基于倍频小波的微生物燃料电池故障诊断

颜闽秀, 卢振方, 史晓琳

(沈阳化工大学 信息工程学院, 辽宁 沈阳 110142)

基于倍频小波的微生物燃料电池故障诊断

颜闽秀, 卢振方, 史晓琳

(沈阳化工大学 信息工程学院, 辽宁 沈阳 110142)

针对微生物燃料电池工作时的常见故障,提出了一种基于倍频小波的故障诊断方法.首先利用倍频小波分析了不同故障情况下的输出电压;然后,利用小波系数重新构建高频信号和低频信号,并提取故障信号的频域特征,从而得出故障信号的主要分布情况;最后诊断出不同类型的故障.所设计的故障诊断方案可以有效提高设备的可靠性和安全性.

微生物燃料电池; 故障诊断; 倍频小波分析; 信号能量特征值

随着世界经济的飞速发展和人口数量的急剧增加,能源短缺与环境污染所带来的一系列问题日益凸显.调整能源结构,提高能源利用率,加速开发出绿色新能源成为各国学者重点关注和深入研究的问题[1].

微生物燃料电池(Microbial fuel cell, MFC)能够在微生物作用下将污水中的化学能转换为电能,实现污水净化和发电的双重效果.它以微生物为阳极催化剂,将有机物中的化学能转化为电能[2].

微生物燃料电池技术具有绿色无污染、燃料来源广、转化效率高、操作条件温和、应用范围广等优点得到了广泛的关注,各国学者纷纷对其开展了深入和有价值的研究,也取得了一定的研究成果[3].这些研究成果主要集中在电极材料的选择、膜材料的选择、反应器结构的设计、电子传输机理、建模、优化控制、提高输出功率密度等几个方向[4-7].

微生物燃料电池系统作为新兴起的研究方向,涉及到电化学、微生物学、化学工程等多领域的交叉.整个系统通常由阴极室、阳极室、质子交换膜、电极及辅助设备构成.在其工作的过程当中,必然会出现各种各样的故障.

然而,现今微生物燃料电池成果主要集中在正常条件下系统的运行情况,很少对其进行故障分析及诊断.在实际运行中每一元件发生故障或者失效都会影响其输出,导致输出性能下降或者设备无法正常运行,因而能否在故障发生时快速、高效的诊断出故障的原因在微生物燃料电池的研究中尤为重要,同时微生物燃料电池作为一种能源,提供给其他动力设备作为能量输入,对后续依赖此微生物燃料电池系统设备而言故障诊断也显得举足轻重,因此如何提高系统的安全性是推进MFC商业化和产业化的关键.为了确保燃料电池系统的安全运行,有必要利用故障诊断技术对其展开研究[8].

1 微生物燃料电池系统主要故障分析

这里所选用的微生物燃料电池反应器为双室结构,整个系统由四部分组成,分别是双室微生物燃料电池、辅助设备、外电路负载及数据采集系统.整个系统示意图如图1所示.

图1中右侧是密封的阳极厌氧室,而左侧则是顶部和大气相连通的阴极室,并用曝气装置不间断地鼓入空气.阴阳极室的中间则采用了质子交换膜将彼此分开.阳极区底部安装磁力搅拌装置,确保活性污泥的悬浮状态,使得污泥与污水可以充分接触,提高降解的速率,从而提高电池效率.

图1 微生物燃料电池系统Fig.1 System of microbial fuel cell

引起微生物燃料电池系统故障的原因很多,产生故障的部位和特征也各有特点.在这里,把各种原因引起的故障和有关因素加以综合考虑,不考虑检测元件故障、人为因素,微生物燃料电池系统常见的故障如下:

故障1,空气泵故障

空气泵是利用微生物代谢活动将储存在有机物中的化学能直接转化为电能的过程中向曝气池供氧的设备.通过人为地通入空气,不仅使池内的液体与空气接触,而且在搅动液体过程中,加速了空气中氧向液体中的转移.空气泵的好坏,直接影响污水处理效果,而且影响电池电压输出.

