1.本技術涉及燃料電池領域，更具體的說，是涉及一種燃料電池系統(tǒng)水淹故障診斷方法和裝置。

背景技術：

2.氫氧燃料電池汽車用以質子交換膜燃料電池(pemfc，proton exchange membrane fuel cell)系統(tǒng)為核心，使用高純度氫氣與空氣中的氧氣發(fā)生電化學反應，產生電能驅動車輛運行。氫氧燃料電池是零排放或近似零排放的車載動力解決方案，具有運行平穩(wěn)噪音低、經濟性高、加注燃料快。環(huán)境適應性強等優(yōu)點。隨著環(huán)境污染與全球氣候變暖問題的日益嚴重，其作為一種汽車動力系統(tǒng)解決方案而日益受到關注。

3.對于車載應用，質子交換膜燃料電池系統(tǒng)的性能、耐用性和可靠性是最具挑戰(zhàn)性的問題，其在很大程度上取決于燃料電池系統(tǒng)的水熱管理。隨著車載燃料電池系統(tǒng)的功率密度日益提升，燃料電池堆需要在更高的電流密度下運行，并產生更多的液態(tài)水。液態(tài)水容易阻塞氣體擴散層和氣體流道，導致反氣體不足，降低系統(tǒng)性并損害電堆耐久性。因此對燃料電池系統(tǒng)的水淹故障進行有效診斷十分重要?？煽康脑\斷手段可以及時對控制系統(tǒng)進行預警，使得控制系統(tǒng)做出必要的控制措施，避免燃料電池的水淹故障繼續(xù)加深。

4.現有技術中，采用神經網絡診斷模型對于燃料電池進行水淹故障檢測，如常用方法有pca(principal components analysis，主成分分析)降維方法、svm(support vector machine，支持向量機)分類器、lstm(long short-term memory，長短期記憶網絡)分類器等。這類方法具有一定的診斷精度，但是需求數據量較大、且在車載條件下，對運算資源的消耗較大。

技術實現要素：

5.有鑒于此，本技術提供了一種燃料電池系統(tǒng)水淹故障診斷方法，如下：

6.一種燃料電池系統(tǒng)水淹故障診斷方法，包括：

7.獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；

8.基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；

9.基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；

10.基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；

11.基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。

12.上述的方法，可選的，預設特征參數隨機分布概率，包括：

13.對燃料電池輸出預設交流激勵電流；

14.從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；

15.對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；

16.讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；

17.基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；

18.基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；

19.基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。

20.上述的方法，可選的，所述基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合，包括：

21.基于所述目標特征參數的每個樣本值，分析對應的輸出電流和輸出電壓，得到至少兩個頻譜圖；

22.基于所述至少兩個頻譜圖中的幅移和相移，分析得到所述燃料電池發(fā)生水淹故障或者未發(fā)生水淹故障；

23.根據分析得到燃料電池發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值；

24.根據分析得到燃料電池未發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是未發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值。

25.上述的方法，可選的，所述基于所述燃料電池發(fā)生水淹故障的樣本個數以及樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數概率，包括：

26.采用極大似然估計樣本密度，對于所述目標特征參數的發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池發(fā)生水淹故障時的高斯分布參數。

27.上述的方法，可選的，所述基于所述燃料電池未發(fā)生水淹故障的樣本個數以及樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數，包括：

28.采用極大似然估計樣本密度，對于所述目標特征參數的未發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池未發(fā)生水淹故障時的高斯分布參數。

29.上述的方法，可選的，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)、冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速。

30.一種燃料電池系統(tǒng)水淹故障診斷裝置，包括：

31.獲取模塊，用于獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；

32.分析模塊，用于基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的

發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；

33.判斷模塊，用于基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；或者，基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。

34.上述的裝置，可選的，還包括：

35.預設模塊，用于預設特征參數隨機分布概率。

36.上述的裝置，可選的，所述預設模塊，具體用于：

37.對燃料電池輸出預設交流激勵電流；

38.從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；

39.對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；

40.讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；

41.基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；

42.基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；

43.基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。

44.上述的裝置，可選的，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)、冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速。

