具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断方法及装置，首先将参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断方法。

图1是本发明一个实施例的燃料电池系统在线故障诊断方法的流程图。

如图1所示，该燃料电池系统在线故障诊断方法包括：

在步骤S101中，获取燃料电池的电堆测试数据和当前运行数据。

应当理解的是，获取燃料电池的电堆测试数据和当前运行数据的方式可以采用相关技术中的获取方式，为避免冗余，在此不做详细赘述。

在步骤S102中，将电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据。

具体而言，燃料电池实车运行数据及电堆测试数据可以用以进行机器学习的训练数据子集，开展机器学习模型的训练，并根据训练结果，用实车运行数据和电堆测试数据作为验证数据子集，去验证所建模型的准确性，即验证这一模型精度，并判断建立模型的准确度是否达到预期要求，若达成，则建立故障诊断模型，用以对当前状态进行分析与预警，否则对机器学习模型的参数或者训练方法进行调整，以满足训练结果的要求。

在步骤S103中，根据诊断数据识别燃料电池是否故障，并且在燃料电池故障时，发送故障信号至预设终端。

可以理解的是，电堆的故障诊断结果可以包括水淹、膜干、缺气、短路和/或催化剂中毒等；预设终端可以为手机、平板、PC端等。

进一步地，在本发明的一个实施例中，还包括：根据燃料电池的当前运行数据对电堆测试数据进行优化，以得到下一次诊断的电堆测试数据，从而不断提高电堆测试数据的准确性。

进一步地，在本发明的一个实施例中，还包括：根据燃料电池的电堆测试数据和运行数据生成训练集；利用训练集训练燃料电池的当前类型对应的机器学习模型，直至机器学习模型达到预设条件，得到预设的故障诊断模型。

也就是说，本申请实施例可以根据燃料电池的不同类型，自适应地选择建立机器学习模型，机器学习模型包括线性模型、核方法与支持向量机、决策树与Boosting、神经网络等，其中，神经网络又包括全连接神经网络、卷积神经网络和循环神经网络，可以使用其中的一种或几种模型融合的方式，得到最适用当前场景的机器学习模型。

需要说明的是，由于不同的机器学习模型都有各自适用场景，因此，本申请实施例可以通过训练集大小(如大，小)、特征空间维度(如高维，低维)、特征是否相互独立(如独立，不独立)、是否为线性特征(如线性，非线性)、.对拟合程度的要求、缺失值比例(如多，少)和其他要求(如性能，时间，空间)七个角度去判断最适用本次场景的模型。

进一步地，在本发明的一个实施例中，还包括：根据诊断数据生成车辆的故障修复动作；控制车辆驱动执行组件执行故障修复动作。

也就是说，本申请实施例可以根据诊断数据实现对故障的修复。

进一步地，在本发明的一个实施例中，还包括：预先建立故障表征参数数据库，以利用故障表征参数数据库得到诊断数据。

具体而言，在获取诊断数据时，一般是建立故障表征参数数据库，建立模型样本库，结合多模型融合，进行冗余设计。

其中，所建立的故障表征参数数据库包括模型、数据驱动和实验测试等三个方面的数据，同时包括一些特定场合下的故障诊断方法，如：多套大功率PEMFC系统的故障诊断方法、复杂环境下的PEMFC系统多重故障诊断方法、考虑PEMFC系统老化的故障诊断方法等。

为使得本领域技术人员进一步了解本申请实施例的燃料电池系统在线故障诊断方法，下面结合具体实施例进行详细阐述。

如图2所示，该燃料电池系统在线故障诊断方法包括以下步骤：

(1)根据燃料电池根据燃料电池系统的电堆测试数据和实车运行数据，作为故障诊断前期的数据积累，同时，实车运行数据可以优化电堆测试数据，不断提高电堆测试数据的准确性。

(2)根据燃料电池的不同类型，自适应地选择建立机器学习模型，机器学习模型包括线性模型、核方法与支持向量机、决策树与Boosting、神经网络等，其中神经网络又包括全连接神经网络、卷积神经网络和循环神经网络，可以使用其中的一种或几种模型融合的方式，得到最适用当前场景的机器学习模型。

