CN110632519A - 燃料电池故障诊断方法和装置 - Google Patents
燃料电池故障诊断方法和装置 Download PDFInfo
- Publication number
- CN110632519A CN110632519A CN201910943925.2A CN201910943925A CN110632519A CN 110632519 A CN110632519 A CN 110632519A CN 201910943925 A CN201910943925 A CN 201910943925A CN 110632519 A CN110632519 A CN 110632519A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- parameters
- sample set
- fault
- classifier
- 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.)
- Pending
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
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种燃料电池故障诊断方法和装置,通过获取燃料电池系统的运行参数。然后对所述运行参数进行处理,得到故障特征参数。再对所述故障特征参数进行分析,得到敏感特征参数。将所述敏感特征参数分成训练样本集和测试样本集,利用训练样本集对分类器进行优化,再利用测试样本集通过优化好的分类器对燃料电池进行故障诊断。因此,可以准确的对燃料电池系统进行故障诊断,避免燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难。
Description
技术领域
本发明涉及燃料电池技术领域,尤其涉及一种燃料电池故障诊断方法和装置。
背景技术
燃料电池是一种把燃料所具有的化学能直接转换成电能的化学装置,又称电化学发电器。由于燃料电池是通过电化学反应把燃料的化学能中的吉布斯自由能部分转换成电能,不受卡诺循环效应的限制,因此效率高。但是由于燃料电池系统复杂的结构和运行工况,致使其发生故障的原因和类型多样化,若故障诊断不及时甚至可能会导致整个系统崩溃,产生不可预估的损失和灾难。
目前,通常用来对燃料电池系统进行检测的方法是基于模型的诊断方式。基于模型的诊断方式是利用丰富先验知识和专业理论对系统内部重要参数和外部影响因素的规律进行总结,构建模型对燃料电池系统运行状态进行描述。但是由于燃料电池系统是一个具有多参数、强耦合的非线性动态系统,模型难构建,很大程度上不能保证燃料电池系统进行准确可靠的故障诊断。
发明内容
有鉴于此,本发明实施例提供了一种燃料电池故障诊断方法和装置,可以准确的对燃料电池系统进行故障诊断,避免燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难。
为实现上述目的,本发明实施例提供如下技术方案:
本发明第一方面公开了一种电池故障的诊断方法,包括:
获取燃料电池系统的运行参数;
对所述运行参数进行处理,得到故障特征参数;
对所述故障特征参数进行分析,得到敏感特征参数;
将所述敏感特征参数分成训练样本集和测试样本集;
利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
可选的,上述的方法,所述获取燃料电池系统的运行参数之后,还包括:
对所述运行参数进行标准化处理;
其中,所述对所述运行参数进行处理,得到故障特征参数,包括:
对标准化处理后的运行参数进行处理,得到所述故障特征参数。
可选的,上述的方法,所述对所述运行参数进行处理,得到故障特征参数,包括:
对所述运行参数利用稀疏变换基进行稀疏表示;
对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
可选的,上述的方法,所述对所述故障特征参数进行分析,得到敏感特征参数,包括:
对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度;
根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征;
将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
可选的,上述的方法,所述利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断,包括:
将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数;
利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化;
将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
可选的,上述的方法,所述得到燃料电池的故障诊断结果后,还包括:
若诊断出燃料电池发生故障,则对所述燃料电池的故障诊断结果进行显示并发出警报。
本发明第二方面公开了一种燃料电池故障诊断装置,包括:
获取单元,用于获取燃料电池系统的运行参数;
处理单元,用于对所述运行参数进行处理,得到故障特征参数;
分析单元,用于对所述故障特征参数进行分析,得到敏感特征参数;
分配单元,用于将所述敏感特征参数分成训练样本集和测试样本集;
故障诊断单元,用于利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
可选的,上述的装置,所述处理单元,包括:
变换子单元,用于对所述运行参数利用稀疏变换基进行稀疏表示;
压缩子单元,用于对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
可选的,上述的装置,所述分析单元,包括:
第一计算子单元,用于对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度;
判断子单元,用于根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征;
第一获取子单元,用于将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
可选的,上述的装置,所述故障诊断单元,包括:
第二获取子单元,用于将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数;
优化子单元,用于利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化;
第二计算子单元,用于将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
从上述技术方案可以看出,本申请提供的一种燃料电池故障诊断方法中,通过获取燃料电池系统的运行参数。然后对所述运行参数进行处理,得到故障特征参数。再对所述故障特征参数进行分析,得到敏感特征参数。将所述敏感特征参数分成训练样本集和测试样本集,利用训练样本集对分类器进行优化,再利用测试样本集通过优化好的分类器对燃料电池进行故障诊断。因此,可以准确的对燃料电池系统进行故障诊断,避免燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种燃料电池故障诊断方法的流程图;
图2为本发明实施例公开的另一种燃料电池故障诊断方法的流程图;
图3为本发明实施例公开的另一种燃料电池故障诊断方法的流程图;
图4为本发明实施例公开的另一种燃料电池故障诊断方法的流程图;
图5为本发明实施例公开的一种燃料电池故障诊断装置的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本申请中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知,目前在现有技术中,是利用丰富先验知识和专业理论对系统内部重要参数和外部影响因素的规律进行总结,构建模型对燃料电池系统运行状态进行描述。但是由于燃料电池系统是一个具有多参数、强耦合的非线性动态系统,模型难构建,很大程度上不能保证燃料电池系统进行准确可靠的故障诊断。因此,现有的对燃料电池系统进行故障诊断的方法,可能会造成因为燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难,不能保证燃料电池系统进行准确可靠的故障诊断。
基于此,本发明实施例公开了一种燃料电池故障诊断方法和装置,以解决现有技术中会造成因为燃料电池故障诊断不准确导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难,不能保证燃料电池系统进行准确可靠的故障诊断的问题。
本发明实施例燃料电池故障诊断方法,参见图1,具体包括:
S101、获取燃料电池系统的运行参数。
本发明实施例提供的方法中,燃料电池系统中设置有各个控制模块以及各个监测模块,每一个监测模块负责实时监测其对应的燃料电池系统的运行参数,通过燃料电池系统中的各个监测模块实时获取燃料电池系统中的各个运行参数。比如电流、电压、温度等监测模块实时对燃料电池系统的运行状态进行实时监测并记录其电流、电压、温度等参数。
需要说明的是,燃料电池系统中设置的各个控制模块可以调控该控制模块所控制的燃料电池系统的运行参数。比如温度、湿度、流量和压力控制模块对氢气供给模块和空气供给模块发送指令调控其温度、湿度、流量和压力参数,同时温度和流量控制模块对冷却循环模块发送指令调控其温度和流量参数,以确保燃料电池堆的工作运行。
还需要说明的是,本发明实施例可以设置一个主控模块来统一接收燃料电池系统中各个监测模块发送的燃料电池系统的各个运行参数,并且可以根据燃料电池的故障诊断结果来对燃料电池系统发送指令调控其运行状态。
可选的,本发明的另一实施例中,步骤S101之后,还可以包括:
对所述运行参数进行标准化处理;
其中,所述对所述运行参数进行处理,得到故障特征参数,包括:
对标准化处理后的运行参数进行处理,得到所述故障特征参数。
将燃料电池系统的各个运行参数进行标准化处理,按照需要的标准将其转化为标准化的数据。这样处理可以让数据更加统一化,便于后续对这些数据进行进一步的处理。
还需要说明的是,在对运行参数进行标准化处理后,本发明的实施例中的步骤S102则是对标准化处理后的运行参数进行处理。
S102、对所述运行参数进行处理,得到故障特征参数。
本发明实施例提供的方法中,在获取到燃料电池系统中的各个运行参数之后,对获取到的运行参数进行处理,利用压缩感知技术对燃料电池系统中的各个运行参数进行故障特征提取,得到故障特征参数。
需要说明的是,利用压缩感知技术对燃料电池系统中的各个运行参数进行故障特征提取,既可以在故障特征提取的过程中实现数据降维,又保证了提取的特征中包含了重要的信息。这样的处理既减少了计算和存储资源开销,同时也降低了数据的冗余性,保证了故障特征提取的高效性。
可选的,本发明的另一实施例中,步骤S102的一种实施方式,如图2所示,具体包括:
S201、对所述运行参数利用稀疏变换基进行稀疏表示。
S202、对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
需要说明的是,将燃料电池系统中的各个运行参数进行稀疏表示后,再通过观测矩阵对稀疏表示后的各个运行参数进行压缩,公式表示为Y=Φ·X=Φ·Ψ·S,得到压缩测量值Y,同时将得到的压缩测量值Y作为故障特征参数。
还需要说明的是,在本实施例中的方法中,X是N维度的,Y是M维度的,而N远远大于M,因此,在故障特征参数提取的过程中,实现了数据的降维,这样可以减少计算和存储资源开销,同时通过观测矩阵对稀疏表示后的各个运行参数进行压缩时,可以将燃料电池数据中的重要信息无损的传递给压缩测量值,保证了故障特征提取的准确性与高效性。
可选的,本实施例提供的方法中,前述提及,稀疏变换基可采用离散余弦变换基,观测矩阵可采用高斯随机矩阵。
S103、对所述故障特征参数进行分析,得到敏感特征参数。
本发明实施例提供的方法中,在提取出故障特征参数后,需要对故障特征参数进一步筛选,并利用邻域粗糙集的前向贪婪数值属性约简算法对其重要度进行分析,提取出每一个符合敏感特征条件的特征,组成敏感特征参数。
需要说明的是,对故障特征参数的重要度分析得到敏感特征参数,可以进一步筛选出更有效的特征,即对故障发生影响程度比较大的特征,这样可以去除冗余信息,提高燃料电池故障诊断效率。
可选的,本发明的另一实施例中,步骤S103的一种实施方式,如图3所示,具体包括:
S301、对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度。
需要说明的是,在获取燃料电池系统的故障特征参数后,将一个δ_邻域决策系统NDS=<U,A,δ>作为输入,其中,论域U表示样本集合,A=C UD={a1,a2,...aM+1}为属性集合,属性集合A中的数据即是故障特征参数。C和D分别是条件和决策属性集合。对于计算出δ_邻域关系Ra,再根据sig(ai,red,D)=PredUa(D)-Pred(D),计算出每个特征ak∈A-red的重要度。
需要说明的是,每一个特征的重要度是指所提取的每一个特征对于每种故障的影响程度,对于每一种故障都有其独特的特性,因此计算出特征的重要度就可以寻找出与故障相关性比较高的特征。
S302、根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征。
需要说明的是,本实施例提供的方法中,根据每个特征的重要度,选择出满足条件sig(ak,red,D)=max(sig((ai,red,D))的特征参数,得到特征ak。判断特征ak的重要度是否满足条件sig(ak,red,D)>0,若满足,则redU ak的值属于敏感特征。
S303、将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
S104、将所述敏感特征参数分成训练样本集和测试样本集。
本发明实施例提供的方法中,在得到敏感特征参数后,需要将敏感特征参数分成训练样本集和测试样本集,由于提取敏感特征参数的过程中,已经将数据进行降维处理,并且在筛选过程中去除了冗余信息,因此构造出来的训练样本集和测试样本集是低维的、精确的样本集,保证了数据的准确性和可靠性。
可选的,本发明实施例提供的方法中,可以采用随机分配法对训练样本集和测试样本集进行分配,从获取到的敏感特征参数中,随机选取一部分作为训练样本集,则剩余部分作为测试样本集。当然,可根据实际需求选择其他的方法对敏感特征参数进行分配。
S105、利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
本发明实施例提供的方法中,对于构造好的训练样本集和测试样本集,先将训练样本集输入到分类器中,通过训练样本集建立一个数据库,再利用粒子群优化算法和k-倍交叉验证对分类器进行优化,再将测试样本集输入到优化好的分类器中,在优化好的分类器中对测试样本集进行一系列的分析计算,得到燃料电池的故障诊断结果。
需要说明的是,由于训练样本集和测试样本集是低维的、精确的样本集,所以将测试样本集输入到分类器中,有利于分类器构建一个更准确的模型,提高了燃料电池故障诊断的准确性和高效性。
可选的,本发明的另一实施例中,步骤S105的一种实施方式,如图4所示,具体包括:
S401、将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数。
需要说明的是,核函数是决定支持向量机性能的重要因素,而径向基核函数是应用最广泛的核函数,而惩罚参数c和核函数参数f就是其中的两个重要参数,这两个参数的选取直接影响着分类器的性能。
可选的,本实施例提供的方法中,可采用粒子群优化算法和k-倍交叉验证对惩罚参数c和核函数参数f进行寻优,得到惩罚参数c的最佳参数以及所述核函数参数f的最佳参数。
S402、利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化。
需要说明的是,利用惩罚参数c的最佳参数以及核函数参数f的最佳参数来对所述分类器进行优化,可以构造出一个具有更好泛化能力和分类精度的分类器。
S403、将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
需要说明的是,将测试样本输入到优化好的分类器中,在优化好的分类器中对测试样本集进行一系列的分析计算,输出燃料电池故障分类结果,即燃料电池故障诊断结果。
可选的,前述提及的分类器可以采用支持向量机。
可选的,本发明的另一实施例中,所述燃料电池故障诊断方法,在执行步骤S105之后,还包括:
若诊断出燃料电池发生故障,则对所述燃料电池的故障诊断结果进行显示并发出警报。
需要说明的是,燃料电池的故障诊断结果可以通过连接显示器来进行显示,同时连接一个警报器用于诊断出燃料电池发生故障时发出警报声。
本发明提供的一种燃料电池故障诊断方法中,通过获取燃料电池系统的运行参数。然后对所述运行参数进行处理,得到故障特征参数。再对所述故障特征参数进行分析,得到敏感特征参数。将所述敏感特征参数分成训练样本集和测试样本集,利用训练样本集对分类器进行优化,再利用测试样本集通过优化好的分类器对燃料电池进行故障诊断。这样,在特征提取阶段既保证了数据实现降维又保证了数据具有准确性,同时构造一个具有更好泛化能力和分类精度的分类器,因此,可以准确的对燃料电池系统进行故障诊断,实现了高效可靠的燃料电池故障诊断,避免燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难。
与图1所述的方法相对应,本发明实施例还提供了一种燃料电池故障诊断装置,如图5所示,包括:
获取单元501,用于获取燃料电池系统的运行参数;
处理单元502,用于对所述运行参数进行处理,得到故障特征参数;
分析单元503,用于对所述故障特征参数进行分析,得到敏感特征参数;
分配单元504,用于将所述敏感特征参数分成训练样本集和测试样本集;
故障诊断单元505,用于利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
本发明提供的一种燃料电池故障诊断装置中,通过获取单元501获取燃料电池系统的的运行参数。然后处理单元502对所述运行参数进行处理,得到故障特征参数。分析单元503再对所述故障特征参数进行分析,得到敏感特征参数。分配单元504将所述敏感特征参数分成训练样本集和测试样本集,故障诊断单元505利用训练样本集对分类器进行优化,再利用测试样本集通过优化好的分类器对燃料电池进行故障诊断。这样,在特征提取阶段既保证了数据实现降维又保证了数据具有准确性,同时构造一个具有更好泛化能力和分类精度的分类器,因此,可以准确的对燃料电池系统进行故障诊断,实现了高效可靠的燃料电池故障诊断,避免燃料电池故障诊断不及时导致燃料电池系统出现问题甚至崩溃,产生不可预估的损失和灾难。
并且,本实施例中,获取单元501、处理单元502、分析单元503、分配单元504及故障诊断单元505的具体执行过程,可参见对应图1的方法实施例内容,此处不再赘述。
可选的,本发明另一实施例中,处理单元502,包括:
变换子单元,用于对所述运行参数利用稀疏变换基进行稀疏表示;
压缩子单元,用于对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
本实施例中,变换子单元和压缩子单元的具体执行过程,可参见对应图2的方法实施例内容,此处不再赘述。
可选的,本发明另一实施例中,分析单元503,包括:
第一计算子单元,用于对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度;
判断子单元,用于根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征;
第一获取子单元,用于将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
本实施例中,第一计算子单元、判断子单元和第一获取子单元的具体执行过程,可参见对应图3的方法实施例内容,此处不再赘述。
可选的,本发明另一实施例中,故障诊断单元505,包括:
第二获取子单元,用于将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数;
优化子单元,用于利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化;
第二计算子单元,用于将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
本实施例中,第二获取子单元、优化子单元和第二计算子单元的具体执行过程,可参见对应图4的方法实施例内容,此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种燃料电池故障诊断方法,其特征在于,包括:
获取燃料电池系统的运行参数;
对所述运行参数进行处理,得到故障特征参数;
对所述故障特征参数进行分析,得到敏感特征参数;
将所述敏感特征参数分成训练样本集和测试样本集;
利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述获取燃料电池系统的运行参数之后,还包括:
对所述运行参数进行标准化处理;
其中,所述对所述运行参数进行处理,得到故障特征参数,包括:
对标准化处理后的运行参数进行处理,得到所述故障特征参数。
3.根据权利要求1所述的方法,其特征在于,所述对所述运行参数进行处理,得到故障特征参数,包括:
对所述运行参数利用稀疏变换基进行稀疏表示;
对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
4.根据权利要求1所述的方法,其特征在于,所述对所述故障特征参数进行分析,得到敏感特征参数,包括:
对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度;
根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征;
将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断,包括:
将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数;
利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化;
将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
6.根据权利要求5述的方法,其特征在于,所述得到燃料电池的故障诊断结果后,还包括:
若诊断出燃料电池发生故障,则对所述燃料电池的故障诊断结果进行显示并发出警报。
7.一种燃料电池故障诊断装置,其特征在于,包括:
获取单元,用于获取燃料电池系统的运行参数;
处理单元,用于对所述运行参数进行处理,得到故障特征参数;
分析单元,用于对所述故障特征参数进行分析,得到敏感特征参数;
分配单元,用于将所述敏感特征参数分成训练样本集和测试样本集;
故障诊断单元,用于利用所述训练样本集对分类器进行优化,并将所述测试样本集输入到优化后的所述分类器中对燃料电池进行故障诊断。
8.根据权利要求7所述的装置,其特征在于,所述处理单元,包括:
变换子单元,用于对所述运行参数利用稀疏变换基进行稀疏表示;
压缩子单元,用于对所述进行稀疏表示的所述运行参数利用观测矩阵进行压缩测量,得到故障特征参数。
9.根据权利要求7所述的装置,其特征在于,所述分析单元,包括:
第一计算子单元,用于对所述故障特征参数进行重要度分析,计算出所述故障特征参数中每一个特征的重要度;
判断子单元,用于根据所述每个特征的重要度判断所述每一个特征是否属于敏感特征;
第一获取子单元,用于将属于所述敏感特征的每一个特征放入敏感特征集合,得到敏感特征参数。
10.根据权利要求7至9中任一项所述的装置,其特征在于,所述故障诊断单元,包括:
第二获取子单元,用于将所述训练样本集输入到所述分类器中,对所述分类器的惩罚参数c和核函数参数f进行寻优,得到所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数;
优化子单元,用于利用所述惩罚参数c的最佳参数以及所述核函数参数f的最佳参数来对所述分类器进行优化;
第二计算子单元,用于将所述测试样本集输入到所述优化后的分类器中,对所述测试样本集进行计算,得到燃料电池的故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943925.2A CN110632519A (zh) | 2019-09-30 | 2019-09-30 | 燃料电池故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910943925.2A CN110632519A (zh) | 2019-09-30 | 2019-09-30 | 燃料电池故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110632519A true CN110632519A (zh) | 2019-12-31 |
Family
ID=68974867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910943925.2A Pending CN110632519A (zh) | 2019-09-30 | 2019-09-30 | 燃料电池故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632519A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能系统的过压数据处理方法、装置及存储介质 |
CN113552488A (zh) * | 2021-07-27 | 2021-10-26 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222151A (zh) * | 2011-07-21 | 2011-10-19 | 电子科技大学 | 一种基于自回归滑动平均的模拟电路故障预测方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
US20160336609A1 (en) * | 2015-05-14 | 2016-11-17 | Hyundai Motor Company | Apparatus and method for diagnosing failure of air supply system of fuel cell system |
CN106644484A (zh) * | 2016-09-14 | 2017-05-10 | 西安工业大学 | Eemd与邻域粗糙集结合的涡桨发动机转子系统故障诊断方法 |
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 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池系统的在线故障诊断方法 |
CN110224160A (zh) * | 2019-06-12 | 2019-09-10 | 北京亿华通科技股份有限公司 | 一种燃料电池系统故障诊断方法 |
-
2019
- 2019-09-30 CN CN201910943925.2A patent/CN110632519A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222151A (zh) * | 2011-07-21 | 2011-10-19 | 电子科技大学 | 一种基于自回归滑动平均的模拟电路故障预测方法 |
