基于倍頻小波的微生物燃料電池故障診斷

顏閩秀, 盧振方, 史曉琳

(沈陽化工大學(xué) 信息工程學(xué)院, 遼寧 沈陽 110142)

基于倍頻小波的微生物燃料電池故障診斷

顏閩秀, 盧振方, 史曉琳

(沈陽化工大學(xué) 信息工程學(xué)院, 遼寧 沈陽 110142)

針對微生物燃料電池工作時的常見故障,提出了一種基于倍頻小波的故障診斷方法.首先利用倍頻小波分析了不同故障情況下的輸出電壓;然后,利用小波系數(shù)重新構(gòu)建高頻信號和低頻信號,并提取故障信號的頻域特征,從而得出故障信號的主要分布情況;最后診斷出不同類型的故障.所設(shè)計的故障診斷方案可以有效提高設(shè)備的可靠性和安全性.

微生物燃料電池; 故障診斷; 倍頻小波分析; 信號能量特征值

隨著世界經(jīng)濟(jì)的飛速發(fā)展和人口數(shù)量的急劇增加,能源短缺與環(huán)境污染所帶來的一系列問題日益凸顯.調(diào)整能源結(jié)構(gòu),提高能源利用率,加速開發(fā)出綠色新能源成為各國學(xué)者重點(diǎn)關(guān)注和深入研究的問題[1].

微生物燃料電池(Microbial fuel cell, MFC)能夠在微生物作用下將污水中的化學(xué)能轉(zhuǎn)換為電能,實(shí)現(xiàn)污水凈化和發(fā)電的雙重效果.它以微生物為陽極催化劑,將有機(jī)物中的化學(xué)能轉(zhuǎn)化為電能[2].

微生物燃料電池技術(shù)具有綠色無污染、燃料來源廣、轉(zhuǎn)化效率高、操作條件溫和、應(yīng)用范圍廣等優(yōu)點(diǎn)得到了廣泛的關(guān)注,各國學(xué)者紛紛對其開展了深入和有價值的研究,也取得了一定的研究成果[3].這些研究成果主要集中在電極材料的選擇、膜材料的選擇、反應(yīng)器結(jié)構(gòu)的設(shè)計、電子傳輸機(jī)理、建模、優(yōu)化控制、提高輸出功率密度等幾個方向[4-7].

微生物燃料電池系統(tǒng)作為新興起的研究方向,涉及到電化學(xué)、微生物學(xué)、化學(xué)工程等多領(lǐng)域的交叉.整個系統(tǒng)通常由陰極室、陽極室、質(zhì)子交換膜、電極及輔助設(shè)備構(gòu)成.在其工作的過程當(dāng)中,必然會出現(xiàn)各種各樣的故障.

然而,現(xiàn)今微生物燃料電池成果主要集中在正常條件下系統(tǒng)的運(yùn)行情況,很少對其進(jìn)行故障分析及診斷.在實(shí)際運(yùn)行中每一元件發(fā)生故障或者失效都會影響其輸出,導(dǎo)致輸出性能下降或者設(shè)備無法正常運(yùn)行,因而能否在故障發(fā)生時快速、高效的診斷出故障的原因在微生物燃料電池的研究中尤為重要,同時微生物燃料電池作為一種能源,提供給其他動力設(shè)備作為能量輸入,對后續(xù)依賴此微生物燃料電池系統(tǒng)設(shè)備而言故障診斷也顯得舉足輕重,因此如何提高系統(tǒng)的安全性是推進(jìn)MFC商業(yè)化和產(chǎn)業(yè)化的關(guān)鍵.為了確保燃料電池系統(tǒng)的安全運(yùn)行,有必要利用故障診斷技術(shù)對其展開研究[8].

1 微生物燃料電池系統(tǒng)主要故障分析

這里所選用的微生物燃料電池反應(yīng)器為雙室結(jié)構(gòu),整個系統(tǒng)由四部分組成,分別是雙室微生物燃料電池、輔助設(shè)備、外電路負(fù)載及數(shù)據(jù)采集系統(tǒng).整個系統(tǒng)示意圖如圖1所示.

