李洪軍 ,汪大春 ,楊哲昊 ,韓 瑩

(1.國能黃驊港務(wù)有限責(zé)任公司,河北 滄州 061110;2.西南交通大學(xué)電氣工程學(xué)院,四川 成都 611756)

質(zhì)子交換膜燃料電池(PEMFC)功率密度高、能量轉(zhuǎn)換效率高、負(fù)載響應(yīng)快且環(huán)保無污染,受到廣泛關(guān)注。燃料電池系統(tǒng)結(jié)構(gòu)復(fù)雜,容易出現(xiàn)多種故障,發(fā)展應(yīng)用受限[1]。進(jìn)行燃料電池故障診斷研究,不僅可以保證發(fā)電系統(tǒng)的安全可靠運(yùn)行,還能為燃料電池大規(guī)模發(fā)展提供有利條件。

燃料電池故障診斷方法主要包括基于實(shí)驗(yàn)?zāi)Ｐ秃突跀?shù)據(jù)驅(qū)動(dòng)兩類方法。文獻(xiàn)[2]對(duì)燃料電池故障特征指標(biāo)進(jìn)行研究,提出基于深度學(xué)習(xí)的PEMFC 水淹故障診斷方法,可自動(dòng)提取原始數(shù)據(jù)的故障特征來診斷水淹故障。文獻(xiàn)[3]提出一種基于氣體壓力降的燃料電池水故障診斷方法,搭建了PEMFC 水故障診斷測試平臺(tái)。文獻(xiàn)[4]提出一種基于球形多類支持向量機(jī)(SVM)和Shapelet 變換的PEMFC 故障診斷方法,可識(shí)別膜干、低高壓、低空氣過量系數(shù)故障和正常狀態(tài)等健康狀態(tài),整體準(zhǔn)確率為96.13%?；跀?shù)據(jù)驅(qū)動(dòng)的診斷方法使用監(jiān)測的歷史信息來了解系統(tǒng)特性并完成故障診斷,無需搭建燃料電池模型,運(yùn)算效率高且可快速實(shí)現(xiàn),在燃料電池系統(tǒng)故障診斷領(lǐng)域得到廣泛應(yīng)用。

本文作者提出基于深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)的PEMFC 水管理故障診斷方法。首先利用主成分分析(PCA)對(duì)原始實(shí)驗(yàn)數(shù)據(jù)進(jìn)行消除量綱和維度縮減操作,以提取故障特征向量并降低運(yùn)算復(fù)雜度;再使用DCGAN 對(duì)PEMFC 數(shù)據(jù)樣本實(shí)現(xiàn)故障診斷,以提高故障診斷準(zhǔn)確率,并縮短診斷時(shí)間。對(duì)比BP 神經(jīng)網(wǎng)絡(luò)(BPNN)和SVM 算法的診斷結(jié)果,采用1 800 組PEMFC 故障樣本數(shù)據(jù)集,對(duì)所提方法的可行性進(jìn)行驗(yàn)證。

1 PEMFC 故障模式

PEMFC 系統(tǒng)故障類別如圖1 所示。

圖1 PEMFC 系統(tǒng)故障類別Fig.1 Category of the failure of proton exchange membrane fuel cell(PEMFC) system

PEMFC 系統(tǒng)由電堆模塊和輔機(jī)設(shè)備(如氫氣/空氣供給系統(tǒng)、氣體加濕系統(tǒng)、熱管理系統(tǒng)和數(shù)據(jù)采集及控制系統(tǒng)等)組成,系統(tǒng)故障可分為電堆故障和輔機(jī)設(shè)備故障。電堆故障包括電堆水淹、膜干和催化劑中毒等可逆故障,以及質(zhì)子交換膜破損、電極穿孔等不可逆故障[5]。以上故障中,最常見的是電堆水淹和膜干故障,都屬于水管理故障。水淹故障是由于電堆內(nèi)部電化學(xué)反應(yīng)產(chǎn)生的水無法排出或排出不暢,導(dǎo)致液態(tài)水累積;膜干故障則是由于電堆內(nèi)部水含量過低,膜干燥導(dǎo)致電化學(xué)反應(yīng)無法正常進(jìn)行。實(shí)驗(yàn)主要針對(duì)PEMFC的水管理故障展開診斷方法研究。

