)被錯誤識別為2類故障狀態(tài)。

3.5.2 P-L雙重特征提取-SVM分類結(jié)果

同樣選擇二叉樹多類SVM，將經(jīng)P-L雙重特征提取的訓(xùn)練集輸入到模型中，選取RBF函數(shù)作為核函數(shù)對模型進(jìn)行訓(xùn)練，經(jīng)過訓(xùn)練后的模型對測試集的診斷結(jié)果見圖12。其中，測試集的分類準(zhǔn)確率為98.19%，測試集的混淆矩陣見表5。

可看到基于P-L雙重特征提取與二叉樹多類SVM的方法對1類故障狀態(tài)和正常狀態(tài)的識別效果較好，分類準(zhǔn)確率分均到了100%，對2類故障狀態(tài)分類準(zhǔn)確率為95.39%，少量2類故障狀態(tài)被錯誤識別為正常狀態(tài)。

3.5.3 LDA-ELM分類結(jié)果

ELM在訓(xùn)練時只需選取合適的激活函數(shù)和設(shè)置隱含層神經(jīng)元數(shù)量，將經(jīng)LDA特征提取后的訓(xùn)練集樣本輸入到ELM中，對比分析sig、sin、hardlim、tribas、radbas等不同函數(shù)作為激活函數(shù)時模型對訓(xùn)練集的分類準(zhǔn)確率，最終選擇tribas函數(shù)作為ELM的激活函數(shù)，同時通過多次對比分析，確定隱含層神經(jīng)元數(shù)量為500。經(jīng)過訓(xùn)練后的模型對測試集的診斷結(jié)果見圖13。其中，測試集的分類準(zhǔn)確率為78.08%，測試集的混淆矩陣見表6。

可看到基于LDA與ELM的方法僅對正常狀態(tài)的識別效果較好，分類準(zhǔn)確率達(dá)到了94.89%，其次對2類故障狀態(tài)的分類準(zhǔn)確率為77.72%，1類故障狀態(tài)的分類準(zhǔn)確率僅有47.07%，基本無法實現(xiàn)對1類故障狀態(tài)的有效識別。

3.5.4 P-L雙重特征提取-ELM分類結(jié)果

將經(jīng)P-L雙重特征提取的訓(xùn)練集輸入ELM模型，經(jīng)過對比分析后選擇hardlim函數(shù)作為激活函數(shù)，隱含層神經(jīng)元數(shù)量為500。經(jīng)過訓(xùn)練后的模型對測試集的診斷結(jié)果見圖14。其中，測試集的分類準(zhǔn)確率為99.27%，測試集的混淆矩陣見表7。

可看到基于P-L雙重特征提取與ELM的方法對1類故障狀態(tài)和正常狀態(tài)的識別效果較好，分類準(zhǔn)確率均達(dá)到了100%，對2類故障狀態(tài)分類準(zhǔn)確率為98.15%，少量2類故障狀態(tài)被錯誤識別為正常狀態(tài)。

3.6性能分析

通過誤報率（1 alarm rate，F(xiàn)AR）以及拒識率（1rejectionrate，F(xiàn)RR）對故障診斷方法進(jìn)行進(jìn)一步分析，LDA-SVM、P-L雙重特征提取-SVM、LDA-ELM和P-L雙重特征提取-ELM這4種故障診斷方法的計算時間、測試集診斷誤報率、拒識率、準(zhǔn)確率分別見表8和表9。

以運算時間、誤報率、拒識率、分類準(zhǔn)確率為評價指標(biāo)對4種故障診斷方法進(jìn)行性能評估，可知P-L雙重特征提取-ELM方法的測試集故障診斷準(zhǔn)確率達(dá)到99.27%，計算時間為0.0719 s，且具有最低的誤報率和拒識率；P-L雙重特征提取-SVM方法的測試集故障診斷準(zhǔn)確率為98.19%，計算時間為0.0406 s，診斷速度最快。因此，可知基于P-L雙重特征提取的方法可有效識別PEMFC系統(tǒng)的膜干與氫氣供應(yīng)故障。

當(dāng)選擇相同分類器時，P-L雙重特征提取-SVM方法、P-L雙重特征提取-ELM方法的故障診斷準(zhǔn)確率分別要比LDA-SVM方法與LDA-ELM方法高13.6%、21.19%，同時計算時間大幅縮短，因此P-L雙重特征提取效果要明顯優(yōu)于LDA。