圖1中右側(cè)是密封的陽極厭氧室,而左側(cè)則是頂部和大氣相連通的陰極室,并用曝氣裝置不間斷地鼓入空氣.陰陽極室的中間則采用了質(zhì)子交換膜將彼此分開.陽極區(qū)底部安裝磁力攪拌裝置,確?；钚晕勰嗟膽腋顟B(tài),使得污泥與污水可以充分接觸,提高降解的速率,從而提高電池效率.

圖1 微生物燃料電池系統(tǒng)Fig.1 System of microbial fuel cell

引起微生物燃料電池系統(tǒng)故障的原因很多,產(chǎn)生故障的部位和特征也各有特點(diǎn).在這里,把各種原因引起的故障和有關(guān)因素加以綜合考慮,不考慮檢測元件故障、人為因素,微生物燃料電池系統(tǒng)常見的故障如下:

故障1,空氣泵故障

空氣泵是利用微生物代謝活動將儲存在有機(jī)物中的化學(xué)能直接轉(zhuǎn)化為電能的過程中向曝氣池供氧的設(shè)備.通過人為地通入空氣,不僅使池內(nèi)的液體與空氣接觸,而且在攪動液體過程中,加速了空氣中氧向液體中的轉(zhuǎn)移.空氣泵的好壞,直接影響污水處理效果,而且影響電池電壓輸出.

故障2,磁力攪拌裝置故障

磁力攪拌裝置是通過底座產(chǎn)生的磁場間接對容器內(nèi)液體進(jìn)行攪拌,保證活性污泥處于懸浮狀態(tài),加強(qiáng)室內(nèi)有機(jī)物與微生物接觸,提高降解速度,從而提高產(chǎn)電效率.由于其經(jīng)常動作,所以故障率也很高.

故障3,電極脫落故障

銅線與碳布連接制成電極,由于銅線浸入到電解液和污泥中,極易發(fā)生電化學(xué)腐蝕.當(dāng)導(dǎo)電膠失效后,就會腐蝕銅線,嚴(yán)重情況下造成銅線與碳布分離,從而增加電池的內(nèi)阻,使系統(tǒng)輸出電壓降低.

故障4,質(zhì)子交換膜故障

質(zhì)子交換膜是微生物燃料電池系統(tǒng)中重要的部件,起到導(dǎo)通質(zhì)子、隔離化學(xué)反應(yīng)的作用.當(dāng)其發(fā)生故障時,阻礙質(zhì)子在膜上順利通過,從而導(dǎo)致電池性能下降.因此質(zhì)子交換膜的性能對燃料電池的性能起著非常重要的作用,它的好壞直接影響電池的使用壽命.

這幾種故障發(fā)生時都會引起電壓在不同程度的降低或升高,但無法具體判斷屬于哪種故障.

2 故障診斷過程及分析

20世紀(jì)80年代,Morlet 首次提出了小波分析這一概念.小波分析可以實(shí)現(xiàn)在低頻處頻率細(xì)分,高頻處時間細(xì)分,能自動聚焦到信號的任意細(xì)節(jié),保留了傅里葉變換的優(yōu)點(diǎn),又彌補(bǔ)了其在信號分析上的不足.迄今為止,小波分析在理論上和工程應(yīng)用中均取得了豐碩的成果,并在信號處理、計算機(jī)視覺、圖像處理、語音分析與合成等眾多的領(lǐng)域得到應(yīng)用[9].

文獻(xiàn)[10]利用小波包分解對液壓泵進(jìn)行故障診斷,文獻(xiàn)[11]針對滾動軸承故障特征利用時間-小波能量譜方法分析故障,文獻(xiàn)[12]對電機(jī)故障特征值進(jìn)行倍頻小波分析,然而,在這些文獻(xiàn)中沒有將小波分析應(yīng)用在微生物燃料電池中.

小波包分析方法能夠?qū)Χ喾直媛史治鲋械母哳l部分進(jìn)行細(xì)化分解,從而具有更高的頻率和時間的分辨率,能有效診斷微生物燃料電池系統(tǒng)的故障類型.

本文利用倍頻小波分析方法,分別計算高頻段和低頻段的能量特征值,這些特征值綜合反映了微生物燃料電池系統(tǒng)的全部故障信息,通過對其分析,能夠確認(rèn)故障類型.診斷結(jié)果表明,利用倍頻小波分析可有效實(shí)現(xiàn)對微生物燃料電池的故障診斷.