故障2,磁力搅拌装置故障

磁力搅拌装置是通过底座产生的磁场间接对容器内液体进行搅拌,保证活性污泥处于悬浮状态,加强室内有机物与微生物接触,提高降解速度,从而提高产电效率.由于其经常动作,所以故障率也很高.

故障3,电极脱落故障

铜线与碳布连接制成电极,由于铜线浸入到电解液和污泥中,极易发生电化学腐蚀.当导电胶失效后,就会腐蚀铜线,严重情况下造成铜线与碳布分离,从而增加电池的内阻,使系统输出电压降低.

故障4,质子交换膜故障

质子交换膜是微生物燃料电池系统中重要的部件,起到导通质子、隔离化学反应的作用.当其发生故障时,阻碍质子在膜上顺利通过,从而导致电池性能下降.因此质子交换膜的性能对燃料电池的性能起着非常重要的作用,它的好坏直接影响电池的使用寿命.

这几种故障发生时都会引起电压在不同程度的降低或升高,但无法具体判断属于哪种故障.

2 故障诊断过程及分析

20世纪80年代,Morlet 首次提出了小波分析这一概念.小波分析可以实现在低频处频率细分,高频处时间细分,能自动聚焦到信号的任意细节,保留了傅里叶变换的优点,又弥补了其在信号分析上的不足.迄今为止,小波分析在理论上和工程应用中均取得了丰硕的成果,并在信号处理、计算机视觉、图像处理、语音分析与合成等众多的领域得到应用[9].

文献[10]利用小波包分解对液压泵进行故障诊断,文献[11]针对滚动轴承故障特征利用时间-小波能量谱方法分析故障,文献[12]对电机故障特征值进行倍频小波分析,然而,在这些文献中没有将小波分析应用在微生物燃料电池中.

小波包分析方法能够对多分辨率分析中的高频部分进行细化分解,从而具有更高的频率和时间的分辨率,能有效诊断微生物燃料电池系统的故障类型.

本文利用倍频小波分析方法,分别计算高频段和低频段的能量特征值,这些特征值综合反映了微生物燃料电池系统的全部故障信息,通过对其分析,能够确认故障类型.诊断结果表明,利用倍频小波分析可有效实现对微生物燃料电池的故障诊断.

2.1 倍频小波分析原理

倍频小波分解的原理是将信号投影到一组相互正交的尺度函数和小波函数构成的子空间,将信号在各尺度上进行展开,从而提取信号高低频带的特征,与此同时仍保留信号在不同尺度上的时域特征.

定义一系列递归函数Wn(t)满足下面的双尺度方程[13]

其中g(k)=(-1)kh(1-k),即两系数满足正交关系.当n=0时,由上式可得

那么序列{Wn(t)}为由基函数W0(t)=φ(t)所确定的正交小波,由于基函数φ(t)由h(k)唯一确定,所以又称序列{Wn(t)}为序列{h(k)}正交小波.

利用小波理论实现信号分解的算法为

式中,{S(k),k∈N}为离散序列,l代表小波分解各序列的序列点,j代表倍频小波分解层数.

这样通过正交分解为原始信号提供一种更加精细的分析方法,能够将信号分解到不同层次频段内.

2.2 倍频小波分析的步骤

利用小波分析进行输出电压分析时,为了能够取得满意的分析效果,选择合适的小波基很关键.与傅里叶变换相比,小波变换结果并不是唯一的,可以根据研究问题的不同选择多种小波基.在这里通过比较选取DB小波作为小波基[14].对于特定的故障诊断应用,倍频小波分解的层次数取决于电压信号的频率特征,合理的分解层次便于提高特征信息的敏感度.

利用倍频小波分析步骤如下:

(1) 系统上电,稳定工作30 h;

(2) 利用数据采集卡采集数据,获得系统在几种不同工作情况下的输出电压信号;

(3) 对信号进行小波分解,得到各个结点所代表的小波分解层上的小波系数;

(4) 利用小波分解系数进行重构,得到各个频段上的重构信号;

(5) 计算各个频段的特征值E;

(6) 根据各个频段特征值进行故障诊断;

(7) 确定出故障原因,结束.

