燃料电池诊断装置以及相应的诊断方法、车辆和车辆系统与流程

1.本发明涉及一种用于燃料电池车辆的燃料电池诊断装置以及一种用于诊断燃料电池车辆的燃料电池系统的故障模式的方法。此外，本发明还涉及一种包括这样的燃料电池诊断装置的燃料电池车辆和一种燃料电池车辆系统。


背景技术：

2.近年来，相比于传统的内燃机车辆，燃料电池车辆由于其能量转化效率高和零污染排放的优点而受到越来越多的重视。质子交换膜燃料电池作为正在开发的商用燃料电池具有低运行温度、冷启动时间短、快速负荷追踪和运行安全可靠的优点并且特别适合于应用在燃料电池车辆中。
3.为了诊断在燃料电池系统中出现的故障，由现有技术已知电化学阻抗谱(electrochemical impedance spectroscopy)技术。电化学阻抗谱技术可以通过更少的测量以及更少的计算得出质子交换膜燃料电池的阻抗变化，并将其作为燃料电池的故障诊断指标。电化学阻抗谱能够反映出质子交换膜燃料电池当前的湿度水平、即膜的水含量，并且由此推断出燃料电池是否处于“膜干”和“水淹”的故障模式中。然而，质子交换膜燃料电池是一种多物理场耦合的非线性复杂系统，它的运行受到不同因素的影响并且存在多种故障模式。在不考虑其它影响燃料电池的诊断结果的因素、如老化效应的情况下，仅仅借助电化学阻抗谱技术的诊断会导致故障诊断范围相对较窄，从而不能充分反映出燃料电池的实际运行状况。此外，在现有技术中，燃料电池系统的故障诊断仅以模拟数据和实验数据为基础，所参考的数据量较少，这导致所述故障诊断不能达到期望的精确性。


技术实现要素：

4.因此，本发明的目的在于提出一种改进的燃料电池诊断装置，所述燃料电池诊断装置能够更加全面地并且更加准确地诊断燃料电池车辆的燃料电池系统的故障模式。本发明的目的还在于提出一种相应的用于诊断燃料电池车辆的燃料电池系统的故障模式的方法、一种相应的燃料电池车辆以及一种相应的燃料电池车辆系统。
5.根据本发明的第一方面，提供一种用于燃料电池车辆的燃料电池诊断装置，所述燃料电池诊断装置用于诊断燃料电池车辆的燃料电池系统的故障模式，其中，所述燃料电池诊断装置至少包括：
[0006]-主感测单元，该主感测单元用于感测用于至少初步地诊断所述故障模式的主参数；
[0007]-至少一个附加感测单元，所述至少一个附加感测单元用于感测潜在影响诊断结果的至少一个附加参数；以及
[0008]-燃料电池分析评估单元，所述燃料电池分析评估单元被配置成能发送所述主参数和所述至少一个附加参数并且能接收基于所述主参数和所述至少一个附加参数生成的关于所述故障模式的诊断信息。
[0009]
本领域的技术人员可以理解，所述诊断信息可以是直接表征燃料电池的状态的诊断结果，也可以是中间诊断数据，然后再例如借助于燃料电池分析评估单元确定燃料电池的最终诊断结果。因此，在此的是诊断信息应开放地理解。
[0010]
相比于现有技术，根据本发明的燃料电池诊断装置能够通过主感测单元获取主参数来至少初步地诊断燃料电池系统的故障模式，并且同时通过至少一个附加感测单元获取至少一个附加参数，借助所述至少一个附加参数能够在考虑其它可能存在的影响因素的情况下增大燃料电池系统的故障诊断范围并且提高诊断精度，从而进一步影响诊断结果。由此燃料电池诊断装置的燃料电池分析评估单元能够以有利的方式接收关于故障模式的更准确的诊断信息。
[0011]
根据本发明的示例性实施方式，所述燃料电池分析评估单元被配置成能通过无线方式与云服务器通信，以便向所述云服务器发送关于所述主参数和所述至少一个附加参数的数据并且从云服务器接收所述诊断信息。在本发明的框架下，云服务器理解为云计算服务体系中的组成部分并且被配置成能够进行云计算。由此能够以有利的方式实现，燃料电池分析评估单元将关于主参数和所述至少一个附加参数的数据实时地发送给云服务器并且从云服务器接收基于所述数据产生的诊断信息。
