检测电化学装置缺陷的方法
本发明涉及检测在电化学装置中的缺陷的技术领域。
目前,称为“电化学”装置可有各种不同的装置,这些装置通常基于化学能转变为电能的转换或反之亦然的方式。
这类装置中的第一类是将化学能转换成电能,以便为电子设备提供电能或者存储这些电能量供以后使用。这类装置的实例诸如电池、燃料电池或超级电容器。
这类装置中的第二类涉及使用基于电能来实现化学反应或分离衍生物或反应物等各种方法的装置。这类装置通常使用“电化学”方法,包括电镀、放电沉积法或电解浮选法。
这些电化学装置的可靠性和使用寿命受限于不同的化学现象。对
于诸如燃料电池之类的化学能转换为电能的装置而言,有两个主要的
化学现象会使其性能下降甚至装置完全损毁。
充/放电的周期或累积性的关机和开机的间隙操作或电能功率的变化都会减少这类装置的使用寿命。
此外,在装置的操作过程中也会发生一些突发情况,例如在控制所使用电化学方法的一些参数中出现故障(反应物供应的中断、反应衍生物和二次反应衍生物的不当管理)、媒介损失、或者元件或模块出现故障。
这些有害的现象都需要使用诊断方法来检测它们并且尽可能来校正它们。
在传统的电化学装置中,传统的诊断方法通常基于一些系统外部或内部的参数的理解,这往往需要专用测试设备,例如,安装在电化学装置内部的传感器。
这样的测试设备常常会因为成本过高和实施困难而难以令人满意,这是由于电化学系统的结构原因,几乎都不适宜安装传感器,尤其是将传感器安装在装置内部。
此外,因为这些诸如传感器的安装,内部传感器会改变装置,会增加缺陷的可能性并导致错误的诊断。同样,当在移动应用中使用电化学系统,装置的体积必须尽可能的小且必须为诊断设备,这就摈弃了传统方法的使用。
以特殊但不排他的情况为例,质子膜燃料电池(PEMFC)的大量研究是为了了解衰减机理以及改善可靠性和使用周期。也已经开发出一些物理模型。但是,它们需要一定数量的参数,为了使用这些参数而来测量这些参数十分困难或甚至是不可能。此外,它们的复杂性通常需要大量的计算时间,这就难以应用于实时诊断。
本发明旨在克服这些缺点。
本发明的目的是提供一种以非侵入方式检测电化学装置中的缺陷的方法。
本发明的另一目的是提供一种使用最少测试设备来检测缺陷的方法。
本发明的另一个目的是提供一种适用于检测在电化学装置中的缺陷的通用方法,可适用于不同的类型、结构、尺寸和应用的系统。
最后,本发明的还有一个目的是提供一种可以实时检测缺陷的有效方法。
为此,本发明提供一种检测在电化学装置中的缺陷的方法,包括:获得从电化学装置接收到的至少一个变量的至少一个特征数值的步骤,以及基于所获得的数值来确定所述电化学装置的至少一个缺陷的步骤,其中数学运算包括执行小波变换,以便从所接收到的变量来获得特征数值。
所述小波变换优选为离散的小波变换,其中所获得的特征数值包括至少一个基于尺度变量a和变换变量b的小波系数Sa,b。这样的离散化可改善分解至小波所需要的计算时间。
尤其是,对于尺度级别变量j小于a来说,可通过将一系列小波系数wj,p,分解成多系列小波系数wj+1,p来获得多个特征数值。
所述数值a的尺度变量优选满足a=a0 j,其中j为尺度级别且a0为尺度参数,通过对从0至给定分解级别数值j的各个数值的各个系列小波系数wj,p连续分解为a0个系列的小波系数wj+1,p来获得一系列特征数值。这样在小波分解的过程中产生了内容的高级别。
所给定的分解级别优选对应于最大的分解级别,从而在小波分解的过程中获得最高级别的内容。
在一个优选实施例中,所述确定步骤包括特征数值与能将第一类缺陷从第二类缺陷中区分的确定元素进行比较步骤。该确定元素可籍助于将多个特征数值预先分类为多个缺陷类型来限定。
