1空壓機(jī)功能空壓機(jī)將空氣返回管腔預(yù)熱的新鮮空氣壓縮后，經(jīng)空氣供給管腔，送入燃料電池陰極，以給燃料電池提供源源不斷的燃料?？諌簷C(jī)是PEMFC空氣供給系統(tǒng)的關(guān)鍵組成部件，由于在車用PEMFC空氣供給系統(tǒng)中，空壓機(jī)及其驅(qū)動電機(jī)均要求尺寸小，重量輕，同時還必須滿足動力所要求的功率與轉(zhuǎn)矩，因此，選用瑞士進(jìn)口的由無刷直流電機(jī)驅(qū)動的螺桿式空氣壓縮機(jī)。螺桿式空氣壓縮機(jī)能在很寬的流速范圍內(nèi)高效率的工作，而且壓縮比大，無需油潤滑，非常符合燃料電池對大量氧氣的需求。空壓機(jī)為燃料電池堆提供一定壓力，一定流量的凈空氣，通過改變空壓機(jī)的轉(zhuǎn)速，可以改變進(jìn)入電池堆的空氣量，以響應(yīng)電池堆輸出功率的變化，從而有效跟蹤電動汽車負(fù)荷的變化。

　　由螺桿式空氣壓縮機(jī)性能可知，壓力比（psm/patm），空氣的質(zhì)量流動因數(shù)（mcpT1/P1），旋轉(zhuǎn)速度因數(shù)（n/T1）及空壓機(jī)的效率（）有一定的關(guān)系。因此，在空壓機(jī)的壓力比為某一值時，只要控制電機(jī)的旋轉(zhuǎn)速度因數(shù)（轉(zhuǎn)速），則流入電池堆的空氣質(zhì)量流動因數(shù)（空氣流量）就會改變，燃料電池的輸出功率就自然隨之發(fā)生改變，從而滿足電動汽車在不同工況，不同路面上的行駛需求。

　　2空壓機(jī)機(jī)理建?？諝夤┙o管腔壓力與空氣流量直接相關(guān)，即不同的空氣流量對應(yīng)不同的空氣壓力。要了解一定時間內(nèi)PEMFC中空氣的進(jìn)入量和反應(yīng)量，就應(yīng)該清楚空氣流量的變化情況，由質(zhì)量守恒和能量守恒定律9可得空氣供給管腔壓力變化量由以上分析可知，建立空壓機(jī)的壓力控制數(shù)學(xué)模型非常復(fù)雜，各個參數(shù)均是時變的，非線性的，耦合的變量，為便于分析設(shè)定的一些參數(shù)，會影響模型的準(zhǔn)確性和實時性。下面分析適用于空氣壓力控制系統(tǒng)的空壓機(jī)實驗?zāi)Ｐ汀?/p>

　　3空壓機(jī)實驗建模

　　實驗所用的燃料電池為武漢理工大學(xué)自主研發(fā)的質(zhì)子交換膜燃料電池，為研究方便，假設(shè)氫氣供應(yīng)充足，空氣在進(jìn)入電堆前被充分加濕。

　　3.1神經(jīng)網(wǎng)絡(luò)辨識模型PEMFC運行時，空壓機(jī)的空氣壓力和空氣流量，空氣溫度是非線性關(guān)系，根據(jù)測得的實驗數(shù)據(jù)，用神經(jīng)網(wǎng)絡(luò)擬合方法建立空壓機(jī)的動態(tài)模型。

　　當(dāng)PEMFC輸出功率變化時，空壓機(jī)轉(zhuǎn)速迅速改變，空氣流量快速響應(yīng)輸出功率的變化，以滿足負(fù)荷的需求，此時，電池堆工作溫度升高，空氣進(jìn)，出電堆的溫度也升高。由于空氣壓力與空氣流量，空氣溫度直接相關(guān)，空氣壓力也隨之發(fā)生變化。

　　神經(jīng)網(wǎng)絡(luò)辨識模型的輸入變量是隨電池堆輸出功率變化的空壓機(jī)的空氣流量和空氣溫度，輸出變量是空壓機(jī)的空氣壓力。根據(jù)實驗數(shù)據(jù)，可用神經(jīng)網(wǎng)絡(luò)擬合空壓機(jī)的空氣壓力隨空氣流量，空氣溫度的變化曲線。

　　3.2實驗數(shù)據(jù)本文采用2040組實驗數(shù)據(jù)作為訓(xùn)練樣本，部分測試數(shù)據(jù)。

　　可見，原始樣本中各向量的數(shù)量級差別很大，為了計算方便并防止部分神經(jīng)元達(dá)到過飽和狀態(tài)，在研究中對樣本的輸入進(jìn)行歸一化處理，使理論數(shù)據(jù)位于<0，1>區(qū)間。

　　3.3仿真RBF神經(jīng)網(wǎng)絡(luò)徑向基擴(kuò)展常數(shù)spread選為0.01.Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為2-11-1，中間層神經(jīng)元采用雙曲正切S型傳遞函數(shù)tansig，輸出層采用S型輸出函數(shù)logsig.學(xué)習(xí)函數(shù)采用learngdm，訓(xùn)練函數(shù)采用trainlm，性能函數(shù)采用mse，訓(xùn)練步數(shù)選為1000.分別用同一組實驗數(shù)據(jù)訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)，可得空氣壓力的神經(jīng)網(wǎng)絡(luò)擬合曲線。中"*"表示空氣壓力相對于空氣流量，空氣溫度的實際輸出曲線，實線表示基于神經(jīng)網(wǎng)絡(luò)的空壓機(jī)輸出的空氣壓力相對于空氣流量，空氣溫度的擬合曲線。

　　RBF神經(jīng)網(wǎng)絡(luò)的擬合誤差比Elman神經(jīng)網(wǎng)絡(luò)的擬合誤差小，擬合效果好，選用RBF神經(jīng)網(wǎng)絡(luò)建立空壓機(jī)的壓力控制模型，與實際的空壓機(jī)模型具有較大的相似性，因此控制偏差小。

　　另外，由仿真過程可知，RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間為6.27s，而Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間為17.85s.可見RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練時間短，滿足系統(tǒng)實時性的要求。

　　因此，選用RBF神經(jīng)網(wǎng)絡(luò)建立空壓機(jī)的壓力控制模型，控制效果好。

　　4結(jié)論

　　本文以50kW燃料電池發(fā)動機(jī)為背景，采用RBF神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)兩種神經(jīng)網(wǎng)絡(luò)建模方式，分別對空壓機(jī)的壓力進(jìn)行建模。由神經(jīng)網(wǎng)絡(luò)擬合誤差曲線可知，選用RBF神經(jīng)網(wǎng)絡(luò)建立空壓機(jī)的壓力控制模型擬合誤差小，訓(xùn)練時間短，滿足實際空氣壓力控制系統(tǒng)的實時性要求。