一種燃料電池發動機水熱管理故障診斷系統及方法
1.本發明涉及燃料電池汽車技術領域，具體涉及一種燃料電池發動機水熱管理故障診斷系統及方法。
背景技術：
2.氫能源具有高效無污染的特點，氫燃料電池汽車是新能源汽車的一個重要研究方向，而質子交換膜燃料電池發動機是氫燃料電池汽車的重要組成部件。
3.水熱管理系統保障質子交換膜燃料電池發動機內的水平衡和溫度平衡，為質子交換膜燃料電池發動機的正常工作提供條件和保障。在水熱管理系統內，水淹和膜干是質子交換膜燃料電池發動機水熱管理系統的典型故障，對于膜干及水淹故障的識別和診斷目前還很少見。
4.如何對燃料電池發動機水熱管理系統進行故障診斷，是本領域亟待解決的重要問題之一。
技術實現要素：
5.本發明的目的是提供一種燃料電池發動機水熱管理故障診斷系統，以解決現有技術中的不足，它能夠對燃料電池發動機水熱管理系統進行故障診斷，準確區分故障類型。
6.本發明提出了一種燃料電池發動機水熱管理故障診斷系統，其中，包括，
7.第一數據采集模塊，用于采集待診斷的燃料電池發動機的第一數據；
8.第二數據采集模塊，用于采集待診斷的燃料電池發動機的第二數據；
9.健康辨識模型，與所述第一數據采集模塊電連接，用于接收第一數據并產生對應的參考數據；
10.殘差計算模塊，分別與所述健康辨識模型和所述第二數據采集模塊電連接，用于根據所述第二數據及參考數據計算對應的殘差；
11.判斷模塊，與所述殘差計算模塊電連接，用于根據所述殘差，對故障類型進行判斷。
12.如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，所述第一數據包括電堆電流、電堆溫度、陰極進氣口壓強和陽極進氣口壓強；
13.所述第二數據包括電堆輸出電壓、陰極壓力降和歐姆內阻；
14.所述參考數據包括電堆輸出電壓、陰極壓力降和歐姆內阻。
15.如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，所述健康辨識模型為經過訓練的神經網絡模型，其輸入為第一數據，其輸出為參考數據。
16.如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，所述神經網絡模型的隱含層個數滿足以下公式，
[0017][0018]
如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，還包括數據
選擇模塊和數據存儲模塊；
[0019]
所述數據選擇模塊分別與所述第一數據采集模塊、所述數據存儲模塊、所述第一數據采集模塊、所述健康辨識模型和所述殘差計算模塊電連接；
[0020]
所述數據存儲模塊用于存儲第一數據采模塊采集到的第一數據，以及與之對應的第三數據；
[0021]
所述第三數據包括電堆輸出電壓、陰極壓力降和歐姆內阻；
[0022]
所述數據選擇模塊用于獲取第一數據，并在所述數據存儲模塊內查與之對應的第三數據；若在所述數據存儲模塊內查到對應的第三數據，將該第三數據作為參考數據傳輸至所述殘差計算模塊；若在所述數據存儲模塊內未查到對應的第三數據，則從所述健康辨識模型中獲取以所述第一數據為輸入得到的參考數據。
[0023]
如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，所述殘差計算模塊用于根據所述第二數據與所述參考數據計算電壓殘差、陰極壓力降殘差和歐姆內阻殘差；
[0024]
所述判斷模塊用于根據所述電壓殘差判斷燃料電池發動機是否存在故障，還用于在故障存在時，根據所述陰極壓力降殘差和歐姆內陰殘差判斷燃料電池發動機故障類型為水淹故障或膜干故障。
[0025]
如上所述的燃料電池發動機水熱管理故障診斷系統，其中，優選的是，所述神經網絡模型的隱含層個數為7。
[0026]
本發明還提出了一種燃料電池發動機水熱管理故障診斷方法，其中，包括如下步驟，
