基于聚类物理信息神经网络的质子交换膜燃料电池水淹与膜干故障诊断

《International Journal of Hydrogen Energy》：Diagnosis of flooding and membrane dry fault of proton exchange membrane fuel cell based on clustered physical-informed neural network

　　

• •
  提出了一种新颖的用于PEMFC故障诊断的聚类物理信息神经网络。
• •
  采用高斯混合模型将运行范围划分为多个物理一致的聚类。
• •
  在模型中嵌入双域物理约束可提高物理可解释性。
• •
  无监督诊断模块在故障诊断中达到了99.44%的准确率。

引言

目前，全球能源需求急剧增加，传统化石燃料快速枯竭，环境持续恶化[1], [2], [3]。为应对这一严峻形势，高效清洁能源的开发已成为当前能源研究的焦点[4], [5]。质子交换膜燃料电池具有能量转化效率高、零污染排放和响应速度快的特点[6], [7]。凭借这些优势，质子交换膜燃料电池在绿色交通、分布式发电等领域展现了巨大的应用潜力[8], [9]。

然而，质子交换膜燃料电池系统内部是一个高度复杂的非线性系统[10]。作为质子交换膜燃料电池系统的核心组件，电池堆在长期运行过程中容易出现水淹、膜干燥和气体泄漏等故障[11]，这影响了燃料电池的耐久性和可靠性[12]。其中，水管理故障最为常见，通常如果能及时发现便可恢复[13], [14]。水淹会导致介质中反应性气体的传输受阻，从而引发气体饥饿；另一方面，膜干燥会增加质子传输的内部电阻，甚至导致电解质膜的不可逆降解[15]。因此，开发准确的实时故障诊断技术不仅能有效降低燃料电池系统的运维成本，还能确保燃料电池汽车的安全稳定运行[16]。

近年来，国内外学者对质子交换膜燃料电池故障诊断的研究主要分为三类：基于解析模型的方法、基于信号处理的方法和基于数据驱动的方法[17]。基于解析模型的方法利用流体力学和电化学机制建立数学模型，通过分析测量值与预测值之间的残差进行诊断[18]。例如，Hwanyeong等人[19]利用回归模型产生的残差来监测热管理系统的故障。Ziane等人[20]采用超局部模型替代复杂的物理模型来解决与水管理相关的故障识别问题。此外，Liu等人[21]提出了一种基于等效电路模型的方法来捕获反应过程中的非线性特征。尽管基于模型的方法具有明确的物理意义，但由于质子交换膜燃料电池内部强非线性，建立高精度机制模型极其困难，即使采用简化模型策略，在精度与实时性之间取得平衡仍十分困难。

与基于解析模型的方法不同，基于信号处理的方法依赖于特定物理信号的提取特征。电化学阻抗谱被公认为目前最有效的检测手段之一[22]。Ma等人[23]利用快速电化学阻抗谱技术实现了对电池堆状态的快速评估。Wei等人[24]使用弛豫时间分布分析来解析电化学阻抗谱，从而获取精细的电化学动力学信息。此外，Zhan等人[25]采用经验模态分解及其改进算法完全集合经验模态分解来提取电压波动特征。然而，电化学阻抗谱通常需要昂贵且具有侵入性的设备，测试耗时且难以用于在线监测。虽然磁场监测方法具有非侵入性，但其传感器布置要求极高[26]。

随着人工智能技术的发展，数据驱动方法因无需建立精确的机制模型而成为故障诊断的主流方法。Shao等人[27]提出了一种将故障嵌入与人工神经网络耦合的诊断框架。Wang等人[28]结合分段燃料电池技术与卷积神经网络来识别水管理故障。此外，Sun等人[29]采用演化核主成分分析的统计方法对多传感器特征进行降维和分类任务。尽管上述方法取得了良好的效果，但数据驱动方法通常被视为黑箱模型，在缺乏大量标注数据的情况下泛化能力较差。

为了突破诊断模型在泛化能力、物理可解释性和数据依赖性方面的局限，本研究提出了一种基于聚类物理信息网络的诊断方案。物理信息神经网络通过将物理方程嵌入损失函数中使模型与数据约束保持物理一致性[30]。在物理信息神经网络的基础上，我们进一步引入聚类算法，将宽广的电流运行范围划分为不同的工况聚类，并为每个聚类拟合特定的局部线性冷却方程。将局部线性冷却方程与电压方程作为双域物理约束嵌入物理信息神经网络中。然后，训练后的模型对测试样本的多维物理健康指数进行量化，并执行单类异常检测。一旦模型检测到异常，将触发第二层诊断，根据其不同的热特性完全区分水淹和膜干燥故障。本文的原创贡献可归纳为以下三点：

• (1)
  在数据预处理方面，与传统的整体建模方法不同，我们采用基于聚类的多模态物理建模策略。该策略性分解减轻了参数漂移，提高了诊断模型在整个工作范围内的泛化能力。
• (2)
  我们将双域物理约束架构与神经网络相结合，实现了零故障样本训练。该训练策略增强了诊断模型的物理可解释性。
• (3)
  我们采用了基于物理残差的无监督诊断框架。该方法通过聚类实现故障类型的自动区分，无需对故障数据进行标注或监督分类，大大降低了模型对标注数据的依赖。

本文其余部分的结构如下：第2节介绍实验平台、数据采集和特征选择。第3节阐述了聚类物理信息神经网络框架的理论基础，包括基于高斯混合模型的状态划分、双域物理约束的构建以及两阶段诊断策略。第4节报告了全面的实验结果、消融研究和性能对比分析。第5节总结了主要研究发现并概述了未来研究方向。

章节摘要

测试平台与传感器配置

如图1所示，所有实验均在真实的质子交换膜燃料电池堆测试平台上进行。电池堆由五个独立电芯组成，每个电芯的活性面积为270 cm$2$，额定电流密度为1.5 A/cm$2$，最大电流密度为1.7 A/cm$2$。

阳极侧采用直通配置，未反应的氢气直接排出。以下传感器参数是商用电池堆运行中常见且必需的，以采样频率进行记录

方法论

如图4所示，本研究提出的诊断框架由三个紧密相连的核心模块组成。首先，高斯混合模型将原始运行数据划分为具有不同物理意义的聚类，建立聚类特定的热力学基线。这些热力学基线和电压基线作为双域物理约束嵌入物理信息神经网络中，以学习燃料电池堆在

聚类物理信息神经网络框架的性能评估

本研究首先对基于高斯混合模型的操作划分进行了定量评估，从而验证了聚类拟合线性方程的有效性。如图8所示的结果所示，在所有识别的聚类中，每个聚类拟合的冷却方程的决定系数$R^2$始终接近1.0。结果表明，所提出的聚类策略能够有效解决固有的复杂全局非线性问题

结论

本研究提出了一种聚类物理信息神经网络框架，该框架将高斯混合模型用于工况聚类，并结合基于电化学和热力学双域的物理信息架构，构建了仅使用正常数据进行训练的高保真物理基准。该策略有效解决了质子交换膜燃料电池系统在宽广电流范围下的全局非线性和模态切换问题。测量系数为

CRediT作者贡献声明

李泽宇：撰写—原稿，验证，软件，形式分析，数据整理。孙震东：撰写—审阅与编辑，验证，软件，经费获取，数据整理，概念构思。高尚瑞：撰写—审阅与编辑，验证，软件，数据整理，概念构思。王宇杰：撰写—审阅与编辑。陈宗海：撰写—审阅与编辑，指导，资源，项目管理，方法论，调查，经费获取，形式

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系，这些因素可能影响本文所报告的工作。

致谢

本研究部分得到国家自然科学基金资助，项目批准号62503449，安徽省自然科学基金资助，项目批准号2508085QF215，以及中央高校基础研究基金资助，项目批准号WK2100000054。

Zeyu Li|Zhendong Sun|Shangrui Gao|Yujie Wang|Zonghai Chen