在所述获得多个特征数值和确定缺陷的步骤之间,还有一个选择步骤,用于从所获得的多个特征数值中选择至少一个相关数值,并且根据所述相关数值进行缺陷确定。这样会加快计算时间。
具体而言,如果本方法包括对从电化学装置接收到的变量的预处理步骤是优选的。具体而言,所述预处理步骤优选包括消除从电化学装置所接收到的变量中的至少一个频率分量以优化所需计算时间的步骤。
本发明还提出一种包括实施上述方法的指令的计算机程序。
本发明还提出一种适用于检测电化学装置缺陷的装置,包括:处理模块,适用于接收来自所述电化学装置的至少一个变量并且通过执行包括小波变换的数学操作从所述变量中产生至少一个特征数值,以及确定模块,适用于根据从所述处理模块所接收到的至少一个数值来确定所述电化学装置的至少一个缺陷。
符合本发明目的的方法、计算机程序和缺陷检测装置将通过阅读下文及其附图而变得更为明晰,附图包括:
图1示出了根据本发明适用于检测电化学装置中的缺陷的方法的步骤;
图2示出了源于离散小波变换应用的第一类树状结构(完整的树状图);
图3示出了源于离散小波变换应用的第二类树状结构(部分的树状图);
图4示出了支持矢量、理论边界以及在现有分类方法中所定义的分离超平面的概念;
图5以燃料电池作为具体实例示出了根据本发明的预先缺陷分类的实例;以及,
图6示出了根据本发明在电化学装置中的缺陷检测装置。
首先,参考图1,其示出了本发明适用于检测电化学装置中的缺陷的方法的步骤。
文中所使用的术语“电化学装置”包括任何能够通过化学能转换来产生电能并能以直接或者暂时存储的方式来提供电能的装置,以及任何能够使用电能转换成化学能的装置,例如能够实现化学反应或分离衍生物或反应物。
这类装置包括电池、燃料电池或超级电容器。这类装置也包括诸如适用于电镀、放电沉积法、电合成、电吸附、电浓缩法和电解浮选的电池的电解槽。这类装置也包括电渗析槽。
为了检测在电化学装置中可能存在的缺陷,本发明的方法包括基于从电化学装置接收到的变量S所执行的一定数量的连续操作,其允许进行非浸入式的诊断且无需将传感器插入在所述源中。
从所述源接收到的变量S包括允许体现电化学装置特征的任何类型的信号。
在产生电能装置的情况中,所述变量S可以简化为任何信号,例如由装置所输出的电压、电流和功率。
在使用电能来实施化学转换装置的情况中,所述变量S可以是装置对输入其的特定参数的响应。如果例如以特定电流作为输入,则变量S可以为该装置的电压响应。反之,如果以特定电压作为输入,则变量可以为该装置的电流响应。最后,如果以特定功率作为输入,则变量可以为该装置的电流响应或者电压响应。
在下文非限制性实施例中,变量S为电池以特定电流工作时在终端处所测量到的输出电压,但是容易设想到指定电压或功率的电池可使用电流或指定电压或电流的电池可使用功率,或者对任何操作模式而言,衍生物或反应物的压力或浓度、反应物或衍生物的流速、温度或者在这些变量中的时间或空间的变化。
在第一个主要步骤103中,将第一项处理应用于从待诊断的电化学装置所接收到的变量S诊断,以便获得一个或多个数值Vali,其中1≤i≤n,这些数值具有反映电化学装置的一个或多个缺陷的特征。
尤其是,如果变量S的属性呈现模拟特性,则所获得的特征数值Vali将为数字变量,以便在其后的数字处理中使用。
随后,在第二主要步骤105中,基于这些所获得的特征数值Vali来确认电化学装置的一个或多个缺陷。
步骤105可以不必管理,在该步骤中,通过根据所定义的标准对特征数值进行分组,将特征量Vali分成或多或少分组结构,或者根据一些已经分类的数据来进行管理。
