原文传递
基于混合驱动方法的PEMFC寿命预测研究
| 论文题名： | 基于混合驱动方法的PEMFC寿命预测研究 |
| 关键词： | 车载动力源;质子交换膜燃料电池;剩余使用寿命;故障预测;健康管理;混合驱动 |
| 摘要： | 质子交换膜燃料电池（proton exchange membrane fuel cell，PEMFC）作为车载动力源是最具前景的新能源技术之一，但耐久性制约了其大规模应用。针对耐久性这一关键问题，部分研究通过新材料、新结构的开发与设计来达到提升PEMFC寿命的目的，此外，通过故障预测与健康管理（prognostics and health management，PHM）这一预防性维护技术，保障系统的稳定运行也能延长其使用寿命，其中较为关键的步骤就是预测剩余使用寿命（remaining useful life，RUL）。本文从RUL的预测问题出发，进行了PEMFC建模仿真、衰退过程模拟、基于混合驱动方法的寿命预测方法设计等研究工作，主要内容如下： 首先，建立了一个单电池的2D多物理仿真计算模型，耦合了流体流动、物质传递、电化学、膜内水传递等多个物理场，以工作温度、进气计量比、进气压力、进气湿度作为主要控制参数，以电流密度为输入模拟计算电池电压的输出及各物理量在电池内部的分布，通过实验测量的极化曲线验证了模型的准确性；另外讨论了零维数值模型的建立过程，作为后续拓展研究的基础。 其次，针对于PEMFC的衰退机制进行了分析，建立了多个老化因子的退化模型，并与多物理模型进行耦合计算，模拟真实的电压衰退过程。以PEMFC耐久性数据集作为对比验证，结果表明，建立的退化模型能够有效预测PEMFC的老化状态，同时也能体现变载过程对衰退过程的影响。 然后，结合贝叶斯滤波方法进行了寿命预测模型设计，对比分析了文献中常见的几种衰退模型（线性模型、指数模型和对数线性模型），最终以零维数值模型为基础耦合了半经验衰退模型，代入EKF（extended Kalman filter）算法并进行了RUL预测算法的设计，使用了IEEE耐久性数据集以及物流车运行的数据进行了验证，结果表明，EKF算法能有效滤除“可逆衰退”造成的电压波动，捕捉电池的老化状态，RUL预测精度高于80%。 最后，结合深度学习算法LSTM神经网络设计了一种新的混合驱动算法，与EKF方法组合计算改进了其在预测过程中的缺点，具体方法为：对PEMFC的输出电压值进行预处理后送入LSTM神经网络训练，进行电压输出值的长期预测，将预测值代入到EKF算法中进行模型参数的估算，再利用EKF估算的老化状态预测RUL。实验数据的验证结果表明，在60%时刻混合驱动算法的RUL预测精度为86%，高于单一的EKF方法和LSTM神经网络。 |
| 作者： | 郑杰汉 |
| 专业： | 车辆工程 |
| 导师： | 罗马吉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
