CN110852017A - 基于粒子群优化的支持向量机的氢燃料电池故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，包括如下步骤：获取诸多内阻变化信号，得到内阻数据样本集；随后通过构建初始特征集，计算初始特征集中每个特征的拉普拉斯分值，组成故障特征矩阵；建立基于支持向量机的氢燃料电池故障诊断模型，并采用粒子群算法对所述故障诊断模型进行参数寻优；将所述故障特征矩阵分为训练样本和测试样本；利用已训练的故障诊断模型对测试样本进行分类，根据分类结果识别氢燃料电池的工作状态和故障类型。该故障诊断方法能够有效地提取蕴藏在内阻信号中的更丰富、更全面的深层故障特征信息，从而在氢燃料电池内阻的故障模式识别过程中具有较高的识别度。

Description

基于粒子群优化的支持向量机的氢燃料电池故障诊断方法

技术领域

本发明涉及车用部件故障诊断领域，尤其涉及一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法。

背景技术

随着社会经济的发展和人们生活水平的提高，全国汽车保有量呈快速上升趋势。汽车的大量使用在方便了人们日常出行的同时，也极大的加剧了化石能源危机、环境污染等问题。为了人类社会的可持续发展，开阀新能源清洁动力汽车已势在必行。

氢燃料电池汽车以可再生资源氢气为能源，通过燃料电池将氢气中的化学能转化为电能，排放产物为水，真正实现了“零排放、无污染”的目标，具有广阔的应用前景。由于氢燃料电池是一个多输入、多输出、非线性的强耦合复杂系统，其电子设备和元器件种类繁多，电磁干扰环境恶劣，在实际使用中难免会发生种种故障，特别是作为其主燃料的氢气是易燃易爆物，一旦发生泄漏与空气混合达到一定浓度时，遇到明火或电火花引起燃烧或爆炸将造成重大人员伤亡和财产损失，因此，对氢燃料电池开展故障分析，对促进氢燃料电池的产业化发展具有重大意义，然而，现阶段国内外对氢燃料电池的故障诊断研究还停留在试验阶段，并主要以开展问题定位、机理分析和针对整改措施为主要研究手段，不仅故障诊断效率低下，还受人为经验因素的影响，无法满足人们对氢燃料电池故障诊断提出的自动化和智能化的要求。

由于内阻是反映氢燃料电池运行状态的一个重要参数，当氢燃料电池内部发生故障时，氢燃料电池的内阻信号会发生突变，且这种突变往往表现在多个尺度空间，因此，对氢燃料电池的内阻信号进行多尺度分析，从而提取氢燃料电池故障特征，可以避免目前常规故障诊断方法的局限性。

发明内容

基于此，有鉴于此，本发明提供一种解决或部分解决上述问题的氢燃料电池故障诊断方法。该方法能够有效地提取蕴藏在内阻信号中的更丰富、更全面的深层故障特征信息，在特征提取过程中有较高的创新性，在氢燃料电池内阻的故障模式识别过程中具有较高的识别度。

为解决上述问题，根据本发明的一个方面，提供了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，所述方法包括如下步骤：

步骤1：利用氢燃料电池内阻在线测试系统，获取氢燃料电池在正常、膜电极故障、汽水分离器故障、温控阀故障状态下的内阻变化信号，得到内阻数据样本集；

步骤2：计算内阻数据样本集中每个样本的若干个统计参数，构建初始特征集X＝[x₁,x₂,…,x₁₀]^T，其中统计参数x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为裕度指标，x₁₀为偏斜度；

步骤3：采用拉普拉斯分值方法对初始特征集X＝[x₁,x₂,…,x₁₀]^T进行特征降维，将计算所得的每个特征对应的拉普拉斯分值按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；

步骤4：建立基于支持向量机的氢燃料电池故障诊断模型，并采用粒子群算法对所述故障诊断模型进行参数寻优，寻优参数包括所述故障诊断模型的核函数参数g和误差项的惩罚因子c；

步骤5：将所述故障特征矩阵分为训练样本和测试样本，采用训练样本对所述故障诊断模型进行训练；

步骤6：利用已训练的故障诊断模型对测试样本进行分类，根据分类结果识别氢燃料电池的工作状态和故障类型。

进一步的，步骤3中采用拉普拉斯分值方法计算初始特征集中每一个特征的拉普拉斯分值具体包括如下步骤：

步骤3.1：构造一个具有m个样本点的近邻图Q，近邻图Q是描述样本之间关系的一类图；第i个节点对应x_i，第j个节点对应x_j，判断样本点i和样本点j是否连通；

步骤3.2：若样本点i和样本点j不连通，令S_ij＝0；否则，令

其中，i,j＝1,2,…,m，σ为热核宽度，S_ij是加权矩阵S的元素；

步骤3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1,f_r2,…,f_rm]^T，D＝SI，I＝[1,…,1]^T，L＝D-S；其中D为对角阵，矩阵L为临近图Q的拉普拉斯矩阵，r＝1,2,…,n；

步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合F_r，

步骤3.5：计算第r个特征的拉普拉斯分值L_r，

构成故障诊断特征向量。

进一步的，所述步骤3.1中判断样本点i与样本点j是否连通的标准为样本点i为样本点j的邻近节点。

进一步的，所述步骤4中氢燃料电池故障诊断模型具体为基于“一对多”而建的SVM-多故障分类模型，其中SVM1区分正常和其他故障，SVM2区分膜电极故障和其他故障，SVM3区分汽水分离器故障和其他故障，SVM4区分温控阀故障和其他故障，四个SVM中核函数都采用径向基函数。

进一步的，所述步骤4中粒子群优化算法对所述故障诊断模型的核函数参数g和误差项的惩罚因子c进行参数优化的步骤具体为：

步骤4.1：粒子群初始化，包括：

1、粒子群规模假定为N，迭代次数表示为T_max；

2、假定所述故障诊断模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；

3、粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；

4、粒子群内的每一个粒子i的个体最优位置值Pbest的初始值等于所述粒子在所述矩形空间内的初始位置X0，记为P_i ⁰＝X⁰，整个粒子群的全局最优值Gbest表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

步骤4.2：粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为

其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；

步骤4.3：将粒子群内的每一个粒子i的历史个体最优位置P_it的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

步骤4.4：利用公式(4)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

步骤4.5：联立公式3,4，并利用公式5和6，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，通常默认取值为c₁＝c₂＝2，该参数的作用是使得粒子具有自我认知和社会认知的能力；参数r₁和r₂是取值范围在区间[0,1]中的随机数；

步骤4.6：判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述故障诊断模型中，否则，返回步骤4.2继续进行下一轮迭代。

进一步的，所述步骤6中利用已训练的故障诊断模型对测试样本进行分类的步骤包括：

步骤6.1：对于测试样本中的故障特征值，分别根据已训练的故障诊断模型中的每单一支持向量机的输出O(y)是否为+1进行判断；

步骤6.2：若输出O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；

步骤6.3：若输出为O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类。

在另外一个方面，本发明还提出了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断系统，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述任一项所述的基于粒子群优化的支持向量机的氢燃料电池故障诊断方法。

在另外一个方面，本发明还提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述任一项所述的基于粒子群优化的支持向量机的氢燃料电池故障诊断方法。

相对于现有技术，本发明的有益效果是：

(1)本发明提出了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，创新性地提出了从正常与故障氢燃料电池中提取内阻信号，并结合机器学习算法，对内阻信号进行多尺度分析，能够有效地提取蕴藏在内阻信号中的更丰富、更全面的深层故障特征信息，在特征提取过程中有较高的创新性，在模式识别过程中具有较高的识别度；

(2)本发明提出了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，利用拉普拉斯分值的方法选取最有代表性的故障特征，降低了训练样本与测试样本的维度，有效地避免了维数灾难；同时也降低了氢燃料电池故障诊断模型对氢燃料电池进行故障诊断的运算量与时间，提高了氢燃料电池故障诊断模型的处理效率；

(3)本发明提出了一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，采用四个支持向量机串联的组合方式，以及设置粒子群算法对支持向量机模型进行参数寻优处理，解决了样本少的问题，并保证了一定的故障诊断率，可靠性比较高，避免了人为因素对故障识别结果的影响，实现了故障诊断的智能化。

附图说明

图1是本发明故障诊断方法的整体步骤流程图；

图2是本发明的粒子群优化算法(PSO)计算流程示意图；

图3是本发明的以氢燃料电池作为故障物体建立的基于支持向量机的包含四类故障的多故障分类模型示意图。

具体实施方式

下面将结合附图和实施例对本发明进行清楚、完整地描述，同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，为一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法的步骤流程图，包含获取氢燃料电池内阻信号、构建初始特征集、计算拉普拉斯分值、组成故障特征矩阵、建立基于支持向量机的氢燃料电池故障诊断模型、故障诊断等几部分。该方法具体步骤如下：

步骤1：利用氢燃料电池内阻在线测试系统，获取氢燃料电池在正常、膜电极故障、汽水分离器故障、温控阀故障状态下的内阻变化信号，得到内阻数据样本集；

步骤2：计算内阻数据样本集中每个样本的若干个统计参数，构建初始特征集X＝[x₁,x₂,…,x₁₀]^T，其中统计参数x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为裕度指标，x₁₀为偏斜度；

步骤3：采用拉普拉斯分值方法对初始特征集X＝[x₁,x₂,…,x₁₀]^T进行特征降维，将计算所得的每个特征对应的拉普拉斯分值按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；

步骤4：建立基于支持向量机的氢燃料电池故障诊断模型，并采用粒子群算法对所述故障诊断模型进行参数寻优，寻优参数包括所述故障诊断模型的核函数参数g和误差项的惩罚因子c；

步骤5：将所述故障特征矩阵分为训练样本和测试样本，采用训练样本对所述故障诊断模型进行训练；

步骤6：利用已训练的故障诊断模型对测试样本进行分类，根据分类结果识别氢燃料电池的工作状态和故障类型。

优选地，步骤3中采用拉普拉斯分值方法计算初始特征集中每一个特征的拉普拉斯分值具体包括如下步骤：

步骤3.1：构造一个具有m个样本点的近邻图Q，近邻图Q是描述样本之间关系的一类图；第i个节点对应x_i，第j个节点对应x_j，判断样本点i和样本点j是否连通；

步骤3.2：若样本点i和样本点j不连通，令S_ij＝0；否则，令

其中，i,j＝1,2,…,m，σ为热核宽度；

步骤3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1,f_r2,…,f_rm]^T，D＝SI，I＝[1,…,1]^T，L＝D-S；其中D为对角阵，矩阵L为临近图Q的拉普拉斯矩阵，r＝1,2,…,n；

步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合F_r，

步骤3.5：计算第r个特征的拉普拉斯分值L_r，

构成故障诊断特征向量。

优选地，所述步骤3.1中判断样本点i与样本点j是否连通的标准为样本点i为样本点j的邻近节点。

优选地，所述步骤4中氢燃料电池故障诊断模型具体为基于“一对多”而建的SVM-多故障分类模型，其中SVM1区分正常和其他故障，SVM2区分膜电极故障和其他故障，SVM3区分汽水分离器故障和其他故障，SVM4区分温控阀故障和其他故障，四个SVM中核函数都采用径向基函数。

优选地，参考附图2，在本实施例中，所述步骤4中粒子群优化算法对所述故障诊断模型的核函数参数g和误差项的惩罚因子c进行参数优化的步骤具体为：

步骤4.1：粒子群初始化，包括：

1、粒子群规模假定为N，迭代次数表示为T_max；

2、假定所述故障诊断模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；

3、粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；

4、粒子群内的每一个粒子i的个体最优位置值Pbest的初始值等于所述粒子在所述矩形空间内的初始位置X⁰，记为P_i ⁰＝X⁰，整个粒子群的全局最优值Gbest表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

步骤4.2：粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；

步骤4.3：将粒子群内的每一个粒子i的历史个体最优位置P_it的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

步骤4.4：利用公式(4)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

步骤4.5：联立公式3,4，并利用公式5和6，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，该参数的作用是使得粒子具有自我认知和社会认知的能力；参数r₁和r₂是取值范围在区间[0,1]中的随机数；

进一步的，通常默认取值为c₁＝c₂＝2；

步骤4.6：判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述故障诊断模型中，否则，返回步骤4.2继续进行下一轮迭代。

优选地，参考附图3，在本实施例中，针对样本数为4N的测试样本，所述步骤6中利用已训练的故障诊断模型对测试样本进行分类的步骤包括：

步骤6.1：对于测试样本中的故障特征值，分别根据已训练的故障诊断模型中的每单一支持向量机的输出O(L_r)是否为+1进行判断；

步骤6.2：若输出O(L_r)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；

步骤6.3：若输出为O(L_r)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类；

其中，输出结果可如表1所示：

上表中，T_i表示第i个测试样本，所示故障诊断模型的识别率η可表示为：

一般地，当故障诊断模型的识别率η达到97％以上时，所示故障诊断模型即可用于对实时样本的故障诊断分析。

支持向量机求得的判别函数形式上类似于一个神经网络。其输出是若干隐层中间层结点的线性组合，而每一个隐层结点对应于输入样本与一个支持向量的内积，因此又被称作是支持向量网络。

支持向量网络的基本思想是从线性可分情况下的最优分类面发展而来的。假设有两类样本，记录分类线与各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离为分类间隔，所谓最优分类线就是要求分类线不但能将两类正确分开，而且使分类间隔最大。

采用结构风险最小化原则的支持向量机，作为一种通用的学习机，支持向量机是统计学习理论用于解决实际问题的具体实现。它在本质上是求解凸二次规划问题。从理论上说，能够获得全局最优解，从而有效地克服了神经网络等方法无法避免的局部极值问题。专门针对有限样本情况而设计的学习机，它采用结构风险最小化原则，同时对经验风险和学习机的复杂度进行控制，有效地避免过学习现象的产生，能够获得比传统学习方法更优良的泛化能力。支持向量机通过非线性映射把低维输入空间的学习样本映射到高维特征空间，然后通过核函数的引入巧妙地避免了耗时的高维内积运算，使得算法的复杂度与特征空间的维数无关。

需要说明的是，上述的诊断方法可以作为软件程序或者计算机指令在非暂态计算机可读存储介质中执行或者在带有存储器和处理器的硬件系统中执行。

最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于粒子群优化的支持向量机的氢燃料电池故障诊断方法，其特征在于，所述方法包括如下步骤：

步骤1：利用氢燃料电池内阻在线测试系统，获取氢燃料电池在正常、膜电极故障、汽水分离器故障、温控阀故障状态下的内阻变化信号，得到内阻数据样本集；

步骤2：计算内阻数据样本集中每个样本的若干个统计参数，构建初始特征集X＝[x₁,x₂,…,x₁₀]^T，其中统计参数x₁为最大值，x₂为平均值，x₃为方差，x₄为均方根值，x₅为方根幅值，x₆为峭度，x₇为峰-峰值，x₈为波形指标，x₉为裕度指标，x₁₀为偏斜度；

步骤3：采用拉普拉斯分值方法对初始特征集X＝[x₁,x₂,…,x₁₀]^T进行特征降维，将计算所得的每个特征对应的拉普拉斯分值按从小到大排列，选取排在最前的若干个特征组成故障特征矩阵；

步骤4：建立基于支持向量机的氢燃料电池故障诊断模型，并采用粒子群算法对所述故障诊断模型进行参数寻优，寻优参数包括所述故障诊断模型的核函数参数g和误差项的惩罚因子c；

步骤5：将所述故障特征矩阵分为训练样本和测试样本，采用训练样本对所述故障诊断模型进行训练；

步骤6：利用已训练的故障诊断模型对测试样本进行分类，根据分类结果识别氢燃料电池的工作状态和故障类型。

2.根据权利要求1所述的方法，其中，步骤3中采用拉普拉斯分值方法计算初始特征集中每一个特征的拉普拉斯分值具体包括如下步骤：

步骤3.1：构造一个具有m个样本点的近邻图Q，近邻图Q是描述样本之间关系的一类图；第i个节点对应x_i，第j个节点对应x_j，判断样本点i和样本点j是否连通；

步骤3.2：若样本点i和样本点j不连通，令S_ij＝0；否则，令

其中，i,j＝1,2,…,m，σ为热核宽度，S_ij是加权矩阵S的元素；

步骤3.3：对于初始特征集中的第r个特征，定义f_r＝[f_r1,f_r2,…,f_rm]^T，D＝SI，I＝[1,…,1]^T，L＝D-S；其中D为对角阵，矩阵L为临近图Q的拉普拉斯矩阵，r＝1,2,…,n；

步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各f_ri的特征元素集合F_r，

步骤3.5：计算第r个特征的拉普拉斯分值L_r，

构成故障诊断特征向量。

3.根据权利要求2所述的方法，其中，所述步骤3.1中判断样本点i与样本点j是否连通的标准为样本点i为样本点j的邻近节点。

4.根据权利要求3所述的方法，其中，所述步骤4中氢燃料电池故障诊断模型具体为基于“一对多”而建的SVM-多故障分类模型，其中SVM1区分正常和其他故障，SVM2区分膜电极故障和其他故障，SVM3区分汽水分离器故障和其他故障，SVM4区分温控阀故障和其他故障，四个SVM中核函数都采用径向基函数。

5.根据权利要求4所述的方法，其中，所述步骤4中粒子群优化算法对所述故障诊断模型的核函数参数g和误差项的惩罚因子c进行参数优化的步骤具体为：

步骤4.1：粒子群初始化，包括：

1、粒子群规模假定为N，迭代次数表示为T_max；

2、假定所述故障诊断模型的核函数参数g和误差项的惩罚因子c取值范围分别为(-g_max，g_max)以及(-c_max，c_max)，则该参数组合解空间即为所述取值范围构成的矩形空间，粒子群内的每一个粒子i的位置信息均产生并限定在所述矩形空间内，并记为区间[-X_max,X_max]；

3、粒子群内的每一个粒子i的速度信息均产生并限定在区间[-V_max,V_max]内，其中V_max表示粒子的最大速度值，是一恒值常数；

4、粒子群内的每一个粒子i的个体最优位置值Pbest的初始值等于所述粒子在所述矩形空间内的初始位置X⁰，记为P_i ⁰＝X⁰，整个粒子群的全局最优值Gbest表示粒子群的历史最优解，其初始值为粒子群中粒子初始个体最优位置值的最小值，即为

步骤4.2：粒子群在所述矩形空间进行迭代搜索，并计算粒子群内的每一个粒子i的适应度值，记为

其中参数t表示当前粒子群的迭代次数，且t＝1,2,…,T_max；

步骤4.3：将粒子群内的每一个粒子i的历史个体最优位置P_i ^t的适应度值与所述粒子的当前适应度值进行比较，并按以下公式更新粒子i的位置信息：

步骤4.4：利用公式(4)对整个粒子群的全局最佳位置信息进行更新，获得下一迭代步对应的历史全局最优位置

步骤4.5：联立公式3,4，并利用公式5和6，更新粒子群内的每一个粒子i在第s(1≤s≤2)维空间上的位置信息和速度信息，并进入下一个迭代步；

其中参数c₁和c₂被称为学习因子，该参数的作用是使得粒子具有自我认知和社会认知的能力；参数r₁和r₂是取值范围在区间[0,1]中的随机数。

步骤4.6：判断是否可以终止算法，当粒子群优化算法搜索到最优解，即粒子群不再进行位置更新，或已经进行到预定的迭代次数时，则终止算法，并将优化后的参数组合(g,c)输入至所述故障诊断模型中，否则，返回步骤4.2继续进行下一轮迭代。

6.根据权利要求5所述的方法，其中，所述步骤6中利用已训练的故障诊断模型对测试样本进行分类的步骤包括：

步骤6.1：对于测试样本中的故障特征值，分别根据已训练的故障诊断模型中的每单一支持向量机的输出O(y)是否为+1进行判断；

步骤6.2：若输出O(y)＝+1，则停止输入到下一个支持向量机，输出该测试样本的分类；

步骤6.3：若输出为O(y)＝-1，则将该测试样本输入到下一个支持向量机，直到输出结果为+1时输出测试样本的分类。

7.一种基于粒子群优化的支持向量机的氢燃料电池故障诊断系统，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一项所述的基于粒子群优化的支持向量机的氢燃料电池故障诊断方法。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一项所述的基于粒子群优化的支持向量机的氢燃料电池故障诊断方法。

Images