🔬 applied physics

Model-Free Detection and Accommodation of Sensor Faults for a PEM Electrolyzer

本文提出了一种基于超局部模型的创新型无模型方法，用于检测并应对可再生能源供电质子交换膜（PEM）电解水系统中的传感器故障，从而在不依赖先验系统模型的情况下，确保闭环系统的稳定性和性能。

原作者： Meziane Ait Ziane, Michel Zasadzinski, Cédric Join, Michel Fliess

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Meziane Ait Ziane, Michel Zasadzinski, Cédric Join, Michel Fliess

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图烤出一块完美的面包（那就是你的氢燃料），使用的是一个非常挑剔的高科技烤箱（PEM 电解槽）。这个烤箱由一块太阳能电池板供电，而这块电池板就像一个反复无常的朋友：有时阳光明媚（高电压），有时又是阴云密布（低电压）。为了让烤箱平稳运行，你使用了一个特殊的调光开关（DC/DC 转换器）来调节功率。

现在，问题来了：你有一个温度计（传感器）用来告诉你烤箱有多热。但如果这个温度计开始撒谎怎么办？比如，它可能卡在显示“300度”的状态，而实际上烤箱已经冰凉；或者它只是开始发出杂乱的静电噪音。如果你的烤箱大脑信任了这个撒谎的温度计，它就会尝试以错误的温度来烤面包，导致你的氢气产量变得一团糟。

长期以来，科学家们试图通过构建一张极其庞大且复杂的数学地图，精确描述烤箱内部每一个细节来解决这个问题。他们认为：“如果我们知道每一根导线和每一次化学反应，我们就能预判温度计何时在撒谎。”但这篇文章说：不，那太复杂了。

相反，作者提出了一种“无模型”的方法。你可以这样理解：你的控制系统并不需要研究整个烤箱的蓝图，它只需倾听当前的行为。它使用了一个被称为**“超局部模型”**的聪明技巧。想象一下，你有一个聪明的助手，他不需要知道烤箱是如何建造的；他只需要观察当你转动旋钮时发生了什么，以及此时此刻温度计显示了什么。

这个“聪明助手”通过三个简单的步骤工作：

猜测： 助手根据过去几秒钟的数据，预测温度计应该显示什么。
检查： 它将预测值与实际读数进行对比。如果两者匹配，一切正常。如果不匹配，助手就会大喊：“嘿！出问题了！”这个差异被称为残差。
修复： 一旦助手发现了谎言（传感器故障），它并不会惊慌。它会计算出温度计到底撒了多少谎。然后，它会调整烤箱的大脑，使其忽略谎言并专注于真正的目标。

作者使用计算机模拟（不是实验室里的真实物理烤箱，而是一个非常详细的数字孪生体）测试了这个想法。他们设定了一个场景，其中太阳能功率在 25 V 到 55 V 之间波动。他们还引入了一个“谎言”：在特定时间，传感器突然报告的电流比实际高出 2 A（或低了 4 A）。

结果非常令人振奋。在模拟中，当传感器开始撒谎时，系统几乎瞬间就检测到了错误。如果没有这个修复机制，烤箱会试图去遵循那个虚假的读数。但有了这种全新的“无模型”策略，系统意识到：“啊，传感器坏了，”并进行了自我修正。系统中的实际电流始终完美地保持在预定轨道上，即使在传感器大声撒谎且太阳能功率上下跳动的情况下，依然达到了预期的目标电流。

该论文明确反对针对这项特定任务依赖复杂的、预建的系统数学模型。他们证明了，为了修复传感器，你不需要知道每一个电阻或电容的具体数值（比如技术笔记中提到的 100.06 Ω 或 901.43 F 组件）。你只需要超局部模型。

所以，底线是什么？作者认为，由于这种方法速度快且不需要沉重的计算机来进行大量运算，它成为了现实应用中的有力竞争者。他们还没有制造出真实的物理机器人，但在他们的数字世界里，它表现得非常出色，尽管环境混乱，却依然保持了氢气生产的稳定。这有点像教一辆车自动驾驶——通过观察路面来学习，而不是先背诵整座城市的地图。

