基于分层深度学习的固体氧化物燃料电池在高一氧化碳浓度下的故障诊断

高CO合成气燃料电池系统模型与多故障诊断框架研究。通过构建包含15种单故障及多故障组合的多源数据集，提出MCNN-XGBoost混合诊断模型，实现可恢复、关键、致命故障97.87%-99.19%的高精度分类，优于传统SVM、CNN等基线方法。

　　

韩章艳|本熙张|张亮陈|丛雷张|吕毅|朱开齐|万中民|杨彦如|王晓东

华北电力大学工程热物理研究中心，北京，102206，中国

摘要

以高CO/H₂合成气为燃料的固体氧化物燃料电池（SOFC）在清洁发电方面具有吸引力，然而碳沉积和热化学应力会引发多种退化现象，使得故障诊断变得困难。本研究建立了一个高CO SOFC系统模型，并构建了包含15种代表性单故障和多故障组合的多源运行数据集，这些数据集按照严重程度进行了分级（可恢复/临界/致命）。我们提出了一种混合多尺度卷积神经网络–极端梯度提升（MCNN-XGBoost）框架，其中MCNN捕捉多尺度退化特征，XGBoost执行鲁棒且可解释的分类；特征重要性反馈以闭环方式进一步优化学习到的特征。所提出的方法对于单一可恢复、临界和致命故障的准确率分别达到了97.87%、98.6%和98.87%，对于多故障情况的准确率高达99.19%，始终优于SVM、CNN和DCNN基线方法。通过优先处理分级中的高风险故障，该框架支持高CO合成气SOFC系统的更安全运行和更可持续利用。

引言

固体氧化物燃料电池具有卓越的能量转换效率、燃料灵活性和低排放特性，使其成为清洁能源应用中的有前景的技术，特别是在分布式发电领域。使用富含H₂和高浓度CO的合成气运行SOFC，可以直接利用来自煤气化、生物质或工业废气的燃料[[1], [2], [3], [4], [5], [6]]。这一能力支持将其整合到工业能源系统中，同时推动可持续能源目标的实现[[7], [8], [9], [10], [11], [12], [13]]。然而，合成气会加速退化机制，包括碳沉积、热化学应力以及镍基阳极材料的不稳定性[[14], [15], [16], [17]]。这些问题导致性能下降和运行故障，因此需要鲁棒的故障分类和诊断策略来确保在这种具有挑战性的条件下SOFC的可靠运行[[18], [19], [20]]。

为了解决合成气运行带来的挑战，研究人员越来越关注理解和缓解相关的退化机制。高CO浓度与阳极材料和运行条件之间的复杂相互作用带来了重大障碍，尤其是在维持长期稳定性和性能方面。具体研究表明，高CO浓度的合成气具有负面影响，为了解退化过程提供了关键见解，并为诊断和缓解策略的开发提供了信息。特别是Sun等人[21]使用了Ni–Mo/Al₂O₃催化剂进行合成气重整，并展示了改进的碳抗性，而Zeng等人[22]开发了一个动态模型，揭示了富CO合成气会导致不均匀的碳沉积，从而降低孔隙率、渗透性和反应活性。Kuhn和Kesler[23]进一步证实了在高CO暴露下Ni阳极的微观结构加速演变。Maza等人[24]和Li等人[25]研究了Ni–YSZ图案化阳极上的CO电氧化动力学，并报告了与氢燃料相比的显著差异。Sun等人[26]研究了质子传导型SOFC，并表明Ni基阳极在富CO燃料下容易受到H₂S、CO₂和H₂O杂质的毒害。在系统层面，Hao等人[27]提出了一个热-电化学-化学耦合模型，并阐明了富CO运行会放大异常电流密度和热点形成。Rahimipetroudi等人[18]分析了千瓦级堆栈的组装和热应力，并证明了机械和热负荷的联合影响显著影响长期稳定性。B. Sarkar等人[28]为氨燃料SOFC系统构建了零维稳态模型，并强调了阳极废气循环在提高效率和灵活性方面的好处。Wang等人[29]引入了一种新的双重循环概念，实现了接近100%的燃料利用率和零碳排放。Zheng等人[30]将SOFC与超临界CO₂和有机朗肯循环结合，通过废热级联利用实现了超过80%的能量效率。