[0027]
s1，構建健康辨識模型；
[0028]
s2，采集第一數據和第二數據；
[0029]
s3，將采集到的第一數據輸入健康辨識模型，得到參考數據；
[0030]
s4，根據第二數據和參考數據，計算殘差，并判斷故障類型；
[0031]
其中，殘差計算結果包括電壓殘差、陰極壓力降殘差和歐姆內阻殘差。
[0032]
如上所述的燃料電池發動機水熱管理故障診斷方法，其中，可選的是，步驟s4中，判斷故障類型包括如下具體步驟：
[0033]
s41，判斷所述電壓殘差是否大于設定電壓差，如果是，則執行步驟s42；如果否，則為健康狀態；
[0034]
s42，判斷陰極壓力降是否大于設定壓降，如果是，則為水淹故障；如果否，執行步驟s43；
[0035]
s43，判斷歐姆內阻殘差是否大于設定內阻殘差，如果是，則為膜干故障；如果否，則為其他故障。
[0036]
與現有技術相比，本發明通過構建康辨識模型，利用從燃料電池發動機采集的第一數據，獲取參考數據，并將參考數據與從燃料電池發動機采集的第二數據進行作差，得到對應的殘差。殘差包含了電壓殘差、陰極壓力降殘差和歐姆內阻殘差，進而對是否故障以及故障類型進行判斷。
[0037]
在本發明提供的方案中，對水淹故障和膜干故障進行了區別，以便于診斷出故障類型。
[0038]
在本發明提供的方案中，利用所使用的參考數據優先使用數據存儲模塊中的數據，相比于通過健康辨識模型得到的參考數據，數據存儲模塊中存儲的數據更準確。而相比于利用數據存儲模塊中存儲的參考數據，健康辨識模型得到的參考數據更加全面。本發明中，綜合了兩種獲取參考數據的方式，結合了兩種方式的優點，使診斷結果更加準確。
附圖說明
[0039]
圖1是本發明提出的燃料電池發動機水熱管理故障診斷系統結構框圖；
[0040]
圖2是本發明提出的燃料電池發動機水熱管理故障診斷系統的又一結構框圖；
[0041]
圖3是本發明提出的燃料電池發動機水熱管理故障診斷方法的步驟流程圖；
[0042]
圖4是本發明提出的燃料電池發動機水熱管理故障診斷方法中步驟s4的具體步驟流程圖。
具體實施方式
[0043]
下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發明，而不能解釋為對本發明的限制。
[0044]
如背景技術中所記載，燃料電池發動機的水熱管理故障診斷是本領域較為常見的故障，對于水淹和膜干的故障能夠盡早發現并識別故障類型，能夠及時消除故障，有利于提高水熱管理的效果。而目前，水熱管理故障識別研究較少的原因主要在于，一是燃料電池發動機當前應用還處于初期，產生相應水淹及膜干故障的數據有限；二是當前的研究主要集中于燃料電池汽車相關的結構本身，加之燃料電池發動機原理復雜，涉及到多學科交叉，故障內容紛繁復雜。通過本技術提供的方案，巧妙地規避了以上問題，能夠實現對于燃料電池發動機水熱管理故障的診斷。具體請參照以下實施例。
[0045]
實施例1
[0046]
本發明的實施例：如圖1和圖2所示。本實施例提出了一種燃料電池發動機水熱管理故障診斷系統，其中，包括第一數據采集模塊、第二數據采集模塊、健康辨識模型、殘差計算模塊和判斷模塊。
[0047]
第一數據采集模塊用于采集待診斷的燃料電池發動機的第一數據。具體實施時，第一數據采集模塊可以是多個傳感器，如，包括電流傳感器、溫度傳感器和壓力傳感器，以便于獲得電堆電流、電堆溫度、陰極進氣口壓強和陽極進氣口壓強。
[0048]
第二數據采集模塊用于采集待診斷的燃料電池發動機的第二數據；具體實施時，第二數據采集模塊可以是多個傳感器，如，包括電壓傳感器、電流傳感器、氣體壓力傳感器。以便于測量電堆輸出電壓、陰極壓力降，第二數據中的歐姆內阻可以根據電壓傳感器及電流傳感器所測結果進行計算，對于歐姆內阻的測量與計算，屬于現有技術，對于本領域技術人員來講，屬于常規技術手段，此處不再贅述。健康辨識模型與所述第一數據采集模塊電連接，用于接收第一數據并產生對應的參考數據。具體地，健康辨識模型的作用在于模擬正常燃料電池發動機，獲取正常狀態下的輸出數據，并將其作為故障診斷的參考數據。
