CN113269087B - 一种基于机器学习识别燃料电池干湿模式的方法和装置 - Google Patents

一种基于机器学习识别燃料电池干湿模式的方法和装置 Download PDF

Info

Publication number
CN113269087B
CN113269087B CN202110569340.6A CN202110569340A CN113269087B CN 113269087 B CN113269087 B CN 113269087B CN 202110569340 A CN202110569340 A CN 202110569340A CN 113269087 B CN113269087 B CN 113269087B
Authority
CN
China
Prior art keywords
image
fuel cell
data
area
identified
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
CN202110569340.6A
Other languages
English (en)
Other versions
CN113269087A (zh
Inventor
丁铁新
方川
洪坡
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.)
Beijing Sinohytec Co Ltd
Original Assignee
Beijing Sinohytec Co Ltd
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 Beijing Sinohytec Co Ltd filed Critical Beijing Sinohytec Co Ltd
Priority to CN202110569340.6A priority Critical patent/CN113269087B/zh
Publication of CN113269087A publication Critical patent/CN113269087A/zh
Application granted granted Critical
Publication of CN113269087B publication Critical patent/CN113269087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H01M8/04492—Humidity; Ambient humidity; Water content
    • 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)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • Electrochemistry (AREA)
  • Sustainable Energy (AREA)
  • Medical Informatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Fuel Cell (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了一种基于机器学习识别燃料电池干湿模式的方法和装置，燃料电池设置有图像采集区域，图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，该方法包括：基于摄像装置拍摄图像采集区域并获取待识别图像；根据图像数据演算法对待识别图像进行识别并确定燃料电池的干湿模式；其中，图像数据演算法是基于机器学习算法对待识别图像的样本数据和标识数据进行训练后确定的，标识数据表征了与样本数据对应的燃料电池的实际干湿模式，根据燃料电池的结构特点将阳极混合物出口区域的液态水含量作为燃料电池水含量的表征区，通过图像数据演算法非介入式的进行识别，从而进一步提高了燃料电池干湿模式的识别精度并降低了成本。

