CN110579709B - 一种有轨电车用质子交换膜燃料电池故障诊断方法 - Google Patents

一种有轨电车用质子交换膜燃料电池故障诊断方法 Download PDF

Info

Publication number
CN110579709B
CN110579709B CN201910811181.9A CN201910811181A CN110579709B CN 110579709 B CN110579709 B CN 110579709B CN 201910811181 A CN201910811181 A CN 201910811181A CN 110579709 B CN110579709 B CN 110579709B
Authority
CN
China
Prior art keywords
data
fault
fault diagnosis
population
fuel cell
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910811181.9A
Other languages
English (en)
Other versions
CN110579709A (zh
Inventor
张雪霞
周静哲
陈维荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910811181.9A priority Critical patent/CN110579709B/zh
Publication of CN110579709A publication Critical patent/CN110579709A/zh
Application granted granted Critical
Publication of CN110579709B publication Critical patent/CN110579709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开一种有轨电车用质子交换膜燃料电池故障诊断方法，收集燃料电池有轨电车的实际运行时输出的各项数据作为原始预备数据，对原始数据进行归一化和降维处理得到原始数据；基于模拟退火遗传算法的模糊c均值聚类处理来对原始数据进行筛分处理，获得故障诊断的样本数据；将样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果。本发明能够有效获得到精确的轨电车用质子交换膜燃料电池故障诊断数据；通过对原始数据的处理，有利于寻找全局最优解，得到更准确的样本数据，提高模型分类准确率；通过对故障诊断网络的构建，能够有效对不平衡数据进行处理，大大提高了分类准确率。