[0049]
殘差計算模塊分別與所述健康辨識模型和所述第二數據采集模塊電連接，用于根據所述第二數據和參考數據計算對應的殘差。具體實施時，第二數據與參考數據均包含多種數據類型，且第二數據中的數據類型與參考數據中的數據類型一致，在計算殘差時，參考
數據與第二數據中的同類型數據進行作差。
[0050]
判斷模塊與所述殘差計算模塊電連接，用于根據所述殘差，對故障類型進行判斷。即，根據各類型數據作差所得的結果作為殘差，便得殘差中的數據類型與第二數據中的數據類型一一對應，根據該殘差進行診斷。
[0051]
具體實施時，通過健康辨識模型來獲取與第一數據相對應的參考數據，即，當參考數據作為健康狀態下的第二數據。通過這種方式，能夠克服參考數據不足的問題，并根據殘差進行水熱管理故障診斷，以得到具體的故障類型。
[0052]
在上述實施過程中，對于第一數據、第二數據和參考數據的具體類型有一定的要求，在本實施例中，所述第一數據至少包括電堆電流、電堆溫度、陰極進氣口壓強和陽極進氣口壓強；所述第二數據至少包括電堆輸出電壓、陰極壓力降和歐姆內阻；所述參考數據至少包括電堆輸出電壓、陰極壓力降和歐姆內阻。其中，第二數據和參考數據的數據類型必須一一對應。在實際應用時，第一數據還可以包括其他數據，如空氣的濕度和氫氣的濕度等。
[0053]
對于健康辨識模型，可以是神經網絡模型，也可以是其他類型的燃料電池發動機模型，只要能夠滿足根據第一數據得到健康狀態下的參考數據即可，在本實施例中，選擇神經網絡模型為健康辨識模型，具體地，可以選擇bp神經網絡，具體地，所述健康辨識模型為經過訓練的神經網絡模型，其輸入為第一數據，其輸出為參考數據。
[0054]
為了獲得準確的神經網絡模型，對于隱含層層數的選擇極為關鍵。較佳的隱含層層數不僅關系到訓練后模型的準確性，還能夠防止模型產生局部收斂。在實際應用中，所述神經網絡模型的隱含層個數滿足以下公式，
[0055][0056]
其中，l為隱含層的個數，且為正整數，m表示輸入神經元的個數，n表示輸出神經元的個數。
[0057]
本實施例中，以4輸入、3輸出的結構為例，代入以上公式，隱含層應當為介于3到9之間的正整數。考慮到訓練數據的樣本數量及訓練結果，本實施例中，選擇4-7-3結構的bp神經網絡模型。
[0058]
為了進一步對本實施例所提出的神經網絡模型進行說明，下面對某次訓練的樣本進行說明，具體如下表：
[0059]
表1神經網絡訓練數據
[0060][0061]
所使用的樣本數量為3050，其中，訓練樣本占比80％，驗證樣本占比10％，測試樣本占比10％。
[0062]
通過將健康辨識模型設置為bp神經網絡模型，能夠有效地解決數據量不足的問題，但同時，對于神經網絡模型的預測精度也過于依賴，神經網絡模型的精度直接影響診斷結果的準確性。神經網模型本身精度與實際情況存在一定的誤差，會使故障診斷精度受到影響。而上述訓練樣本又集中在一定的區間內，以極端情況為例，當第一數據中的某個或多個數據不處于該區別內時，容易引起較大的誤差。為此，本實施例作了進一步的改進。
[0063]
具體地，燃料電池發動機水熱管理故障診斷系統，還包括數據選擇模塊和數據存儲模塊。數據存儲模塊用于存儲燃料電池汽車實際運行時的第一數據和與之對應的健康狀態下的參考數據，數據選擇模塊用于根據實際情況選擇對應的參考數據的數據來源，即，來自于燃料電池發動機健康狀態下的運行結果或者以神經網絡模型的預測結果。
[0064]
具體地，所述數據選擇模塊分別與所述數據存儲模塊、第一數據采集模塊、健康辨識模型和殘差計算模塊電連接；所述數據存儲模塊用于存儲第一數據采模塊采集到的第一數據，以及與之對應的第三數據。具體地，第三數據為預設的樣本數據和/或在實際運行時產生的數據，無論是預設的樣本數據，還是實際運行時產生的數據，都應當是在燃料電池發動機健康運行狀態下所產生的數據。