CN104537415A (zh) * | 2014-12-02 | 2015-04-22 | 北京化工大学 | 一种基于压缩感知和dros-elm的非线性过程工业故障预测及识别方法 |
US20160336609A1 (en) * | 2015-05-14 | 2016-11-17 | Hyundai Motor Company | Apparatus and method for diagnosing failure of air supply system of fuel cell system |
CN106644484A (zh) * | 2016-09-14 | 2017-05-10 | 西安工业大学 | Eemd与邻域粗糙集结合的涡桨发动机转子系统故障诊断方法 |
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 |
CN109165687A (zh) * | 2018-08-28 | 2019-01-08 | 哈尔滨理工大学 | 基于多分类支持向量机算法的车用锂电池故障诊断方法 |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池系统的在线故障诊断方法 |
CN110224160A (zh) * | 2019-06-12 | 2019-09-10 | 北京亿华通科技股份有限公司 | 一种燃料电池系统故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
全睿 等: "基于支持向量机的车用燃料电池系统故障诊断", 《振荡、测试与诊断》 * |
刘嘉蔚 等: "基于多分类相关向量机和模糊 C 均值聚类的有轨电车用燃料电池系统故障诊断方法", 《中国电机工程学报》 * |
孟宗 等: "基于压缩信息特征提取的滚动轴承故障诊断方法", 《中国机械工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能系统的过压数据处理方法、装置及存储介质 |
CN113552488A (zh) * | 2021-07-27 | 2021-10-26 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
CN113552488B (zh) * | 2021-07-27 | 2024-03-19 | 中国铁塔股份有限公司 | 一种电池诊断方法、装置、电子设备和可存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Steiner et al. | Non intrusive diagnosis of polymer electrolyte fuel cells by wavelet packet transform | |
CN110632519A (zh) | 燃料电池故障诊断方法和装置 | |
CN114325405A (zh) | 电池组一致性分析方法、建模方法、装置、设备及介质 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
CN111488947A (zh) | 电力系统设备的故障检测方法与装置 | |
CN117471227B (zh) | 汽车线束参数性能测试方法及测试系统 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN111178556A (zh) | 电量异常检测方法、装置、计算机设备和可读存储介质 | |
US20220268843A1 (en) | Battery analysis apparatus and method | |
WO2018142694A1 (ja) | 特徴量生成装置、特徴量生成方法及びプログラム | |
CN112463480A (zh) | 一种基于arm架构的压力测试方法、系统、终端及存储介质 | |
CN115525392A (zh) | 容器监控方法、装置、电子设备及存储介质 | |
CN111476316B (zh) | 一种基于云计算下电力负荷特征数据均值聚类的方法及系统 | |
CN114139706A (zh) | 储能资源的评价系统 | |
CN112508433A (zh) | 一种运维系统的数据稽查方法及装置 | |
CN115859162B (zh) | 基于物联网的配电系统健康诊断方法及相关装置 | |
CN117234909B (zh) | 一种基于计算机系统的水利应用软件测试系统 | |
CN116627761B (zh) | 一种基于大数据框架的phm建模与用模辅助系统和方法 | |
CN115292146B (zh) | 一种系统容量预估方法、系统、设备及存储介质 | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN114564853B (zh) | 一种基于fmea数据的评价报告的生成方法及电子设备 | |
CN115187038A (zh) | 一种用电异常识别系统 | |
CN117234909A (zh) | 一种基于计算机系统的水利应用软件测试系统 | |
CN117421229A (zh) | 一种hdfs吞吐性能的评估装置及方法 | |
CN116880398A (zh) | 仪控设备的故障分析方法、系统、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |