质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC）是很有远景的新型发电装备，在清洁能源汽车、电动客车、混合动力汽车和有轨电车等领域获得广泛应用。提高燃料电池的耐久性是将PEMFC系统大规模商业化面临的最重要的挑战之一。

故障诊断旨在通过检测故障来提高燃料电池系统的使用寿命。为了达到这个目标，诊断方法必须检测和识别一些故障才能避免更严重的故障。检测阶段是要判断燃料电池系统中是否存在故障，辨识阶段是要确定故障的大小和位置，隔离阶段是要检修并排除故障。

目前，专家学者对燃料电池系统故障诊断展开了大量的研究工作，这些工作可分为两大类：

1）基于模型的故障诊断

首先建立一个PEMFC模型，然后计算实际系统输出与模型输出之间的即时偏差，最后通过残差分析实时检测故障。Jianxing Liu等首次考虑一类非线性系统的故障诊断问题，并成功应用于燃料电池空气供给系统。因为很难获得PEMFC的内部参数、结构和材料等数据，所以建立准确的故障诊断模型是非常困难的。

2）基于数据驱动的故障诊断

基于数据驱动的故障诊断使用监测的历史数据信息检测故障，无需专业知识和系统模型，算法运算速度快且计算效率高。刘嘉蔚等提出基于多分类相关向量机（multi-class Relevance Vector Machine, mRVM）和模糊C均值聚类（Fuzzy C-Means clustering, FCM）的有轨电车用燃料电池故障诊断方法。

实验结果表明：提出的方法可以快速诊断氢气泄漏、去离子水加湿泵低压、空气压力过低和正常共四种健康状态，分类准确率为96.67%。Xingwang Zhao等提出基于主成分分析（Principal Component Analysis, PCA）和多传感器信号的故障诊断算法。

该算法分析不同传感器信号之间的相关性并计算出简化的故障诊断统计指标，可诊断单传感器故障和严重的系统级故障。周苏等提出基于电化学阻抗谱（Electrochemical Impedance Spectro- scopy, EIS）的PEMFC故障检测算法。

将EIS与实轴的低频和高频交点作为故障特征矢量，使用FCM和支持向量机（Support Vector Machine, SVM）分别对样本特征向量聚类和分类。结果表明，FCM+SVM的组合模式识别方法能够准确分类PEMFC正常、膜干和水淹三种状态。

Lei Mao等提出基于传感器灵敏度和燃料电池故障模式影响的传感器选择算法。实验结果表明，最优传感器能成功识别不同程度的燃料电池水淹故障。

Zhongliang Li等提出考虑系统动力学和空间不均匀性的PEMFC系统故障诊断策略。利用滑动窗口中监测的单电池电压值作为诊断观察值，使用Shapelet变换提取类判别特征，采用球形多类支持向量机（Sphere Shaped Multi- class Support Vector Machine, SSM-SVM）实现PEMFC故障诊断。实验结果表明，该方法可诊断正常状态、低压故障、高压故障、膜干故障和低空气过量系数故障，测试数据的整体诊断准确率是96.13%。

Zhixue Zheng等提出基于储备池计算（Reservoir Computing, RC）的燃料电池故障诊断方法。实验结果表明，RC方法可识别一氧化碳（Carbon Monoxide, CO）中毒、低空气流速、散热不良和自然退化，数据集的分类正确率是92.43%。

然而，以上工作的研究对象主要集中在单套中、小功率水冷或空冷型燃料电池系统，而针对大功率蒸汽冷却（Evaporatively Cooled, EC）型燃料电池系统的故障诊断研究却很少。EIS对电化学专业知识要求很高，设备监测时间长且可视性差，不适用于在线诊断；SVM的核函数受Mercer条件限制、算法收敛慢，在实际应用中具有局限性；相关向量机（Relevance Vector Machine, RVM）的时间成本随着训练集的增多而迅速增加；神经网络（Neural Network, NN）的样本需求量大、计算复杂度高、样本运算时间较长，且容易导致“过拟合”与“局部极小”。

在线序列超限学习机（Online Sequential-Extreme Learning Machine, OS-ELM）是一种新型单隐含层前馈神经网络（Single-hidden Layer Feedforward Neural Network, SLFN），通过分块矩阵分批次训练样本数据集，可有效避免数据的重复训练并显著提高学习效率。OS-ELM大量使用于变压器放电模式识别、航空发动机故障诊断、风力涡轮机传动系统的健康状态估计和模拟电路故障诊断等实际工程中。目前，还未有文献将OS-ELM应用到燃料电池系统故障诊断领域。

本文首次提出基于OS-ELM和PCA的EC型燃料电池系统快速故障诊断新方法，能在保证诊断精度的同时显著降低运算时间。新方法采用PCA过滤冗余信息并降低数据维数，得到能反映EC型燃料电池系统运行状态的故障特征向量；使用OS-ELM对特征向量分类故障；通过600组原始故障样本对新方法的有效性进行验证。与SVM算法和BPNN算法的诊断结果进行对比，以进一步验证新方法的效果。

图1 100kW EC型PEMFC电堆

图4 基于PCA-OS-ELM的EC型燃料电池系统故障诊断流程

结论

本文对大功率EC型燃料电池系统进行故障诊断研究，并提出一种基于OS-ELM和PCA的快速故障诊断方法，实现三种健康状态的模式识别，结论如下：

1）当新样本数据分批次加入时，新方法可只学习新加入的样本数据，实现在线训练，无需对旧样本反复训练，可提高学习效率。

2）600组原始故障样本数据的实例分析表明：新方法可快速诊断膜干、氢气泄漏故障和正常状态共三种健康状态。分类正确率达到99.67%，运算时间仅为0.2969s。

3）该诊断方法无需深入了解燃料电池的物理机理，是一种新型的数据驱动方法。由于不同类型和规格PEMFC的材料组成、物理参数和极化特性差异很大，因此很难建立统一的PEMFC故障诊断机理模型。PCA-OS-ELM方法只需输入不同类型燃料电池在多种健康状态下的传感器测量数据，通过设置初始阶段选取的初始训练数据的数量N0、隐含层神经元数目L和每一步中学习的数据块大小Block三个参数即可快速训练PEMFC诊断模型，进而检测出PEMFC故障。新方法具有良好的普适性，可应用于其他类型的燃料电池中（如普通的低温PEMFC）。

4）新方法特别适合于大数据量样本和高数据维数的工程应用中，在大数据时代具有很好的应用价值。