2 算法概述

2.1 深度卷積生成對(duì)抗網(wǎng)絡(luò)(DCGAN)算法

2.1.1 生成對(duì)抗網(wǎng)絡(luò)(GAN)

GAN 是一種基于對(duì)抗思想進(jìn)行訓(xùn)練的網(wǎng)絡(luò)結(jié)構(gòu),核心思想源于博弈論中的納什均衡。GAN 由生成器和判別器兩部分組成,其中,生成器對(duì)輸入的真實(shí)數(shù)據(jù)樣本進(jìn)行分析,生成與真實(shí)數(shù)據(jù)特征相近的新數(shù)據(jù)樣本。這些樣本與真實(shí)樣本一并輸入判別器,再由判別器對(duì)輸入數(shù)據(jù)進(jìn)行判別,將真實(shí)數(shù)據(jù)和生成器生成的數(shù)據(jù)樣本進(jìn)行分類。

生成器的輸入包含真實(shí)數(shù)據(jù)樣本,還有隨機(jī)生成的噪聲z。在捕捉真實(shí)數(shù)據(jù)的潛在分布特征后,可以生成與真實(shí)樣本相近的數(shù)據(jù)Xgen=G(z)。判別器的輸入由兩部分構(gòu)成,包括生成的虛假數(shù)據(jù)Xgen和真實(shí)輸入數(shù)據(jù)Xreal,通過輸出概率值D(X),判別輸入數(shù)據(jù)是真實(shí)的還是生成的。生成器與判別器不斷對(duì)抗,前者生成更真實(shí)的數(shù)據(jù),后者判別輸入的數(shù)據(jù)真實(shí)與否。通過二者的迭代對(duì)抗訓(xùn)練,同時(shí)改善性能,最終達(dá)到納什平衡[6]。目標(biāo)函數(shù)如式(1)所示:

由于GAN 具有無監(jiān)督學(xué)習(xí)特性,將導(dǎo)致Xgen可能會(huì)與Xreal差異較大。此外,不同輸入數(shù)據(jù)集的特征分布存在差異,將導(dǎo)致GAN 訓(xùn)練過程不穩(wěn)定。

2.1.2 DCGAN

為解決GAN 存在的缺陷,引入卷積神經(jīng)網(wǎng)絡(luò)(CNN),并與GAN 結(jié)合,形成DCGAN。DCGAN 利用轉(zhuǎn)置卷積層替換所有池化層,并在更深的卷積網(wǎng)絡(luò)中去除全連接層,將步幅卷積應(yīng)用于生成對(duì)抗網(wǎng)絡(luò)中,保證生成數(shù)據(jù)的質(zhì)量及多樣性。DCGAN 將轉(zhuǎn)置卷積層所提取的特征作為判別器的輸入項(xiàng),經(jīng)優(yōu)化生成的對(duì)抗網(wǎng)絡(luò)判別層選擇Sigmoid 作為激勵(lì)函數(shù),而輸出層則選擇Relu 作為激活函數(shù)。DCGAN 的結(jié)構(gòu)見圖2,其中C為輸出節(jié)點(diǎn)數(shù),即分類的類別數(shù)。

圖2 DCGAN 的結(jié)構(gòu)Fig.2 Architecture of deep convolutional generative adversarial net(DCGAN)