Description

一种基于机器学习识别燃料电池干湿模式的方法和装置
技术领域
本申请涉及燃料电池技术领域，更具体地，涉及一种基于机器学习识别燃料电池干湿模式的方法和装置。
背景技术
质子交换膜燃料电池系统的水热管理是影响燃料电池系统运行的关键因素之一。一方面，质子交换膜燃料电池氢氧电化学反应的生成物是水，需要及时将生成的水排出；另外一方面，作为质子交换膜燃料电池的核心部件的质子交换膜，在一定的水合状态下才能有效传输质子，需要燃料电池系统提供适宜的温湿度环境。实际燃料电池系统在运行过程中受环境条件、运行工况等众多因素的影响，燃料电池理想的干湿状态难以保持，常处于“水淹”，“膜干”等模式状态，影响燃料电池系统的性能及耐久性，迫切需要运行模式识别方法。
现有技术中，由于“气”、“液”两相流动物理现象较复杂，燃料电池系统“水淹”、“膜干”等模式难以直接识别，分析手段主要基于电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻变化等间接方式，需要精度较高测试设备和复杂模式诊断方法，干扰变量多，分析精度和应用场景受限，试验成本高。
因此，如何进一步提高燃料电池干湿模式的识别精度并降低成本，是目前亟待解决的技术问题。
发明内容
本发明提供一种基于机器学习识别燃料电池干湿模式的方法，用以解决现有技术中只能采用间接方式对燃料电池进行干湿模式的识别，造成识别精度低和成本高的技术问题。
该燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，该方法包括：
基于摄像装置拍摄所述图像采集区域并获取待识别图像；
根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；
其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式。
在本申请一些实施例中，在根据图像数据演算法对所述待识别图像进行识别之前，所述方法还包括：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式。
在本申请一些实施例中，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种，基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据，具体为：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
在本申请一些实施例中，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
在本申请一些实施例中，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
相应的，本发明还提出了一种基于机器学习识别燃料电池干湿模式的装置，所述燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，所述装置包括：
获取模块，用于基于摄像装置拍摄所述图像采集区域并获取待识别图像；
识别模块，用于根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；
其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式。
在本申请一些实施例中，所述装置还包括确定模块，用于：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式。
在本申请一些实施例中，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种，所述识别模块，具体用于：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
在本申请一些实施例中，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
在本申请一些实施例中，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
与现有技术对比，本发明具备以下有益效果：
本发明公开了一种基于机器学习识别燃料电池干湿模式的方法和装置，燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，该方法包括：基于摄像装置拍摄所述图像采集区域并获取待识别图像；根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式，根据燃料电池的结构特点，将阳极混合物出口区域的液态水含量作为燃料电池水含量的表征区，通过图像数据演算法非介入式的进行干湿模式的识别，提高了识别效率，且不会对燃料电池系统造成干扰，由于该识别方式基于样本数据和标识数据，使图像数据演算法可校核和可验证，从而进一步提高了燃料电池干湿模式的识别精度并降低了成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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的一些实施例，对于本领域技术人员来讲，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示出了本发明实施例中燃料电池阳极系统架构；
图2示出了本发明实施例提出的一种基于机器学习识别燃料电池干湿模式的方法的流程示意图；
图3示出了本发明实施例中燃料电池阳极混合物出口区域图像采集示意图；
图4示出了本发明实施例中不同燃料电池干湿运行模式下阳极混合物出口区域的图像示意图；
图5示出了本发明实施例中燃料电池阳极分水挡板区域图像采集示意图；
图6示出了本发明实施例中不同燃料电池干湿运行模式下阳极分水挡板区域的图像示意图；
图7示出了本发明另一实施例提出的一种基于机器学习识别燃料电池干湿模式的方法的流程示意图；
图8示出了本发明实施例提出的一种基于机器学习识别燃料电池干湿模式的装置的结构示意图；
附图中零件及结构说明：
1.储氢装置，2.减压阀，3.安全阀，4.氢气控制阀，5.氢回流汇集口，6.电堆，7.气液分离器，8.储液腔体，9.氢回流驱动装置，10.排水阀，11.排气阀，12a.第一摄像机1，12b.第二摄像机2，12c.第三摄像机，12d.第四摄像机，13.分水挡板，14.图像采集区域，15.液态水滴或水膜；
其中电堆6中：
6a.前端板，6b.燃料电池单元，6c.氢入口岐管，6d.后端板，6e.氢出口岐管。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
如图1所示，来自储氢装置(即氢瓶)1的氢气经减压阀2和氢气控制阀(即氢喷)4进入电堆6的氢入口岐管6c，在燃料电池单元6b中氢气与空气进行反应，反应后的阳极出堆混合物经氢出口岐管6e流出电堆6并进入气液分离器7进行气液分离，分离出的气体经排气阀11排出，分离出的液体经排水阀10排出，燃料电池还包括氢回流驱动装置(即氢循环泵)9，该氢回流驱动装置9的入口连接在气液分离器7的气体出口和排气阀11之间，氢回流驱动装置9的出口连接氢气控制阀4的出口处的氢回流汇集口5，减压阀2和氢气控制阀4之间还设置有安全阀3，电堆6还包括前端板6a和后端板6d。
本实施例提出一种基于机器学习识别燃料电池干湿模式的方法，所述燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，如图2所示，所述方法包括以下步骤：
步骤S201，基于摄像装置拍摄所述图像采集区域并获取待识别图像。
具体的，燃料电池阳极常设有氢回流系统，即燃料电池阳极出堆氢气混合物经由氢循环泵(或引射器)驱动回流至氢气入堆管路，与新供给的氢气混合后进入电堆。为去除燃料电池氢气侧电堆出堆混合物中的所含的液态水滴，电堆氢气出口均设有气液分离器，该装置又称“分水器”。燃料电池阳极出堆混合物中含氢气、氮气和水分，其中所含的水分常以水蒸气和液态水两相共存的方式存在，其中气态水的含量由局部温度和压力估计，过饱和的液态水以液滴或液膜形式存在。