[0012]
根据本发明的示例性实施方式，所述云服务器被配置成能存储所述数据并且利用机器学习算法对已存储的历史数据进行数据训练，以便获得优化的诊断模型。在本发明的框架下，“数据训练”尤其应理解为针对大数据中的训练集采用数据挖掘分类的技术提取出最能够反映出燃料电池系统的故障模式的分类特征，从而训练出分类器，借助于所述分类器将待诊断的燃料电池系统的数据分配到不同的故障模式中。所述数据训练的结果是建立起优化的诊断模型。在这里，所述大数据至少包括通过燃料电池分析评估单元先前发送的、由云服务器存储的、关于主参数和所述至少一个附加参数以及相应出现的故障模式的历史数据。
[0013]
根据本发明的示例性实施方式，云服务器还可以具有其它数据来源并且被配置成能接收并且存储例如实验数据、经验数据和/或来自其它燃料电池车辆的关于所述主参数和所述至少一个附加参数的数据。由此不仅考虑来自单个燃料电池车辆的数据，而且能够以有利的方式获得更大的数据样本并且在尽量不错过有用信息的情况下充分和全面地进行数据训练，从而能够提取出更精确的统计信息并且产生最优化的诊断模型。
[0014]
根据本发明的示例性实施方式，所述主参数包括电化学阻抗谱。根据电化学阻抗谱能够以有利的方式得出燃料电池的湿度水平并且与此相关的故障模式。
[0015]
根据本发明的示例性实施方式，所述主感测单元包括dc/dc转换器，所述dc/dc转换器被配置成能将波动电流信号注入到所述燃料电池系统中，以便获得所述电化学阻抗谱。示例性地，所述dc/dc转换器和所述燃料电池分析评估单元通过can通信模块连接，由此实时获取所述燃料电池系统的电化学阻抗谱。
[0016]
根据本发明的示例性实施方式，所述至少一个附加参数选自以下组中的一项或多项：所述燃料电池系统的运行时间、电压、电流、温度、空气流速和气体压力或压降。也可以考虑本领域技术人员认为有意义的其它参数。通过所述至少一个附加参数能够潜在影响诊断结果。在本发明的框架下，“潜在影响诊断结果”尤其应理解为，通过所述至少一个附加参数能够进一步支持基于主参数做出的初步诊断或者对该初步诊断进行修正或细化，从而得
出关于故障模式的更准确的诊断结果。为了感测所述至少一个附加参数，所述至少一个附加感测单元可以包括相应的传感器。
[0017]
根据本发明的示例性实施方式，所述故障模式包括以下组中的一项或多项：水淹、膜干、微裂缝、结冰和过热。也可以考虑本领域技术人员认为有意义的其它故障模式。由此能够充分并且全面地考虑所述燃料电池系统的可能的故障模式。例如当燃料电池系统的湿度处于正常水平时，根据本发明的方法能够及时诊断出所述燃料电池系统的其它故障、如微裂缝或温度异常，从而实施相应的调整策略并且避免出现更严重的损失。
[0018]
本发明的第二方面提出一种云服务器，其被配置成能从所述燃料电池诊断装置的燃料电池分析评估单元接收所述主参数和所述至少一个附加参数并且能基于所述主参数和所述至少一个附加参数生成关于所述故障模式的诊断信息。
[0019]
本发明的第二方面提出一种用于诊断燃料电池车辆的燃料电池系统的故障模式的方法，所述方法通过根据本发明的燃料电池诊断装置实施，所述方法至少包括以下步骤：通过主感测单元感测用于至少初步地诊断所述故障模式的主参数并且通过至少一个附加感测单元感测潜在影响诊断结果的至少一个附加参数；经由燃料电池分析评估单元发送所述主参数和所述至少一个附加参数；并且通过所述燃料分析评估单元接收基于所述主参数和所述至少一个附加参数生成的关于所述故障模式的诊断信息。