[0065]
所述第三數據包括電堆輸出電壓、陰極壓力降和歐姆內阻。即，第三數據作為可供選作為參考數據，其數據類型應當與參考數據一一對應。
[0066]
所述數據選擇模塊用于獲取第一數據，并在所述數據存儲模塊內查與之對應的第三數據；若在所述數據存儲模塊內查到對應的第三數據，將該第三數據作為參考數據傳輸至所述殘差計算模塊；若在所述數據存儲模塊內未查到對應的第三數據，則從所述健康辨識模型中獲取以所述第一數據為輸入得到的參考數據。
[0067]
在具體實施時，在數據存儲模塊內，包含了多條存儲數據，即，存在多個數據條，每個數據條包含了一個第一數據和至少一個第三數據。每個數據條均可以表示為{第一數據：第三數據1，第三數據2，第三數據3，......第三數據q}；在選擇參考數據時，若查到第一數據后，判斷其對應的第三數據1的數量，若第三數據為一個，則將該第三數據作為參考數據輸出到殘差計算模塊中；若第三數據為2到50個，則將該多個第三數據內的不同類型數據
求取平均值后作為對應的參考數據；若第三數據的數量大于50個，則將第三數據中各類型數據的中位數作為對應的參考數據。
[0068]
即，按如下公式來選取參考數據，
[0069][0070]
其中，表示參考數據，表示第三數據，表示第三數據的平均數，(v
3med
,δp
3med
,δr
3med
)表示第三數據的中位數。
[0071]
在實際應用時，燃料電池發動機的狀態隨著使用時間的增加會發生變化，為了保證數據的準確性，數據存儲模塊中數據應當是實時更新的。每進行一次故障診斷，根據診斷結果對數據存儲模塊進行更新。具體地，當診斷結果為無水淹或膜干故障時，產生一條數據：{第一數據，第二數據}；根據第一數據從數據存儲模塊中查到包含該第一數據的該條數據，如為{第一數據：第三數據1，第三數據2，第三數據3，......第三數據q}，則在第三數據q后增加第二數據作為第三數據q+1,即，{第一數據：第三數據1，第三數據2，第三數據3，......第三數據q，第二數據}，也就是：{第一數據：第三數據1，第三數據2，第三數據3，......第三數據q，第三數據q+1}。若未查到包含該第一數據的數據條，則，在數據存儲模塊中增加新的數據條：{第一數據，第二數據}。
[0072]
也就是說，本實施例所公開的診斷系統是與燃料電池發動機同步運行并根據檢測的頻率進行不斷更新的。在具體實施時，燃料電池發動機運行初期，參考數據的選擇主要依靠健康辨識模型產生，其精度較低。但燃料電池發動機運行初期，其水淹或膜干的概率較低，能夠滿足診斷需要。隨著燃料電池發動機的不斷運行，數據存儲模塊中所存儲的數據量逐漸增大，參考數據由主要依靠健康辨識模型產生改變為依靠數據存儲模塊中的數據實現。由于數據存儲模塊中的數據來源于燃料電池發動機的實際運行，其精度要高于依賴健康辨識模型。因而隨著使用時間變長，診斷系統的精度會有一定的提升。
[0073]
考慮到在使用時，早期產生的數據在數據產生時燃料電池發動機的狀態與當前燃料電池發動機的狀態存在一定的差異，因而，本實施例又作了如下改進，在將第二數據寫入數據存儲模塊中的數據條時，判斷第三數據的數量是否達到設定的數值，如100個，當第一數據對應的第三數據的個數達到100個時，刪除第一個第三數據，并將第二數據作為最后一個第三數據寫入對應的數據條。如，原數據條為{第一數據：第三數據1，第三數據2，第三數據3，......第三數據100}，在寫入新的數據后，則為：{第一數據：第三數據2，第三數據3，第三數據4，......第三數據100，第二數據}。如此，能夠刪除與燃料電池發動機當前狀態差別較大的第三數據，有利于提高診斷精度。在具體實施時，更新數據存儲模塊中的數據，可由判斷模塊觸發，當判斷模塊的判斷結果為健康狀態時，獲取第一數據和第二數據，并按以上