本实施例中，基于阳极出堆混合物中水的液滴或液膜的分布情况可识别出燃料电池运行的干湿模式状态。因此，在燃料电池设置有图像采集区域，用于采集表征了阳极出堆混合物中水的液滴或液膜的分布情况的图像，通过摄像装置对图像采集区域进行拍摄后获取待识别图像，该待识别图像中包括液滴或液膜的分布情况。
摄像装置可以为高分辨率摄像机，摄像装置可以为一个或多个，本领域技术人员可根据实际需要灵活选择。
步骤S202，根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式。
本实施例中，基于机器学习算法对待识别图像的样本数据和标识数据进行训练，训练完成后确定可对待识别图像进行识别的图像数据演算法，基于该图像数据演算法对所述待识别图像进行识别，并根据识别的结果可确定燃料电池的干湿模式，如过干模式、适宜模式、过湿模式等。
其中，样本数据为从图像采集区域获取的多个待识别图像，该标识数据表征了与各样本数据对应的燃料电池的实际干湿模式。
为了确定准确的图像数据演算法，在本申请优选的实施例中，在根据图像数据演算法对所述待识别图像进行识别之前，所述方法还包括：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式。
本实施例中，先基于摄像装置拍摄所述图像采集区域并获取样本数据，并在拍摄的同时获取与样本数据对应的预设测量数据，基于该预设测量数据对样本数据进行标识后确定标识数据，该预设测量数据用于确定燃料电池的实际干湿模式，也即通过上述操作获取样本数据和各样本数据下燃料电池的实际干湿模式，然后基于机器学习算法对该样本数据和该标识数据进行训练后确定图像数据演算法。
为了提高识别准确性，在本申请优选的实施例中，所述机器学习算法是基于深度卷积神经网络的机器学习算法。
其中，基于机器学习算法对样本数据和标识数据进行训练的具体过程对于本领域技术人员是显而易见的，在此不再赘述，本领域技术人员可根据实际需要灵活选择样本数据的具体数量和完成机器学习的具体标准，这并不影响本申请的保护范围。
为确定准确的标识数据，在本申请优选的实施例中，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种，基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据，具体为：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
本实施例中，预设测量数据可以为利用现有技术中对燃料电池的干湿模式的测量方法确定，可通过至少一种预设测量数据确定当前样本数据下的实际干湿模式，根据所述实际干湿模式对所述样本数据进行标识，如过干、适宜、过湿等标识，从而确定标识数据。
其中，燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性的具体内容和对其的测量过程对于本领域技术人员是显而易见的，在此不再赘述。
需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，本领域技术人员还可选择其他的测量数据来确定实际干湿模式，并可灵活设定不同种类的标识，这并不影响本申请的保护范围。
为了提高识别准确性，在本申请一些实施例中，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
具体的，在本申请具体的应用场景中，如图3所示，图像采集区域14为包括阳极混合物出口区域的透明窗结构区域，阳极混合物出口区域会形成液态水滴或水膜15，通过第一摄像机12a和第二摄像机12b对图像采集区域14进行拍摄，从而获取阳极混合物出口区域的图像，即待识别图像。图4示出了本发明实施例中不同燃料电池干湿运行模式下阳极混合物出口区域的图像示意图。
为了提高识别准确性，在本申请一些实施例中，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
具体的，在本申请具体的应用场景中，如图5所示，燃料电池设置有包括分水挡板13的气液分离器，分水挡板13接收阳极出堆混合物，图像采集区域14为包括分水挡板13的透明窗结构区域，阳极出堆混合物撞击分水挡板13，会在分水挡板13的表面形成液态水滴或水膜15，通过第三摄像机12c和第四摄像机12d对图像采集区域14进行拍摄，从而获取分水挡板区域的图像，即待识别图像。图6示出了本发明实施例中不同燃料电池干湿运行模式下阳极分水挡板区域的图像示意图。
本领域技术人员还可选择其他不同的图像采集区域，这并不影响本申请的保护范围。
通过应用以上技术方案，燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，基于摄像装置拍摄所述图像采集区域并获取待识别图像；根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式，根据燃料电池的结构特点，将阳极混合物出口区域的液态水含量作为燃料电池水含量的表征区，通过图像数据演算法非介入式的进行干湿模式的识别，提高了识别效率，且不会对燃料电池系统造成干扰，由于该识别方式基于样本数据和标识数据，使图像数据演算法可校核和可验证，从而进一步提高了燃料电池干湿模式的识别精度并降低了成本。
为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。
本实施例提供一种基于机器学习识别燃料电池干湿模式的方法，燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，如图7所示，包括以下步骤：
1、图像采集。
基于摄像装置拍摄图像采集区域并获取待识别图像。
2、是否训练。
判断是否需要基于机器学习算法进行训练，可基于目前的干湿模式的识别准确率进行判断，若识别准确率未达到预设准确率，则需要进行训练，否则不需要进行训练。
3、若不需要训练，则基于预先确定的图像数据演算法对待识别图像进行干湿模式识别。
4、若需要进行训练，则基于预设测量数据对待识别图像进行图像标识，然后基于机器学习算法对待识别图像和标识后的标识数据进行训练，训练完成后确定新的图像数据演算法，然后利用新的图像数据演算法对原有的图像数据演算法进行更新，最后根据新的图像数据演算法对待识别图像进行干湿模式识别。
与本申请实施例中的一种基于机器学习识别燃料电池干湿模式的方法相对应，本申请实施例还提出了一种基于机器学习识别燃料电池干湿模式的装置，所述燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，如图8所示，所述装置包括：
获取模块801，用于基于摄像装置拍摄所述图像采集区域并获取待识别图像；
识别模块802，用于根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；
其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式。
在本申请具体的应用场景中，所述装置还包括确定模块，用于：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式。
在本申请具体的应用场景中，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种，所述识别模块802，具体用于：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
在本申请具体的应用场景中，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
在本申请具体的应用场景中，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：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，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (8)