2.3 倍频小波的分析结果

为了验证倍频小波分析算法的正确性和可靠性,用小波包分解对微生物燃料电池系统输出电压信号进行计算机仿真分析.实验时,系统上电后,电池连续工作30 h,待系统稳定后,分别对正常情况及四种故障情况下进行电压信号采集,采样频率fs=56 Hz,采集12 h的数据,每种情况重复采样7次.图2为三层小波分析结构图.表1代表经过3层分解后各个频段所代表的频率范围.

图2 三层小波分析结构图Fig.2 Structure chart of three-layer wavelet analysis

结点结点[3,0]结点[3,1]结点[3,2]结点[3,3]结点[3,4]结点[3,5]结点[3,6]结点[3,7]f/Hz1～44～7.57.5～11.511.5～1515～18.518.5～2121～24.524.5～28

当微生物燃料电池系统发生故障时,在整个频谱上包含了故障信息.与无故障时相比,在一些频段信号增强,而在另一些频段信号减弱[15].因此,可以通过计算各频段信号特征值,诊断出系统出现的不同故障.

各个频段信号特征值计算公式为

其中:j代表小波分解层数;N代表采样信号数.

依据式(4)计算不同情况下各个频段信号的特征值,并进行7次测量结果的统计平均,形成一个八维向量,直观显示出各个频段的特征值,见表2.

表2 不同情况下各个频段的特征值Table 2 Eigenvalues of each band in the case of different cases

由表2可以看出:若8个结点的特征值与无故障时相比都变小,则是故障1;若结点[3,0],[3,1],[3,2],[3,3],[3,4]的特征值变为无故障时的1.5倍,结点[3,5],[3,6],[3,7]与无故障时相比放大万倍,则是故障2;若结点[3,0],[3,1],[3,2],[3,3]的特征值与无故障时相比变大,结点[3,4],[3,5],[3,6],[3,7]数值较无故障时略减小,则是故障3;若结点[3,0],[3,1],[3,2],[3,3],[3,4] 的特征值变为无故障时的两倍左右,结点[3,5],[3,6],[3,7]与无故障时相比放大万倍,则是故障4.由表2可见,利用倍频小波分析,能够得到多个频段的信号特征值,从而进行微生物燃料电池系统故障诊断.故障发生时,在某些结点处,故障与无故障时特征值差异较大,因此,可以实现正确的故障诊断.

图3～图7代表了不同情况下的小波重构图.从图中可以看出,正常工作状态下及故障情况下小波在不同节点的重构图明显不同,从另一角度说明倍频小波可以识别不同故障情况.

图3 无故障时分支小波重构Fig.3 Wavelet reconstruction of normal condition

图4 故障1时分支小波重构Fig.4 Wavelet reconstruction of fault 1

图5 故障2时分支小波重构Fig.5 Wavelet reconstruction of fault 2

图6 故障3时分支小波重构Fig.6 Wavelet reconstruction of fault 3

图7 故障4时分支小波重构Fig.7 Wavelet reconstruction of fault 4

3 结 论

本文在分析微生物燃料电池系统常见故障的基础上,充分利用小波分析的优越性,提出了基于倍频小波包变换的故障诊断技术.该方法能够有效地提取微生物燃料电池系统常见故障的故障特征值,从而确定故障的类型,仿真验证了所提方法的有效性,为微生物燃料电池系统故障诊断提供了新途径.此外,利用小波包分解后的特征值还可用于神经网络,为故障诊断方法的多样化提供依据.

[ 1 ] 吴捷,杨俊华. 绿色能源与生态环境控制[J]. 控制理论与应用, 2004,21(6):864-869.

WU J,YANG J H. Control on green energy source and ecologic environment[J]. Control Theory amp; Applications, 2004,21(6):864-869.

[ 2 ] 洛根. 微生物燃料电池[M]. 北京:化学工业出版社, 2009.

LOGAN B E. Microbial fuel cells: Microbial fuel cells[M].Beijing: Chemical Industry Press, 2009.

[ 3 ] HUANG L,LOGAN B E. Electricity generation and treatment of paper recycling wastewater using a microbial fuel cell[J]. Applied Microbiology and Biotechnology, 2008,80(2):349.