[0020]
本发明的第三方面提出一种包括根据本发明的燃料电池诊断装置的燃料电池车辆。
[0021]
本发明的第四方面提出一种包括多个根据本发明的燃料电池车辆的燃料电池车辆系统，所述多个燃料电池车辆均被配置成能够与云服务器通信。
[0022]
本发明的第五方面提出一种燃料电池车辆网络系统，其中，所述燃料电池车辆网络系统包括所述燃料电池车辆系统和所述云服务器。
附图说明
[0023]
下面，通过参看附图更详细地描述本发明，可以更好地理解本发明的原理、特点和优点。附图包括：
[0024]
图1示出了根据本发明的一个示例性实施例的燃料电池诊断装置的示意图；
[0025]
图2a-2b示出了在膜干状态和水淹状态下的不同运行时间的电化学阻抗谱的示意性曲线图；
[0026]
图3示出了根据本发明的用于诊断燃料电池系统的故障模式的方法的示意性流程图；以及
[0027]
图4示出了由多个根据本发明所述的燃料电池车辆组成的燃料电池车辆系统的示意图。
具体实施方式
[0028]
为了使本发明索要解决的技术问题、技术方案以及有益的技术效果更佳清楚明白，以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不用于限定本发明的保护范围。
[0029]
图1示出了根据本发明的一个示例性实施例的燃料电池诊断装置10的示意图。如
图1所示，燃料电池诊断装置10(由虚线框出)包括主感测单元1、至少一个附加感测单元2和燃料电池分析评估单元3，其中，主感测单元1被配置成用于感测至少初步地诊断燃料电池系统20的故障模式的主参数，并且所述至少一个附加感测单元2被配置成用于感测潜在影响诊断结果的至少一个附加参数。
[0030]
如图1所示，燃料电池诊断装置10通过燃料电池分析评估单元3将所述主参数和所述至少一个附加参数以无线方式发送给云服务器c，并且从所述云服务器c接收基于所述主参数和所述至少一个附加参数生成的关于故障模式的诊断信息，从而实现燃料电池系统20的故障模式的实时诊断。
[0031]
根据本发明的一个示例性实施例，燃料电池分析评估单元3按照所接收的诊断信息调整燃料电池系统20的控制策略并且示例性地将该控制策略发送给执行器30，以便执行该控制策略来优化燃料电池系统20的运行行为。
[0032]
在此，云服务器c具有云存储功能和云计算功能。通过所述云服务器c能够存储由燃料电池分析评估单元3先前发送的关于主参数和所述至少一个附加参数以及被反馈的相关故障模式的数据。这些被存储在云服务器c中的数据也被称为历史数据。云服务器c能够利用机器学习算法对所述历史数据进行数据训练，从而获得优化的诊断模型。
[0033]
根据本发明的一个示例性实施例，云服务器c还能够接收并且存储实验数据和/或来自其它燃料电池车辆的数据。存储在云服务器c中的数据集合又被称为大数据。这样形成的大数据包含了尽可能多的故障情况并且提供了丰富的数据样本。通过大数据的不断丰富和数据训练，能够持续更新诊断模型，以确保当前所使用的诊断模型是最优化的。
[0034]
根据本发明的一个示例性实施例，所述机器学习算法是xgboost算法。通过该算法能够通过不断的特征分裂来生长出树，从而将多个弱分类器集成在一起形成强分类器。由此能够迭代速度快并且精确地对大数据进行数据训练。当然，原则上也可以考虑本领域技术人员认为有意义的任何其它算法，比如svm(support vector machine，支持向量机)算法。
[0035]