方法寫入到數據存儲模塊中。具體地，所述判斷模塊還分別與所述第一數據采集模塊、第二數據采集模塊和所述數據存儲模塊電連接，以實現上述功能。
[0074]
具體地，本實施例通過如下方式進行故障類型的識別，所述殘差計算模塊用于根據所述第二數據與所述參考數據計算電壓殘差、陰極壓力降殘差和歐姆內阻殘差。所述判斷模塊用于根據所述電壓殘差判斷燃料電池發動機是否存在故障，還用于在故障存在時，根據所述陰極壓力降殘差和歐姆內陰殘差判斷燃料電池發動機故障類型為水淹故障或膜干故障。更具體地，判斷所述電壓殘差是否大于設定電壓差，如果是，則執行陰極壓力降判斷；如果否，則為健康狀態；判斷陰極壓力降是否大于設定壓降，如果是，則為水淹故障；如果否，執行歐姆內阻判斷；判斷歐姆內阻殘差是否大于設定內阻殘差，如果是，則為膜干故障；如果否，則為其他故障。
[0075]
在具體實施時健康辨識模型也可以是其他模型，如經驗模型等。
[0076]
實施例2，
[0077]
本實施例是針對實施例1所提出的診斷方法，請參照圖3和圖4，本實施例提出了一種燃料電池發動機水熱管理故障診斷方法，其中，包括如下步驟，
[0078]
s1，構建健康辨識模型；具體請參數實施例1，可采用bp神經網絡模型或經驗模型。當采用bp神經網絡模型時，應當預先進行訓練。
[0079]
s2，采集第一數據和第二數據；具體地，所述第一數據包括電堆電流、電堆溫度、陰極進氣口壓強和陽極進氣口壓強；所述第二數據包括電堆輸出電壓、陰極壓力降和歐姆內阻；所述參考數據包括電堆輸出電壓、陰極壓力降和歐姆內阻。
[0080]
s3，將采集到的第一數據輸入健康辨識模型，得到參考數據。在具體實施時，所述參考數據的獲取方法也可以如實施例1所公開。利用健康辨識模型，能夠快速擴大數據量，以克服數據量不足的情況。
[0081]
s4，根據第二數據和參考數據，計算殘差，并判斷故障類型；在計算殘差時，應當將參考數據中各類型的數據減去對應的第二數據中對應類型的數據。
[0082]
其中，殘差計算結果包括電壓殘差、陰極壓力降殘差和歐姆內阻殘差。
[0083]
請參照圖4步驟s4中，判斷故障類型包括如下具體步驟：
[0084]
s41，判斷所述電壓殘差是否大于設定電壓差，如果是，則執行步驟s42；如果否，則為健康狀態。
[0085]
s42，判斷陰極壓力降是否大于設定壓降，如果是，則為水淹故障；如果否，執行步驟s43。
[0086]
s43，判斷歐姆內阻殘差是否大于設定內阻殘差，如果是，則為膜干故障；如果否，則為其他故障。
[0087]
與現有技術相比，本發明通過構建康辨識模型，利用從燃料電池發動機采集的第一數據，獲取參考數據，并將參考數據與從燃料電池發動機采集和第二數據進行作差，得到對應的殘差。殘差包含了電壓殘差、陰極壓力降殘差和歐姆內阻殘差，進而對是否故障以及故障類型進行判斷。
[0088]
在本發明提供的方案中，對水淹故障和膜干故障進行了區別，以便于診斷出故障類型。
[0089]
在本發明提供的方案中，利用所使用的參考數據優先使用數據存儲模塊中的數
據，相比于通過健康辨識模型得到的參考數據，數據存儲模塊中存儲的數據更準確。而相比于利用數據存儲模塊中存儲的參考數據，健康辨識模型得到的參考數據更加全面。本發明中，綜合了兩種獲取參考數據的方式，結合了兩種方式的優點，使診斷結果更加準確。
[0090]
以上依據圖式所示的實施例詳細說明了本發明的構造、特征及作用效果，以上所述僅為本發明的較佳實施例，但本發明不以圖面所示限定實施范圍，凡是依照本發明的構想所作的改變，或修改為等同變化的等效實施例，仍未超出說明書與圖示所涵蓋的精神時，均應在本發明的保護范圍內。
技術特征：