輸入的隨機(jī)噪聲數(shù)據(jù)為z;生成器生成的與輸入數(shù)據(jù)相關(guān)的輸出數(shù)據(jù)為z′。在生成器模型中訓(xùn)練過的z′與z合并,疊加后作為判別器的輸入項(xiàng)。這些故障數(shù)據(jù)并不都是真實(shí)數(shù)據(jù),其中包含一部分真值為0 的負(fù)樣本y和真值為1 的正樣本y′。經(jīng)過Sigmoid 函數(shù)激勵(lì),判別器可以區(qū)分生成的和真實(shí)的故障數(shù)據(jù),且無需反復(fù)確定模型的參數(shù)。卷積層的加入,不僅提升了模型應(yīng)對(duì)大規(guī)模數(shù)據(jù)集的能力,還能調(diào)整神經(jīng)元的數(shù)量,降低計(jì)算復(fù)雜度。生成器在訓(xùn)練過程中通過對(duì)抗調(diào)整和優(yōu)化參數(shù),使輸出結(jié)果更真實(shí),因此,生成器損失函數(shù)的設(shè)計(jì)是提升模型對(duì)故障數(shù)據(jù)監(jiān)測與診斷的關(guān)鍵。對(duì)進(jìn)入判別器的正樣本進(jìn)行y′訓(xùn)練,設(shè)LGAN(D)為判別器輸入結(jié)果與真實(shí)值的交叉熵[7]:

式(2)中:W為能量函數(shù);D(z,z′)表示輸入判別器的數(shù)據(jù)為隨機(jī)數(shù)據(jù)和生成數(shù)據(jù)的概率。

利用y和y′的L1范數(shù)作為生成器的損失函數(shù),衡量真實(shí)值與生成值之間的差距:

利用以上損失函數(shù),模型訓(xùn)練初期轉(zhuǎn)置卷積層提取的故障數(shù)據(jù)特征會(huì)更穩(wěn)定。在局部特征訓(xùn)練時(shí),采用遷移學(xué)習(xí)策略對(duì)數(shù)據(jù)集進(jìn)行調(diào)整,可縮短訓(xùn)練時(shí)長,提升處理效率。

2.2 主成分分析(PCA)算法

PCA 是一種減少變量維度的多元統(tǒng)計(jì)方法,核心思想是通過正交變換,將一組可能存在相關(guān)性的變量數(shù)據(jù),轉(zhuǎn)換為一組線性不相關(guān)的變量,轉(zhuǎn)換后的變量被稱為主成分。這些主成分變量可反映原變量的大部分信息,利用主成分變量進(jìn)行后續(xù)運(yùn)算,可簡化問題的復(fù)雜性[8]。PCA 計(jì)算步驟如下。

①將原始數(shù)據(jù)組成n行m列矩陣X=[X1,X2,…,Xm]。

②將原始數(shù)據(jù)X標(biāo)準(zhǔn)化,如式(4)-(5)所示:

③求出協(xié)方差矩陣P:

式(6)中:X*為矩陣X標(biāo)準(zhǔn)化后得到的矩陣;(X*)′為X*的轉(zhuǎn)置;pii=1,pij=pji。

④求出協(xié)方差矩陣P的特征值及對(duì)應(yīng)的特征向量。P的m個(gè)特征值為λj,特征向量為Uj=[U1j,U2j,…,Umj],j=1,2,…,m,提取的主成分yj如式(7)所示:

式(7)中:k=1,2,…,n;j=1,2,…,m;U為特征向量Uj中的各項(xiàng)元素;x*為標(biāo)準(zhǔn)化矩陣X*中的元素。

3 故障診斷方法

基于DCGAN 的PEMFC 水故障診斷流程如圖3 所示。

圖3 基于DCGAN 的PEMFC 水故障診斷流程Fig.3 Water fault diagnosis process of PEMFC based on DCGAN

具體流程如下:

①原始數(shù)據(jù)采集。通過PEMFC 系統(tǒng)采集1 800 組原始實(shí)驗(yàn)數(shù)據(jù),正常狀態(tài)、水淹故障和膜干故障各600 組。

②數(shù)據(jù)預(yù)處理。對(duì)原始數(shù)據(jù)樣本進(jìn)行歸一化處理,降低不同參數(shù)間的量綱差異對(duì)診斷結(jié)果的不利影響;利用PCA對(duì)數(shù)據(jù)進(jìn)行降維處理,提取主成分故障特征變量。

③故障樣本劃分。將樣本數(shù)據(jù)按3 ∶1的比例,隨機(jī)分為訓(xùn)練集和測試集。

④訓(xùn)練樣本集初始化。隨機(jī)輸入噪聲z;激勵(lì)函數(shù)設(shè)置為Sigmoid 函數(shù);設(shè)置隱含層神經(jīng)元個(gè)數(shù)為N;設(shè)計(jì)生成器損失函數(shù)。將訓(xùn)練集樣本輸入到模型中,訓(xùn)練判別器參數(shù)。