45.經由上述的技術方案可知，本技術提供了一種燃料電池系統(tǒng)水淹故障診斷方法，包括：獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。本方案中，基于預設的特征參數分布概率，分析得到多個特征參數實時值分別對應的發(fā)生水淹概率和未發(fā)生水淹概率，基于該多個獨立的特征參數發(fā)生水淹概率和未發(fā)生水淹概率分析確定整個燃料電池系統(tǒng)發(fā)生水淹概率和未發(fā)生水淹概率，從中選擇概率較大的一個作為最終結果，數據處理量小。

附圖說明

46.為了更清楚地說明本技術實施例中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本技術的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據提供的附圖

獲得其他的附圖。

47.圖1是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例1的流程圖；

48.圖2是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例1提供的燃料電池動力系統(tǒng)示意圖；

49.圖3是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例2的流程圖；

50.圖4是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例2中步驟s301的具體流程圖；

51.圖5所示的為本技術提供的一種燃料電池系統(tǒng)水淹故障診斷裝置實施例的結構示意圖；

52.圖6所示的是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法在應用場景中的示意圖；

53.圖7所示的是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法的具體實驗場景中的實驗數據示意圖；

54.圖8所示的是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法的具體實驗場景中的診斷結果示意圖。

具體實施方式

55.下面將結合本技術實施例中的附圖，對本技術實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本技術一部分實施例，而不是全部的實施例?；诒炯夹g中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本技術保護的范圍。

56.如圖1所示的，是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例1的流程圖，該方法應用于一車載系統(tǒng)，該方法包括以下步驟：

57.步驟s101：獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；

58.其中，燃料電池系統(tǒng)運行過程中，可以實時對其多個特征參數的值進行獲取，以基于該特征參數的實時值進行判斷是否出現水淹故障。

59.具體的，車載系統(tǒng)中對于各個特征參數的實時值進行獲取。

60.其中，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水出口溫度、冷卻泵轉速、排氫閥狀態(tài)、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速、冷卻水入口溫度。

61.其中，上述的特征參數是燃料電池運行中相關的特征，任意特征參數均能夠表征該燃料電池是否發(fā)生水淹。

62.具體的，氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)可以通過車載系統(tǒng)的控制器獲??；冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速可以通過汽車can(controller area network，控制器局域網絡)總線獲取。

63.如圖2所示的為燃料電池動力系統(tǒng)示意圖，系統(tǒng)中的傳感器分別監(jiān)測氫氣入口壓力、空氣入口壓力和流量、電堆入口和電堆出口溫度、電堆的輸出電壓和輸出電流。另外控

制器通過can總線，采集循環(huán)泵、水泵、空氣壓縮機、背壓閥、尾排閥和節(jié)溫器的反饋信號。具體的，該系統(tǒng)中包括：穩(wěn)壓一體傳感器p/t、溫度流量一體傳感器t/f、壓力傳感器p、電力傳感器a、溫度傳感器t以及電壓傳感器v。

64.其中，氫氣通過氫氣入口通過氫噴射器進入電堆，電堆輸出氫氣通過氫循環(huán)泵返回電堆；電堆輸出尾氣通過尾排閥輸出到排出；壓力傳感器p檢測氫氣入口壓力?？諝馔ㄟ^空氣入口通過空氣壓縮機經過中冷器輸入電堆；電堆輸出尾氣通過背壓閥輸出到出口排出；溫度流量一體傳感器t/f檢測空氣入口流量和溫度，溫壓一體傳感器p/t檢測電堆中空氣入口壓力和溫度。系統(tǒng)中設置有水泵c、散熱器和節(jié)溫器，電堆的冷卻水入口壓力和出口壓力分別通過兩個t壓力傳感器檢測。電壓傳感器v和電流傳感器a檢測電堆的總電流和總電壓。