1.一种基于机器学习识别燃料电池干湿模式的方法，其特征在于，所述燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，所述方法包括：
基于摄像装置拍摄所述图像采集区域并获取待识别图像；
根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；
其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式；
在根据图像数据演算法对所述待识别图像进行识别之前，所述方法还包括：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种。
2.如权利要求1所述的方法，其特征在于，基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据，具体为：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
3.如权利要求1所述的方法，其特征在于，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
4.如权利要求1所述的方法，其特征在于，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
5.一种基于机器学习识别燃料电池干湿模式的装置，其特征在于，所述燃料电池设置有图像采集区域，所述图像采集区域的图像表征了阳极出堆混合物中水的液滴或液膜的分布情况，所述装置包括：
获取模块，用于基于摄像装置拍摄所述图像采集区域并获取待识别图像；
识别模块，用于根据图像数据演算法对所述待识别图像进行识别，并根据所述识别的结果确定所述燃料电池的干湿模式；
其中，所述图像数据演算法是基于机器学习算法对所述待识别图像的样本数据和标识数据进行训练后确定的，所述标识数据表征了与所述样本数据对应的燃料电池的实际干湿模式；
所述装置还包括确定模块，用于：
基于所述摄像装置拍摄所述图像采集区域并获取所述样本数据；
基于与所述样本数据对应的预设测量数据对所述样本数据进行标识并确定所述标识数据；
基于所述机器学习算法对所述样本数据和所述标识数据进行训练，并基于所述训练的结果确定所述图像数据演算法；
其中，所述预设测量数据用于确定所述实际干湿模式，所述预设测量数据包括燃料电池电化学阻抗谱测量内阻、燃料电池阳极侧或阴极侧流阻、燃料电池极化性能、燃料电池温湿参数敏感性中的至少一种。
6.如权利要求5所述的装置，其特征在于，所述识别模块，具体用于：
基于所述预设测量数据确定所述实际干湿模式；
根据所述实际干湿模式对所述样本数据进行标识并确定所述标识数据。
7.如权利要求5所述的装置，其特征在于，所述图像采集区域为包括阳极混合物出口区域的透明窗结构区域，所述待识别图像为所述阳极混合物出口区域的图像。
8.如权利要求5所述的装置，其特征在于，所述燃料电池设置有包括分水挡板的气液分离器，所述图像采集区域为包括分水挡板区域的透明窗结构区域，所述待识别图像为所述分水挡板区域的图像，所述分水挡板区域为所述分水挡板上接收阳极出堆混合物的区域。
CN202110569340.6A 2021-05-25 2021-05-25 一种基于机器学习识别燃料电池干湿模式的方法和装置 Active CN113269087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110569340.6A CN113269087B (zh) 2021-05-25 2021-05-25 一种基于机器学习识别燃料电池干湿模式的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569340.6A CN113269087B (zh) 2021-05-25 2021-05-25 一种基于机器学习识别燃料电池干湿模式的方法和装置