Description

一种有轨电车用质子交换膜燃料电池故障诊断方法
技术领域
本发明属于有轨电车技术领域，特别是涉及一种有轨电车用质子交换膜燃料电池故障诊断方法。
背景技术
燃料电池具有清洁、高效、可持续等特点，是21世纪最有潜力的替代能源之一，而在各种燃料电池中，质子交换膜燃料电池(PEMFC)还具有功率密度高、响应速度快、运行温度低、无电解质流失等优点，在交通运输、航空航天、水下潜器等民用与军用领域都有广阔的应用前景。有轨电车用燃料电池系统分为燃料电池模块、氢气供给系统、空气供给系统、冷却液循环系统、散热系统和氢气循环系统，其中燃料电池电堆的性能通常可以反映整个系统的状况。由于燃料电池系统是十分复杂的非线性强耦合系统，在实际运行中出现的故障容易造成系统输出功率降低或停机，使电堆发生不可逆的损坏。为了避免对系统造成严重损坏，需要人们能够准确的检测出故障，对故障进行隔离和纠正。
现有的故障诊断方法主要分为基于模型驱动的诊断方法、基于数据驱动的诊断方法以及基于混合驱动的诊断方法。由于质子交换膜燃料电池的系统十分复杂，很难获得其准确的机理模型，因此基于数据驱动的故障诊断方法更加适合。一般的数据驱动的故障诊断方法都会对故障数据进行归一化处理，由于故障数据样本的每个变量在数值上的量纲差异很大，对后续的处理的影响不同，会使模型参数的准确率受影响，甚至得不出正确的结果。有轨电车在运行过程中由于总线通信超时，会造成采集的数据失效或者冗余，由于无效数据的存在，直接对采集的数据进行故障诊断很难区分某些故障，使得模型分类准确率比较低。
在这个大数据的时代，作为机器学习的分支之一，深度学习在各个领域大放异彩，取得了很好的效果。有轨电车在运行过程中也会不断地产生大量的数据，而这些数据中就能提取出反映燃料电池电堆的状况的数据，通过深度学习对这些海量的数据进行分析处理，可以达到很好的故障分类的效果。但是有轨电车在运行过程故障数据相比于正常数据通常是比较少的，并且不同的故障数据通常也是不平衡的，尤其是有轨电车燃料电池电堆的氢气泄露故障，不仅容易和其他故障出现耦合，而且故障数据也相对较少，对于这种极度不平衡的数据，在机器学习的方法中是比较棘手的，会降低深度置信网络的准确率。
发明内容
为了解决上述问题，本发明提出了一种有轨电车用质子交换膜燃料电池故障诊断方法，能够有效获得到精确的轨电车用质子交换膜燃料电池故障诊断数据；通过对原始数据的处理，有利于寻找全局最优解，得到更准确的样本数据，提高模型分类准确率；通过对故障诊断网络的构建，能够有效对不平衡数据进行处理，大大提高了分类准确率。
为达到上述目的，本发明采用的技术方案是：一种有轨电车用质子交换膜燃料电池故障诊断方法，包括步骤：
S100,收集燃料电池有轨电车的实际运行时输出的各项数据作为原始预备数据，对所述原始数据进行归一化处理，并将归一化得到后的高维数据进行降维处理得到原始数据；由于故障数据样本的每个变量在数值上的量纲差异很大，对后续的处理的影响不同，会使模型参数的准确的受影响，甚至得不出正确的结果，因此通过一定的变化将所有数据统一到0至1之间，既能提高计算准确率，又能缩短计算时间。
S200,基于模拟退火遗传算法的模糊c均值聚类处理来对所述原始数据进行筛分处理，获得故障诊断的样本数据；
S300,将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果。
进一步的是，所述原始数据为正常状态、高温故障，氢气泄露故障以及空气压力低故障的十二维原始数据；通过主成分分析法将归一化得到后的十二维原始数据降到四维，使用这四维数据作为原始数据。故障数据的每组样本都有十二维变量，这些变量中有些对后续结果的影响不大，但是却会延长计算时间，因此通过主成分分析法(PCA)将归一化得到后的高维数据降到四维，可以大大地降低运算时间，并且有利于防止后续运算出现过拟合。本发明通过主成分分析法(PCA)将原始的高维数据映射到四维空间，这四维数据可以有效的代表原始数据，不仅能降低运算时间，而且有利于防止后续运算出现过拟合。
