汪 琦 杨国平

（上海工程技术大学机械与汽车学院 上海 201620）

1 引言

当前国内锂电池新能源汽车技术发展日趋成熟，燃料电池汽车较之具有更少污染，更大功率等优点，更符合可持续发展理念，市场需求增大［3］。空压机作为燃料电池系统的核心部件，造价昂贵，主要原因是国内传统空压机行业涉猎汽车领域时间较短，技术不够成熟，没有形成统一的标准和规范。在实际运行当中，由于空压机机械结构和系统较为复杂，特定的故障发生往往由某一或多个细小零部件的问题导致，而非理想的一一对应的关系，即具有不确定性和模糊性［4］，而作为燃料电池氧气空气端的输入子系统，空压机有着特殊的需求，应尽量满足排气量稳定迅速、结构紧凑，噪声小，效率高等特点［5］，一旦发生故障对汽车运行影响巨大，因此对于燃料电池空压机进行特定的故障诊断及预测十分必要。

本文利用在实验室进行的空压机性能测试实验，首先对所有测试参数利用主成分分析法进行数据降维，筛选出能够代表空压机性能几组主要参数，再利用BP神经网络模型对空压机故障类型进行分析预测。相较于传统燃料电池系统空压机的故障诊断方法，BP神经网络能够更好地将拟合准确度与处理复杂度做出平衡，在没有准确的物理模型的基础上对故障模式进行预测。利用PCA对数据进行预处理则能够大大减少模型训练的时间和提高数据的利用率［6］。

2 确定特征参数和故障原因

在燃料电池空压机的开发过程中，需要长时间的实验数据积累来统计故障模式和故障原因。……