一种基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法及系统

本发明涉及氢能源无人机动力系统状态监测与故障诊断，具体涉及一种基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法及系统。

背景技术：

1、氢能源无人机通常采用燃料电池与电池缓冲相结合的动力形式，具有长航时、补能速度快和适合远距离任务等特点，可用于巡检、应急通信、海事巡查和物流运输等场景。与地面固定台架相比，无人机飞行过程中存在爬升、悬停、转弯、阵风扰动和载荷变化等工况，使燃料电池输出电压和堆电流呈现明显瞬态波动。

2、燃料电池水管理状态直接影响质子交换膜含水量、气体传质能力和电堆输出稳定性。水淹和膜干均可能表现为电堆电压下降、单片电压离散度增大或输出功率降低，但二者机理相反：水淹主要由液态水积聚导致气体传质受限，膜干主要由膜含水不足导致欧姆阻抗增大。因此，现有单阈值报警或通用燃料电池故障诊断方式难以在无人机飞行负载快速变化时区分真实水管理故障与推进负载扰动、电母线扰动引起的次生电压波动。

技术实现思路

1、本发明为克服现有技术中氢能源无人机飞行负载快速变化时电堆电压波动易被误判为水管理故障等问题。为此本发明提出了一种基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法及系统，为解决上述技术问题本发明是通过以下技术方案实现的：

2、方案一、本发明提出了基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法，所述方法包括以下步骤：

3、步骤1、采集氢能源无人机燃料电池系统的多源状态量，所述多源状态量至少包括燃料电池堆状态、水管理供给与环境状态和电母线与推进负载状态，将多源状态量中的任意一种状态量作为飞行工况和负载扰动辅助量；对所述多源状态量进行时间同步、滤波和滑动窗口分段，得到窗口样本；

4、步骤2、基于步骤1所述的窗口样本构造工况归一化特征向量；

5、步骤3、基于燃料电池极化模型、欧姆内阻估计模型和气体传质模型中的至少一种水管理机理模型计算机理残差诊断证据；根据经训练的数据分类模型计算正常状态、水淹状态和膜干状态的候选概率；

6、步骤4、利用水管理故障耦合矩阵对所述机理残差诊断证据、候选概率以及飞行工况和负载扰动辅助量进行协同融合，输出水管理状态识别结果、置信度和故障等级，并通过安全控制接口输出告警、限功率、返航或保护控制策略。

7、进一步的，提供一种优选实施方式，步骤2中所述的工况归一化特征向量包括单片电压离散度、堆电压下降斜率、堆电压恢复斜率、温度梯度、湿度变化量、气体压力波动特征、负载归一化堆电流以及由电压离散度、湿度变化量和气体压力波动量构成的水管理综合特征以及包括母线纹波幅值、电池补偿电流比例和推进负载突变量作为飞行负载扰动排除特征。

8、进一步的，提供一种优选实施方式，步骤3中所述的机理残差诊断证据由燃料电池极化模型、欧姆内阻估计模型、气体传质模型和热湿平衡模型中的至少两个模型输出的残差构成，其中，水淹状态对应传质受限、气体压力波动和电压恢复迟滞增强，膜干状态对应欧姆极化残差、温湿度偏差和电压下降斜率增强，并可结合母线动态模型辅助区分水管理故障与外部负载扰动。

9、进一步的，提供一种优选实施方式，步骤3中所述的数据分类模型为轻量化梯度提升模型、支持向量机、随机森林、时序卷积网络或门控循环网络中的任一种或其组合，所述数据分类模型输出正常状态、水淹状态和膜干状态的候选概率，并部署在无人机端边缘计算单元中。

10、进一步的，提供一种优选实施方式，所述数据分类模型和机理残差阈值通过pemfc燃料电池台架多工况水管理数据离线训练和标定获得，所述数据包括正常状态、水淹状态和膜干状态，并覆盖不同负载电流工况；训练过程对电压、电流、空气流量、空气压力、温度和湿度数据进行滑动窗口分段和特征提取，训练完成后将模型参数、融合权重和阈值参数固化到无人机端边缘计算单元中，用于飞行过程中的在线推理。