进一步的是，对所述原始数据通过模拟退火遗传模糊聚类算法进行聚类处理来对所述原始数据进行筛分处理，该方法有利于寻找全局最优解，得到更准确的样本数据，包括步骤：
S201,设置模糊聚类算法、模拟退火算法以及遗传算法的参数值，将模糊聚类的目标函数值作为需要优化的目标，随机选取初始种群，计算种群中每个个体的适应度；
S202,根据每个个体的适应度，通过选择、交叉和变异过程获得新个体；
S203,对每个新个体进行模拟退火，得到下一代种群；
S204,根据所述下一代种群选择模糊聚类目标函数值最小的初始聚类中心作为模糊聚类的最佳初始聚类中心，再通过模糊聚类得到四种健康状态包括正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态；
S205,输出每组原始数据对于每种状态的隶属度，选择每种健康状态的隶属度大于60％的数据作为故障诊断的样本数据。
进一步的是，在所述步骤S201中，所述模糊聚类算法参数包括确定目标函数、类聚类别数、目标函数终止容限以及最大迭代次数；模拟退火算法参数包括冷却系数、初始温度以及终止温度；遗传算法的参数包括个体数目、最大遗传代数，将模糊聚类的目标函数值作为需要优化的目标；
通过模拟退火遗传算法确定最佳初始聚类中心：将模糊聚类的目标函数作为模拟退火遗传算法需要优化得到最小值的目标，选择最佳的初始聚类中心，随机选取聚类中心作为初始种群P(t)，通过适应度函数计算种群中每个个体的适应度。
进一步的是，在所述步骤S202中，根据每个个体的适应度，通过选择、交叉和变异过程获得新个体，包括步骤：根据适应度值，通过选择算子从当前种群中选择优良个体到下一代得到种群P'(t)；再通过交叉算子产生新个体得到种群P”(t)；为了改善遗传局部搜索能力，维持群体多样性，加入变异算子得到种群P”'(t)，作为包含有新个体的新种群；
在所述步骤S203中，对每个新个体进行模拟退火，得到下一代种群，包括步骤：对新种群中各个个体进行模拟退火操作，在初始温度下产生新的解，评价适应度函数的差值，按照预设概率范围接受新解，直到达到该温度下的平衡状态；再根据冷却系数降低温度，直到满足退火结束的收敛条件，得到下一代种群P(t+1)。
进一步的是，在所述步骤S204中，判断下一代种群是否满足目标函数值较上之前种群更小的条件，若满足则替代旧个体，求出群体中适应度值最大的个体，保留最好的个体，当满足迭代条件时得到最佳的输出结果，即得到最佳初始聚类中心；
根据正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态的聚类中心，通过隶属度函数矩阵对每一组数据进行计算，进行模糊聚类，得到每组数据对于每种状态的隶属度值，完成数据归类筛分。
进一步的是，在所述步骤S205中，通过输出的每组原始数据对于每种状态的隶属度得到该组数据属于每一类故障的概率，通过该隶属度矩阵判断每组数据所述状态类别，抛弃无效、冗余的数据，筛选每种健康状态的隶属度大于60％且与实际标签相符合的数据作为故障诊断算法的样本数据。
进一步的是，将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果，包括步骤：通过基于SMOTE算法的深度置信网络故障诊断方法，可以很大程度的提高故障诊断的准确率，可以很好地区分不同的故障类型；
S301,向所属故障诊断网络输入样本数据集，所属样本数据集分为训练数据集合测试数据集；
S302,对所述训练数据集，通过SMOTE算法补充少数类故障样本，得到新的训练集样本；
S303,利用新的训练集样本训练深度置信的故障诊断网络，得到故障诊断网络模型；
S303,通过测试集测试故所述障诊断网络模型，得到模型故障分类结果的准确率，通过调整SMOTE算法中的K值和N值，确定最佳的故障分类模型，对该模型进行测试，最终输出最佳的故障诊断准确率以及分类的结果。
进一步的是，在所述步骤S302中，通过SMOTE算法每次输入训练数据集中极度不平衡的氢气泄露故障数据，模拟生成更多的氢气泄露故障数据，得到新的训练集样本。
进一步的是，在所述步骤S303中，设置深度置信的故障诊断网络结构包括神经元个数和网络层数，随机初始化网络权值，通过得到的新的训练集样本训练整个网络，得到故障诊断网络模型。
