在当今能源危机和环境问题日益严峻的情况下,固体氧化物燃料电池(Solid Oxide Fuel Cell,SOFC)作为一个清洁、能量转换效率高且无污染排放的发电装置,受到了研究者的广泛关注。然而,燃料电池系统中包括重整器,燃烧室,压缩室等多个外部部件,由于系统较复杂,因此在SOFC系统的运行过程中很容易发生故障。一旦SOFC系统发生故障,会导致其性能产生退化,严重的话,甚至会导致燃料电池的失效,这成为了限制SOFC发展的一个主要原因。若能在故障早期阶段及时诊断SOFC故障和预测其剩余寿命,则可及时安排对SOFC设备进行维修,有利于延长其使用寿命。因此,本论文研究内容如下:(1)基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的SOFC故障诊断方案。因燃料气体中氯气杂质和阴极反应产物水汽积累的影响,SOFC可能会发生阳极氯气中毒和阴极水汽中毒的故障。本课题采用了LS-SVM模型对燃料电池的这两种故障进行了诊断。该模型能对燃料电池正常工作状态、阳极氯气中毒情况或阴极水汽中毒的情况进行有效的诊断,其诊断精度达到了99%。(2)基于HSMM的SOFC故障预测。基于HSMM的预测框架主要分为三个部分:HSMM参数训练,设备当前健康状态估计,以及剩余寿命估计。本论文分别利用阳极氯气中毒和阴极水汽这两种故障类型的全寿命电压退化数据,训练得到反映这两种故障情况下,系统退化过程的HSMM。将不同中毒情况下,电池的电压退化数据输入HSMM中,利用前向-后向算法计算在出现该电压数据的情况下,燃料电池分别处于各健康状态的概率,并依据极大似然准则,估计当前燃料电池系统在该故障情况下的健康状态。根据燃料电池当前所处健康状态,可通过HSMM的状态转移矩阵和各状态平均持续时间,预测燃料电池的剩余寿命。实验表明,HSMM对于中毒程度相似的情况,有较好的预测结果。(3)基于混合模型的SOFC故障预测方法。当前燃料电池的电压退化与HSMM全寿命训练数据的电压退化相似度较低时,基于HSMM的预测结果较差。为了解决这个问题,本论文提出了将HSMM与经验模型相结合的混合故障预测方法。若燃料电池的当前运行电压与HSMM训练电压相似度较高,则利用HSMM对燃料电池的剩余寿命进行预测;若两者的相似度较低,则利用经验模型估计燃料电池剩余运行寿命,经验模型为根据SOFC历史运行数据训练的反映该燃料电池退化趋势的模型;在其余情况下,则按照相似度大小将两种模型结合起来对SOFC的剩余寿命进行预测。实验结果表明,对于SOFC的故障预测,基于该混合模型的方法相较于单独使用经验模型和HSMM,有更好的效果。