1空壓機功能空壓機將空氣返回管腔預(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，空壓機及其驅(qū)動電機均要求尺寸小，重量輕，同時還必須滿足動力所要求的功率與轉(zhuǎn)矩，因此，選用瑞士進口的由無刷直流電機驅(qū)動的螺桿式空氣壓縮機。螺桿式空氣壓縮機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?？諌簷C為燃料電池堆提供一定壓力，一定流量的凈空氣，通過改變空壓機的轉(zhuǎn)速，可以改變進入電池堆的空氣量，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荷的變化。

　　由螺桿式空氣壓縮機性能可知，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）及空壓機的效率（）有一定的關(guān)系。因此，在空壓機的壓力比為某一值時，只要控制電機的旋轉(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空壓機機理建?？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)的空壓機實驗?zāi)Ｐ汀?/p>

　　3空壓機實驗建模

　　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的動態(tài)模型。

　　當(dāng)PEMFC輸出功率變化時，空壓機轉(zhuǎn)速迅速改變，空氣流量快速響應(yīng)輸出功率的變化，以滿足負荷的需求，此時，電池堆工作溫度升高，空氣進，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的空氣流量和空氣溫度，輸出變量是空壓機的空氣壓力。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)元達到過飽和狀態(tài)，在研究中對樣本的輸入進行歸一化處理，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)建立空壓機的壓力控制模型，與實際的空壓機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，分別對空壓機的壓力進行建模。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。