采用本技术方案的有益效果：
本发明根据有轨电车用质子交换膜燃料电池电堆的原始数据通过一定的数据预处理，采用模拟退火遗传模糊聚类对原始数据进行预处理，得到新的样本数据进行故障诊断可以提高模型准确。由于故障数据中某些故障类型样本数相对很少，使得样本极度不平衡，使用深度置信网络进行故障诊断在区分样本少的故障时准确度很低，难以精确的识别此类故障，因此采用基于SMOTE算法的深度置信网络算法，对样本少的故障类别进行采样补充，该方法可以很大程度地提高故障诊断的准确率，基本可以正确的区分各个类别。综合考虑了有轨电车用燃料电池电堆故障数据冗余、失效数据较多以及故障数据极度不平衡导致故障诊断不准确，通过对数据进行预处理和对不平衡故障数据的处理，大大提高了故障诊断准确率，达到99.97％，基本可以对故障类型正确分类。
本发明针对燃料电池电堆数据中无效数据的存在使得故障分类准确率不高的问题，将聚类算法应用于故障诊断中选取诊断变量数据的预处理，可以有效剔除奇异数据并提高模型分类正确率，从而得到了更准确的样本数据，有利于提高分类准确率。为了克服有轨电车在运行过程中由于总线通信超时，会造成采集的数据失效或者冗余，由于无效数据的存在，直接对采集的数据进行故障诊断很难区分某些故障，使得模型分类准确率比较低。模糊c均值聚类(FCM)相比的传统的聚类方法，引入了模糊划分的概念，使每个数据点用隶属度来确定其属于各个组的程度,更能客观的反映实际；基于模拟退火遗传算法的模糊c均值聚类对有轨电车质子交换膜燃料电池故障数据进行预处理，通过模拟退火遗传算法优化模糊聚类算法，初始FCM算法的聚类中心，有利于寻找全局最优解。
本发明针对故障数据不平衡，某些故障数据极度缺乏导致深度置信网络模型进行故障分类时达不到最优效果的问题，提出基于SMOTE算法的深度置信网络算法，通过SMOTE算法对故障数据中训练集的氢气泄露故障进行进行分析的模拟，计算每个少数类样本的K个临近，从K个临近中随选N个样本进行随机插值，从而构造新的样本，产生新的训练集进行训练，大大提高了故障分类的准确率。
附图说明
图1为本发明的一种有轨电车用质子交换膜燃料电池故障诊断方法流程示意图；
图2为本发明实施例中原始数据获取方法的流程图；
图3为本发明实施例中对原始数据进行筛分处理方法的流程示意图；
图4为本发明实施例中基于SMOTE算法的深度置信故障诊断网络的构建流程示意图；
图5为本发明具体实施例中传统预处理方法和本发明预处理方法的收敛对比图；
图6为本发明具体实施例中传统故障分类方法和本发明故障分类的准确度对比图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种有轨电车用质子交换膜燃料电池故障诊断方法，包括步骤：S100-S300。
S100,收集燃料电池有轨电车的实际运行时输出的各项数据作为原始预备数据，对所述原始数据进行归一化处理，并将归一化得到后的高维数据进行降维处理得到原始数据；由于故障数据样本的每个变量在数值上的量纲差异很大，对后续的处理的影响不同，会使模型参数的准确的受影响，甚至得不出正确的结果，因此通过一定的变化将所有数据统一到0至1之间，既能提高计算准确率，又能缩短计算时间。
作为优选实施例，如图2所示，所述原始数据为正常状态、高温故障，氢气泄露故障以及空气压力低故障的十二维原始数据；通过主成分分析法将归一化得到后的十二维原始数据降到四维，使用这四维数据作为原始数据。故障数据的每组样本都有十二维变量，这些变量中有些对后续结果的影响不大，但是却会延长计算时间，因此通过主成分分析法(PCA)将归一化得到后的高维数据降到四维，可以大大地降低运算时间，并且有利于防止后续运算出现过拟合。本发明通过主成分分析法(PCA)将原始的高维数据映射到四维空间，这四维数据可以有效的代表原始数据，不仅能降低运算时间，而且有利于防止后续运算出现过拟合。
S200,基于模拟退火遗传算法的模糊c均值聚类处理来对所述原始数据进行筛分处理，获得故障诊断的样本数据。