1.一種燃料電池發動機水熱管理故障診斷系統，其特征在于：包括：第一數據采集模塊，用于采集待診斷的燃料電池發動機的第一數據；第二數據采集模塊，用于采集待診斷的燃料電池發動機的第二數據；健康辨識模型，與所述第一數據采集模塊電連接，用于接收第一數據并產生對應的參考數據；殘差計算模塊，分別與所述健康辨識模型和所述第二數據采集模塊電連接，用于根據所述第二數據及參考數據計算對應的殘差；判斷模塊，與所述殘差計算模塊電連接，用于根據所述殘差，對故障類型進行判斷。2.根據權利要求1所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：所述第一數據包括電堆電流、電堆溫度、陰極進氣口壓強和陽極進氣口壓強；所述第二數據包括電堆輸出電壓、陰極壓力降和歐姆內阻；所述參考數據包括電堆輸出電壓、陰極壓力降和歐姆內阻。3.根據權利要求2所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：所述健康辨識模型為經過訓練的神經網絡模型，其輸入為第一數據，其輸出為參考數據。4.根據權利要求3所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：所述神經網絡模型的隱含層個數滿足以下公式，5.根據權利要求1-4任一項所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：還包括數據選擇模塊和數據存儲模塊；所述數據選擇模塊分別與所述第一數據采集模塊、所述數據存儲模塊、所述健康辨識模型和所述殘差計算模塊電連接；所述數據存儲模塊用于存儲第一數據采模塊采集到的第一數據，以及與之對應的第三數據；所述第三數據包括電堆輸出電壓、陰極壓力降和歐姆內阻；所述數據選擇模塊用于獲取第一數據，并在所述數據存儲模塊內查與之對應的第三數據；若在所述數據存儲模塊內查到對應的第三數據，將該第三數據作為參考數據傳輸至所述殘差計算模塊；若在所述數據存儲模塊內未查到對應的第三數據，則從所述健康辨識模型中獲取以所述第一數據為輸入得到的參考數據。6.根據權利要求5所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：所述殘差計算模塊用于根據所述第二數據與所述參考數據計算電壓殘差、陰極壓力降殘差和歐姆內阻殘差；所述判斷模塊用于根據所述電壓殘差判斷燃料電池發動機是否存在故障，還用于在故障存在時，根據所述陰極壓力降殘差和歐姆內陰殘差判斷燃料電池發動機故障類型為水淹故障或膜干故障。7.根據權利要求4所述的燃料電池發動機水熱管理故障診斷系統，其特征在于：所述神經網絡模型的隱含層個數為7。8.一種燃料電池發動機水熱管理故障診斷方法，其特征在于：包括如下步驟，s1，構建健康辨識模型；
s2，采集第一數據和第二數據；s3，將采集到的第一數據輸入健康辨識模型，得到參考數據；s4，根據第二數據和參考數據，計算殘差，并判斷故障類型；其中，殘差計算結果包括電壓殘差、陰極壓力降殘差和歐姆內阻殘差。9.根據權利要求8所述的燃料電池發動機水熱管理故障診斷方法，其特征在于，步驟s4中，判斷故障類型包括如下具體步驟：s41，判斷所述電壓殘差是否大于設定電壓差，如果是，則執行步驟s42；如果否，則為健康狀態；s42，判斷陰極壓力降是否大于設定壓降，如果是，則為水淹故障；如果否，執行步驟s43；s43，判斷歐姆內阻殘差是否大于設定內阻殘差，如果是，則為膜干故障；如果否，則為其他故障。
技術總結
本發明公開了一種燃料電池發動機水熱管理故障診斷系統及方法，該系統包括第一數據采集模塊，用于采集待診斷的燃料電池發動機的第一數據；第二數據采集模塊，用于采集待診斷的燃料電池發動機的第二數據；健康辨識模型，分別與所述第一數據采集模塊和所述第二數據采集模塊電連接，用于輸入第一數據并產生對應的參考數據；殘差計算模塊，分別與所述健康辨識模型和所述第二數據采集模塊電連接，用于根據所述第二數據及參考數據計算對應的殘差；判斷模塊，與所述殘差計算模塊電連接，用于根據所述殘差，對故障類型進行判斷。本發明能夠對燃料電池發動機水熱管理系統進行故障診斷，準確區分故障類型。區分故障類型。區分故障類型。
