质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell,PEMFC）是一种以质子导电聚合物作为电解质膜的环境友好型发电装置,在新型电力系统以及交通动力等领域有着广阔的应用前景。然而,故障率高、寿命短等局限性导致其商业化进程受到影响,如何及时准确地对PEMFC运行过程中出现的故障进行诊断并采取相应的容错控制措施,是一个非常有必要的研究课题。同时,随着人工智能技术的发展,基于数据驱动的设备健康管理研究正受到越来越多的关注。为此,本文从数据驱动的角度出发,针对PEMFC的故障诊断和容错控制开展研究,主要研究内容包括:（1）综合考虑PEMFC系统运行数据集的时空特征,提出Stacking集成学习的故障诊断方法。采用客观赋权法（Critic）为反映PEMFC运行状态的电压、电流、温度和压力等变量进行赋权,进而分别提取变量的空间、时间特征并进行特征融合,构建时空特征集;建立以CNN、RF、KNN、XGBoost为基分类器,XGBoost为元分类器的Stacking集成学习框架,实现对PEMFC系统正常、水淹、膜干和氢气泄漏4种运行状态的诊断。算例结果表明,所构建的时空特征集使单一分类模型的平均诊断准确率提升2.83%,在Stacking模型的诊断准确率为99.99%,使CNN的故障诊断运算时间减少28s。因此,所提方法实现了对PEMFC系统故障的快速准确诊断。（2）建立基于GA-LSTM的PEMFC系统正常、水淹、膜干和氢气泄漏4种运行状态的数据驱动模型。以LSTM模型预测结果的均方误差为遗传算法的目标函数,寻优获得LSTM的隐藏层节点数目、最小训练样本数量、迭代次数、学习率的超参数组合,建立PEMFC系统的LSTM预测模型。仿真结果表明,GA-LSTM模型在训练集和测试集的RMSE指标值分别为0.0489和0.0558,能够在获得更好拟合效果的同时避免模型复杂性的增加。（3）提出了PEMFC的容错控制方案。建立基于LSTM神经网络的预测模型和基于BP神经网络的优化控制器,构建以PEMFC系统阴阳极输入气体压强为控制量、电堆电压为输出量的模型预测控制方案。仿真结果表明,含有容错控制环节的PEMFC系统能够在水淹、膜干及氢气泄漏运行状态下确保PEMFC系统输出满足要求的电压,同时能够获得更快的响应速度和更好的控制效果。