为了在管理的情况下进行操作,将所获得的特征数值Vali与预先分类的系列数值进行比较,所述各个预先分类系列数值都与电化学装置的特别状态相关联,例如呈现出特别类型缺陷的状态。通过比较,就能推导出电化学装置至少一个的可能缺陷Di。
因此,本发明的第一特征是在第一个主要步骤103的过程中,通过使用包括小波变换的数学操作,以便从所接收到的变量S中获得数值Vali。
小波是具有确定时间且受限于限制周期的数据函数ψ。它的称谓“小波”反映了它的致密及其振荡的特性。任何数学函数只要其具有振荡、有限的能量且平均能量等于零的特性都可考虑为小波。
与其它分析变量的方法相比,小波分析的第一优点是的许多函数都可作为“小波基”。
经常作为小波基使用的函数式为墨西哥帽(Mexican hat function.)函数。其数学表达式为:
根据小波基,小波的族(ψa,b(t))a,b根据下列方程式通过时间变换和展缩(或小波压缩)来定义:
这种小波族可用作为分解的基础,其允许分析所给定的变量S。变量b称为“转换变量”,是时间位置参数;变量a称为“尺度变量”,对应于尺寸因子。大的尺度对应于信号全局,而小的尺度则对应于细节的描述。使用小波变换,能在所有的尺度上对变量进行分析,从而得到多分辨率的分析。
因此,可以获得在信号所包含的不同尺度上所发生的不同现象(以及其缺陷)的信息。在分解的各个级别上,都能获得不同尺度的信号,从而允许在分解从一个尺度变换至另一(更细)尺度之前标定现象。
为了执行小波变换,对于各个尺度变量a,小波都会从时间轴的原点移动一个分析变量(通过改变变换变量b),以便计算两者之间的校正序列。
这些校正的结果对应于一系列“小波系数”Sa,b,其在小波的形态接近于待分析的变量时为最大且满足下列方程式:
式中,*表示共轭,并且R为实数集。因此,变量S可由这些系数Sa,b来表示,所述系数可作为确定装置缺陷的特征数值Vali。
当变量a和b连续变化时,就称之为变量S的连续小波变换(CWT)。这样的连续小波变换提供信号S(g)的完整表达式,但是这个代价是难以执行公式(2)并且导致很高的冗余。
为了克服这个问题,优选使用称为离散小波变换的小波变换类型,离散小波变换对变量a和b限制使用少量的离散数值。就多种应用而言,a和b的数值可根据下式定义来选择:
(4)a=a0 j其中a0>1
(5)b=k.b0.a0 j,其中b0>0且j和k为整数
变量j和k分别为尺度和变换的级别。所获得的结果是一系列离散数值:称之为小波系列分解。纯粹为了说明目的,文中选择的数值为bo=1和ao=2,对应于二元分解,在二元分解中,尺度变量假设为连续的数值1、2、4、8等。
在该特定情况下,用于分解信号的小波满足下列等式:
且小波系数定义为:
并且初始变量S根据下列等式对应于小波进行定义:
出于简化信号处理的目的,仅仅只考虑两种类型的元素:待分析变量以及用于分析或滤波的函数。为此目的,信号的离散小波变换可视为信号通过一个滤波器组。
在确定的尺寸中,离散小波变换包括通过从预定尺度至由a0个滤波器构成的滤波器组的系数。在因子a0等于2的实例中,低通滤波器给出信号的粗略图像;高通滤波器给出信号的细节。这两个滤波器是互补的:由一个滤波器所消除的频率可由另一个滤波器来恢复。滤波器组交叠使用产生如图2和3所图示的树状结构。
在各个尺度级别j上,获得一系列系数wj,p,其中参数p表示在树中的位置且在0和2j-1之间变化,并且对于对应一系列系数wj,p的各个节点而言,该参数等于其左边节点的数值。该数值可认为是频率索引。系列系数wj,p包括系数序列Sj,k,其中k在0至2M-j-1之间变化,所述参数M对应于待分解信号的分解最大级,其在例如信号长度为2的整数幂的情况下对应于所述信号长度的自然对数。