根据本发明的一个示例性实施例，所述主参数包括电化学阻抗谱。电化学阻抗谱能够反映出燃料电池系统20的湿度水平。为此，主感测单元1包括dc/dc转换器。示例性地，所述dc/dc转换器作为波动电流信号源构造成用于将频率不同的小振幅的交流信号施加到燃料电池系统20上，并且测量所述燃料电池系统20的电压响应信号，基于所述电压响应信号和所述波动电流信号之间的关系得出所述燃料电池系统20的电化学阻抗谱(具体可参见图2a和图2b)。由此能够在不影响所述燃料电池系统20的运行稳定性的情况下获取电化学阻抗谱。示例性地，dc/dc转换器和燃料电池分析评估单元3通过can通信模块连接。
[0036]
当然，对于本领域技术人员而言，主参数并不局限于电化学阻抗谱。主参数例如也可以包括燃料电池系统20的由同样能作为主感测单元1的湿度传感器和/或温度传感器感测的湿度和/或温度。
[0037]
然而，燃料电池系统是复杂的非线性系统。由单个参数并不能精确地确定燃料电池系统的运行状况。为此，设置至少一个附加感测单元2来感测潜在影响诊断结果的至少一个附加参数。示例性地，所述至少一个附加参数选自以下组中的一项或多项：燃料电池系统20的运行时间、电压、电流、温度、空气流速和气体压力或压降。示例性地，随着燃料电池系统20的运行时间的增加，燃料电池系统20的质子交换膜和/或催化剂层发生降解并且逐渐
老化，从而导致出现整个燃料电池系统20的老化状态。在这种状态下燃料电池系统20的电化学阻抗谱会发生改变。
[0038]
在此，需要说明的是，附加参数是影响确定燃料电池系统的运行状况的精度或可靠性的参数，而主参数是能够直接基本地确定燃料电池系统的运行状况的参数。
[0039]
图2a和图2b示出了燃料电池系统的处于不同运行时间的电化学阻抗谱的曲线图，其中，图2a示出的是燃料电池的膜干状态，图2b示出的是燃料电池的水淹状态，其中，横轴(x轴)代表电化学阻抗的实部并且纵轴(y轴)代表电化学阻抗的虚部，二者的单位均是ω。
[0040]
在此需要说明，膜干(燃料电池内部水含量不足)和水淹(燃料电池内部水含量过高)是燃料电池中最普遍出现的故障模式，其中，水淹故障使得气体反应物到达反应位点的传输受阻，催化剂的活性面积因水的覆盖而降低，燃料电池的活化损耗和浓差损耗显著增加，而膜干故障会引起电阻率上升，使得燃料电池在运行过程中产热增加，进一步导致能量转化效率降低及更为严重的膜干故障，严重影响输出性能和剩余寿命。在此，电化学阻抗谱的高频电阻和低频阻抗可分别作为膜干和水淹故障的诊断指标。
[0041]
由图2a和图2b可清楚看出，燃料电池在膜干状态和水淹状态中的电化学阻抗随着运行时间的增加均发生改变并且甚至在特定情况下相对彼此重叠。具体而言，在膜干状态中的燃料电池在运行1200秒时的电化学阻抗(参见曲线d2)与在水淹状态中的燃料电池在运行600秒时的电化学阻抗(参见曲线f1)极其相似。因此，在不考虑老化效应的情况下仅依据电化学阻抗谱很有可能做出错误的诊断结果，即不能准确地诊断出燃料电池系统的故障模式。
[0042]
根据本发明，燃料电池系统20还具有不同于膜干和水淹的其它故障模式，例如微裂缝、结冰和过热。通过主参数和所述至少一个附加参数的组合，云服务器c能够借助由机器学习算法基于大数据生成的诊断模型得出相应的精确的故障模式。
[0043]
例如，根据本发明的一个示例性实施例，当作为主参数的电化学阻抗谱显示出膜的水含量不足并且同时作为附加参数的空气流速显示为高于阈值时，应当考虑燃料电池系统20出现微裂缝。为了进一步验证该诊断结果的正确性，可以借助另外的附加感测单元来感测另外的附加参数，如气体压力。根据本发明的另一个示例性实施例，当作为主参数的电化学阻抗谱显示出膜的水含量不足并且同时作为附加参数的空气流速和气态压力等均处于正常水平时，能够以更高的准确度诊断出所述燃料电池系统20处于膜干故障中。
