质子交换膜燃料电池(PEMFC)作为一种新型清洁、高效能源,正受到全世界研究者和工业界的密切关注。为了提高燃料电池在实际生产应用中的价值,针对PEMFC的故障诊断研究正受到广泛关注。随着如今存储设备的发展,工业大数据的应用,如何利用这些海量运行数据进行故障研究己然成为热门方向。质子交换膜燃料电池在运行时产生的故障数据具有强相关时序性、数据样本非均衡的特点,因此采用了长短时记忆网络(Long Short Term Memory Network,LSTM)作为主要故障诊断方法;本文针对质子交换膜燃料电池电堆系统上存在的8种故障工况和正常工况,在训练过程中,考虑到部分工况数据由于采集条件限制,导致样本失衡问题从而引起部分故障检测效率不高的问题,在LSTM方法的基础上进行改进并构建了 DAE-LSTM方法进行故障诊断研究。主要研究内容如下:(1)针对质子交换膜燃料电池不同工况数据具有分布不均衡、易受噪声干扰的问题,本文结合去噪自编码器(denoising autoencoder,DAE)对能够还原原始输入、在复杂噪声环境下能够提取到更具鲁棒性特征的特点,构建了基于DAE的数据降噪处理流程。通过与稀疏自编码(sparse autoencoders,SAE)方法进行对比实验,结果表明重构后的原始样本数据特征更具鲁棒性。(2)针对质子交换膜燃料电池电堆系统上的故障采集数据之间具有的强相关时序性特点,本文结合了 LSTM网络处理时序数据当前数据值和前序数据值之间的长依赖关系能力,构建了 DAE-LSTM诊断模型。诊断模型为降噪编码层、特征提取层和故障诊断层三层结构。通过与传统机器学习方法以及单纯的LSTM诊断方法进行对比实验,本文设计的DAE-LSTM方法的故障诊断准确率为94.36%,与PCA-SVM、RNN和LSTM方法进行对比实验,取得了最好的诊断效果,特别是在相对其他工况样本数据量严重缺失的工况3(排气管堵塞故障)上诊断准确率显著提高。(3)对质子交换膜燃料电池电堆系统可能发生的各种故障进行分析,在此基础上,对诊断系统进行功能性需求和性能需求分析,设计并确定了针对燃料电池电堆系统的故障诊断软件系统的总体方案,并结合本文设计的DAE-LSTM算法模型完成诊断系统的实现。诊断系统提供了在线故障诊断功能,以实时电压数据作为输入,进行故障诊断,并将故障诊断结果、电池电压走势以及平台关键参数实时展示;系统具有诊断模型训练功能,能够在系统上进行算法模型库的更新、管理和重新训练;同时,系统还提供了用户权限登录、实验记录管理和人员管理等基本功能。经过系统功能测试以及性能测试,验证了系统故障诊断的有效性,并成功进行了多种工况的诊断测试。测试表明,系统故障诊断成功率达到94%以上,诊断误差小于0.1%,从系统层面上验证了 DAE-LSTM方法的可行性。