基于RBF神经网络补偿的反步滑模控制的PEMFC氢气再循环系统鲁棒控制

《CHAIN》：Robust Control of the PEM Fuel Cell Hydrogen Recirculation System Using Backstepping Sliding Mode Control with RBF Neural Network

　　

摘要：质子交换膜燃料电池（PEMFC）阳极再循环回路中氢气的动态行为受喷射器、供应歧管和电堆流道内耦合的流量-压力相互作用支配，这使得精确的压力调节成为影响系统效率、稳定性和寿命的关键挑战。确保足够的阳极燃料供应和稳定的氢气供应压力需要对气体处理系统进行精细控制。本研究提出了一种基于单喷射器的反步滑模控制器（BSMC），用于PEMFC氢气再循环系统。为补偿周期性吹扫引起的气体流量未知扰动，将径向基函数（RBF）神经网络与BSMC相集成，在不同系统状态下自适应修正控制律。仿真结果表明，所提出的RBF补偿BSMC能有效抑制吹扫引起的压力波动。该控制器实现了8.173 kPa的最大跟踪误差、0.17 kPa的平均绝对误差和0.53 kPa的均方根误差。因此，在阶跃负载电流变化、可变压力目标和周期性吹扫扰动条件下，与常规比例-积分-微分（PID）控制器相比，所提出的控制策略具有更优越的稳定性和鲁棒性。

论文解读：基于RBF神经网络补偿的PEMFC氢气再循环系统反步滑模鲁棒控制

1. 研究背景与问题

在汽车产业转型升级的背景下，质子交换膜燃料电池（PEMFC）因其高能量效率、环境友好和快速冷启动能力而被视为实现车用动力系统清洁转型的重要技术路径。在高度耦合且需要精密调节的燃料电池车辆系统中，氢气供应、阳极压力调节和气体加湿等子系统的性能直接决定了整车的动态响应和输出特性。为保证阳极侧反应稳定均匀，通常需要过量供给氢气，而未反应的残余氢气若直接排入大气，不仅造成氢气浪费，还存在安全风险。为此，燃料电池系统常采用死端模式和再循环模式。在再循环模式下，阳极未反应的氢气通过氢气再循环设备重新回到电堆参与反应，可有效抑制阳极交叉风险并保证反应区氢气的稳定供给。目前主流的氢气再循环设备主要包括喷射器和氢气循环泵。氢气循环泵会带来额外的寄生功率消耗、降低系统效率，且控制维护成本高、噪声振动大；而喷射器凭借体积小、零能耗、运行可靠和成本低廉等优势受到广泛关注。然而，阳极侧氢气供应压力不稳定会直接影响发电效率和使用寿命，因此需要采用先进控制方法对氢气供给进行管理。已有研究提出了多种控制策略，如基于吹扫的分布式模型预测方法、基于观测器的状态反馈控制器、预设性能多输入多输出（MIMO）神经网络控制器、双喷射器氢气供给系统、模糊逻辑比例积分（PI）控制器、自适应模糊二阶自抗扰控制（ADRC）、多变量非线性反馈控制、基于伪参考概念的MIMO模型预测控制（MPC）以及基于深度强化学习和长短期记忆（LSTM）风险预测模型的协同控制框架等。这些方法虽在不同程度上改善了氢气压力控制性能，但针对喷射器再循环系统中周期性吹扫引起的气体流量扰动，仍缺乏有效的补偿机制。为此，研究人员开展了本研究，旨在设计一种集成径向基函数（RBF）神经网络的反步滑模控制器，以增强系统在外部负载突变和吹扫干扰下的鲁棒性。

2. 研究内容与结论

研究人员建立了一个基于单喷射器的50 kW燃料电池阳极氢气供给系统动态模型，并基于实验台架数据验证了喷射器模型的流量-压力特性。随后，设计了反步滑模控制器（BSMC）以稳定燃料电池阳极压力。考虑到电堆工作过程中周期性吹扫引起的气体流量扰动会显著影响阳极压力的动态特性，研究人员进一步引入RBF神经网络对未知扰动进行拟合补偿，形成了神经网络反步滑模控制（NNBSMC）策略。仿真结果表明：在无吹扫场景下，BSMC方案相较工业常用的PID控制器和滑模控制器显示出更好的控制效果和鲁棒性；在加入周期性吹扫作用后，NNBSMC控制器能精确补偿吹扫过程产生的压力波动，而无补偿的BSMC控制器会在吹扫阀工作时导致电堆阳极产生较大压差，不利于燃料电池稳定运行；在实车负载条件下，融合RBF神经网络的BSMC控制器比传统PID控制器具有更好的稳定性和目标跟踪性能，最大跟踪误差为8.173 kPa，平均绝对误差为0.17 kPa，均方根误差为0.53 kPa。这些结果证实了所提出控制策略在喷射器式阳极再循环系统中管理氢气压力动态的有效性，为在实际驾驶条件下提高燃料电池系统的稳定性和鲁棒性提供了实用解决方案。