就固定尺度级别j而言,系列系数wj,p满足:
(9)wj,p={Sj,k,k=0,...,2M-j-1}。
图2示出了适用于3个级联滤波的变量S。在从0至最大分解级别M的各个尺度级别j上,获得连续的一系列系数wj,p,其对应于将低通滤波器(标识为“Lo”)和高通滤波器(标识为“Hi”)应用于前一尺度级别j-1的各个系列系数wj-1,p。
这样的变换被称为小波包分解,是在允许完整的特征各个完整的分解级别上的变量S的条件下完成。在j级别上,获得2j系列的系数(或节点)。由于信号是各个分解级别上的完整表示,所以这种籍助于具有几个级别的完整的“树”的变量S的表示就成了多余的。采用这种树结构,有可能只选择出给定缺陷的“有价值”的数据包并且只使用这些数据包来识别缺陷。
图3示出了另一实例,示出了具有三个连续滤波级别的局部树。在该特定情况下,高通和低通滤波器仅仅只能应用于具有零的“树位置”变量p的系列系数(表示为变量S的“低频”份量),于是在这样的情况下,系列数值w0,0,w1,0和w2,0分别对应于尺度a=0,a=2和a=4。
在该情况下,分解受限于适用任何j的系列系数wj,0。变量S的“高频”分量不再被分解且因此其分析不如低频分量分析的那样详细和具体。
这样的分解,在选择所需获得的系数方面,其完整性不如与图2所示的分解,但是当变量S的范围分解成便于确定事先预知的缺陷时是非常有效的。在这样的情况下,分解得越快,则在计算时间方面就越有效并且直接聚焦于特定类型的缺陷。
通常,在分解到小波或小波包之后所获得的系数允许使用这些信号的频谱。在分解信号中与特定缺陷有关的任何变化都会呈现在离散小波变换的一个或多个分解级别中或者呈现在小波包分解的一个或多个数据包中。
这样的分解允许使用所获得的不同系列的系数wj,p来体现其一个或多个特征,诸如能量、熵值、平均值、最大值、最小值、标准偏差、满足标准的事件的数量等。随后,这些特征(类似于系列系数wj,p)可对应于特征数值Vali,该特征数值将用于在第二主要步骤105中确定可能的缺陷。
为此,将所获得的数值Vali与一系列的先前分类数值进行比较,并且各个该分类数值都与电化学装置的特定状态相关,诸如,对应于常规状态D0或特定缺陷类型的状态Di。从该比较中能够推导出电化学装置的可能缺陷。
现有分类所使用的数值在其属性上类似于在步骤103中所获得的特征数值的数值,该数值可分类成一个或多个对应于特定缺陷类型的缺陷分类C1、C2。该数值与缺陷有关,可以使用待分析的装置制造商所提供的数据或训练和反馈形成的数据。
预先将数值分类为缺陷类别允许定义一个和多个适用于类别分辨的确定元素。在步骤105中,所获得的特征数值Vali与这些确定元素相比较,以便确定数值Vali是否属于缺陷类别。
这类确定元素的构成取决于所考虑维度的数量。如果预先分类只是以相关的单一确定轴完成的话,则这些确定元素就是一些与数值Vali进行比较的阈值。
在两维分类的情况下,可以观察到在两个数值Vali之间的相关性,确定元素可以为例如直线。一般来说,在N维空间中,确定元素是分离面,例如在线性情况中的分离超平面。
数值的预先分类可采用不同的方法来实现。一个特定的优选方法是使用支持向量的机制。
支持向量机制(或SVM)是基于有监督学习的鉴别技术。
支持向量机制所具有的优点是能够高维度数据工作、具有扎实的理论基础以及在实际工作中提供良好的效果。此外,不论应用模型如何,支持向量机制的性能类似或好于其它分类方法的性能。
支持向量机制基于下列两个基本概念:
1)分类的“理想”分隔的结构允许最大化到训练序列的边界的最小距离。这种方法是通过应用已知算法将问题公式化为二次方程优化问题的方法来完成的。
