氢燃料电池安全监测系统作为氢燃料电池电堆的监测模块,承担着采集电堆运行中实时参数的任务,在电堆运行的监测、控制及故障诊断中起着非常关键的作用,故障诊断保证了燃料电池系统故障的及时发现和处理,因此氢燃料电池安全监测系统和故障诊断研究具有十分重要的现实意义。作为典型的多输入输出非线性系统,氢燃料电池动力系统的正常运行和各项子系统的功能实现均依赖于安全监测系统采集的实时数据和故障诊断的反馈结果,为实现系统对监测及诊断的相关需求,以重卡燃料电池动力系统作为研究对象,研究并开发了氢燃料电池安全监测系统,故障诊断方面,对基于机器学习算法的故障诊断方法进行了研究与分析,基于无监督极限学习机（US-ELM）的特征提取能力,K-means的聚类能力及在线序列极限学习机（OS-ELM）的增量学习能力,建立了氢燃料电池的故障诊断系统,实现故障诊断模型的增量学习和在线诊断等功能。氢燃料电池安全监测系统方面,研究分析了质子交换膜燃料电池的基本原理和燃料电池动力系统的结构功能,对氢燃料电池安全监测系统的总体结构进行了设计。以总体结构设计为主干,基于对标电堆的参数及相关的参数计算结果,对氢燃料电池安全监测系统的传感器进行了选型,完成了系统相关模块的原理图设计,分析了串口通讯的相关协议,设计了系统通讯使用的数据帧,实现了氢燃料电池安全监测系统下位机的软硬件设计。在硬件设计的基础上,通过Altium Designer软件对下位机进行优化设计,绘制了相关原理图,设计并制作了下位机PCB。基于Lab VIEW构建了上位机监测系统,实现了参数监测、数据记录及故障诊断等功能。故障诊断方面,在实验采集的氢燃料电池电堆原始数据基础上,为解决故障诊断对于在线诊断、模型更新等方面的需求进行了相关研究。在分析相关诊断文献和算法原理的基础上,构建了满足增量学习和在线故障诊断需求的故障诊断系统,系统通过US-ELM进行基于流形正则的特征提取,OS-ELM实现故障诊断模型的训练与基于增量学习的模型更新,同时引入K-means聚类算法辅助增量学习过程中数据标记问题的解决。基于采集的20维原始数据构建了验证用样本集,将US-ELM与OS-ELM算法同其他同类算法进行对比分析,分析结果证明了US-ELM及OS-ELM在特征提取可视化结果、聚类准确性、故障诊断准确率及诊断用时等方面均具有一定优势,从而验证了诊断系统整体的有效性。