[0044]
当然，本领域技术人员也可以考虑另外的主参数和至少一个附加参数的组合。
[0045]
示例性地，所述至少一个附加感测单元2包括相应的传感器，其中，所述传感器尤其是集成的，以便节省结构空间。
[0046]
图3示出了根据本发明的用于诊断燃料电池系统的故障模式的方法的示意性流程图。所述方法包括以下步骤：
[0047]
在第一步骤s1中通过主感测单元1感测用于至少初步地诊断故障模式的主参数并且通过至少一个附加感测单元2感测潜在影响诊断结果的至少一个附加参数；
[0048]
在第二步骤s2中经由燃料电池分析评估单元3发送所述主参数和所述至少一个附加参数；以及
[0049]
在第三步骤s3中通过所述燃料分析评估单元3接收基于所述主参数和所述至少一个附加参数生成的关于所述故障模式的诊断信息。
[0050]
示例性地，关于所述主参数和所述至少一个附加参数的数据以及基于所述数据生成的诊断信息均存储于云服务器中，以便作为新的数据样本进行进一步的数据训练，从而得出实时更新的诊断模型。
[0051]
对于本领域的技术人员来说，除了上述步骤之外，还可以包括其它步骤，本发明对此并不进行限制。
[0052]
图4示出了由多个根据本发明所述的燃料电池车辆100组成的燃料电池车辆系统1000的示意图。出于简洁性的原因，相同的附图标记仅示出一次。附图中各个部件的位置和尺寸关系是强烈示意性的并且可以根据实际需要相应改变。
[0053]
如图4所示，根据本发明的燃料电池车辆100具有根据本发明的燃料电池诊断装置10和燃料电池系统20。多个根据本发明的燃料电池车辆100共同形成分布式的燃料电池车辆系统1000，其中，这些燃料电池车辆100均被配置成能够与云服务器c实时通信。
[0054]
根据本发明，每个燃料电池车辆100的燃料电池诊断装置10均能够将各自的关于燃料电池系统20的主参数和至少一个附加参数相应地发送给云服务器c。由此，云服务器c能够同时接收并存储大量关于主参数和至少一个附加参数的数据并且形成相应的大数据。这样极大地丰富了数据样本并且尽可能不错过可能的故障模式。
[0055]
示例性地，通过各个燃料电池车辆100的燃料电池诊断装置10与云服务器c的实时通信，能够同时实现多个燃料电池车辆100的燃料电池系统20的在线和实时的故障诊断。
[0056]
前面对于实施方式的阐释仅在所述示例的框架下描述本发明。当然，只要在技术上有意义，实施方式的各个特征能够自由地相互组合，而不偏离本发明的框架。
[0057]
对于本领域的技术人员而言，本发明的其他优点和替代性实施方式是显而易见的。因此，本发明就其更宽泛的意义而言并不局限于所示和所述的具体细节、代表性结构和示例性实施例。相反，本领域的技术人员可以在不脱离本发明的基本精神和范围的情况下进行各种修改和替代。
[0058]
附图标记列表
[0059]1ꢀꢀꢀꢀ
主感测单元
[0060]2ꢀꢀꢀꢀ
附加感测单元
[0061]3ꢀꢀꢀꢀ
燃料电池分析评估单元
[0062]
10
ꢀꢀꢀ
燃料电池诊断装置
[0063]
20
ꢀꢀꢀ
燃料电池系统
[0064]
30
ꢀꢀꢀ
执行器
[0065]
100
ꢀꢀ
燃料电池车辆
[0066]
1000 燃料电池车辆系统
[0067]
c
ꢀꢀꢀꢀ
云服务器
[0068]
d1至d6在膜干状态中的燃料电池系统的处于不同运行时间的电化学阻抗
[0069]
f1至f6在水淹状态中的燃料电池系统的处于不同运行时间的电化学阻抗
[0070]
s1 第一步骤
[0071]
s2 第二步骤
[0072]
s3 第三步骤