(3)燃料电池实车运行数据及电堆测试数据可以用以进行机器学习的训练数据子集，开展机器学习模型的训练。

(4)根据步骤3中的训练结果，用实车运行数据和电堆测试数据作为验证数据子集，去验证所建模型的准确性，即验证这一模型精度。

(5)判断建立模型的准确度是否达到预期要求，若达成，则继续步骤(6)；若不达成，则继续步骤(7)；

(6)建立了故障诊断模型，用以对当前状态进行分析与预警。

(7)不满足要求的训练结果，需要对机器学习模型的参数或者训练方法进行调整，以满足训练结果的要求，继续执行步骤(5)。

由此，能够对燃料电池系统进行实时在线检测、准确评估其故障状态，诊断过程快速、高效，可用于燃料电池控制系统或者燃料电池测试设备。

进一步地，如图3所示，图3给出了基于快速电化学阻抗谱的燃料电池在线故障诊断方法实例。在测量得到燃料电池的阻抗谱后，需要设计故障诊断算法将阻抗谱信息应用到故障诊断中。故障诊断算法设计过程分为离线场景和在线场景两个部分。在离线场景中，首先需要进行正常实验以芡故障实验，测量在不同实验条件下燃料电池的阻抗谱数据获得训练数据集，然后对数据进行分析，结合具体理论以及先验知识从阻抗谱中选择适合应用于故障诊断的特征。接着恨据选择的特征以及实际应用场景选择合适的分类算法，设计故障分类器。在线场景中，快速阻抗谱测量系统实时运行并记录燃料电池的阻抗谱，然后阻抗谱数据通过特征提取算法提取得到用于故障分类的特征后使用故障分类器辨识出当前电堆的徤康状态以及故障类型。

根据本发明实施例提出的燃料电池系统在线故障诊断方法，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。

其次参照附图描述根据本发明实施例提出的燃料电池系统在线故障诊断装置。

图4是本发明实施例的燃料电池系统在线故障诊断装置的方框示意图。

如图4所示，该燃料电池系统在线故障诊断装置包括：获取模块100、输入模块200和发送模块300。

其中，获取模块100用于获取燃料电池的电堆测试数据和当前运行数据；

输入模块200用于将电堆测试数据和当前运行数据输入至预设的故障诊断模型，得到诊断数据；以及

发送模块300用于根据诊断数据识别燃料电池是否故障，并且在燃料电池故障时，发送故障信号至预设终端。

进一步地，在本发明的一个实施例中，还包括：

优化模块，用于根据燃料电池的当前运行数据对电堆测试数据进行优化，以得到下一次诊断的电堆测试数据。

进一步地，在本发明的一个实施例中，还包括：

第一生成模块，用于根据燃料电池的电堆测试数据和运行数据生成训练集；

训练模块，用于利用训练集训练燃料电池的当前类型对应的机器学习模型，直至机器学习模型达到预设条件，得到预设的故障诊断模型。

进一步地，在本发明的一个实施例中，还包括：

第二生成模块，用于根据诊断数据生成车辆的故障修复动作

控制模块，用于控制车辆驱动执行组件执行故障修复动作。

进一步地，在本发明的一个实施例中，还包括：

建立模块，用于预先建立故障表征参数数据库，以利用故障表征参数数据库得到诊断数据。

需要说明的是，前述对燃料电池系统在线故障诊断方法实施例的解释说明也适用于该实施例的燃料电池系统在线故障诊断装置，此处不再赘述。

根据本发明实施例提出的燃料电池系统在线故障诊断装置，考虑了电堆实验数据与实车运行数据耦合使用并进行分析，提高了模型输入参数的精确性，通过建立机器学习模型，考虑不同类型的燃料电池需要的模型可能不同，根据燃料电池类型自动匹配最适合的模型，可以用单一模型或多模型融合的方法，且诊断方法简易，实施成本低，可用于在线故障诊断。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。