故障诊断研究也在同步发展。Polverino等人[19]使用有限状态机检测SOFC系统的异常，而Wang等人[31]应用离散贝叶斯网络进行早期故障分类。Wu等人[32]开发了一个最小二乘SVM模型，结合隐藏半马尔可夫模型进行故障识别和剩余使用寿命预测。Wu等人[33]提出了非线性模型预测控制，结合多个备用控制器在故障条件下维持电压和温度稳定。Xue等人[34]设计了一种模糊容错控制方法，结合贝叶斯正则化神经网络来减轻蒸汽波动带来的热风险。Vijay等人[35]提出了一种基于自适应观察器的策略，并展示了其在广泛运行范围内唯一识别故障的能力。随着机器学习的发展，数据驱动的方法变得突出。Fernandes等人[36]研究了氨燃料SOFC堆栈中的N₂O减排，并结合了故障检测视角。Pahon等人[37]应用小波变换和SVMs对电化学数据进行分析，以诊断退化模式。Cheng等人[38]将小波分析与核极限学习机结合，用于识别燃气轮机–SOFC混合系统中的传感器故障。Wu等人[39]利用贝叶斯人工神经网络和特征选择来优化堆栈性能分类。Li等人[40]引入了结合贝叶斯优化的CNN模型，提高了诊断准确性。Xu等人[41]开发了多尺度卷积神经网络，用于燃料电池系统，与传统的SVM和BP神经网络相比实现了更高的故障识别率。Costamagna等人[42]采用了领域适应技术，在SOFC系统之间传递诊断知识。关于在高CO和H₂合成气下运行的SOFC的故障分类和诊断的研究仍然有限。现有的诊断方法通常准确率低且鲁棒性差，特别是在处理碳沉积和热化学应力等常见于高CO合成气环境中的退化机制时[43,44]。故障的频繁发生及其相似的表现形式阻碍了及时识别，降低了系统的可靠性，从而限制了在高CO条件下SOFC的商业应用。

本研究提出了一种分层的MCNN-XGBoost模型，用于合成气燃料SOFC系统的故障诊断，旨在提高关键故障的检测能力和整体诊断准确性。我们根据故障对系统安全和运行的影响将故障分为三个严重程度级别：致命、临界和可恢复，建立了一个分层分类系统，有助于优先检测致命故障。通过实现分层故障分类，该模型区分了不同类型的故障和严重程度级别，提高了系统可靠性。将多尺度卷积神经网络与XGBoost结合，结合了深度特征提取和鲁棒分类，从而在高CO条件下更准确地识别关键故障。分层方法捕捉了电压和电流信号中的局部和全局模式，支持早期检测新兴故障。此外，它还能够有针对性地改进关键故障的检测，提高系统可靠性和运行安全性。该框架为在煤制氢能源下运行的SOFC系统提供了实用的工具，特别是在高CO条件下。

部分摘录

SOFC系统

以高CO/H₂合成气为燃料的SOFC系统涉及紧密耦合的电化学、热、质量和电荷传输过程，对效率、退化和故障演变有着重要影响。然而，在富CO条件下进行故障诊断的问题尚未得到充分解决，因为现有方法往往无法有效捕捉关键故障模式。为了克服这一差距，本研究开发了一个集成电化学、热、流体和机械领域的SOFC模型。

MCNN的特征提取

MCNN是为多源异构数据融合设计的深度学习架构。图3(a)展示了MCNN模型的示意图，其核心结构包括并行多尺度卷积层、跨尺度特征融合模块和非线性激活单元。该算法通过独立的卷积路径处理输入数据，使用通道连接来融合多尺度特征图。最终的高维特征向量是通过完全

单故障分层诊断

图4展示了单故障分类结果，表明所提出的MCNN-XGBoost混合框架在大多数故障场景中始终能够实现高诊断准确性。单故障的整体对角线准确率超过97%，表明模型具有很强的可靠性。正常运行的准确率为98%。致命故障（FF1–FF5）的准确率在98.3%到99.1%之间，非对角线的误分类

结论

本研究开发了一个分层故障诊断框架，旨在解决在高CO/H₂合成气下运行的固体氧化物燃料电池中精确故障识别和分类的关键挑战。所提出的MCNN-XGBoost模型通过结合MCNN进行高维特征提取和XGBoost进行分类，实现了分层故障诊断。在所提出的分层分类中，故障被分为可恢复、临界和致命状态

CRediT作者贡献声明

韩章艳：撰写 – 原始草案、方法论、形式分析、数据管理。本熙张：验证、监督、资金获取。张亮陈：可视化、软件、调查。丛雷张：资源、数据管理。吕毅：数据管理。朱开齐：可视化、软件。万中民：项目管理、概念化。杨彦如：监督、调查。王晓东：撰写 – 审稿与编辑、监督、资源、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了中国国家重点研发计划（2024YFB4104703）的支持。