Publications (2)

Publication Number Publication Date
CN113269087A CN113269087A (zh) 2021-08-17
CN113269087B true CN113269087B (zh) 2023-08-25

Family

ID=77232665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569340.6A Active CN113269087B (zh) 2021-05-25 2021-05-25 一种基于机器学习识别燃料电池干湿模式的方法和装置

Country Status (1)

Country Link
CN (1) CN113269087B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006339055A (ja) * 2005-06-03 2006-12-14 Toyota Motor Corp 燃料電池セルの温度分布測定方法及び燃料電池セル温度分布測定用装置ならびに温度スケール作成方法及び温度スケール作成装置
JP2008078068A (ja) * 2006-09-25 2008-04-03 Ricoh Co Ltd 燃料電池システム、電子機器及び画像形成装置
TW201633652A (zh) * 2015-03-12 2016-09-16 歐姆龍股份有限公司 電池、系統、電池損傷度計算裝置、電池管理方法、電池管理程式以及記錄媒體
CN111628195A (zh) * 2020-05-11 2020-09-04 中国科学技术大学 一种基于逻辑推理的燃料电池电堆实时状态识别方法
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374808B2 (en) * 2010-01-20 2013-02-12 GM Global Technology Operations LLC Detection method for membrane and electrode failures in fuel cell stacks
JP7153858B2 (ja) * 2017-09-28 2022-10-17 パナソニックＩｐマネジメント株式会社 捕集装置及び検出装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006339055A (ja) * 2005-06-03 2006-12-14 Toyota Motor Corp 燃料電池セルの温度分布測定方法及び燃料電池セル温度分布測定用装置ならびに温度スケール作成方法及び温度スケール作成装置
JP2008078068A (ja) * 2006-09-25 2008-04-03 Ricoh Co Ltd 燃料電池システム、電子機器及び画像形成装置
TW201633652A (zh) * 2015-03-12 2016-09-16 歐姆龍股份有限公司 電池、系統、電池損傷度計算裝置、電池管理方法、電池管理程式以及記錄媒體
CN111628195A (zh) * 2020-05-11 2020-09-04 中国科学技术大学 一种基于逻辑推理的燃料电池电堆实时状态识别方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
党翰斌等. 基于CNN的质子交换膜燃料电池故障诊断.《电力电子技术》.2020,第54卷(第12期),全文. *

Also Published As

Publication number Publication date
CN113269087A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN109726452B (zh) 一种基于阻抗谱的在线质子交换膜燃料电池故障诊断方法
Lu et al. On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement
US8053131B2 (en) Apparatus and method for determining deterioration of a fuel cell and method for preventing deterioration of the same
CN114899457B (zh) 一种针对质子交换膜燃料电池系统的故障检测方法
CN110320476B (zh) 用于原位检测液态电池产气的模拟电池装置
DE112008002901T5 (de) Brennstoffzellensystem und Startsteuerverfahren für ein Brennstoffzellensystem
CN111029624B (zh) 在线监控和恢复燃料电池水状态的系统及方法
CN113839064B (zh) 一种车载燃料电池装置及其控制方法
CN104156285B (zh) 基于vba模块的分区燃料电池实验数据处理方法及系统
DE102017214967A1 (de) Verfahren zum Bestimmen eines Alterungszustands eines Befeuchters und Brennstoffzellensystem
EP3340357A1 (de) Verfahren zu einer prüfung und/oder einer kalibration zumindest eines gaskon-zentrationssensors eines brennstoffzellensystems
CN113269087B (zh) 一种基于机器学习识别燃料电池干湿模式的方法和装置
US20140026633A1 (en) Extremum seeking algorithm in a variable time interval to detect anode pressure sensor stuck failure in a fuel cell system
CN113467423A (zh) 一种基于云平台的pemfc故障诊断方法及系统
CN116973040B (zh) 一种燃料电池气密性检测装置
CN103575515A (zh) 经由堆电压响应分析诊断喷射器故障
CN113782786A (zh) 一种燃料电池电堆氢渗电流原位检测方法与装置
CN114843560A (zh) 一种燃料电池系统水淹故障诊断方法和装置
CN114976131A (zh) 一种高温质子交换膜燃料电池性能测试系统及其方法
JP4945882B2 (ja) 燃料電池の性能解析方法
US9093676B2 (en) Apparatus and method of in-situ measurement of membrane fluid crossover
CN116995273B (zh) 一种大功率燃料电池系统含水状态检测方法及装置
US20140120433A1 (en) Apparatus and Method of In-Situ Measurement of Membrane Fluid Crossover
CN217522063U (zh) 一种分水器测试系统
CN117457949A (zh) 一种基于电化学阻抗谱的燃料电池水故障诊断方法及系统

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