[ 4 ] HERNANDEZ A,OUTBIB R, HISTEL D. Fault diagnosis of PEMfuel cell[M]. London: Springer, 2011.

[ 5 ] TOMMASI T,LOMBARDELLI G. Energy sustainability of microbial fuel cell (MFC): a case study[J]. Journal of Power Sources, 2017,356:438-447.

[ 6 ] BARANITHARAN E,KHAN M R,PRASAD D M R,et al. Effect of biofilm formation on the performance of microbial fuel cell for the treatment of palm oil mill effluent[J]. Bioprocess and Biosystems Engineering, 2015,38(1):15-24.

[ 7 ] 樊立萍,李崇,张君,等. 质子交换膜燃料电池的自适应模糊恒功率控制[J]. 可再生能源, 2013,31(2):75-79.

FAN L P,LI C,ZHANG J,et al. Adaptive fuzzy constant power control of proton exchange membrane fuel cells[J]. Renewable Energy, 2013,31(2):75-79.

[ 8 ] 颜闽秀,樊立萍. 微生物燃料电池的故障树诊断[J].沈阳大学学报, 2015,25(5):363-365.

YAN M X,FAN L P. Fault tree diagnosis for microbial fuel cell[J]. Journal of Shenyang University, 2015,25(5):363-365.

[ 9 ] PAN Q,ZHANG D,DAI G,et al. Two denoising methods by wavelet transform[J]. IEEE Trans Signal Process, 2000,47(12):3401-3406.

[10] TSE P W,YANG W X,TAM H Y. Machine fault diagnosis through an effective exact wavelet analysis[J]. Journal of Sound amp; Vibration, 2004,277(4/5):1005-1024.

[11] KONG X,ZHANG Q,GAO Y. Wavelet-based pressure analysis for hydraulic pump health diagnosis[J]. Transactions of theAsae, 2003,46(4):969-976.

[12] CHENG J,YU D,YU Y. Application of an impulse response wavelet to fault diagnosis of rolling bearings[J]. Mechanical Systems amp; Signal Processing, 2007,21(2):920-929.

[13] KIM K,PARLOS A G. Induction motor fault diagnosis based onneuropredictors and wavelet signal processing[J]. IEEE/ASME Transactions on Mechatronics, 2002,7(2):201-219.

[14] 郑钧,侯锐锋. 小波去噪中小波基的选择[J]. 沈阳大学学报, 2009,21(2):108-110.

ZHENG J,HOU R F. Selection of wavelet base in denoising of wavelet transform[J]. Journal of Shenyang University, 2009,21(2):108-110.

[15] VERNEKAR K,KUMAR H,GANGADHARAN K V. Gear fault detection using vibration analysis and continuous wavelet transform[J]. Procedia Materials Science, 2014,5(2):1846-1852.

【责任编辑:胡天慧】

FaultDiagnosisofMicrobialFuelCellBasedonFrequencyDoublingWavelet

YanMinxiu,LuZhenfang,ShiXiaolin

(Information Engineering Institute, Shenyang University of Chemical Technology, Shenyang 110142, China)

Microbial fuel cells have

more and more attention as one of pollution-free energy sources. In this paper, the fault diagnosis based on frequency doubling wavelet is proposed for the common faults when microbial fuel cells are working. The output voltage collected in different fault situations is analyzed by using the frequency doubling wavelet. Then, the wavelet coefficients are used to reconstruct the signal of the high and low frequency bands, and the characteristic of the frequency domain of the fault signal is extracted to show the main distribution of the fault signal. Finally different types of faults are diagnosed. The proposed fault diagnostic scheme can improve the reliability and safety of equipment.

microbial fuel cell; fault diagnosis; frequency doubling wavelet analysis; signal energy eigenvalue

TK 6; TM 911.4; TP 273

A

2017-09-05

国家科技支撑计划项目资助(2012BAF09B01); 国家科技部中国-马其顿政府间科技合作项目资助; 辽宁省教育厅项目资助(LZ2016006).

颜闽秀(1972-),女,福建仙游人,沈阳大学副教授,博士.

2095-5456(2017)06-0441-07