3. 关键技术与方法

本研究采用的主要关键技术方法包括：（1）基于质量、能量和动量守恒定律的喷射器建模方法，采用Sokolov设计理论，并通过实验台架用空气替代氢气进行模型验证，实验覆盖电堆整个额定功率范围，喷射器供气压力从200 kPa线性升至950 kPa，测量二次流路径上16个位置的压力，模型预测与实验误差控制在10%以内；（2）反步滑模控制设计方法，通过定义阳极压力误差和滑模面，结合指数趋近律构造控制律，并利用李雅普诺夫（Lyapunov）函数和Barbalat引理证明系统渐近稳定性；（3）RBF神经网络扰动估计方法，利用其万能逼近能力在线估计吹扫引起的气体流量非线性扰动，并引入控制律中进行补偿；（4）仿真验证方法，在电流阶跃工况和燃料电池混合动力汽车（FCHV）实际电流工况下，将所提控制器与PID、滑模控制器进行对比。

4. 研究结果

4.1 燃料电池工作区工况

4.1.1 无吹扫气体流量扰动场景

在无吹扫信号的场景下，输入250至320 A的负载电流阶跃工况。结果显示，当负载电流上升时，电堆氢气消耗增加，阳极压力因系统响应滞后出现短暂下降趋势；当负载电流下降时，阳极压力短暂上升。电流稳定时，三种控制器均能良好稳定阳极压力。相比PID控制器，BSMC和SMC控制器响应速度更快，能在更短时间内达到控制目标且无超调现象。在外部负载电流向上或向下阶跃过程中，BSMC控制器具有最优的压力波动抑制效果，调节时间更短，能将阳极压力更快恢复到设定目标值。此外，在负载电流阶跃的同时改变理论参考压力（40 s时电流上升且目标压力增加，60 s时电流下降且目标压力降低）的工况下，BSMC控制效果明显优于SMC和PID控制器。

4.1.2 含吹扫气体流量扰动场景

为验证NNBSMC控制器的性能，在上述阶跃电流条件下加入周期性吹扫信号，每15 s进行一次持续1 s的吹扫。比较PID、BSMC和NNBSMC三种控制器的控制性能。结果表明，NNBSMC控制器能有效补偿吹扫过程引起的压力波动，而BSMC控制器因缺乏补偿措施，在吹扫阀工作时会产生较大压差，影响燃料电池系统的稳定运行。在负载电流阶跃与吹扫同时发生的双外部扰动情况下，负载电流阶跃对吹扫过程中的阳极压力波动会产生一定补偿或放大作用，但整体上NNBSMC控制器的控制性能明显优于另外两类控制器。

4.2 燃料电池车辆工况

为更真实反映燃料电池车辆实际行驶过程中的输出性能特性，研究人员采用从相关参考文献中获得的燃料电池混合动力汽车实际运行过程中采集的负载电流工况数据集进行验证。该工况为燃料电池与动力电池的总电流，实际整车燃料电池系统的电流变化率远低于直流（DC）母线电流。将工况电流缩放并限制在120 A以上，使其处于所建立模型的正常工作范围内，同时保证喷射器运行在回流模式，避免氢气供给不足导致输出性能受限。在此工况下控制结果表明，PID控制器在大电流波动和吹扫扰动条件下未能良好控制阳极氢气压力，频繁的压力波动不利于电堆输出性能稳定，且过大的两极压差会对质子交换膜和电堆造成不可逆损伤。SMC和NNBSMC控制器的控制效果明显优于PID控制器。在外部干扰情况下，NNBSMC控制器表现出更优的性能，能有效维持燃料电池氢气压力稳定，具有最好的鲁棒性。NNBSMC控制器下的阳极氢气化学计量比在整个运行过程中基本维持在2至4之间，能充分保证阳极系统充足的氢气流量供给。综合评价三种控制器在实车工况下的控制效果，采用最大跟踪误差（MAX_ERROR）、平均绝对误差（MAE）和均方根误差（RMSE）三个动态性能指标进行量化。结果显示，NNBSMC控制器的三项指标均显著优于其他两种控制器，表现出优异的控制性能和鲁棒性。

5. 总结与讨论

研究人员针对基于单喷射器的PEMFC氢气再循环系统，开发了融合RBF神经网络的反步滑模控制器。该控制器通过反步设计构造了系统状态的递推控制律，利用滑模项保证对参数不确定性和外部扰动的鲁棒性，并通过RBF神经网络在线补偿吹扫引起的气体流量未知扰动，从而在不同系统状态下自适应修正控制律。稳定性分析表明，通过合理选取控制器参数k?、k?和h，可保证李雅普诺夫函数导数负定，并借助Barbalat引理证明系统渐近稳定。研究结论为：（1）在无吹扫运行场景下，BSMC方案比工业常用的PID控制器和滑模控制器具有更好的控制效果和鲁棒性；（2）加入周期性吹扫作用后，NNBSMC控制器能精确补偿吹扫过程产生的压力波动，而无补偿的BSMC控制器会导致电堆阳极在吹扫阀工作时产生较大压差，不利于燃料电池稳定运行；（3）在实车负载条件下，融合RBF神经网络的BSMC控制器较传统PID控制器具有更好的稳定性和目标跟踪性能，最大跟踪误差为8.173 kPa，平均绝对误差为0.17 kPa，均方根误差为0.53 kPa。这些结果证实了所提出的控制策略对于管理喷射器式阳极再循环系统中的氢气压力动态是有效的，为在实际行驶条件下提高燃料电池系统的稳定性和鲁棒性提供了实用解决方案。未来研究将聚焦于所提控制器的实验验证以及进一步探索先进自适应控制方法以提高实际适用性。