⑤對(duì)模型進(jìn)行訓(xùn)練。利用博弈機(jī)制優(yōu)化判別器參數(shù),當(dāng)模型達(dá)到納什平衡時(shí),訓(xùn)練結(jié)束,保存模型參數(shù)。

⑥診斷結(jié)果輸出。將測試樣本輸入到判別器模型中,并輸出故障診斷結(jié)果。

4 實(shí)例分析

4.1 原始數(shù)據(jù)采集及劃分

實(shí)驗(yàn)所采用的數(shù)據(jù)為PEMFC 實(shí)測數(shù)據(jù),總樣本為1 800組,其中正常狀態(tài)、水淹故障和膜干故障各為600 組。根據(jù)DCGAN 的診斷流程,需將數(shù)據(jù)樣本劃分為訓(xùn)練集和測試集兩部分。訓(xùn)練集數(shù)據(jù)樣本用于幫助訓(xùn)練DCGAN 中的模型參數(shù);測試集數(shù)據(jù)樣本用于測試已經(jīng)訓(xùn)練好的模型精確度?？紤]訓(xùn)練集和測試集的劃分要保持?jǐn)?shù)據(jù)分布的一致性,同時(shí)需要保證診斷方法的有效性及適應(yīng)性,在3 種健康狀態(tài)樣本數(shù)據(jù)中,各隨機(jī)選取240 組數(shù)據(jù),共720 組數(shù)據(jù)作為總數(shù)據(jù)樣本。利用留出法,將以上數(shù)據(jù)按3 ∶1的比例劃分為訓(xùn)練樣本集和測試樣本集。各健康狀態(tài)類別及樣本數(shù)量如表1 所示。

表1 健康狀態(tài)類別及樣本數(shù)量Table 1 Health status category and sample number

燃料電池系統(tǒng)實(shí)際運(yùn)行時(shí)會(huì)產(chǎn)生較多的監(jiān)測數(shù)據(jù),其中可以直接反映燃料電池運(yùn)行狀態(tài)的主要數(shù)據(jù)如表2 所示。

表2 PEMFC 系統(tǒng)各特征變量Table 2 Various characteristic variables of PEMFC system

連接在PEMFC 系統(tǒng)上的傳感器能實(shí)時(shí)監(jiān)測這12 個(gè)特征變量,將多個(gè)特征變量共同作為評(píng)判指標(biāo)完成的故障診斷,具有更高的可靠性。

4.2 故障特征提取

為提高PEMFC 系統(tǒng)故障識(shí)別效率,利用PCA 對(duì)原始故障特征數(shù)據(jù)進(jìn)行主特征提取。在保證降維數(shù)據(jù)各維度相關(guān)性盡量最小的同時(shí),將高維數(shù)據(jù)合理展開至低維空間,可大幅簡化模型復(fù)雜度。利用最大似然估計(jì),對(duì)原始12 維故障特征變量進(jìn)行內(nèi)在維度估計(jì),發(fā)現(xiàn)將原始數(shù)據(jù)降低至3 維,具有最佳效果,因此,通過PCA 將原始的12 維數(shù)據(jù)簡化為3維的數(shù)據(jù)集。特征提取過程如下:

①確定原始故障特征向量,選取表2 中的12 個(gè)變量組成12 維原始故障特征變量X=[x1,x2,…,x12];

②原始故障特征變量標(biāo)準(zhǔn)化,對(duì)特征變量X進(jìn)行去均值處理,得到X*=

③計(jì)算協(xié)方差矩陣P,以及P的特征值λ和特征向量U;

④對(duì)特征值λ由大至小排序,選擇前3 個(gè)特征值和相對(duì)應(yīng)的特征向量,并將原始特征投影到選取的特征向量上,得到降維后的新3 維特征Y=[y1,y2,y3]。

PCA 三維特征可視化圖如圖4 所示。

圖4 PCA 三維特征可視化圖Fig.4 Principal components analysis(PCA) 3D feature visualization diagram