技术摘要：质子交换膜电解槽传感器故障的模型无关检测与补偿

问题陈述
耦合直流/直流变换器的质子交换膜水电解槽（PEMWE）在利用可再生能源（RES）生产绿色氢能的过程中起着至关重要的作用。然而，这些系统容易受到各种故障的影响，包括传感器失效。虽然目前已存在针对组件故障（如变换器中的门极故障）的主动容错控制（AFTC）策略，但文献中仍缺乏专门针对在可变可再生能源电压下运行的 PEMWE 系统来处理传感器故障的具体方法。若不进行补偿，传感器故障 ( $f$ ) 会导致控制回路调节的是错误的测量值 ( $y_m$ ) 而非实际系统输出 ( $y$ )，从而导致氢气产量偏离期望设定值。本研究面临的挑战是在受输入电压变化影响的闭环系统中，如何在不依赖复杂的 PEMWE 数学模型的情况下，实现对传感器故障的检测、估计与补偿。

方法论
作者提出了一种基于超局部模型（ultra-local model）概念的模型无关方法，这种技术在控制工程领域的应用日益广泛。该方法由三个主要部分组成：

超局部建模与控制：
该方法并不使用基于电化学阻抗谱（EIS）的高阶解析 PEMWE 模型，而是将系统表示为超局部模型： $\dot{y}_m = F + \alpha u$ 。其中， $F$ 代表未知的动力学特性和扰动， $\alpha$ 是常数系数， $u$ 是控制输入。系统采用“智能比例”（iP）控制器来估计 $F$ 并生成控制律： $u = -(\hat{F} - \dot{y}^* + K_p e)/\alpha$ 。
残差生成与故障检测：
为了检测故障，通过比较测量输出 $y_m$ 与从超局部模型积分得到的重构输出 $\hat{y}_m$ ，来生成残差信号 $r(t)$ 。
$r(t) = y_m(t) - \beta(t)\hat{y}_m(t)$
参数 $\beta(t)$ 根据控制输入与可再生能源电压 ( $V_{RES}$ ) 之间的稳态关系进行动态调整，以承认由于 $V_{RES}$ 的变化，系统并非线性时不变（LTI）系统。根据噪声水平和最小可检测故障幅度建立阈值 $\rho(t)$ 。如果 $|r(t)| > \rho(t)$ ，则判定发生故障。
故障估计与补偿：
一旦检测到故障，直接从残差中估计故障量 $\hat{f}$ ：
$\hat{f}(t) = \frac{r(t)}{1 - \beta(t)}$
补偿策略涉及修改 iP 控制器中的跟踪误差定义。控制器不再使用原始测量值，而是使用补偿后的误差：
$e(t) = y_m(t) - y^*(t) - \hat{f}(t)$
这使得控制器能够尽管存在传感器故障，仍能驱动实际输出 $y$ 追踪参考值 $y^*$ 。

核心贡献

首次应用于 PEMWE 传感器故障： 该论文声称是第一项专门针对耦合直流/直流变换器的 PEMWE 系统处理传感器故障的主动容错控制的研究。
模型无关架构： 检测和补偿机制不依赖于 PEMWE 或变换器的解析数学模型。这避免了对退化、非线性和参数不确定性建模的复杂性。
处理可变输入： 所提方法明确考虑了可再生能源电压 ( $V_{RES}$ ) 的变化，确保了在暂态和稳态运行期间故障检测阈值和估计的有效性。

仿真结果
该方法通过耦合堆叠交错并联降压变换器（SIBC）的 PEMWE 系统数值仿真进行了验证。测试了两种场景：

恒定 $V_{RES}$ (40 V)： 在 $t=30$ s 时引入了 +2 A 的传感器故障。
可变 $V_{RES}$ ： 输入电压在 25 V 至 55 V 之间变化，并在 $t=60$ s 时引入了 -4 A 的传感器故障。

在两种情况下，结果均表明：

检测： 残差 $r(t)$ 在故障发生后几乎立即超过了阈值 $\rho(t)$ 。
估计： 估计的故障量 $\hat{f}$ 准确地追踪了实际故障量。
补偿： 在没有 AFTC 的情况下，调节输出 $y$ 在故障发生后偏离了设定值 $y^*$ 。启用 AFTC 后，系统成功补偿了故障，确保实际电流 $y$ 尽管存在传感器误差和输入电压变化，仍能收敛至期望设定值 $y^*$ 。
暂态行为： AFTC 逻辑被设计为在暂态阶段保持非激活状态以防止误触发，仅在稳态条件重新建立后才激活。

意义与主张
作者断言，其模型无关方法为在存在传感器故障时维持系统稳定性和性能提供了一种鲁棒的解决方案。通过利用超局部模型，该方法实现了故障补偿，且无需承担与解析方法相关的计算负担或建模误差。论文结论指出，由于其计算需求较低，该技术是实现在测试台架上实时实施的有力候选方案。未来的工作确定为该方法在真实测试台架上的物理实现。

类似论文