65.本技術中，利用的是燃料電池動力系統(tǒng)中現有的系統(tǒng)輔助系統(tǒng)和傳感器，無需設置更多的傳感器。

66.需要說明的是，本技術中，各個特征參數采用的是隨機變量的特征分布。

67.在燃料電池系統(tǒng)中，各個特征參數獨立控制，故根據樸素貝葉斯假設，作為輸入的隨機變量相互獨立，不存在依賴關系。

68.步驟s102：基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；

69.其中，預設有特征參數的隨機分布概率。如下表1所示的為特征參數發(fā)生水淹(y＝1)概率分布和未發(fā)生水淹(y＝0)概率分布表。

70.其中，系統(tǒng)的輸入為z(x1＝z1，x2＝z2，x3＝z3，x4＝z4，x5＝z5，x6＝z6，x7＝z7，x8＝z8，x9＝z9，x

10

＝z

10

，x

11

＝z

11

)

71.表1

[0072][0073]

步驟s103：基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概

率；

[0074]

其中，基于該特征參數的實時值確定對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率。

[0075]

計算y＝1和y＝0時的條件概率的過程如下：

[0076][0077][0078]

比較上述兩式的大小，可以通過等效比較如下兩式大小

[0079]

p(z|y＝1)p(y＝1)

???

(3)

[0080]

p(z|y＝0)p(y＝0)

???

(4)

[0081]

由于在本技術中的燃料電池系統(tǒng)中，各個特征參數獨立控制，故根據樸素貝葉斯假設，作為輸入的隨機變量相互獨立，不存在依賴關系。所以，此處計算時，根據樸素貝葉斯假設作為輸入的隨機變量相互獨立，不存在依賴關系。上述(3)和(4)具體如下所示：

[0082][0083][0084]

其中，k和n是預設參數值。

[0085]

具體的，基于系統(tǒng)采集的特征參數的實時值以及上述(5)和(6)計算得到的結果值進行比較。

[0086]

若(5)的結果值大于(6)，則燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率；

[0087]

若(5)的結果值不大于(6)，則燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率。

[0088]

步驟s104：基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；

[0089]

步驟s105：基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。

[0090]

具體的，基于(5)和(6)的計算結果，分析確定燃料電池系統(tǒng)發(fā)生水淹概率與未發(fā)生水淹概率哪個更大，判定該燃料電池系統(tǒng)是否發(fā)生水淹故障。

[0091]

其中，在判定燃料電池系統(tǒng)發(fā)生水淹故障時，進行后續(xù)的故障處理。

[0092]

具體的，當判斷燃料電池系統(tǒng)發(fā)生水淹故障，則對控制系統(tǒng)進行預警。控制系統(tǒng)會采取增加排氫閥開啟頻率等措施增加排水。若故障恢復成功，則系統(tǒng)恢復運行狀態(tài)；若故障恢復失敗，則系統(tǒng)進入故障急停狀態(tài)。

[0093]

綜上所述，本實施例提供了一種燃料電池系統(tǒng)水淹故障診斷方法，包括：獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；基于

預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。本方案中，基于預設的特征參數分布概率，分析得到多個特征參數實時值分別對應的發(fā)生水淹概率和未發(fā)生水淹概率，基于該多個獨立的特征參數發(fā)生水淹概率和未發(fā)生水淹概率分析確定整個燃料電池系統(tǒng)發(fā)生水淹概率和未發(fā)生水淹概率，從中選擇概率較大的一個作為最終結果，數據處理量小。

[0094]

如圖3所示的，為本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例2的流程圖，該方法包括以下步驟：

[0095]

步驟s301：預設特征參數隨機分布概率；

[0096]

其中，在對于燃料電池系統(tǒng)是否出現水淹故障診斷之前，先對于特征參數的隨機分布概率進行預設。

[0097]

步驟s302：獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；

[0098]

步驟s303：基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；

[0099]

步驟s304：基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；

[0100]

步驟s305：基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；

[0101]

步驟s306：基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。

[0102]

其中，步驟s302-306與實施例1中的步驟s101-105一致，本實施例中不再贅述。

[0103]

如圖4所示的，為本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例2中步驟s301的具體流程圖，包括以下步驟：

[0104]

步驟s401：對燃料電池輸出預設交流激勵電流；

[0105]

其中，對于燃料電池輸出約定值的電流，并疊加交流激勵。

[0106]

其中，該交流激勵采用2a(安培)。

[0107]