2.1 倍頻小波分析原理

倍頻小波分解的原理是將信號投影到一組相互正交的尺度函數(shù)和小波函數(shù)構(gòu)成的子空間,將信號在各尺度上進(jìn)行展開,從而提取信號高低頻帶的特征,與此同時仍保留信號在不同尺度上的時域特征.

定義一系列遞歸函數(shù)Wn(t)滿足下面的雙尺度方程[13]

其中g(shù)(k)=(-1)kh(1-k),即兩系數(shù)滿足正交關(guān)系.當(dāng)n=0時,由上式可得

那么序列{Wn(t)}為由基函數(shù)W0(t)=φ(t)所確定的正交小波,由于基函數(shù)φ(t)由h(k)唯一確定,所以又稱序列{Wn(t)}為序列{h(k)}正交小波.

利用小波理論實(shí)現(xiàn)信號分解的算法為

式中,{S(k),k∈N}為離散序列,l代表小波分解各序列的序列點(diǎn),j代表倍頻小波分解層數(shù).

這樣通過正交分解為原始信號提供一種更加精細(xì)的分析方法,能夠?qū)⑿盘柗纸獾讲煌瑢哟晤l段內(nèi).

2.2 倍頻小波分析的步驟

利用小波分析進(jìn)行輸出電壓分析時,為了能夠取得滿意的分析效果,選擇合適的小波基很關(guān)鍵.與傅里葉變換相比,小波變換結(jié)果并不是唯一的,可以根據(jù)研究問題的不同選擇多種小波基.在這里通過比較選取DB小波作為小波基[14].對于特定的故障診斷應(yīng)用,倍頻小波分解的層次數(shù)取決于電壓信號的頻率特征,合理的分解層次便于提高特征信息的敏感度.

利用倍頻小波分析步驟如下:

(1) 系統(tǒng)上電,穩(wěn)定工作30 h;

(2) 利用數(shù)據(jù)采集卡采集數(shù)據(jù),獲得系統(tǒng)在幾種不同工作情況下的輸出電壓信號;

(3) 對信號進(jìn)行小波分解,得到各個結(jié)點(diǎn)所代表的小波分解層上的小波系數(shù);

(4) 利用小波分解系數(shù)進(jìn)行重構(gòu),得到各個頻段上的重構(gòu)信號;

(5) 計算各個頻段的特征值E;

(6) 根據(jù)各個頻段特征值進(jìn)行故障診斷;

(7) 確定出故障原因,結(jié)束.

2.3 倍頻小波的分析結(jié)果

為了驗(yàn)證倍頻小波分析算法的正確性和可靠性,用小波包分解對微生物燃料電池系統(tǒng)輸出電壓信號進(jìn)行計算機(jī)仿真分析.實(shí)驗(yàn)時,系統(tǒng)上電后,電池連續(xù)工作30 h,待系統(tǒng)穩(wěn)定后,分別對正常情況及四種故障情況下進(jìn)行電壓信號采集,采樣頻率fs=56 Hz,采集12 h的數(shù)據(jù),每種情況重復(fù)采樣7次.圖2為三層小波分析結(jié)構(gòu)圖.表1代表經(jīng)過3層分解后各個頻段所代表的頻率范圍.

圖2 三層小波分析結(jié)構(gòu)圖Fig.2 Structure chart of three-layer wavelet analysis

結(jié)點(diǎn)結(jié)點(diǎn)[3,0]結(jié)點(diǎn)[3,1]結(jié)點(diǎn)[3,2]結(jié)點(diǎn)[3,3]結(jié)點(diǎn)[3,4]結(jié)點(diǎn)[3,5]結(jié)點(diǎn)[3,6]結(jié)點(diǎn)[3,7]f/Hz1～44～7.57.5～11.511.5～1515～18.518.5～2121～24.524.5～28

當(dāng)微生物燃料電池系統(tǒng)發(fā)生故障時,在整個頻譜上包含了故障信息.與無故障時相比,在一些頻段信號增強(qiáng),而在另一些頻段信號減弱[15].因此,可以通過計算各頻段信號特征值,診斷出系統(tǒng)出現(xiàn)的不同故障.

