質(zhì)子交換膜燃料電池健康管理與老化預測

第1章 質(zhì)子交換膜燃料電池概述/1
1.1 燃料電池反應原理/1
1.2 燃料電池組件構成/3
1.3 燃料電池的動態(tài)特性/7
1.4 質(zhì)子交換膜燃料電池應用概述/8
1.4.1 PEMFC汽車概述/8
1.4.2 PEMFC發(fā)電技術應用/10
第2章 質(zhì)子交換膜燃料電池水管理及故障測試/12
2.1 質(zhì)子交換膜燃料電池水管理/12
2.2 質(zhì)子交換膜燃料電池水管理故障診斷方法/13
2.2.1 基于模型的故障診斷方法/14
2.2.2 基于數(shù)據(jù)驅(qū)動的故障診斷方法/16
2.2.3 基于實驗測試的故障診斷方法/17
2.3 質(zhì)子交換膜燃料電池水管理故障實驗測試/18
第3章 燃料電池交流阻抗檢測技術/21
3.1 電化學阻抗譜測量原理/21
3.2 交流阻抗檢測系統(tǒng)設計/23
3.2.1 交流阻抗檢測系統(tǒng)總體設計/23
3.2.2 程控交流電流激勵信號源設計/24
3.2.3 高精度信號采集單元設計/28
3.2.4 上位機模塊設計/35
3.3 交流阻抗檢測系統(tǒng)測試與分析/43
3.3.1 交流電流激勵源頻率輸出測試/43
3.3.2 信號放大模塊測試/44
3.3.3 交直流濾波模塊測試/46
3.3.4 交流電壓采集模塊測試/47
第4章 燃料電池水管理故障診斷方法/50
4.1 燃料電池建模及等效電路模型參數(shù)辨識/50
4.1.1 燃料電池建模/50
4.1.2 燃料電池等效電路模型參數(shù)不確定性評估/55
4.2 基于FCM與OB算法的燃料電池水管理故障分類/63
4.2.1 最小二乘法參數(shù)辨識/63
4.2.2 FCM聚類算法/64
4.2.3 優(yōu)化貝葉斯算法分類/64
4.2.4 基于FCM與OB算法的水管理故障分類實例/66
4.3 基于自適應差分算法優(yōu)化支持向量機的水管理故障診斷/75
4.3.1 數(shù)據(jù)降維方法/75
4.3.2 水管理故障分類算法/76
4.3.3 基于ADESVM算法的水管理故障診斷實例/80
4.4 結合線性判別分析和Xception網(wǎng)絡的水管理故障診斷方法/84
4.4.1 燃料電池故障概述/84
4.4.2 Xception網(wǎng)絡/85
4.4.3 基于Xception網(wǎng)絡的燃料電池故障診斷實例/87
第5章 質(zhì)子交換膜燃料電池老化分析及預后管理/94
5.1 質(zhì)子交換膜燃料電池老化機理與指標/94
5.1.1 燃料電池主要部件老化的影響分析/94
5.1.2 燃料電池運行工況對老化的影響分析/96
5.2 質(zhì)子交換膜燃料電池的預后管理/97
5.2.1 數(shù)據(jù)獲取和預處理/98
5.2.2 健康指標和壽命終止點/101
5.2.3 預測模式概述/104
5.2.4 預測方法/106
5.2.5 預測結果的評價指標/107
第6章 基于模型的質(zhì)子交換膜燃料電池老化預測方法/109
6.1 PEMFC老化模型和預測流程/109
6.2 基于卡爾曼濾波算法的老化預測/111
6.2.1 基于EKF的老化預測/112
6.2.2 基于UKF的老化預測/114
6.2.3 基于AEKF的老化預測/119
6.2.4 基于AUKF的老化預測/119
6.2.5 基于FDKF的老化預測/121
6.2.6 基于SRUKF的老化預測/126
6.3 基于粒子濾波算法的老化預測/128
6.3.1 基于PF的老化預測/129
6.3.2 基于UPF的老化預測/132
第7章 燃料電池老化預測數(shù)據(jù)驅(qū)動方法/135
7.1 數(shù)據(jù)驅(qū)動方法/135
7.1.1 數(shù)據(jù)驅(qū)動方法分類/135
7.1.2 統(tǒng)計方法/135
7.1.3 機器學習方法/138
7.2 基于神經(jīng)網(wǎng)絡的短期預測/147
7.2.1 預測框架與步驟/147
7.2.2 短期預測結果分析/149
7.3 基于神經(jīng)網(wǎng)絡的長期預測/151
7.3.1 預測框架與步驟/151
7.3.2 長期預測結果分析/152
7.4 神經(jīng)網(wǎng)絡的改進方法/155
7.4.1 基于分解集成的多數(shù)據(jù)方法融合預測/155
7.4.2 基于貝葉斯理論的不確定性量化方法/160
第8章 燃料電池老化混合預測方法/169
8.1 用于中短期預測的混合預測方法/170
8.2 用于長期預測的混合預測方法/178
8.2.1 基于數(shù)據(jù)驅(qū)動為模型驅(qū)動提供觀測值的混合預測方法/178
8.2.2 基于數(shù)據(jù)驅(qū)動和模型驅(qū)動相互迭代的混合預測方法/181
8.3 混合預測方法的優(yōu)勢與挑戰(zhàn)/185
8.3.1 混合預測方法的優(yōu)勢/186
8.3.2 混合預測方法面臨的挑戰(zhàn)/187
參考文獻/188