CN112117475A - 一种燃料电池水管理子系统故障检测装置及方法 - Google Patents
一种燃料电池水管理子系统故障检测装置及方法 Download PDFInfo
- Publication number
- CN112117475A CN112117475A CN202011069313.4A CN202011069313A CN112117475A CN 112117475 A CN112117475 A CN 112117475A CN 202011069313 A CN202011069313 A CN 202011069313A CN 112117475 A CN112117475 A CN 112117475A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- fuel cell
- neural network
- hydrogen fuel
- 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
-
- 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
- H01M8/04671—Failure or abnormal function of the individual fuel cell
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Sustainable Development (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络,氢燃料电池水管理子系统故障诊断非常庞杂,膜干燥故障与水淹故障都能引起氢燃料电池电堆电压下降,而且下降的趋势非常相似,水淹故障与膜干燥故障都能对氢燃料电池的内部部件和外部输出性能产生不必要的损伤,但是可以从材料属性、内部机理催化和外部操作控制等层面明显减小氢燃料电池膜干故障和水淹故障出现的概率,准确快速地检测氢燃料电池水管理子系统故障就显得尤为重要,基于人工智能算法的氢燃料电池故障诊断方法具有操作简单、拓展性强和无需专业知识的优点,可用于氢燃料电池系统的故障诊断。
Description
技术领域
本发明涉及一种燃料电池水管理子系统故障检测技术的技术领域,具体涉及一种氢燃料电池水管理子系统故障检测装置及方法。
背景技术
氢燃料电池是目前世界上最具发展前途的发电装置之一。因为氢燃料电池发电装置拥有功率密度高、发电效率高、无排放污染、负载响应快与工作温度低的优势,氢燃料电池汽车与大巴车已经在部分示范性工程中得到实际运用。然而,氢燃料电池的故障率高与维护成本贵的难题是制约其大规模推广应用的关键。
为了提高氢燃料电池的可靠性和安全性,主要从材料与控制共两个方面进行提升改造。从材料方面进行改造存在成本高昂等缺陷,因此从控制方面提升氢燃料电池的可靠性得到更多科研工作者的关注。主要分为基于模型的氢燃料电池故障诊断方法与基于人工智能算法的氢燃料电池故障诊断方法两种模式。由于氢燃料电池发电系统是一种多维多尺度非线性动态的复杂系统,因此建立准确的氢燃料电池故障诊断模型是非常困难的。目前,还没有统一的氢燃料电池模型出现。因此,基于模型的氢燃料电池故障诊断方法存在建模困难、可移植性差的缺点。基于人工智能算法的氢燃料电池故障诊断方法具有操作简单、拓展性强和无需专业知识的优点,可用于氢燃料电池系统的故障诊断。
氢燃料电池水管理子系统故障诊断非常庞杂。膜干燥故障与水淹故障都能引起氢燃料电池电堆电压下降,而且下降的趋势非常相似。水淹故障与膜干燥故障都能对氢燃料电池的内部部件和外部输出性能产生不必要的损伤,但是可以从材料属性、内部机理催化和外部操作控制等层面明显减小氢燃料电池膜干故障和水淹故障出现的概率。准确快速地检测氢燃料电池水管理子系统故障就显得尤为重要。
为了解决现有氢燃料电池水管理子系统故障检测技术的不足,本发明提出一种基于局部保留投影与学习向量量化神经网络的氢燃料电池水管理子系统故障检测装置及方法。所提出的装置及方法诊断精度高,可适用于氢燃料电池水管理子系统的故障检测。
发明内容
本发明所要解决的技术问题是氢燃料电池水管里子系统故障检测技术的不足,目的在于提供一种基于局部保留投影与学习向量量化神经网络的氢燃料电池水管理子系统故障检测的方法,所提出的方法诊断精度高,可适用于氢燃料电池水管理子系统的故障检测,本发明通过下述技术方案实现:
一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络,包括以下步骤:
采集实验得来的水淹故障实验数据和膜干故障实验数据作为训练数据样本;将所述训练数据样本发送至处理器中进行归一化预处理,得到训练数据样本对应的特征参量;其中,所述特征参量的范围在[0,1]内;
对所述特征参量进行局部保留投影计算,得到局部保留投影计算的结果;
对所述局部保留投影计算的结果进行降维与维数缩减处理,得到固有维数;
对所述固有维数进行相关性强提取,得出相关性强的特征变量;
随机初始学习向量量化神经网络中输入层、竞争层和输出层的权重值;得到相关性强的特征变量,将相关性强的特征变量作为输入层的输入向量;
通过计算输入向量数据与竞争层预设的每个神经元数据的欧几里得距离,得到至少一组学习向量量化神经网络输出数据;
对至少一组学习向量量化神经网络输出数据进行从小到大的排序,提取神经网络输出数据的最小值,得到神经网络输出的权重值;
对神经网络输出的权重值与标准的预设训练数据相比较后,反复迭代修正输入层、竞争层和输出层的权重值,直到误差达到极小值,记录此时输入层、竞争层和输出层的权重值,取得最终的权重值矩阵;
将述权重值矩阵更新至输入层、竞争层和输出层之中,得到更新之后的学习向量量化神经网络;
将测试数据输入到更新之后的学习向量量化神经网络中,得到输出诊断结果。
进一步,采集的水淹故障实验数据和膜干故障实验数据包括:电池电压数据、电池电流数据、电池功率数据、阴极进口流速数据、阳极进口流速数据、阴极进口压力数据、阳极进口压力数据、阴极出口压力数据、阳极出口压力数据、阴极进口温度数据、阳极进口温度数据、加热器温度数据、加热器功率数据和电堆出口温度数据。
进一步,构建氢燃料电池发电系统测试平台,并进行水淹故障实验和膜干故障实验的调节过程为:把运行参量调节成额定值,降低氢燃料电池的温度和反应气体(包括空气和氢气)的湿度,以使氢燃料电池系统分别工作于正常状态、膜干故障状态和水淹故障状态,使用压力、温度、电压、流速等14个传感器实时监测氢燃料电池发电系统的原始实验数据。
进一步,所述构建氢燃料电池发电系统测试平台涉及到的氢燃料电池测试装置包含氢燃料电池电堆、一套空气供给子系统、一套氢气供给子系统、一套冷却水循环子系统与一套电子负载。
进一步,本发明所涉及到的氢燃料电池测试装置中,氢燃料电池电堆的关键参数包括:活化面积、额定功率、膜厚度、铂担量与气体扩散层厚度。
进一步,所述学习向量量化神经网络设置的参数为net.trainParam.show=10,net.trainParam.lr=0.5,net.trainParam.goal=0.1,learning.rate=0.1,learning.function=learnlv1。
进一步,采用局部保留投影算法将14维的原始数据降维成5维的固有维数,其中14维的原始数据为电池电压数据、电池电流数据、电池功率数据、阴极进口流速数据、阳极进口流速数据、阴极进口压力数据、阳极进口压力数据、阴极出口压力数据、阳极出口压力数据、阴极进口温度数据、阳极进口温度数据、加热器温度数据、加热器功率数据和电堆出口温度数据。
本发明与现有技术相比,具有如下的优点和有益效果:
氢燃料电池水管理子系统故障诊断非常庞杂,膜干燥故障与水淹故障都能引起氢燃料电池电堆电压下降,而且下降的趋势非常相似,水淹故障与膜干燥故障都能对氢燃料电池的内部部件和外部输出性能产生不必要的损伤,基于人工智能算法的氢燃料电池故障诊断方法具有操作简单、拓展性强和无需专业知识的优点,可用于氢燃料电池系统的故障诊断。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1是本发明专利的装置示意图。
图2是实施例中基于局部保留投影与学习向量量化神经网络的氢燃料电池水管理子系统故障检测方法框架的步骤流程图。
图3是本发明专利所涉及到的学习向量量化神经网络结构。
图4是本发明专利的氢燃料电池水管理子系统故障诊断的结果图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
如图2所示,一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络,包括以下步骤:
S1:采集实验得来的水淹故障实验数据和膜干故障实验数据作为训练数据样本;
S2:将所述训练数据样本发送至处理器中进行归一化预处理,得到训练数据样本对应的特征参量;其中,所述特征参量的范围在[0,1]内;
S3:对所述特征参量进行局部保留投影计算,得到局部保留投影计算的结果;
S4:对所述局部保留投影计算的结果进行降维与维数缩减处理,得到固有维数;
S5:对所述固有维数进行相关性强提取,得出相关性强的特征变量;
S6:随机初始学习向量量化神经网络中输入层、竞争层和输出层的权重值;得到相关性强的特征变量,将相关性强的特征变量作为输入层的输入向量;
S7:通过计算输入向量数据与竞争层预设的每个神经元数据的欧几里得距离,得到至少一组学习向量量化神经网络输出数据,其中用MATLAB计算欧几里得距离方法为:
S8:对至少一组学习向量量化神经网络输出数据进行从小到大的排序,提取神经网络输出数据的最小值,得到神经网络输出的权重值;
S9:对神经网络输出的权重值与标准的预设训练数据相比较后,反复迭代修正输入层、竞争层和输出层的权重值,直到误差达到极小值,记录此时输入层、竞争层和输出层的权重值,取得最终的权重值矩阵;
S10:将述权重值矩阵更新至输入层、竞争层和输出层之中,得到更新之后的学习向量量化神经网络;
S11:将测试数据输入到更新之后的学习向量量化神经网络中,得到输出诊断结果。如图1所示,进一步优化,本发明所涉及到的氢燃料电池测试装置包含氢燃料电池电堆、一套空气供给子系统、一套氢气供给子系统、一套冷却水循环子系统与一套电子负载;
进一步优化,本发明所涉及到的氢燃料电池测试装置中,氢燃料电池电堆的关键参数包括:活化面积、额定功率、膜厚度、铂担量与气体扩散层厚度;
进一步优化,本发明主要研究氢燃料电池子系统水管理子系统故障,即膜干故障与水淹故障;
进一步优化,本发明构建氢燃料电池发电系统测试平台,并进行水淹故障实验和膜干故障实验的调节过程为:把运行参量调节成额定值,降低氢燃料电池的温度和反应气体(包括空气和氢气)的湿度,以使氢燃料电池系统分别工作于正常状态、膜干故障状态和水淹故障状态。使用压力、温度、电压、流速等传感器实时监测氢燃料电池发电系统的原始实验数据;
进一步优化,本发明装置共采集14个传感器信号,包括电池电压、电池电流、电池功率、阴极进口流速、阳极进口流速、阴极进口压力、阳极进口压力、阴极出口压力、阳极出口压力、阴极进口温度、阳极进口温度、加热器温度、加热器功率,电堆出口温度等;
进一步优化,学习向量量化神经网络的网络结构分为输入层、竞争层与输出层共三层。其中,输出层的三层对应的是三种故障类型;
进一步优化,学习向量量化神经网路的设置的网络参数为:net.trainParam.epochs=1000,net.trainParam.show=10,net.trainParam.lr=0.5,net.trainParam.goal=0.1,learning.rate=0.1,learning.function=learnlv1。
在实验台上进行PEMFC水故障实验,健康模式分为膜干故障、水淹故障和正常状态。实验数据集共选取数据600组,其中膜干故障数据200组,水淹故障数据200组,正常状态数据200组。按照5:5的比例划分训练集和测试集,即300组数据集作为训练集,其中包括100组膜干数据,100组水淹数据和100组正常状态数据,剩余的300组数据作为测试集,其中包括100组膜干数据,100组水淹数据和100组正状态数据,局部保留投影算法将14维的原始数据降维成5维的固有维数。设置的学习向量量化神经网络的网络结构见图3所示,输入层设置为5层,竞争层设置为11层,输出层设置为3层,其中,输出层的3层对应的是三种故障类型,设置网络参数如下:net.trainParam.epochs=1000,net.trainParam.show=10,net.trainParam.lr=0.5,net.trainParam.goal=0.1,learning.rate=0.1,learning.function=learnlv1。
可以得到:故障检测结果见图4所示,正常状态诊断准确率为99%,膜干故障诊断准确率为98%,水淹故障诊断准确率为98%,平均诊断正确率为98.33%,一组正常状态的数据被误诊为膜干燥故障,两组干燥状态数据被错误诊断为水淹故障,两组水淹状态数据被误诊断为膜干故障,诊断结果表明,该故障检测方法能够较准确地识别质子交换膜燃料电池水管理子系统的故障,表明本发明所提出的装置及方法可适用于氢燃料电池水管理子系统故障检测,所提装置及方法具有较高的诊断精度。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络,其特征在于,包括以下步骤:
S1:采集实验得来的水淹故障实验数据和膜干故障实验数据作为训练数据样本;
S2:将所述训练数据样本发送至处理器中进行归一化预处理,得到训练数据样本对应的特征参量;其中,所述特征参量的范围在[0,1]内;
S3:对所述特征参量进行局部保留投影计算,得到局部保留投影计算的结果;
S4:对所述局部保留投影计算的结果进行降维与维数缩减处理,得到固有维数;
S5:对所述固有维数进行相关性强提取,得出相关性强的特征变量;
S6:随机初始学习向量量化神经网络中输入层、竞争层和输出层的权重值;得到相关性强的特征变量,将相关性强的特征变量作为输入层的输入向量;
S7:通过计算输入向量数据与竞争层预设的每个神经元数据的欧几里得距离,得到至少一组学习向量量化神经网络输出数据;
S8:对至少一组学习向量量化神经网络输出数据进行从小到大的排序,提取神经网络输出数据的最小值,得到神经网络输出的权重值;
S9:对神经网络输出的权重值与标准的预设训练数据相比较后,反复迭代修正输入层、竞争层和输出层的权重值,直到误差达到极小值,记录此时输入层、竞争层和输出层的权重值,取得最终的权重值矩阵;
S10:将述权重值矩阵更新至输入层、竞争层和输出层之中,得到更新之后的学习向量量化神经网络;
S11:将测试数据输入到更新之后的学习向量量化神经网络中,得到输出诊断结果。
2.根据权利要求1所述的一种燃料电池水管理子系统故障检测方法,其特征在于,采集的水淹故障实验数据和膜干故障实验数据包括:电池电压数据、电池电流数据、电池功率数据、阴极进口流速数据、阳极进口流速数据、阴极进口压力数据、阳极进口压力数据、阴极出口压力数据、阳极出口压力数据、阴极进口温度数据、阳极进口温度数据、加热器温度数据、加热器功率数据和电堆出口温度数据。
3.根据权利要求1所述的一种燃料电池水管理子系统故障检测方法,其特征在于,构建氢燃料电池发电系统测试平台,并进行水淹故障实验和膜干故障实验的调节过程为:把运行参量调节成额定值,降低氢燃料电池的温度和反应气体(包括空气和氢气)的湿度,以使氢燃料电池系统分别工作于正常状态、膜干故障状态和水淹故障状态。
4.根据权利要求3所述的一种燃料电池水管理子系统故障检测方法,其特征在于,所述构建氢燃料电池发电系统测试平台涉及到的氢燃料电池测试装置包含氢燃料电池电堆、一套空气供给子系统、一套氢气供给子系统、一套冷却水循环子系统与一套电子负载。
6.根据权利要求1所述的一种燃料电池水管理子系统故障检测方法,其特征在于,采用局部保留投影算法将14维的原始数据降维成5维的固有维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069313.4A CN112117475A (zh) | 2020-09-30 | 2020-09-30 | 一种燃料电池水管理子系统故障检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011069313.4A CN112117475A (zh) | 2020-09-30 | 2020-09-30 | 一种燃料电池水管理子系统故障检测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112117475A true CN112117475A (zh) | 2020-12-22 |
Family
ID=73798613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011069313.4A Pending CN112117475A (zh) | 2020-09-30 | 2020-09-30 | 一种燃料电池水管理子系统故障检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112117475A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269087A (zh) * | 2021-05-25 | 2021-08-17 | 北京亿华通科技股份有限公司 | 一种基于机器学习识别燃料电池干湿模式的方法和装置 |
CN113547919A (zh) * | 2021-08-26 | 2021-10-26 | 武汉海亿新能源科技有限公司 | 一种燃料电池车远程故障监测方法及系统 |
CN113571745A (zh) * | 2021-07-27 | 2021-10-29 | 广东省武理工氢能产业技术研究院 | 一种氢燃料电池的故障诊断处理方法及装置 |
CN114843560A (zh) * | 2022-05-19 | 2022-08-02 | 上海捷氢科技股份有限公司 | 一种燃料电池系统水淹故障诊断方法和装置 |
CN116247248A (zh) * | 2023-05-10 | 2023-06-09 | 北京新研创能科技有限公司 | 基于排放物分析的氢燃料电池堆健康状态诊断方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515328A (zh) * | 2008-12-18 | 2009-08-26 | 东华大学 | 一种面向鉴别的具有统计不相关性的局部保持投影方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
CN103605729A (zh) * | 2013-11-19 | 2014-02-26 | 段炼 | 一种基于局部随机词汇密度模型poi中文文本分类的方法 |
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 |
CN109863721A (zh) * | 2016-10-10 | 2019-06-07 | 微软技术许可有限责任公司 | 数字助理扩展自动排名和选择 |
CN109901064A (zh) * | 2019-03-15 | 2019-06-18 | 西安工程大学 | 基于ica-lvq的高压断路器故障诊断方法 |
CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
CN111222638A (zh) * | 2019-11-21 | 2020-06-02 | 湖南大学 | 一种基于神经网络的网络异常检测方法及装置 |
-
2020
- 2020-09-30 CN CN202011069313.4A patent/CN112117475A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101515328A (zh) * | 2008-12-18 | 2009-08-26 | 东华大学 | 一种面向鉴别的具有统计不相关性的局部保持投影方法 |
CN102313577A (zh) * | 2011-06-24 | 2012-01-11 | 上海大学 | 基于多路传感信号的设备健康状态评估与衰退预测方法 |
CN103605729A (zh) * | 2013-11-19 | 2014-02-26 | 段炼 | 一种基于局部随机词汇密度模型poi中文文本分类的方法 |
CN109863721A (zh) * | 2016-10-10 | 2019-06-07 | 微软技术许可有限责任公司 | 数字助理扩展自动排名和选择 |
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 |
CN109901064A (zh) * | 2019-03-15 | 2019-06-18 | 西安工程大学 | 基于ica-lvq的高压断路器故障诊断方法 |
CN110579709A (zh) * | 2019-08-30 | 2019-12-17 | 西南交通大学 | 一种有轨电车用质子交换膜燃料电池故障诊断方法 |
CN111222638A (zh) * | 2019-11-21 | 2020-06-02 | 湖南大学 | 一种基于神经网络的网络异常检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘嘉蔚 等: "基于概率神经网络和线性判别分析的PEMFC水管理故障诊断方法研究", 《中国电机工程学报》 * |
聂晨: "基于稀疏表示的滚动轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269087A (zh) * | 2021-05-25 | 2021-08-17 | 北京亿华通科技股份有限公司 | 一种基于机器学习识别燃料电池干湿模式的方法和装置 |
CN113269087B (zh) * | 2021-05-25 | 2023-08-25 | 北京亿华通科技股份有限公司 | 一种基于机器学习识别燃料电池干湿模式的方法和装置 |
CN113571745A (zh) * | 2021-07-27 | 2021-10-29 | 广东省武理工氢能产业技术研究院 | 一种氢燃料电池的故障诊断处理方法及装置 |
CN113571745B (zh) * | 2021-07-27 | 2022-07-08 | 广东省武理工氢能产业技术研究院 | 一种氢燃料电池的故障诊断处理方法及装置 |
CN113547919A (zh) * | 2021-08-26 | 2021-10-26 | 武汉海亿新能源科技有限公司 | 一种燃料电池车远程故障监测方法及系统 |
CN114843560A (zh) * | 2022-05-19 | 2022-08-02 | 上海捷氢科技股份有限公司 | 一种燃料电池系统水淹故障诊断方法和装置 |
CN116247248A (zh) * | 2023-05-10 | 2023-06-09 | 北京新研创能科技有限公司 | 基于排放物分析的氢燃料电池堆健康状态诊断方法及系统 |
CN116247248B (zh) * | 2023-05-10 | 2023-07-25 | 北京新研创能科技有限公司 | 基于排放物分析的氢燃料电池堆健康状态诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112117475A (zh) | 一种燃料电池水管理子系统故障检测装置及方法 | |
Gu et al. | Data-based flooding fault diagnosis of proton exchange membrane fuel cell systems using LSTM networks | |
CN108344947A (zh) | 一种非侵入式的燃料电池故障诊断方法 | |
WO2020200214A1 (zh) | 一种质子交换膜燃料电池系统温度主动容错控制方法 | |
CN107180983B (zh) | 一种固体氧化物燃料电池电堆故障诊断方法和系统 | |
Zuo et al. | Data-driven flooding fault diagnosis method for proton-exchange membrane fuel cells using deep learning technologies | |
CN114899457B (zh) | 一种针对质子交换膜燃料电池系统的故障检测方法 | |
CN114492087B (zh) | 氢储能电站质子交换膜燃料电池故障诊断方法及装置 | |
Aubry et al. | Fuel cell diagnosis methods for embedded automotive applications | |
CN109840593A (zh) | 诊断固体氧化物燃料电池系统故障的方法及设备 | |
Du et al. | A fault diagnosis model for proton exchange membrane fuel cell based on impedance identification with differential evolution algorithm | |
Pang et al. | Convolutional neural network analysis of radiography images for rapid water quantification in PEM fuel cell | |
Xiao et al. | Water management fault diagnosis for proton-exchange membrane fuel cells based on deep learning methods | |
Ma et al. | Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method | |
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 | |
Yang et al. | Fault diagnosis of SOFC system based on single cell voltage analysis | |
CN114048772A (zh) | 一种燃料电池装置的故障诊断方法、系统及存储介质 | |
CN116187195A (zh) | 一种质子交换膜燃料电池集成系统故障诊断方法及系统 | |
He et al. | A quick evaluation method for the lifetime of the fuel cell MEA with the particle filter algorithm | |
CN111628195A (zh) | 一种基于逻辑推理的燃料电池电堆实时状态识别方法 | |
Quan et al. | Fault diagnosis in a current sensor and its application to fault-tolerant control for an air supply subsystem of a 50 kW-Grade fuel cell engine | |
Sun et al. | Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning | |
CN116231013A (zh) | 燃料电池故障嵌入模型的建立方法 | |
Dang et al. | A novel diagnosis method of proton exchange membrane fuel cells based on the PCA and XGBoost algorithm | |
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 |
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 |
Application publication date: 20201222 |
|
RJ01 | Rejection of invention patent application after publication |