作为优选实施例，如图3所示，对所述原始数据通过模拟退火遗传模糊聚类算法进行聚类处理来对所述原始数据进行筛分处理，该方法有利于寻找全局最优解，得到更准确的样本数据，包括步骤S201-S205。
S201,设置模糊聚类算法、模拟退火算法以及遗传算法的参数值，将模糊聚类的目标函数值作为需要优化的目标，随机选取初始种群，计算种群中每个个体的适应度；
在所述步骤S201中，所述模糊聚类算法参数包括确定目标函数、类聚类别数、目标函数终止容限以及最大迭代次数；模拟退火算法参数包括冷却系数、初始温度以及终止温度；遗传算法的参数包括个体数目、最大遗传代数，将模糊聚类的目标函数值作为需要优化的目标；
通过模拟退火遗传算法确定最佳初始聚类中心：将模糊聚类的目标函数作为模拟退火遗传算法需要优化得到最小值的目标，选择最佳的初始聚类中心，随机选取聚类中心作为初始种群P(t)，通过适应度函数计算种群中每个个体的适应度。
S202,根据每个个体的适应度，通过选择、交叉和变异过程获得新个体；
在所述步骤S202中，根据每个个体的适应度，通过选择、交叉和变异过程获得新个体，包括步骤：根据适应度值，通过选择算子从当前种群中选择优良个体到下一代得到种群P'(t)；再通过交叉算子产生新个体得到种群P”(t)；为了改善遗传局部搜索能力，维持群体多样性，加入变异算子得到种群P”'(t)，作为包含有新个体的新种群。
S203,对每个新个体进行模拟退火，得到下一代种群；
在所述步骤S203中，对每个新个体进行模拟退火，得到下一代种群，包括步骤：对新种群中各个个体进行模拟退火操作，在初始温度下产生新的解，评价适应度函数的差值，按照预设概率范围接受新解，直到达到该温度下的平衡状态；再根据冷却系数降低温度，直到满足退火结束的收敛条件，得到下一代种群P(t+1)。
S204,根据所述下一代种群选择模糊聚类目标函数值最小的初始聚类中心作为模糊聚类的最佳初始聚类中心，再通过模糊聚类得到四种健康状态包括正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态；
在所述步骤S204中，判断下一代种群是否满足目标函数值较上之前种群更小的条件，若满足则替代旧个体，求出群体中适应度值最大的个体，保留最好的个体，当满足迭代条件时得到最佳的输出结果，即得到最佳初始聚类中心；根据正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态的聚类中心，通过隶属度函数矩阵对每一组数据进行计算，进行模糊聚类，得到每组数据对于每种状态的隶属度值，完成数据归类筛分。
S205,输出每组原始数据对于每种状态的隶属度，选择每种健康状态的隶属度大于60％的数据作为故障诊断的样本数据。
在所述步骤S205中，通过输出的每组原始数据对于每种状态的隶属度得到该组数据属于每一类故障的概率，通过该隶属度矩阵判断每组数据所述状态类别，抛弃无效、冗余的数据，筛选每种健康状态的隶属度大于60％且与实际标签相符合的数据作为故障诊断算法的样本数据。
S300,将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果。
作为优选实施例，如图4所示，将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果，包括步骤：通过基于SMOTE算法的深度置信网络故障诊断方法，可以很大程度的提高故障诊断的准确率，可以很好地区分不同的故障类型；
S301,向所属故障诊断网络输入样本数据集，所属样本数据集分为训练数据集合测试数据集；
S302,对所述训练数据集，通过SMOTE算法补充少数类故障样本，得到新的训练集样本；在所述步骤S302中，通过SMOTE算法每次输入训练数据集中极度不平衡的氢气泄露故障数据，模拟生成更多的氢气泄露故障数据，得到新的训练集样本；
S303,利用新的训练集样本训练深度置信的故障诊断网络，得到故障诊断网络模型；在所述步骤S303中，设置深度置信的故障诊断网络结构包括神经元个数和网络层数，随机初始化网络权值，通过得到的新的训练集样本训练整个网络，得到故障诊断网络模型
