来源：期刊VIP网 时间：
作者：蔡仕云;吴肖龙;李豫;李曦;
单位：南昌大学信息工程学院;华中科技大学人工智能与自动化学院;
摘要：为了准确识别固体氧化物燃料电池（SOFC）系统故障，克服传统方法参数难以确定、结果偶然性大和难以运用复杂数据处理的问题，提出了一种基于融合聚类和径向基核函数支持向量机（RBF-SVM）的故障识别方法。该方法使用基于融合机制的聚类算法对SOFC系统重整器催化剂性能衰退故障数据进行处理，得到不同故障等级下的聚类标签，再使用RBF-SVM算法对划分后的故障数据进行训练，得到故障识别模型。该模型能够将故障特征信息映射到更高维空间以提升故障识别能力，并进一步用于空气和燃料泄露故障识别。实验结果表明，所提融合聚类算法能很好地划分故障，RBF-SVM故障识别模型对重整器催化剂退化故障的识别准确率达到99.3%，对空气泄漏和燃料泄漏故障的识别率分别达到99.9%和99.4%。
关键词：固体氧化物燃料电池(SOFC);;故障识别;;融合聚类;;径向基函数支持向量机(RBF-SVM)
基金资助：国家自然科学基金（62203204）;; 江西省自然科学基金（20212BAB212013）