步驟s402：從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；

[0108]

其中，該特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水出口溫度、冷卻泵轉速、排氫閥狀態(tài)、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速、冷卻水入口溫度。

[0109]

本實施例中，依次對于該特征參數中的每個進行確定其隨機分布概率的過程。

[0110]

具體實施中，采用thda設備對于特征參數進行標記，并建立分析模型，以實現基于

該分析模型進行訓練數據，經過訓練得到各個特征參數隨機分布概率，以使得在輸入z(x1＝z1，x2＝z2，x3＝z3，x4＝z4，x5＝z5，x6＝z6，x7＝z7，x8＝z8，x9＝z9，x

10

＝z

10

，x

11

＝z

11

)時，該分析模型能夠分析發(fā)生水淹的概率和未發(fā)生水淹的概率，進而判斷燃料電池是否發(fā)生水淹，輸出判斷結果。

[0111]

步驟s403：對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；

[0112]

其中，該特征參數具體是車載運行狀態(tài)下的信號，具體可以通過控制器ad采樣或者是通過汽車的can總線采樣檢測。

[0113]

步驟s404：讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；

[0114]

其中，該輸出電壓值與輸出電流值表征了該燃料電池的運行情況，本技術中，基于該目標特征參數采用樣本值作為輸入時，該燃料電池的運行情況。

[0115]

步驟s405：基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；

[0116]

本技術中，對于輸出電流和輸出電壓值進行計算頻譜，診斷該燃料電池是否發(fā)生水淹故障。

[0117]

其中，所述步驟s405，包括：

[0118]

步驟s4051：基于所述目標特征參數的每個樣本值，分析對應的輸出電流和輸出電壓，得到至少兩個頻譜圖；

[0119]

其中，對于該特征參數進行隨機采樣后，對于每個特征參數的采樣的樣本值分析其對應的輸出電流和輸出電壓，得到頻譜圖，該頻譜圖表征了燃料電池的狀況。

[0120]

具體的，基于輸出電流和輸出電壓，計算得到該燃料電池的阻抗值，基于該阻抗值得到頻譜圖。

[0121]

步驟s4052：基于所述至少兩個頻譜圖中的幅移和相移，分析得到所述燃料電池發(fā)生水淹故障或者未發(fā)生水淹故障；

[0122]

其中，幅移是輸出電流與輸入電流之間的幅值變化情況，相移是輸出電流與輸入電流之間的相位變化情況。

[0123]

具體的，對于該頻譜圖進行分析，確定了輸出電壓電流和輸入電流之間的幅移和相移，基于幅移和相移分別滿足變化閾值結合燃料電池的阻抗值，判定燃料電池發(fā)生水淹故障，否則，燃料電池未發(fā)生水淹故障。

[0124]

具體實施中，該變化閾值是根據實際情況進行設置，本技術中不做限制。

[0125]

步驟s4053：根據分析得到燃料電池發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值；

[0126]

其中，在基于頻譜圖確定了燃料電池發(fā)生水淹故障時，選擇與該頻譜圖對應的樣本值，將各個樣本值集合，得到該特征參數發(fā)生水淹故障的樣本值集合。

[0127]

步驟s4054：根據分析得到燃料電池未發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是未發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值。

[0128]

其中，在基于頻譜圖確定了燃料電池未發(fā)生水淹故障時，選擇與該頻譜圖對應的

樣本值，將各個樣本值集合，得到該特征參數未發(fā)生水淹故障的樣本值集合。

[0129]

其中，如下表2所示的，是各個特征參數的相關信息，包括采用的隨機變量表示以及信號獲取方式。

[0130]

表2

[0131][0132]

步驟s406：基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；

[0133]

具體的，基于上述步驟s405中確定的發(fā)生水淹故障的樣本值集合，分析確定相應的特征參數的隨機分布參數。

[0134]

具體的，采用極大似然估計樣本密度，對于所述目標特征參數的發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池發(fā)生水淹故障時的高斯分布參數。

[0135]

燃料電池水淹狀態(tài)的隨機變量記為y，符合伯努利分布，1代表發(fā)生水淹故障，0代表未發(fā)生水淹故障。基于極大似然估計原理，容易得到下式：

[0136][0137]