2)支持向量机制将表示输入数据的空间变换为更高维度的空间也可能为无限维度的,从而使用核函数将数据不能线性分离的情况减少为可以适当空间进行线性分离的情况。
这样的方法最初允许将变量分成两个类别。然而,可将分类扩展至更大数量的类别。
考虑需分离为两个类别″-1″和″+1″的情况,以及下列训练序列:
(10)D={(xi,yi)∈RN×{-1,1}其中i=1,...k}
有两种情况适用于构建分离属于两个不同类别数据的优化超平面:即数据是线性分离的或者数据不是线性分离的。
在第一种情况下,数据是线性分离的,优化超平H面满足:
该式也可表示为:
(12)yi.h(xi)=yi(w.xi+b)≥1,其中i=1,...k
在超平面距离点x的距离可根据下列公式由该点在超平面上的垂直投影给出的:
因此,可以定义边界Ma对应于在两个类别条件下的观察点和超平面之间的最小距离:
优化分离超平面H意味着要确定边界,是一种最大化边界Ma的方法,这等同于最大化与超平面有关的两个类别的距离之和,并因此最小化受限等式(7)约束条件的‖w‖。然而,最小化‖w‖2比最小化‖w‖更简便。
因此,最小化的问题可公式化表示为受限下述线性约束条件的最小二次函数的问题:
图4示出在特定二维情况下的边界、支持向量和分离超平面H的概念。
在该图中,将两组数值分类成两个类别C1和C2且分别表示缺陷D1和缺陷D2。表示在两个类别C1和C2之间边界的分离超平面H是最小化边界Ma的那个,所述边界Ma定义各个类别Ci相关的各个极限值Vs1和Vs2,称之为“支持向量”。
一旦分离超平面H通过预先训练来定义,则确定步骤105包括定位所获得与分离超平面H相关的特征数值,其允许将这些数值分类成类别C1和C2之一并由此推导出相关的缺陷Di。
通过使用拉格朗日乘子来求解各个约束条件下在(15)中所阐述的最小化问题。在这样条件中,会获得下列函数:
拉格朗日必须最小化相关的w和b和最大化相关的α。
在Kuhn-Tucker条件下,通过消除拉格朗日的偏导数获得下列系统:
因此,优化拉格朗日乘子为
从而表明一旦
为该系统的解,则可有:
仅仅只有对应于最近点的
为非零数值(在图4中的支持向量Vs
1和Vs
2)。
因此,在线性情况下,分离超平面可将w替换为优化数值w*而获得,从而获得下列等式:
在数据式不可线性分离的其它情况下,则优化超平面满足下列条件:
1)在合适分类向量和优化超平面之间的最大距离必须是最大值,
2)在不合适分类向量和优化超平面之间的距离必须是最小值。
更加正式是,将非线性变换
应用于输入向量x。所获得的空间称为特征空间。该空间用于搜索满足下列条件的超平面:
其中yih(xi)>0,适用于训练序列的所有点,这意味着分离超平面在特征空间内。
使用类似于上述线性分离情况下的相同流程,优化问题可表示为:
通过引入由
所定义的核函数,则在非线性情况下的分离超平面具有下列等式:
我们已经在上述线性情况下讨论了核函数的使用。有诸如线性、多项式、高斯等多种核函数以及拉普拉斯核函数。
其它预先分类的方法也可以使用,例如使用神经网络或k个最接近元素的方法。
在一个优选的实施例中,在主要步骤103之前执行第一优化预处理步骤101,以便预处理变量S,从而优化特征检测方法。
预处理的一个实例包括从变量S中消除具有无效频率的分量,在这样情况下,主要步骤103使用小波分解。这样优化了这类分解,因为仅仅只分解重要的分量。
为此目的,可以使用将截止频率作为阈值参数的滤波器。例如,阈值的数值是依据经验根据反馈、系统知识和有效频率带宽来确定的。