從圖4 可知,經(jīng)過PCA 降維處理后的故障特征數(shù)據(jù)是互相分離的,多數(shù)數(shù)據(jù)分布在不同區(qū)域,僅少量數(shù)據(jù)有重合,因此,將數(shù)據(jù)投影到3 維的特征空間,更易區(qū)分各健康狀態(tài)。

4.3 故障診斷結(jié)果

將數(shù)據(jù)樣本輸入到DCGAN 中,使用訓(xùn)練樣本進(jìn)行模型訓(xùn)練,得到已完成訓(xùn)練的網(wǎng)絡(luò)模型,再將測試集輸入到判別器模型中,得到測試結(jié)果并與真實(shí)值對(duì)比。得到的診斷準(zhǔn)確率為98.33%,DCGAN 模型診斷時(shí)間為2.79 s。測試集的診斷結(jié)果如圖5 所示。

從圖5 可知,有2 組屬于水淹狀態(tài)的數(shù)據(jù)被錯(cuò)誤地診斷為正常狀態(tài)和膜干故障;有1 組正常狀態(tài)的數(shù)據(jù)被診斷為水淹故障。燃料電池發(fā)生水淹故障的初期所表現(xiàn)出的數(shù)據(jù)特征與正常狀態(tài)類似,且水淹故障和膜干故障均導(dǎo)致PEMFC電堆電壓下降、輸出功率降低,表現(xiàn)出的故障特征較類似,因此發(fā)生誤判。

圖5 DCGAN 測試集診斷結(jié)果Fig.5 DCGAN test set diagnostic results

4.4 診斷方法對(duì)比

為驗(yàn)證DCGAN 方法的性能與可行性,分別采用DCGAN、BPNN[9]和SVM 算法[10]進(jìn)行故障識(shí)別,并對(duì)故障診斷結(jié)果進(jìn)行對(duì)比。為對(duì)算法做出公平合理的對(duì)比,使用PCA降維后的數(shù)據(jù)作為BPNN 和SVM 的訓(xùn)練樣本和測試樣本。

3 種診斷方法的診斷精度和診斷時(shí)間如表3 所示,其中診斷精度分為各健康狀態(tài)和整體的診斷精度。

表3 3 種方法的診斷精度及診斷時(shí)間Table 3 The diagnostic accuracy and diagnostic time of three methods

從表3 可知:相比于BPNN 和SVM 法,DCGAN 法的診斷準(zhǔn)確率最高;在運(yùn)算時(shí)間方面,BPNN 法具有最短的運(yùn)算時(shí)間,但診斷準(zhǔn)確率較低;SVM 法同樣具有良好的診斷效果,但運(yùn)算速度較慢。綜上所述,基于DCGAN 的故障診斷方法具有良好的故障診斷效果,更適用于PEMFC 水管理故障診斷。

5 結(jié)論

本文作者針對(duì)PEMFC 系統(tǒng)水管理故障問題展開研究,提出一種基于DCGAN 的PEMFC 水管理故障診斷方法,實(shí)現(xiàn)了PEMFC 的3 種健康狀態(tài)的故障識(shí)別,結(jié)論如下:利用720組故障樣本數(shù)據(jù)進(jìn)行實(shí)例分析,所提方法能正確識(shí)別電堆水淹、膜干和正常狀態(tài),故障分類精度達(dá)到98.33%,診斷時(shí)長為2.79 s。該方法利用PCA 對(duì)故障原始數(shù)據(jù)作降維處理,將原始的12 維特征降到3 維,提高模型診斷準(zhǔn)確率并縮短模型運(yùn)算時(shí)間。所提方法的預(yù)測精度分別比BPNN 和SVM 法高出7.22%和3.33%,計(jì)算時(shí)間比SVM 法節(jié)省2.56 s。

由此可見,所提方法在診斷精度和計(jì)算時(shí)間兩方面都具有較大優(yōu)勢,適用于PEMFC 水管理故障診斷。該方法無需了解燃料電池內(nèi)部運(yùn)行機(jī)理,僅通過數(shù)據(jù)即可完成故障診斷,因此,同樣適用于其他工程應(yīng)用中。