S303,通过测试集测试故所述障诊断网络模型，得到模型故障分类结果的准确率，通过调整SMOTE算法中的K值和N值，确定最佳的故障分类模型，对该模型进行测试，最终输出最佳的故障诊断准确率以及分类的结果。
下面通过具体实施例对本发明进行验证：
质子交换膜燃料电池的数据来自于唐山轨道客车有限公司的燃料电池/超级电容混合动力100％低地板有轨电车的实测数据。使用的燃料电池模块是基于Ballard最新PEM电池堆技术的燃料电池模块。本文选择了正常状态、去离子水入口高温故障状态、氢气泄露故障状态和空气压力低故障状态进行故障诊断，筛选出能直接反映燃料电池运行状态监测量的十二个变量作为诊断变量。通过对数据的预处理得到样本数据集如表1所示，模糊c均值聚类与本文采用的模拟退火遗传模糊聚类的目标函数的收敛对比图如图5所示，可见本文采用的方法可以更快地得到更低的目标函数值，达到更好的效果。
表1样本数据集
Figure BDA0002185086700000091
将样本数据集用K折交叉验证，K取5，即每次20％为测试集，80％为训练集，通过SMOTE算法得到新的训练集，使用该训练集训练深度置信故障诊断网络(DBN)模型，再通过测试集验证，再不断调整，得到最优结果。其中SMOTE最近邻数量K取5以及从少数样本中采样的比例N取27，DBN采用两层隐藏层结构，得到分类结果。原始的DBN模型的分类结果和本文采用的基于SMTOTE算法的DBN模型结果对比图如图6所示，本文采用的方法对F3类故障有着明显的效果，F3类故障诊断准确率达到99.07％。本发明对原始数据进行预处理得到样本数据集，再通过基于SMOTE算法的深度置信网络算法对样本数据进行故障诊断，可以得到很好的故障诊断效果，准确率达到99.97％，其中N1，F1和F4类型准确率可以达到100％，F3类型可以达到99.07％。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，包括步骤：
S100,收集燃料电池有轨电车的实际运行时输出的各项数据作为原始预备数据，对所述原始预备数据进行归一化处理，并将归一化得到的高维数据进行降维处理得到原始数据；所述原始预备数据为正常状态、高温故障，氢气泄露故障以及空气压力低故障的十二维原始数据；通过主成分分析法将归一化得到后的十二维原始数据降到四维，使用这四维数据作为原始数据；
S200,基于模拟退火遗传算法的模糊c均值聚类处理来对所述原始数据进行筛分处理，获得故障诊断的样本数据；包括步骤：
S201,设置模糊c均值聚类算法、模拟退火算法以及遗传算法的参数值，将模糊c均值聚类的目标函数值作为需要优化的目标，随机选取初始种群，计算种群中每个个体的适应度；
S202,根据每个个体的适应度，通过选择、交叉和变异过程获得新个体；
S203,对每个新个体进行模拟退火，得到下一代种群；
S204,根据所述下一代种群选择模糊c均值聚类目标函数值最小的初始聚类中心作为模糊c均值聚类的最佳初始聚类中心，再通过模糊c均值聚类得到四种健康状态包括正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态；
S205,输出每组原始数据对于每种状态的隶属度，选择每种健康状态的隶属度大于60％的数据作为故障诊断的样本数据；
S300,将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果。
2.根据权利要求1所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S201中，所述模糊c均值聚类算法参数包括确定目标函数、类聚类别数、目标函数终止容限以及最大迭代次数；模拟退火算法参数包括冷却系数、初始温度以及终止温度；遗传算法的参数包括个体数目、最大遗传代数，将模糊c均值聚类的目标函数值作为需要优化的目标；
通过模拟退火遗传算法确定最佳初始聚类中心：将模糊c均值聚类的目标函数作为模拟退火遗传算法需要优化得到最小值的目标，选择最佳的初始聚类中心，随机选取聚类中心作为初始种群P(t)，通过适应度函数计算种群中每个个体的适应度。