其中k為樣本中y＝1的個數，n為全部樣本個數。

[0138]

使用高斯分布，對于上述輸入進行建模，高斯分布的表達如下：

[0139][0140]

以氫氣入口壓力為例，假設當y＝1的條件下，氫氣入口壓力采樣數據為x

11

、x

12

……

x

1n

。假設其滿足高斯分布，即x1～(μ1，σ

12

)。當y＝0時的氫氣入口壓力采樣同樣滿足

高斯分布x'1～(μ'1，σ'

12

)。

[0141]

使用極大似然估計，對樣本的密度方程求極大值，即

[0142][0143]

對上式求解極大值，等效求解下式極小值

[0144][0145]

對上述(9)和(10)求解，得到如下：

[0146][0147][0148]

步驟s407：基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。

[0149]

具體的，基于上述步驟s405中確定的未發(fā)生水淹故障的樣本值集合，分析確定相應的特征參數的隨機分布參數。

[0150]

具體的，采用極大似然估計樣本密度，對于所述目標特征參數的未發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池未發(fā)生水淹故障時的高斯分布參數。

[0151]

參考上述分析得到發(fā)生水淹故障的高斯分布參數的過程，得到未發(fā)生水淹故障時的高斯分布參數如下：

[0152][0153][0154]

基于上述分析的過程，得到各個特征參數發(fā)生水淹故障時和未發(fā)生水淹故障時的高斯分布參數，如實施例1中的表1所示。

[0155]

與上述本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法實施例相對應的，本技術還提供了應用該燃料電池系統(tǒng)水淹故障診斷方法的裝置實施例。

[0156]

如圖5所示的為本技術提供的一種燃料電池系統(tǒng)水淹故障診斷裝置實施例的結構示意圖，該裝置包括以下結構：獲取模塊501、分析模塊502和判斷模塊503；

[0157]

其中，該獲取模塊501，用于獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；

[0158]

其中，該分析模塊502，用于基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；

[0159]

其中，該判斷模塊503，用于基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；或者，基于所述燃料電池系

統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。

[0160]

可選的，上述的裝置，還包括：

[0161]

預設模塊，用于預設特征參數隨機分布概率。

[0162]

可選的，上述的裝置，所述預設模塊，具體用于：

[0163]

對燃料電池輸出預設交流激勵電流；

[0164]

從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；

[0165]

對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；

[0166]

讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；

[0167]

基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；

[0168]

基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；

[0169]

基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。

[0170]

可選的，上述的裝置，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)、冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速。

[0171]

需要說明的是，本裝置中的結構的功能解釋參考方法實施例，本實施例中不再贅述。

[0172]

綜上所述，本技術提供了一種燃料電池系統(tǒng)水淹故障診斷裝置，基于預設的特征參數分布概率，分析得到多個特征參數實時值分別對應的發(fā)生水淹概率和未發(fā)生水淹概率，基于該多個獨立的特征參數發(fā)生水淹概率和未發(fā)生水淹概率分析確定整個燃料電池系統(tǒng)發(fā)生水淹概率和未發(fā)生水淹概率，從中選擇概率較大的一個作為最終結果，數據處理量小。

[0173]

如圖6所示的是本技術提供的一種燃料電池系統(tǒng)水淹故障診斷方法在應用場景中的示意圖，其中，該方法應用于系統(tǒng)控制中，本場景中采用thda(harmonic distortion factor analysis,諧波失真因子分析)診斷設備進行采樣。

[0174]

具體過程如下：

[0175]

燃料電池系統(tǒng)自檢；

[0176]

若自檢失敗，燃料電池系統(tǒng)進入故障急停狀態(tài)；

[0177]

若自檢成功，進入啟動流程；

[0178]

若啟動失敗，燃料電池系統(tǒng)進入故障急停狀態(tài)；

[0179]

若啟動成功，開啟水淹故障檢測流程；

[0180]

其中，該故障檢測流程采用的是本技術中提供的燃料電池系統(tǒng)水淹故障診斷方法。

[0181]

在燃料電池運行過程中，若檢測到燃料電池系統(tǒng)發(fā)生水淹故障，對控制系統(tǒng)進行預警?？刂葡到y(tǒng)會采取增加排氫閥開啟頻率等措施增加排水。若故障恢復成功，則系統(tǒng)恢復

運行狀態(tài)；若故障恢復失敗，則系統(tǒng)進入故障急停狀態(tài)。

[0182]

當整車控制觸發(fā)關機指令，燃料電池系統(tǒng)進入關機狀態(tài)，并關閉水淹故障檢測流程。

[0183]

當整車控制觸發(fā)怠速指令，燃料電池系統(tǒng)進行怠速狀態(tài)，同時關閉水淹故障檢測流程；當整車控制觸發(fā)運行指令，則系統(tǒng)從怠速狀態(tài)恢復運行狀態(tài)，同時激活水淹故障檢測流程。

[0184]

本技術中還提供了一種燃料電池系統(tǒng)水淹故障診斷方法的具體實驗場景。

[0185]

圖7所示的為該具體實驗場景中的實驗數據示意圖，圖8所示的是該具體實驗場景中的診斷結果示意圖。

[0186]

實驗使用的燃料電池系統(tǒng)是上海捷氫科技p390全功率燃料電池系統(tǒng)，系統(tǒng)功率92kw，最高效率60％，工作溫度95℃，最低啟動溫度為零下30℃。系統(tǒng)由氫氣子系統(tǒng)，空氣子系統(tǒng)，散熱子系統(tǒng)，電氣子系統(tǒng)構成?？諝庾酉到y(tǒng)和氫氣子系統(tǒng)分別為燃料電池系統(tǒng)提供符合系統(tǒng)運行的陰陽極氣體壓力和流量；散熱子系統(tǒng)控制冷卻液流量為系統(tǒng)散熱，電氣子系統(tǒng)控制系統(tǒng)功率輸出。

[0187]

測試中，運行基于貝葉斯分類器的燃料電池水淹診斷模型，同時降低系統(tǒng)陽極出口分水器的分水效率，使得系統(tǒng)更容易發(fā)生水淹。為驗證模型的有效性，使用貝葉斯分類模型進行診斷的同時，使用thda診斷設備對系統(tǒng)進行診斷，從而驗證貝葉斯分類模型診斷的正確性。

[0188]

系統(tǒng)運行在800s到920s的數據如圖7所示，診斷結果如圖8所示。在系統(tǒng)運行的約832秒，本技術應用燃料電池系統(tǒng)水淹故障診斷方法的貝葉斯診斷模型的輸出由0變?yōu)?，發(fā)生水淹故障；約0.2s后thda診斷設備報出了水淹故障。實驗結果驗證了該模型對燃料電池水淹故障的診斷效果。

[0189]

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例提供的裝置而言，由于其與實施例提供的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。

[0190]

對所提供的實施例的上述說明，使本領域專業(yè)技術人員能夠實現或使用本技術。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本技術的精神或范圍的情況下，在其它實施例中實現。因此，本技術將不會被限制于本文所示的這些實施例，而是要符合與本文所提供的原理和新穎特點相一致的最寬的范圍。技術特征：

1.一種燃料電池系統(tǒng)水淹故障診斷方法，其特征在于，包括：獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。2.根據權利要求1所述的方法，其特征在于，預設特征參數隨機分布概率，包括：對燃料電池輸出預設交流激勵電流；從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。3.根據權利要求2所述的方法，其特征在于，所述基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合，包括：基于所述目標特征參數的每個樣本值，分析對應的輸出電流和輸出電壓，得到至少兩個頻譜圖；基于所述至少兩個頻譜圖中的幅移和相移，分析得到所述燃料電池發(fā)生水淹故障或者未發(fā)生水淹故障；根據分析得到燃料電池發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值；根據分析得到燃料電池未發(fā)生水淹故障對應的至少一個頻譜圖，確定所述至少一個頻譜圖對應的樣本值集合，該樣本值集合是未發(fā)生水淹故障的樣本值集合，所述樣本值集合中包含至少一個樣本值。4.根據權利要求3所述的方法，其特征在于，所述基于所述燃料電池發(fā)生水淹故障的樣本個數以及樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數概率，包括：