在面對不同的分類器時，P-L雙重特征提取-SVM方法與P-L雙重特征提取-ELM方法的故障診斷準(zhǔn)確率均高于98%，而LDA-SVM方法與LDA-ELM診斷準(zhǔn)確率與診斷時間均存在較大差異，因此可知P-L雙重特征提取魯棒性要優(yōu)于LDA。同時，可發(fā)現(xiàn)在選擇相同的特征提取方法時，SVM的診斷速度總是優(yōu)于ELM。

4結(jié)論

本文基于EC燃料電池系統(tǒng)實驗數(shù)據(jù)對PEMFC系統(tǒng)故障診斷方法進(jìn)行研究，通過對特征提取方法的改進(jìn)，提出一種基于P-L雙重特征提取的PEMFC系統(tǒng)故障診斷方法，實現(xiàn)了兩種故障狀態(tài)的準(zhǔn)確識別，具體結(jié)論如下：

1）實例分析表明，基于P-L雙重特征提取的故障診斷方法可實現(xiàn)PEMFC系統(tǒng)膜干故障與氫氣供應(yīng)故障的快速準(zhǔn)確診斷，P-L雙重特征提取-SVM方法對測試集的故障診斷準(zhǔn)確率為98.19%、計算時間為0.0406 s，P-L雙重特征提取-ELM方法對測試集的故障診斷準(zhǔn)確率為99.27%，計算時間0.0719s。

2）通過對比分析，經(jīng)過改進(jìn)的P-L雙重特征方法提取相比于傳統(tǒng)LDA，具有更加優(yōu)秀的特征提取性能，且針對不同的分類器有更好的魯棒性。

3）在面對小樣本數(shù)據(jù)集時，支持向量機(jī)可在保證診斷準(zhǔn)確率的情況下比神經(jīng)網(wǎng)絡(luò)具有更快的診斷速度。

4）經(jīng)驗證明，基于P-L雙重特征提取的故障診斷方法可有效解決PEMFC系統(tǒng)膜干、氫氣供應(yīng)故障診斷問題，后續(xù)有望推廣應(yīng)用至多堆PEMFC系統(tǒng)故障診斷以及其他工程問題中的分類診斷課題。

[參考文獻(xiàn)]

[1]周偉，何華東.淺談質(zhì)子交換膜燃料電池耐久性的研究現(xiàn)狀[J].科技信息，2010（26）：522-523.

ZHOU W，HE H D.Research status of durability of protonexchange membrane fuel cells [J].Science amp;technologyinformation，2010（26）：522-523.

[2]張雪霞，蔣宇，黃平，等.質(zhì)子交換膜燃料電池容錯控制方法綜述[J].中國電機(jī)工程學(xué)報，2021，41（4）：1431-1444，1549.

ZHANG XX，JIANG Y，HUANG P，etal.A review offault-tolerant control methodology on proton exchangemembrane fuel cell[J].Proceedings of the CSEE，2021，41（4）：1431-1444，1549.

[3]ZHANG XX，ZHOU JZ，CHEN WR.Data-driven faultdiagnosis for PEMFC systems of hybrid tram based on deeplearning [J].International journal of hydrogen energy，2020，45（24）：13483-13495.

[4]張雪霞，高雨璇，陳維榮.基于數(shù)據(jù)驅(qū)動的質(zhì)子交換膜燃料電池壽命預(yù)測[J].西南交通大學(xué)學(xué)報，2020，55（2）：417-427.

ZHANG XX，GAO YX，CHEN W R.Data-driven basedremaining useful life prediction for proton exchangemembrane fuel cells[J].Journal of Southwest JiaotongUniversity，2020，55（2）：417-427.

[5]ZHANG XX，YUZX，CHEN WR.Life prediction basedon D-S ELM for PEMFC[J].Energies，2019，12（19）：3752.

[6]ALLAM A，MANGOLD M，ZHANG P.Fault diagnosis ofproton exchange membrane fuel cells [C]//20215thInternational Conference on Control and Fault-TolerantSystems（SysTol）.Saint-Raphael，F(xiàn)rance，2021：366-371.

[7]LIZ，GIURGEA S，OUTBIB R，etal.Online diagnosis ofPEMFC by combining support vector machine and fluidicmodel[J].Fuel cells，2014，14（3）：448-456.

[8]LI Z L，OUTBIB R，HISSEL D，etal.Online diagnosis ofPEMFC by analyzing individual cell voltages [C]//2013European Control Conference（ECC）.Zurich，Switzerland，2013：2439-2444.

[9]LI Z L，OUTBIB R，GIURGEA S，etal.Faultdetectionand isolation for polymer electrolyte membrane fuel cellsystems by analyzing cell voltage generated space[J].Applied energy，2015，148：260-272.

[10]劉嘉蔚，李奇，陳維榮，等.基于概率神經(jīng)網(wǎng)絡(luò)和線性判別分析的PEMFC水管理故障診斷方法研究[J].中國電機(jī)工程學(xué)報，2019，39（12）：3614-3622.

LIU JW，LI Q，CHEN WR，etal.Research on PEMFCwater management fault diagnosis method based onprobabilistic neural network and linear discriminantanalysis [J].Proceedings of the CSEE，2019，39（12）：3614-3622

[11]MAO L，JACKSON L，DUNNETT S.Fault diagnosis ofpractical polymer electrolyte membrane（PEM）fuel cellsystem with data-driven approaches[J].Fuel cells，2017，17（2）：247-258.

[12]張雪霞，蔣宇，孫騰飛，等.質(zhì)子交換膜燃料電池水淹和膜干故障診斷研究綜述[J].西南交通大學(xué)學(xué)報，2020，55（4）：828-838，864.

ZHANG XX，JIANG Y，SUN T F，etal.Review on faultdiagnosis for flooding and drying in proton exchangemembrane fuel cells[J].Journal of Southwest JiaotongUniversity，2020，55（4）：828-838，864.

[13]梁棟，侯明，竇美玲，等.質(zhì)子交換膜燃料電池燃料饑餓現(xiàn)象[J].電源技術(shù)，2010，34（8）：767-770.

LIANG D，HOU M，DOU M L，etal.Study on behavior ofproton exchange membrane fuel cell under fuel starvationconditions[J].Chinese journal of power sources，2010，34（8）：767-770.

[14]劉嘉蔚，李奇，陳維榮，等.基于在線序列超限學(xué)習(xí)機(jī)和主成分分析的蒸汽冷卻型燃料電池系統(tǒng)快速故障診斷方法[J].電工技術(shù)學(xué)報，2019，34（18）：3949-3960.

LIU JW，LI Q，CHEN WR，etal.Fast fault diagnosismethod of evaporatively cooled fuel cell system based ononline sequential extreme learning machine and principalcomponent analysis[J].Transactions of ChinaElectrotechnical Society，2019，34（18）：3949-3960.

[15]HUANG G B，ZHOU H M，DING XJ，etal.Extremelearning machine for regression and multiclassclassification[J].IEEE transactions on systems，man，andcybernetics Part B，Cybernetics：a publication of theIEEESystems，Man，and Cybernetics Society，2012，42（2）：513-529.

FAULT DIAGNOSIS METHOD OF PEMFC SYSTEM BASED ONP-L DUAL FEATURE EXTRACTION

He Fei，ZhangXuexia，ChenWeirong

（College of Electrical Engineering，SouthwestJiaotongUniversity，Chengdu 611756，China）

Abstract：For the fault diagnosis of proton exchange membrane fuel cell （PEMFC）system，a fault diagnosis method based on P-L dualfeature extraction was proposed.P-L dual feature extraction is used to extract features from the preprocessed sample data.Throughredundant variable removal and secondary feature extraction，classification features are preserved to the maximum extent and thedimension of sample data is effectively reduced.Binary tree multi-clas support vector machine and extreme learning machine are usedto classify 2D fault feature vectors and realize fault diagnosis.Through the example verification，compared with the feature extractioneffect of linear discriminant analysis，P-L dual feature extraction improves the diagnostic accuracy of the test set of the same classifier by21.19%，and the diagnostic accuracy reaches 99.27%，realizing the accurate and rapid diagnosis of membrane dry and hydrogen supplyfaults in PEMFC system.

Keywords：proton exchange membrane fuel cell（PEMFC）;fault detection;datamining;P-L dual feature extraction;supportvectormachine（SVM）;extreme learning machine（ELM）