3.根据权利要求2所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S202中，根据每个个体的适应度，通过选择、交叉和变异过程获得新个体，包括步骤：根据适应度值，通过选择算子从当前种群中选择优良个体到下一代得到种群P'(t)；再通过交叉算子产生新个体得到种群P”(t)；加入变异算子得到种群P”'(t)，作为包含有新个体的新种群；
在所述步骤S203中，对每个新个体进行模拟退火，得到下一代种群，包括步骤：对新种群中各个个体进行模拟退火操作，在初始温度下产生新的解，评价适应度差值，按照预设概率范围接受新解，直到达到该温度下的平衡状态；再根据冷却系数降低温度，直到满足退火结束的收敛条件，得到下一代种群P(t+1)。
4.根据权利要求3所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S204中，判断下一代种群是否满足目标函数值较上之前种群更小的条件，若满足则替代旧个体，求出群体中适应度值最大的个体，保留最好的个体，当满足迭代条件时得到最佳的输出结果，即得到最佳初始聚类中心；
根据正常状态、高温故障状态、氢气泄露故障状态以及空气压力低故障状态的聚类中心，通过隶属度函数矩阵对每一组数据进行计算，进行模糊c均值聚类，得到每组数据对于每种状态的隶属度值，完成数据归类筛分。
5.根据权利要求4所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S205中，通过输出的每组原始数据对于每种状态的隶属度得到该组数据属于每一类故障的概率，通过该隶属度矩阵判断每组数据所属状态类别，抛弃无效、冗余的数据，筛选每种健康状态的隶属度大于60％且与实际标签相符合的数据作为故障诊断算法的样本数据。
6.根据权利要求1或5所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，将所述样本数据输入所建立的基于SMOTE算法的深度置信故障诊断网络，输出最佳的故障诊断准确率以及分类的燃料电池故障结果，包括步骤：
S301,向所述故障诊断网络输入样本数据集，所述样本数据集分为训练数据集和测试数据集；
S302,对所述训练数据集，通过SMOTE算法补充少数类故障样本，得到新的训练集样本；
S303,利用新的训练集样本训练深度置信的故障诊断网络，得到故障诊断网络模型；
S304,通过测试数据集测试所述故障诊断网络模型，得到模型故障分类结果的准确率，通过调整SMOTE算法中的K值和N值，确定最佳的故障诊断网络模型，对最佳的故障诊断网络模型进行测试，最终输出最佳的故障诊断准确率以及分类的结果。
7.根据权利要求6所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S302中，通过SMOTE算法每次输入训练数据集中极度不平衡的氢气泄露故障数据，模拟生成更多的氢气泄露故障数据，得到新的训练集样本。
8.根据权利要求6所述的一种有轨电车用质子交换膜燃料电池故障诊断方法，其特征在于，在所述步骤S303中，设置深度置信的故障诊断网络结构包括神经元个数和网络层数，随机初始化网络权值，通过得到的新的训练集样本训练整个网络，得到故障诊断网络模型。
CN201910811181.9A 2019-08-30 2019-08-30 一种有轨电车用质子交换膜燃料电池故障诊断方法 Active CN110579709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910811181.9A CN110579709B (zh) 2019-08-30 2019-08-30 一种有轨电车用质子交换膜燃料电池故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910811181.9A CN110579709B (zh) 2019-08-30 2019-08-30 一种有轨电车用质子交换膜燃料电池故障诊断方法