采用極大似然估計樣本密度，對于所述目標特征參數的發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池發(fā)生水淹故障時的高斯分布參數。5.根據權利要求3所述的方法，其特征在于，所述基于所述燃料電池未發(fā)生水淹故障的樣本個數以及樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數，包括：采用極大似然估計樣本密度，對于所述目標特征參數的未發(fā)生水淹故障的樣本值集合進行分析處理，得到燃料電池未發(fā)生水淹故障時的高斯分布參數。6.根據權利要求1-5任一項所述的方法，其特征在于，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)、冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速。7.一種燃料電池系統(tǒng)水淹故障診斷裝置，其特征在于，包括：獲取模塊，用于獲取當前時刻燃料電池系統(tǒng)中至少兩個特征參數的實時值，所述至少兩個特征參數之間獨立；分析模塊，用于基于預設的特征參數隨機分布概率，分析得到至少兩個特征參數的實時值對應的發(fā)生水淹概率和未發(fā)生水淹概率；基于至少兩個特征參數的實時值對應的發(fā)生水淹故障概率和未發(fā)生水淹故障概率，分析得到所述燃料電池系統(tǒng)發(fā)生水淹概率和所述燃料電池系統(tǒng)未發(fā)生水淹概率；判斷模塊，用于基于所述燃料電池系統(tǒng)發(fā)生水淹概率大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)發(fā)生水淹故障；或者，基于所述燃料電池系統(tǒng)發(fā)生水淹概率不大于所述燃料電池系統(tǒng)未發(fā)生水淹概率，判定所述燃料電池系統(tǒng)未發(fā)生水淹故障。8.根據權利要求7所述的裝置，其特征在于，還包括：預設模塊，用于預設特征參數隨機分布概率。9.根據權利要求8所述的裝置，其特征在于，所述預設模塊，具體用于：對燃料電池輸出預設交流激勵電流；從所述至少兩個特征參數中依次選擇一個特征參數作為所述燃料電池系統(tǒng)中目標特征參數，所述目標特征參數的取值采用隨機變量；對于所述目標特征參數進行隨機采樣，得到至少兩個樣本值；讀取每個目標特征參數樣本值對應的所述燃料電池的輸出電流值與輸出電壓值；基于所述輸出電流和輸出電壓值，分析所述燃料電池發(fā)生水淹故障的樣本值集合、所述燃料電池未發(fā)生水淹故障的樣本值集合；基于所述燃料電池發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池發(fā)生水淹故障的隨機分布參數；基于所述燃料電池未發(fā)生水淹故障的樣本值集合，分析得到所述目標特征參數在燃料電池未發(fā)生水淹故障的隨機分布參數。10.根據權利要求7所述的裝置，其特征在于，所述特征參數包括以下至少兩個：氫氣入口壓力、空氣入口壓力、空氣入口流量、冷卻水入口溫度、冷卻水出口溫度、排氫閥狀態(tài)、冷卻泵轉速、電堆總電流、電堆總電壓、氫循環(huán)泵電流、氫循環(huán)泵轉速。

技術總結

本申請?zhí)峁┝艘环N燃料電池系統(tǒng)水淹故障診斷方法，燃料電池系統(tǒng)中多個特征參數之間獨立，且符合隨機分布概率，基于特征參數分布概率，分析得到多個特征參數實時值分別對應的發(fā)生水淹概率和未發(fā)生水淹概率，基于該多個獨立的特征參數發(fā)生水淹概率和未發(fā)生水淹概率分析確定整個燃料電池系統(tǒng)發(fā)生水淹概率和未發(fā)生水淹概率，從中選擇概率較大的一個作為最終結果，數據處理量小。數據處理量小。數據處理量小。

技術研發(fā)人員：顧欣 侯中軍 蔡俊 杜迎夢 陳飛飛

受保護的技術使用者：上海捷氫科技股份有限公司

技術研發(fā)日：2022.05.19

技術公布日：2022/8/2