基于特征间关联规则的PEMFC状态预测与BOP故障诊断集成框架

《ENERGY CONVERSION AND MANAGEMENT》：An integrated framework for PEMFC state prediction and BOP fault diagnosis based on inter-feature association rules

　　

**摘要**
故障预测与健康管理（PHM）能够有效弥补质子交换膜燃料电池（PEMFC）电堆在安全性和可靠性方面的缺陷。然而，相关技术受限于多种故障模式的预诊断准确性。为应对上述挑战，本文提出了一种集成框架，协同动态状态预测与故障分类，以预诊断辅助设备（BOP）故障。该方法实现了不同传感器特征之间的关联规则挖掘，并将它们作为物理约束来构建动态行为误差（DBE）损失函数。该机制增强了模型捕获故障长期动态演变的能力。最后，利用特征行为与规则之间的实时相似度来辅助故障预诊断。结果表明，与最新方法相比，所提框架将 9 种 BOP 故障的预诊断准确率提高了约 10%，同时将单次推理时间减少了至少 43.3%。所提框架为阳极吹扫干扰下氢气循环电堆故障的预测诊断提供了一种新颖的解决方案，并在不同模型上验证了其通用性。

**引言**
质子交换膜燃料电池（PEMFC）具有能量转换效率高、启动速度快、工作温度低等优点 [1]。它在新能汽车、无人机、分布式发电等领域广受青睐 [2], [3]。目前，PEMFC 在可靠性和安全性方面的不足是其大规模商业应用的主要障碍 [4]。PEMFC 电堆由核心膜电极组件（MEA）和外围辅助设备（BOP）部件组成 [5]。结构上，PEMFC 电堆故障可分为两类：BOP 故障和内部 MEA 故障。BOP 故障属于早期故障，意味着在大多数情况下，内部 MEA 故障是由 BOP 故障引发的 [6]。例如，空气管路泄漏随着时间的推移可能导致更严重的内部 MEA 故障，如氧气饥饿。因此，解决 BOP 故障可以显著提高电堆的可靠性和安全性 [7]。

故障诊断被认为是解决这些问题最有前景的技术 [8], [9], [10]。目前，众多研究人员已开展了与 PEMFC 故障诊断相关的研究。基于电化学阻抗谱（EIS）特征，Wei 等人 [11] 使用熵权法和新自主模糊聚类算法对实际实验中的水故障进行聚类分析。所提方法在商用 PEMFC 系统中实现了 93.10% 的故障识别准确率。Liu 等人 [12] 采用线性判别分析 - 概率神经网络对 PEMFC 中的水故障进行诊断。结果表明诊断准确性和时间效率均有显著提升。Huang 等人 [13] 利用卷积神经网络（CNN）和长短期记忆（LSTM）网络全面考虑故障发生时的特征提取和时间延迟。最终结果表明，该方法显著提高了故障诊断预测准确性和噪声敏感性。Sun 等人 [14] 从高阶燃料电池系统模型获取数字域故障数据，并采用领域自适应对抗学习实现 PEMFC 的故障诊断。Gao 等人 [15] 通过结合先验知识与迁移学习方法，在故障数据不足的情况下实现了高精度的水故障诊断。

然而，大多数 PEMFC 故障在能被明确检测之前就已经局部开始。通常只有当故障达到一定严重程度时才能被检测到 [16], [17], [18]。因此，随着技术的进步，近年来 PEMFC 电堆故障诊断领域已有所发展，从基于传统状态监控的被动维护转变为主动预测性维护 [19]。Gu 等人 [20] 使用 LSTM 提取时间特征并结合分类模型对水故障进行预诊断。实验表明，该方法能有效帮助优化车辆工况下的水管理。Pettorossi 等人 [21] 将物理模型融入 LSTM，结果表明所提方法有效增强了 LSTM 的故障识别能力、泛化性和准确性。Zhao 等人 [22] 结合改进的香农熵和 Z-score 方法，成功实现了电堆中异常单元的预诊断和定位。Chen 等人 [23] 提出了一种基于卷积神经网络的双向 LSTM 并行注意力机制模型（ConvBLSTM-PMwA），通过将改进的时间序列预测模型与全连接神经网络相结合，实现了对水淹和空气饥饿故障的预诊断。Kim 等人 [16] 基于 LSTM、CNN 和集成学习方法实现了 PEMFC 的水故障预诊断，并讨论了该方法的可扩展性和实时适用性。可知，最新研究在当前领域已取得一定进展。然而，现有的预诊断研究尚未触及更早期的 BOP 故障，且使用集成学习提升性能的最新方法面临计算成本增加的问题。