各個頻段信號特征值計算公式為

其中:j代表小波分解層數(shù);N代表采樣信號數(shù).

依據(jù)式(4)計算不同情況下各個頻段信號的特征值,并進(jìn)行7次測量結(jié)果的統(tǒng)計平均,形成一個八維向量,直觀顯示出各個頻段的特征值,見表2.

表2 不同情況下各個頻段的特征值Table 2 Eigenvalues of each band in the case of different cases

由表2可以看出:若8個結(jié)點(diǎn)的特征值與無故障時相比都變小,則是故障1;若結(jié)點(diǎn)[3,0],[3,1],[3,2],[3,3],[3,4]的特征值變?yōu)闊o故障時的1.5倍,結(jié)點(diǎn)[3,5],[3,6],[3,7]與無故障時相比放大萬倍,則是故障2;若結(jié)點(diǎn)[3,0],[3,1],[3,2],[3,3]的特征值與無故障時相比變大,結(jié)點(diǎn)[3,4],[3,5],[3,6],[3,7]數(shù)值較無故障時略減小,則是故障3;若結(jié)點(diǎn)[3,0],[3,1],[3,2],[3,3],[3,4] 的特征值變?yōu)闊o故障時的兩倍左右,結(jié)點(diǎn)[3,5],[3,6],[3,7]與無故障時相比放大萬倍,則是故障4.由表2可見,利用倍頻小波分析,能夠得到多個頻段的信號特征值,從而進(jìn)行微生物燃料電池系統(tǒng)故障診斷.故障發(fā)生時,在某些結(jié)點(diǎn)處,故障與無故障時特征值差異較大,因此,可以實(shí)現(xiàn)正確的故障診斷.

圖3～圖7代表了不同情況下的小波重構(gòu)圖.從圖中可以看出,正常工作狀態(tài)下及故障情況下小波在不同節(jié)點(diǎn)的重構(gòu)圖明顯不同,從另一角度說明倍頻小波可以識別不同故障情況.

圖3 無故障時分支小波重構(gòu)Fig.3 Wavelet reconstruction of normal condition

圖4 故障1時分支小波重構(gòu)Fig.4 Wavelet reconstruction of fault 1

圖5 故障2時分支小波重構(gòu)Fig.5 Wavelet reconstruction of fault 2

圖6 故障3時分支小波重構(gòu)Fig.6 Wavelet reconstruction of fault 3

圖7 故障4時分支小波重構(gòu)Fig.7 Wavelet reconstruction of fault 4

3 結(jié) 論

本文在分析微生物燃料電池系統(tǒng)常見故障的基礎(chǔ)上,充分利用小波分析的優(yōu)越性,提出了基于倍頻小波包變換的故障診斷技術(shù).該方法能夠有效地提取微生物燃料電池系統(tǒng)常見故障的故障特征值,從而確定故障的類型,仿真驗(yàn)證了所提方法的有效性,為微生物燃料電池系統(tǒng)故障診斷提供了新途徑.此外,利用小波包分解后的特征值還可用于神經(jīng)網(wǎng)絡(luò),為故障診斷方法的多樣化提供依據(jù).

[ 1 ] 吳捷,楊俊華. 綠色能源與生態(tài)環(huán)境控制[J]. 控制理論與應(yīng)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. 微生物燃料電池[M]. 北京:化學(xué)工業(yè)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,張君,等. 質(zhì)子交換膜燃料電池的自適應(yīng)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 ] 顏閩秀,樊立萍. 微生物燃料電池的故障樹診斷[J].沈陽大學(xué)學(xué)報, 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] 鄭鈞,侯銳鋒. 小波去噪中小波基的選擇[J]. 沈陽大學(xué)學(xué)報, 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.

【責(zé)任編輯: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

國家科技支撐計劃項目資助(2012BAF09B01); 國家科技部中國-馬其頓政府間科技合作項目資助; 遼寧省教育廳項目資助(LZ2016006).

顏閩秀(1972-),女,福建仙游人,沈陽大學(xué)副教授,博士.

2095-5456(2017)06-0441-07