11、进一步的，提供一种优选实施方式，步骤4中所述的水管理故障耦合矩阵用于记录正常状态、水淹状态和膜干状态与观测特征之间的主证据关系、辅助证据关系和互斥关系，并记录飞行负载扰动与电压瞬态变化之间的辅助排除关系，用于区分燃料电池水管理根因状态和由无人机负载突变形成的次生现象。

12、进一步的，提供一种优选实施方式，步骤4所述的协同融合采用贝叶斯融合、d-s证据理论、加权投票或规则约束融合中的至少一种实现，并在水淹状态、膜干状态和飞行负载扰动冲突度大于预设阈值时维持预警状态。

13、方案二、一种基于飞行工况修正的氢能源无人机燃料电池水管理故障识别系统，所述系统包括：

14、状态采集模块，用于采集氢能源无人机燃料电池系统的多源状态量，所述多源状态量至少包括燃料电池堆状态、水管理供给与环境状态和电母线与推进负载状态，将多源状态量中的任意一种状态量作为飞行工况和负载扰动辅助量；对所述多源状态量进行时间同步、滤波和滑动窗口分段，得到窗口样本；

15、预处理与特征模块，用于基于数据采集与同步模块所述的窗口样本构造工况归一化特征向量；

16、诊断推理模块，用于基于燃料电池极化模型、欧姆内阻估计模型和气体传质模型中的至少一种水管理机理模型计算机理残差诊断证据；根据经训练的数据分类模型计算正常状态、水淹状态和膜干状态的候选概率；

17、输出与控制模块，用于利用水管理故障耦合矩阵对所述机理残差诊断证据、候选概率以及飞行工况和负载扰动辅助量进行协同融合，输出水管理状态识别结果、置信度和故障等级，并通过安全控制接口输出告警、限功率、返航或保护控制策略。

18、方案三、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的方法的步骤。

19、方案四、一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行方案一所述的方法。

20、本发明的有益之处在于：

21、本发明所述的基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法能够针对氢能源无人机飞行负载快速变化场景提高水管理状态识别稳定性；本发明能够结合机理残差和数据分类证据区分水淹与膜干；本发明能够利用飞行工况修正特征降低推进负载扰动引起的误报；能够将识别结果转换为预警、降额、返航或保护等处置建议。

22、本发明所述的基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法中并行设置机理残差诊断模块、数据分类诊断模块，分别生成基于电堆水传输物理规律的机理残差证据、基于海量飞行数据挖掘的数据分类证据；再通过水管理故障耦合矩阵完成两路诊断证据协同融合判决，既依托燃料电池水管理机理保证诊断结果具备物理可解释性，又利用数据分类模型适配复杂多变的无人机飞行工况，克服单一机理模型适配性差、纯数据模型缺乏机理支撑的缺陷，对水淹、膜干两类典型水管理故障的识别准确率显著提升。

23、本发明所述的基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法中协同融合判决模块融合证据后，可精准区分设备正常、电堆水淹、电堆膜干三类工作状态，同步输出故障识别置信度与对应故障等级；故障等级输出模块通过安全控制接口对接无人机飞控系统、机载能量管理系统，可分级下发预警提示、功率降额、紧急停机保护等差异化处置指令，实现故障识别与机载安全闭环控制，有效规避燃料电池水管理失效引发的动力掉电、停机坠毁风险，提升氢能源无人机飞行安全性。

24、本发明所述的基于飞行工况修正的氢能源无人机燃料电池水管理故障识别方法中采用滑动窗口动态构造状态特征与工况修正特征，可跟随无人机起飞、爬升、悬停、俯冲、机动等全飞行剖面动态更新特征向量，能够适配无人机短时重载、变载、振动冲击等极端飞行工况，相比固定特征阈值诊断方法，在多变飞行载荷下仍能维持稳定、可靠的故障识别能力，适配各类多旋翼、固定翼氢能源无人机使用场景，通用性强。