Publications (2)

Publication Number Publication Date
CN110579709A CN110579709A (zh) 2019-12-17
CN110579709B true CN110579709B (zh) 2021-04-13

Family

ID=68812183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910811181.9A Active CN110579709B (zh) 2019-08-30 2019-08-30 一种有轨电车用质子交换膜燃料电池故障诊断方法

Country Status (1)

Country Link
CN (1) CN110579709B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111076962B (zh) * 2020-01-03 2022-03-29 中国电建集团华东勘测设计研究院有限公司 一种面向智慧水电厂的机电设备故障诊断方法
CN111200141B (zh) * 2020-01-14 2022-10-28 东北电力大学 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法
CN111222584A (zh) * 2020-01-15 2020-06-02 北京辉腾格勒石墨烯科技有限公司 基于大数据和深度神经网络的锂电池实时评估方法
CN111381170A (zh) * 2020-05-15 2020-07-07 上海工程技术大学 基于大数据的电动汽车电池包健康状态预测方法及系统
CN112036456A (zh) * 2020-08-19 2020-12-04 阳光电源股份有限公司 光伏故障数据生成方法、装置及计算机可读存储介质
CN112117475A (zh) * 2020-09-30 2020-12-22 国网四川省电力公司经济技术研究院 一种燃料电池水管理子系统故障检测装置及方法
CN113540527B (zh) * 2021-07-16 2022-10-04 同济大学 一种多时序燃料电池输出控制方法及系统
CN113484652A (zh) * 2021-08-20 2021-10-08 国网福建省电力有限公司电力科学研究院 一种基于改进k近邻算法的避雷器故障诊断方法及系统
CN113780537B (zh) * 2021-11-12 2022-03-15 国网浙江省电力有限公司电力科学研究院 一种质子交换膜燃料电池发电系统的故障诊断方法及装置
CN114492087B (zh) * 2022-04-02 2022-07-19 国网浙江省电力有限公司电力科学研究院 氢储能电站质子交换膜燃料电池故障诊断方法及装置
CN116719831B (zh) * 2023-08-03 2023-10-27 四川中测仪器科技有限公司 一种面向健康监测的标准数据库建立与更新方法
CN117312900A (zh) * 2023-09-19 2023-12-29 中国南方电网有限责任公司超高压输电公司电力科研院 基于fcma算法的电力系统故障诊断方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980202A (zh) * 2010-11-04 2011-02-23 西安电子科技大学 不平衡数据的半监督分类方法
CN102520341A (zh) * 2011-12-05 2012-06-27 南京航空航天大学 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN108344947A (zh) * 2018-01-11 2018-07-31 西南交通大学 一种非侵入式的燃料电池故障诊断方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3815982B2 (ja) * 2001-06-25 2006-08-30 シャープ株式会社 半導体記憶装置
US20090097741A1 (en) * 2006-03-30 2009-04-16 Mantao Xu Smote algorithm with locally linear embedding
CN104810860A (zh) * 2015-02-06 2015-07-29 华北水利水电大学 一种风电场内功率分配方法及分配装置
WO2017092615A1 (zh) * 2015-11-30 2017-06-08 上海联影医疗科技有限公司 一种计算机辅助诊断系统及方法
WO2017181286A1 (en) * 2016-04-22 2017-10-26 Lin Tan Method for determining defects and vulnerabilities in software code
CN106055918B (zh) * 2016-07-26 2020-02-21 天津大学 一种电力系统负荷数据的辨识及修正方法
CN106778826A (zh) * 2016-11-25 2017-05-31 南昌航空大学 基于自适应元胞遗传与优选模糊c‑均值的混合聚类算法
CN107590506B (zh) * 2017-08-17 2018-06-15 北京航空航天大学 一种基于特征处理的复杂设备故障诊断方法
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN108921208A (zh) * 2018-06-20 2018-11-30 天津大学 基于深度学习的不平衡数据的均衡采样及建模方法
CN109597946B (zh) * 2018-12-05 2022-04-12 国网江西省电力有限公司信息通信分公司 一种基于深度信念网络算法的不良网页智能检测方法
CN109710661A (zh) * 2018-12-21 2019-05-03 云南电网有限责任公司电力科学研究院 基于遗传模拟退火算法对高压加热器状态分析的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980202A (zh) * 2010-11-04 2011-02-23 西安电子科技大学 不平衡数据的半监督分类方法
CN102520341A (zh) * 2011-12-05 2012-06-27 南京航空航天大学 一种基于Bayes-KFCM算法的模拟电路故障诊断方法
CN107656154A (zh) * 2017-09-18 2018-02-02 杭州安脉盛智能技术有限公司 基于改进模糊c均值聚类算法的变压器故障诊断方法
CN108344947A (zh) * 2018-01-11 2018-07-31 西南交通大学 一种非侵入式的燃料电池故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Development and performance diagnosis of a high power air-cooled PEMFC stack;Chen-Yu Chen 等;《Int J Hydrogen Energy》;20161231;第41卷(第27期);第11784-11793页 *

Also Published As

Publication number Publication date
CN110579709A (zh) 2019-12-17

Similar Documents

Publication Publication Date Title
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
Zhang et al. Intelligent simultaneous fault diagnosis for solid oxide fuel cell system based on deep learning
Zhang et al. Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
Lin et al. Hydrogen fuel cell diagnostics using random forest and enhanced feature selection
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
CN114899457A (zh) 一种针对质子交换膜燃料电池系统的故障检测方法
CN115598536A (zh) 基于模糊c均值聚类和概率神经网络的pemfc故障诊断方法
Pang et al. Intelligent health states recognition of fuel cell by cell voltage consistency under typical operating parameters
CN113283491A (zh) 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN116050867A (zh) 一种具备可解释性的数据驱动电力系统暂态稳定评估方法
CN116484299A (zh) 基于梯度提升树与多层感知机融合的充电桩故障诊断方法
Sun et al. Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning
CN113469252A (zh) 一种考虑不平衡样本的特高压换流阀运行状态评估方法
CN113297805A (zh) 一种风电功率爬坡事件间接预测方法
Yao et al. Power curve modeling for wind turbine using hybrid-driven outlier detection method
CN113780537B (zh) 一种质子交换膜燃料电池发电系统的故障诊断方法及装置
Elgamal et al. Seamless Machine Learning Models to Detect Faulty Solar Panels
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
CN115598459A (zh) 一种配电网10kV馈线故障停电预测方法
CN114626195B (zh) 一种利用时空数据进行固体氧化物燃料电池系统的建模方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant