CN111161248B - 应用机器学习和数据回归的燃料电池堆组装力分布分析方法 - Google Patents

Abstract

本发明公开了一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，包括如下步骤：获取该压力纸的极限压强信息；构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，对图像进行背景色过滤：根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。

Description

应用机器学习和数据回归的燃料电池堆组装力分布分析方法

技术领域

本发明涉及燃料电池堆技术领域，尤其涉及一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法。

背景技术

燃料电池堆组装压力分布对产品的质量性能及其重要。到目前为止，为获取燃料电池堆的内部受力信息，通过在电池内安装大量传感器得到精准数据的方式很难实现，在现阶段能够进入电池堆的内部的只有压力纸，这是我们能够获得的唯一的有关堆的内部受力的信息。正如我们看见的，能够获取的信息只有不同的颜色及深浅，一个很自然的想法是建立颜色和受力的映射关系，进而达到根据图像信息获得更深层的压力分布。实现这一目标有两个方式：1.通过大量实验，在施加不同力的情况下，得到不同的色值，记录力的数值和颜色数值，构建一个精密的“比色卡”，当给出一个图像时，通过颜色匹配的方式便能获取该图像的受力分布情况；2.由于我们面对的是一个数字图像，另一个想法是在知道压力总和的情况下，根据图像中每个像素对应的数值，可以得出它们之间的比例关系，这样同样可以获得极板的压力分布。

到目前为止，根据路径2所提出的解决方案主要存在两个问题：1.构建颜色与压力/压强的关系基于这样一个设想，受力区域的色值不为0，非受力区域的色值为0(白色)，因此需要考虑如何去除背景色干扰(背景色值不为0时，根据算法设想意味着该处受力，在总压力不变时，背景色会导致计算的压力分布结果“更加均匀”，这与事实显然不符)；2.如果使用RGB(或HSV等)向量映射为灰度标量，进而映射成压强变量，在彩色转灰度的过程中，如果保证转换的过程更加贴近实际的压力分布(例如，假如观察彩色图像发现明显的分布不均，但是在转换成灰度标量后，计算出的分布却异常均匀，这时，显然映射是有问题的)。

并且已有技术主张的是通过数字图像灰度化与压强灰度映射，获得接触压力分布。我们知道数字图像灰度化，并构建映射关系有三个问题是不得不考虑的：1.在不同条件下，除图像信息本身难免出现其它背景色，尤其是该种干扰在流场之间存在，对计算结果的影响很大，不得不设法排除这种干扰；2.在通常的感光条件下，背景色干扰和流场间由应变产生的色值很接近，仅凭肉眼区分，并使用诸如Photoshop一类的软件去做处理很容易造成信息的大量冗余或丢失，因而有必要通过渐进分类的算法处理规避此类情况；3.彩色转灰度手段的初衷是数字图像处理技术是为通过将3维信息1维化，进而容易通过标量梯度、直方图均衡等手段，从而解决图像识别问题的技术，和我们课题涉及的彩色转灰度，构建压强灰度映射没有关系，换言之，图像处理领域使用的转换公式并不意味直接使用它后，该转换灰度能相对准确的反映原彩色空间所表达的分布，因此也需要以实证和优化的方式构建彩色灰度转换模型，从而使该转换相对更准确保留原来的分布特征。

发明内容

根据现有技术存在的问题，本发明公开了一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，具体包括如下步骤：

获取该压力纸的极限压强信息；

构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w₁,w₂,w₃；

获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，将该三维矩阵变形为二维矩阵后初始化定义为争议类数据集，该争议类为初始化的数据集合，同时初始化两类辅助向量即一个类别编号向量和三个行号向量；

对图像进行背景色过滤：采用三叉树循环结构算法在每个循环中通过机器学习方式对争议类执行机器学习三分类处理形成新的争议类、删除类和保留类，对删除类白化处理、用新争议类更新原争议类重复上述操作，直至干扰色被全部过滤获得清洗后图像；

根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；

计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。

进一步的，所述对图像进行背景色过滤具体方式为：

初始化争议类数据集、一个类别编号向量和三个行号向量；

调用无监督学习算法对争议数据集进行三分类处理，输出并更新类别编号向量以及删除类、保留类、争议类对应的行号向量和相应的均值颜色；

分别键入三个类别对应的数字，通过类别编号向量索引到各类别对应的行号向量，并通过行号向量对争议类数据集矩阵的对应元素做相应操作；

根据获取的三个类别对应的行号向量，分别索引到争议类数据集对应元素做相应处理：删除类代表背景色干扰，根据映射设想将其所有像素的三个分量均赋值为最高灰度值；保留类代表认定的真实受力区，不做任何改动；争议类表示包含有背景色干扰区域及有效受力区域，需要进一步分类处理和观察；应用此争议类更新争议类数据集矩阵上一时刻的争议类数据集矩阵；

重复进行以上操作直至算法收敛，并将变形矩阵复原为三维图像矩阵，此时获得背景色干扰被消除的图像矩阵。

进一步的，所述RGB到灰度的回归优化模型和约束条件表示为:

y＝w₁x₁+w₂x₂+w₃x₃

基于数据集，解决如下优化问题：

subject to:

构建无约束的拉格朗日数乘函数：

/>

where

解得

的鞍点值，则获得w₁,w₂的估计值，即/>

根据约束条件w₁+w₂+w₃＝1获得w₃的估计值/>

经过如上步骤得到样本估计后的映射关系：

由于采用了上述技术方案，本发明提供的一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，该方法应用数据回归和线性约束优化方法解决RGB与灰度间的映射问题，从而获取燃料电池组装力分布情况，通过多次迭代和少量快速分类的方式，以“小步快跑”的方式以便精确过滤背景干扰的同时保证处理过程的效率速度，并且设计了迭代式三叉树算法结构，通过多层迭代和分类的方式逐次进行图像过滤，在提高处理精度的同时，实现了处理方式的计算机程式化，因此该方法可以广泛应用到燃料电池堆组装压力分布检测领域。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明方法的流程图；

图2为压力纸的高精度扫描数字图像示意图。

图3为在每次迭代中数字图像的像素在颜色空间中的位置分布示意图。

图4为在每次迭代中通过机器学习算法对数字图像清洗的结果示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面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的描述：

如图1所示的一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，具体包括如下步骤：

S1:收集不同压强、RGB色值和灰度值的对应关系数据。首先，获取0.2m²压力纸的极限压力值F_max，，记录此时对应的RGB数值向量，并令其对应的灰度值为0，同时，令(255,255,255)对应的灰度值为255；然后，对相同面积的压力纸，以步长dF＝F_max/255逐步对压力纸施加压力，记录其RGB向量值，同时令其对应灰度值由254向下递减，步长为1。此步骤结束后，我们将有256条数据。

S2:基于步骤1采集的数据集，构建RGB空间到灰度标量的优化回归模型。受图像处理技术的原理启发，我们假设灰度与颜色的回归模型是：

y＝w₁x₁+w₂x₂+w₃x₃

接下来就要基于数据集，解决如下优化问题：

subject to:

此问题等价于：

subject to:

构建无约束的拉格朗日数乘：

where

解得

的鞍点(同时也是驻点)值，则获得w₁,w₂的估计值，即/>

然后根据约束条件w₁+w₂+w₃＝1获得w₃的估计值/>

经过如上步骤得到样本估计后的映射关系：/>

S3:如图2-图4所示，将从电堆中取出的压力纸用高精度扫描仪扫描，获取高精度的数字图像，此时压力纸中的信息将以.png,或.jpg等格式保存下来。

S4:可使用但不限于Python、Opencv、Matlab读取图像文件，此时图像信息以RGB三维矩阵的形式存储L×W×H(H＝3)，其中L,W分别为矩阵的长度和宽度，H代表三层，分别为R,G,B。将该矩阵转换成LW×3矩阵，其中，各列分别代表原矩阵的R,G,B分量。

S5:接下来进入三叉树算法，通过迭代的方式多次调用无监督式机器学习算法，逐步清洗图像的背景色干扰。其中包含如下过程：

S51:初始化争议数据集(S4中的LW×3矩阵)、类别编号向量、三个行号向量(保留类、删除类初始长度为0，争议类行号向量初始长度为LW)。

S52:调用无监督学习算法(K-means等)对争议类数据集矩阵进行三分类处理，此时输出并更新S51争议类数据集矩阵中所述类别编号向量，同时算法还输出三个类别：删除类、保留类、争议类对应的编号和相应的均值颜色。

S53:根据S52结果分别键入三个类别对应的数字，算法通过类别编号向量索引到各类别对应的行号，并通过行号对争议类数据集矩阵的对应元素做相应操作：例如，删除类别对应2，则类别编号向量中所有值为2的元素的行号会被记录到删除行号向量；保留类别对应1，则类别编号向量中所有值为1的元素的行号会被记录到保留行号向量；同理，争议类别也是如此。

S54:根据S53获取的三个类别对应的行号向量，分别索引到争议类数据集矩阵对应元素做相应处理：删除类代表背景色干扰，因此，根据我们的映射设想，应将该类别中所有像素的三个分量赋值为最大灰度值；保留类代表我们认定的真实受力区，不做任何改动；争议类代表我们认为其中仍然有背景色干扰及有效受力区，仍需要进一步分类处理和观察，应该用此争议类覆盖更新争议类数据集矩阵上一时刻的争议数据集。

S55:重复进行S52-S54，直至算法收敛，并将LW×H变形二维矩阵复原成L×W×H三维图像矩阵，此时获得背景色干扰被消除的图像矩阵。

S6:通过S2解得的优化问题结果：

将S5中的图像矩阵转换为灰度图像。

S7：利用如下公式计算出图像对应的压强分布矩阵：

p＝k(y-255)

where

其中，p_mean,y_mean别代表平均压强和平均灰度值。

S8：根据S7获得数值类型的压强分布矩阵，通过热图及附属标尺的形式做可视化处理。

该方法通过以特定步长逐渐施压、获得颜色数值、设定灰度值的方式收集颜色数据；并基于数据集合，通过设计回归优化模型和约束条件下求取拉格朗日数乘鞍点进而获得优化的颜色灰度映射函数，从而修正了原本只应用于图像处理领域的颜色灰度映射函数，以便使之适用于此申请所属领域要解决的问题；

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (2)

1.一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，其特征在于包括：

获取压力纸的极限压强信息；

构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w₁,w₂,w₃；

获得进入电池堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，将该三维矩阵变形为二维矩阵后初始化定义为争议类数据集，该争议类为初始化的数据集合，同时初始化两类辅助向量即一个类别编号向量和三个行号向量；

对图像进行背景色过滤：采用三叉树循环结构算法在每个循环中通过机器学习方式对争议类执行机器学习三分类处理形成新的争议类、删除类和保留类，对删除类白化处理、用新争议类更新原争议类重复上述操作，直至干扰色被全部过滤获得清洗后图像；

根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；

计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度；

初始化争议类数据集、一个类别编号向量和三个行号向量；

调用无监督学习算法对争议数据集进行三分类处理，输出并更新类别编号向量以及删除类、保留类、争议类对应的行号向量和相应的均值颜色；

分别键入三个类别对应的数字，通过类别编号向量索引到各类别对应的行号向量，并通过行号向量对争议类数据集矩阵的对应元素做相应操作；

根据获取的三个类别对应的行号向量，分别索引到争议类数据集对应元素做相应处理：删除类代表背景色干扰，根据映射设想将其所有像素的三个分量均赋值为最高灰度值；保留类代表认定的真实受力区，不做任何改动；争议类表示包含有背景色干扰区域及有效受力区域，需要进一步分类处理和观察；应用此争议类更新争议类数据集矩阵上一时刻的争议类数据集矩阵；

重复进行以上操作直至算法收敛，并将变形矩阵复原为三维图像矩阵，此时获得背景色干扰被消除的图像矩阵。

2.根据权利要求1所述的方法，所述RGB到灰度的回归优化模型和约束条件表示为:

y＝w₁x₁+w₂x₂+w₃x₃

基于数据集，解决如下优化问题：

subject to：

构建无约束的拉格朗日数乘函数：

where

解得

的鞍点值，则获得w₁，w₂的估计值，即/>

根据约束条件w₁+w₂+w₃＝1获得w₃的估计值/>

经过如上步骤得到样本估计后的映射关系：

/>

Images