基于EEMD与双路径并行网络的制氢电源开路故障诊断方法

《Chinese Journal of Electrical Engineering》：Fault Diagnosis Method for Hydrogen Production Power Supply Based on EEMD and Dual-path Parallel Processing

　　

为提升制氢电源（HPPS）开路故障诊断的准确性与鲁棒性，研究人员提出了一种名为EEMD_6-GADF-SG-Net的双路径并行网络。首先，采用集合经验模态分解（EEMD）对从22种不同开路故障状态采集的三相输入电流数据进行分解，并基于皮尔逊相关系数选取抗噪能力最强的第6层本征模态函数（IMF），即EEMD_6。随后，将该分量转换为格拉姆角差场（GADF）图像。之后，Swin Transformer模块提取局部特征，而全局注意力机制模块（GAM）提取全局特征。最后，将这两类特征融合并输入全连接层进行分类。该方法在电网频率偏移条件下诊断准确率高达99.89%，在碱性溶液电阻变化条件下准确率达97.73%。测试平台上的实验验证进一步证实了其性能，准确率达99.55%。

基于EEMD与双路径并行网络的制氢电源开路故障诊断方法解读

一、研究背景与问题

在全球能源消耗激增与脱碳需求紧迫的双重挑战下，氢能已成为关键的零碳能源载体，能够在交通运输网络和工业制造等领域实现深度减排。水电解制氢系统中存在多种故障类型，包括电解槽故障、制氢电源（HPPS）故障和控制系统故障。作为核心生产部件，HPPS与传统电源相比面临显著挑战，原因在于电解槽的动态电化学特性。电解槽的可变阻抗受其内部物理和化学状态影响，对电力电子器件施加了独特的电气应力和故障机制。在此背景下，HPPS开路（OC）故障超出了典型电力设备故障的范畴：可能加速电解槽退化并引发不安全状况。因此，开发专门的HPPS故障诊断技术对确保系统安全可靠运行至关重要。

现有故障诊断技术主要分为三类：基于解析模型的方法依赖推导系统行为的精确数学表达式，但制氢电源系统的复杂性往往导致无法定义准确的模型参数，限制了其实际应用；基于信号处理的方法通过分析电流或电压信号特征识别故障状态，常与解析或数据驱动方法结合，采用EEMD、多元经验模态分解（MEMD）、变分模态分解（VMD）等方法可有效抑制高频噪声，显著提升故障诊断的鲁棒性；基于机器学习的方法无需建立精确数学模型，通过分析历史数据识别故障模式，但传统机器学习方法依赖人工特征提取，在复杂场景中的适应性和泛化能力受限。深度学习通过多层架构实现自动故障特征提取，克服了传统方法对人工特征工程的依赖。此外，将信号处理问题转化为图像识别问题的方法，如采用格拉姆角求和场（GASF）、连续小波变换（CWT）、格拉姆角差场（GADF）等将信号转换为二维图像，利用成熟的视觉识别技术实现端到端的自动化诊断，有效消除人工特征工程并显著增强复杂故障条件下的模式识别能力。

二、研究内容与主要技术方法

为提高制氢电源故障诊断的准确性和鲁棒性，研究人员提出了一种基于集成EEMD和双路径并行网络（SG-Net）的方法。该方法首先利用EEMD对三相电流信号进行分解，通过皮尔逊相关系数选取抗噪能力最强的IMF分量，避免信号重构带来的冗余；随后将选定的IMF转换为GADF图像，将传统基于信号的诊断问题转化为图像分类任务；再将GADF图像输入SG-Net，其中Swin Transformer路径捕获局部特征，GAM路径提取全局特征；最后将两路径特征融合并自适应池化，输入全连接层进行故障分类。研究采用Matlab/Simulink建立HPPS仿真模型，以T₁为例对22种状态（正常状态、6种单管开路故障状态和15种双管故障状态）进行故障诊断，实验在配备Intel Xeon Silver 4114 CPU、64 GB RAM和NVIDIA Quadro P6000 GPU的工作站上进行，神经网络基于Python 3.12和PyTorch框架实现。

三、研究结果

3.1 信号预处理与IMF选取

研究人员对22种状态进行EEMD分解，参数配置为Nstd=0.4、NE=200。通过计算含噪信号IMF与原始信号IMF之间的皮尔逊相关系数，结果显示第6层IMF在不同噪声条件下均表现出最高的相关系数，因此被选为故障诊断输入，确保诊断准确性和鲁棒性。对比不同分解方法的噪声鲁棒性，在无噪声条件下所有方法均能达到接近完美的准确率，但随着信噪比降低，模型鲁棒性出现显著差异。未分解数据在噪声条件下鲁棒性较差，而EEMD在5 dB条件下仍能保持87%的准确率；CEEMD和CEEMDAN在5 dB强噪声下准确率分别显著下降至61.41%和52.23%，证实了EEMD在增强模型抗噪能力方面的优越性。

3.2 数据预处理与参数选择

基于50 Hz和10 kHz采样频率，每个周期采集200个数据点。研究人员评估了不同样本长度（0.5 T至1.2 T）下模型的准确性和鲁棒性，结果显示模型鲁棒性在0.9 T时最为突出，因此选择0.9 T作为样本长度，即滑窗长度为180、步长为3。为评估故障诊断方法对频率变化的鲁棒性，研究人员在多个频率下通过滑窗采样收集样本。

3.3 SG-Net诊断性能

所提出的方法在电网频率偏移条件下诊断准确率达到99.89%，在碱性溶液电阻变化条件下准确率达97.73%，测试平台上的实验验证准确率达99.55%，表现出强鲁棒性和泛化能力。

四、结论

研究人员提出的基于EEMD和双路径并行网络（SG-Net）的制氢电源开路故障诊断方法，通过EEMD分解三相电流信号并选取抗噪能力最强的第6层IMF，结合GADF图像编码和Swin Transformer与GAM双路径并行特征提取，实现了高精度的故障分类。该方法在电网频率波动和碱性溶液电阻变化等复杂条件下均保持高诊断准确率，展现出强鲁棒性和泛化能力，为制氢电源系统的安全可靠运行提供了有效的故障诊断技术支撑。