在一个具体的优选实施例中,在缺陷确定的第一主要步骤103和第二主要步骤105之间设置优化步骤104,以便从步骤103所获得的那些数值中选择一些优化数值Vali。
实际上,当步骤103所产生的系列特征数值Vali非常之大且受到噪声或非预期的分量干扰时,则在缺陷确定步骤中直接使用数值Vali可能会存在问题。
此外,特征数值Vali通常包含冗余信息并因此不是所有的信息都需要处理的。
同样,为了优化在步骤105中的确定处理,需要尽可能多地减少在步骤104中所要处理的数值Vali的数量,以便仅仅只保留最相关的Val’i(其中1≤i≤m且m<n),这是确定步骤105的最佳选择。从而有助于改善电化学装置诊断的鲁棒性和减少计算时间。
为此目的,一个特定的实施例可以使用选择最佳小波基的方法。这样的方法是基于使用选择称为“最佳基”的标准
这个方法包括下述两个步骤:
-在步骤103中,在分解小波的过程中,将所选择的标准应用于所获得的系列特征数值Vali。
-通过根据所选择的标准来增加或减少重要性的序列,从而对先前步骤所获得的特征进行排序,以便消除被认为是“非重要的”特征数值Vali。
随后,在确定步骤105中使用所保留的特征数值Vali。
用于检测的最佳基的例子是最大化在不同频率和时间信息之间分离特性的基数。适用于确定的最优基是最大化在不同缺陷类别之间的分离特性或者换句话说区分出两者的基数。
在这样情况下,可以定义几种标准:
1)在第一个实例中,使用“互熵”,其包括根据下列等式测量两个序列x和y的时间-频率分布之间的距离:
该数值对应于在表示两个不同类别分布的xi和yi之间Kullback-Leibler差异。
一旦定义待优化的标准D(x,y),使之:
(24)D(x,y)=ER(x,y)+ER(y,x).
在该实例中,训练序列的各个类别都可首先采用树来表示,其中各个点都包含分类元素的系数平方的平均序列。
若上述定义的标准是二进制的,则可成对地应用于所有类别,并且最终标准是获得二进制标准的总合。
2)在第二实例中,为了最大化在步骤103中所获得的系数或包的容量,以便能在步骤105中分离出不同的类别。文中所采用的标准用于最大化“类别之间的惯性”,即在两者差别最远的类别之间的变化;同时最小化“类别之内的惯性”,即在尽可能相互接近的类别之内的变化。因此,所述标准包括类别之内的惯性与总的惯性之比率。还可以考虑使用类别之内的惯性与类别之间的惯性之比率。
在k个缺陷类别C1、C2、...、Ck和分别包括n1、n2、...、nk个元素的各个重心g1、g2、...、gk,则整个点云的重心可以标记为g。
因此,类别之间的惯性通过下列等式定义:
其中d定义为距离,例如欧几里得距离。
类别之内的惯性通过下列等式定义:
总的惯性通过下列等式定义:
(27)Itotal=Iintra+Iinter
最终标准R因此由下列关系式给出:
待分离的类别可以预先定义。因此,既可以在所有的缺陷类别之间进行分辨,也可以两两成对分离类别,或者从所有的其它类别终分离出给定的类别。
在另一特定的实施例中,在步骤194中,维度的减少使用单一数值的分解方法。
将m列和n行的矩阵M分解为单一数值可以相同的方式来表示:
(29)M=U×∑×V
其中∑为包含矩阵M的单一数值λi,i=1,..m的诊断矩阵,例如以递减序列表示为:
其它两个矩阵U和V都包括对应单一数值λi,i=1,..m的单一向量(右和左单一向量)。
单一数值可用以表示惯性或重复的程度,而单一向量是沿着在初始数据(矩阵M)中变化最大的轴。当以递减序列来排列单一数值时,最后的数值是在数据中包含最新变化的数值。因此,根据从m至p的单一数值(p<n)中变化的维度减少假设了在m-p+1中的最后的单一数值λi所包含的信息可以忽略。