从现有研究来看，已证明通过时间序列预测模型预测未来状态并将其输入故障分类模型以实现故障识别的方法，可以有效实现故障的早期诊断。然而，该方案存在以下固有瓶颈，限制了其在实际在线应用中的性能：首先，传统数据驱动预测模型仅将均方误差（MSE）作为优化目标，仅关注预测的数值准确性，而忽略了特征的动态时变行为，而这恰恰是故障机制在数据层面的核心表现。这导致预测数据无法完全保留不同故障的动态行为特征，直接降低了后续预诊断的准确性。其次，对于广泛使用的氢气循环 PEMFC 电堆，为了解决氮气渗透等问题而采用的阳极吹扫操作会导致电堆状态出现周期性波动。在吹扫的间歇期，氢气浓度下降导致电压逐渐降低；而在吹扫阶段，内部气体被排放到外部环境，导致系统状态参数（如压力）波动，氢气浓度恢复使电压恢复正常 [24]。这种波动与故障引起的动态变化相混淆，导致在实际在线预诊断场景中性能下降。尽管已有研究优化了阳极吹扫的控制策略，但这些策略通常侧重于提高氢气利用率。受物理定律约束，吹扫操作引起的状态波动无法消除 [25], [26]。

为解决上述缺陷，我们提出了一种基于特征间关联行为规则的综合框架，用于在阳极吹扫干扰下预测未来动态状态并预诊断多种 BOP 故障。具体来说，考虑的 BOP 故障包括供气系统中的管路堵塞/泄漏、阀门故障、压缩机和泵故障。实验结果表明，与最先进方法相比，所提框架对电堆未来状态表现出优越的动态行为表征能力，具有更好的 BOP 故障预诊断准确性和更低的推理成本。此外，通过不同的时间序列预测模型验证了所提框架的通用性。本文的原创性贡献可以明确地从上述相关工作中区分出来，主要体现在以下四点：
1. 提出了一种将故障机制与机器学习方法相结合的新思路，增强了动态行为表征和在线故障预诊断性能。具体而言，采用 LSTM、回声状态网络（ESN）和时间卷积网络（TCN）作为动态状态预测器以捕获长期时间依赖关系，同时集成基于 CNN 的分类器进行故障识别。
2. 提出了一种不同模式下时间特征的动态行为量化方法，结合关联规则挖掘技术提取和表达各种故障的潜在机制。
3. 基于强关联规则，设计了一种动态行为误差（DBE）损失函数，以提高状态预测模型表征未来动态行为的能力。
4. 提出了一种基于特征行为与规则之间实时相似度的辅助预诊断策略，减轻了阳极吹扫控制和多故障分布偏移对故障预诊断的干扰。

本文其余部分结构如下：第 2 节详细说明了所提框架中的每个组件。第 3 节展示了进行实验前的必要准备工作。第 4 节对关键参数优化、消融实验结果以及与最先进方法的对比结果进行了深入分析。最后，第 5 节总结了研究结果并提出了未来研究的潜在方向。

**章节片段**

**所提框架**
在本研究中，考虑了氢气循环电堆中 9 种具有不同数学分布的常见早期渐进型 BOP 故障，这些故障在故障注入后经过较长的一段时间在传感器数据中表现出微妙的先兆。通过机制和数据层面的分析，可以识别出当前任务的特殊性：不同故障模式在特定传感器特征的时变特性上表现出强规律性，而不规则的周期性波动

**数据描述**
使用图 3 所示的氢气循环电堆，电堆的具体参数如表 1 所示。电堆遵循常用的运行策略：根据当前工况从查找表中获取标称运行参数，并通过闭环控制器调节指令。本研究仅利用商用电堆运行所需的必要控制和传感器信号，以减少对传感的依赖并促进

**实验结果分析**
为了充分展示所提框架的优越性，我们进行了三组实验，包括关键参数优化实验、消融实验以及与当前领域最新方法的对比实验。

**结论**
为解决氢气循环电堆中阳极吹扫的干扰并实现精准的在线 BOP 故障预诊断，本文提出了一种基于电堆特征间关联行为规则信息的框架。它将故障的潜在机制与基于信号的诊断方法相结合，与最新方法相比，最终在预诊断性能和计算效率方面均取得了提升。一台 51 千瓦氢气循环 PEMFC 电堆

**CRediT 作者贡献声明**
高尚瑞：写作 – 初稿，软件，方法论，数据管理，概念构思。孙振东：写作 – 审阅与编辑，方法论，正式分析。王宇杰：写作 – 审阅与编辑。陈宗海：写作 – 审阅与编辑，可视化，验证，监督，资源，项目管理，方法论，调查，资金获取，概念构思。

**利益冲突声明**
作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

**致谢**
本研究部分得到中国国家自然科学基金（资助号 62503449）和安徽省自然科学基金（资助号 2508085QF215）的支持。

高尚瑞 | 孙振东 | 王宇杰 | 陈宗海
中国科学技术大学自动化学院，合肥，230027，中国