基于数据驱动的车用燃料电池故障在线自适应诊断算法

摘要：

长短期记忆(LSTM)多分类算法可以有效地实现车用燃料电池的在线智能故障诊断,然而在实际应用中,车用燃料电池随着运行时间的增加,内部特性会发生衰退,初始诊断模型可能不能满足长期故障诊断的精度.针对该问题,本文基于AVLCURISEM软件搭建了PEMFC原始和衰退模型,并使用模型产生故障数据.随后设计了 自适应算法,并使用模型产生的数据进行自适应训练,使得诊断模型能够适应电堆的衰退,保证了车用燃料电池在线智能诊断的精度.在实际燃料电池系统中对该方案进行实测验证,证明了其有效性,该方案可以基于"车端-云端"平台对燃料电池系统进行诊断,算法权重可以自适应更新,以完成对电堆老化的适应,有较好的应用前景.

关键词：车辆工程、LSTM多分类、在线智能诊断、模型参数、自适应

所属期刊栏目：52

分类号：TK91

资助基金：同济大学-AVL李斯特博士后/博士生基金项目1700165103425110

在线出版日期：2022-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2107-2118