可以考虑其它用于维度减少的方法,例如主要分量分析法。
接着,图5示出了根据本发明的缺陷分类的实例,以燃料电池作为非限制性实例。
在图5中,系列特征数值可以两个截然不同的小波包的函数的图形来表示。
这些特征数值的位置通过训练与待诊断的燃料电池的特定操作状态相关。
第一组特征数值位于图形的中部,它定义了对应于燃料电池的正常操作状态的特征数值的类别C0。
第二组特征数值位于图形的左部,它定义了对应于燃料电池干涸缺陷的异常操作状态的特征数值的类别C1。
最后,第三组特征数值位于图形的右部,它定义了对应于燃料电池溢出缺陷的异常操作状态的特征数值的类别C2。
这些类别C0、C1和C2通过训练和通过测量具有所讨论的不同状态的电池的特征数值来定义。这些类别数值的边界,例如由上述计算的确定元素所定义的,存储于模块205并且分别与表示常态、存在干涸缺陷和溢出缺陷的状态变量D0、D1和D2相关。
当新的诊断应用于燃料电池且该电池的类型与训练过程所采用的监督分类方法所使用的类型相同时,可观察到相同的小波包,以便将特征数值定位在Z0至Z2区间之一。表示特定状态的状态变量D0至D2由确定模块205产生且作为测量到的特征数值定位区域的函数。
最后,图6示出了用于检测本发明的电化学装置缺陷的装置的示意图。
在该附图中,电化学装置200是上述任何类型的装置,它能向检测装置201提供变量S。
检测装置201包括处理模块203,其连接着确定模块205以及接口模块207。
处理模块203适用于执行第一主要变换步骤103以及预处理的可能优化步骤101和104以及相关特征数值Vali’的选择,正如以上所述。
该处理模块203包括例如在集成电路中的处理器、微处理器或任何其它元件,以便使用数字数值进行计算或者执行计算机程序,从而实现本发明的目的。
当待分析的变量S的属性是模拟量,则处理模块203包括模数转换器,以便用于将变量S转换成可以处理的数字数值。
处理模块203,一旦执行获取一个或多个数值Vali的主要步骤103,就能为缺陷确定模块205提供所述数值。在处理模块203也能执行优化选择步骤104的特定情况下,它也能为缺陷确定模块205提供相关的特性数值Vali。
在图6所示的实例中,显示了由多个并行连接所提供的数值Vali,但可以使用单一的连接,在这样的情况下,这些数值可以串联传输。第一并行实施例传输数值更快,而第二串联实施例简化和减少了在模块203和205之间的连接成本。
确定模块205适用于根据从处理模块205所接收到的数值Vali来确定电化学装置的一个或多个特征Di。为此目的,它包括分类部件,用于将这些特征分类为这些数值的函数。
该分类部件可以使用例如基于神经网络的方法,并可训练成基于模糊逻辑或者作为输入所接收到的数值来分类不同的缺陷。
该分类部件也可使用统计方法,诸如支持向量机制、主要分量分析或确定k个最接近的方法。
为了响应一定数量的数值Vali,确定模块205因此使用其分类部件,以便输出表示电化学装置特征的一个或多个变量Di,例如正常状态(D0)或一个或多个缺陷的特征。
随后,接口模块207接收这些数值Di,其作为所接收到的变量Di的函数来表示电化学装置的操作状态,以便提供给检测装置201的用户或者位于检测装置下游的控制系统。
可以通过显示屏(其可以将状态或缺陷的类型指定为变量Di的函数)、声音报警器或任何其它种类的信号来告知用户或位于数据流下游的调节和控制系统有关待诊断电化学装置的正常或异常的操作状态。
当然,本发明不仅仅只限制于上述实施例的具体内容,可以在不背离本发明范围的条件下引申出其它实施例。