CN113361823B - 一种基于预测数据的燃料电池故障预测方法及系统 - Google Patents
一种基于预测数据的燃料电池故障预测方法及系统 Download PDFInfo
- Publication number
- CN113361823B CN113361823B CN202110804124.5A CN202110804124A CN113361823B CN 113361823 B CN113361823 B CN 113361823B CN 202110804124 A CN202110804124 A CN 202110804124A CN 113361823 B CN113361823 B CN 113361823B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- prediction
- state
- generating
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明提供了一种基于预测数据的燃料电池故障预测方法及系统。该方案包括获取当前燃料电池的运行状态数据,并提取异常数据的录波;将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;根据预设的预测需求,生成预测准备的数据;获得所述状态序列,并进行数据分类,生成输入与输出信号;根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据;根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态。该方案通过对于多类型的故障输入数据进行分类划分,进行实时的燃料电池的故障状态分析。
Description
技术领域
本发明涉及燃料电池技术领域,更具体地,涉及一种基于预测数据的燃料电池故障预测方法及系统。
背景技术
燃料电池故障诊断燃料电池是一种将燃料中的化学能直接转化为直流电的电化学转换器。由于,其污染小,能量密度高,目前被认为是一种未来的储能重要发展方向。
但是,现有的燃料电池在使用过程中,缺少对于电池的故障状态的识别方法,部分现有的技术方案提出基于实时的数据对于当前的电池故障状态进行分析。但是,现有技术很难解决对于将要发生的故障的预计,而由于燃料电池一旦损坏或发生故障一般会造成不可逆的损失,因此,极其有必要进行基于预测数据的故障状态分析方法的研究。
发明内容
鉴于上述问题,本发明提出了一种基于预测数据的燃料电池故障预测方法及系统,通过对于多类型的故障输入数据进行分类划分,进行实时的燃料电池的故障状态分析。
根据本发明实施例第一方面,提供了一种基于预测数据的燃料电池故障预测方法。
在一个或多个实施例,优选地,所述的一种基于预测数据的燃料电池故障预测方法,具体包括:
获取当前燃料电池的运行状态数据,并提取异常数据的录波;
将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
根据预设的预测需求,生成预测准备的数据;
获得所述状态序列,并进行数据分类,生成输入与输出信号;
根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据;
根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态。
在一个或多个实施例,优选地,所述获取当前燃料电池的运行状态数据,并提取异常数据的录波,具体包括:
获取当前燃料电池的所述运行状态数据;
设置录波提取范围为异常数据发生前的十秒开始;
对所述运行状态数据的异常数据进行提取录波;
设置录波提取范围为异常数据结束的时刻或当前时刻。
在一个或多个实施例,优选地,所述将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据,具体包括:
将所有的所述异常数据的录波,存储为所述状态序列;
对所有的所述状态序列进行求导,获得所述故障状态下的第一数据特征;
对所有的所述状态序列进行低频滤波,获得所述故障状态下的第二数据特征。
在一个或多个实施例,优选地,所述根据预设的预测需求,生成预测准备的数据,具体包括:
设置预设的预测需求,所述预测需求包括预测时间和预测范围;
对所述第一数据特征进行预测范围提取,生成第一预测准备数据;
对所述第二数据特征进行预设范围提取,生成第二预测准备数据。
在一个或多个实施例,优选地,所述获得所述状态序列,并进行数据分类,生成输入与输出信号,具体包括:
获取所述状态序列,对所述状态序列进行数据分类;
生成状态输入信号和状态响应信号。
在一个或多个实施例,优选地,所述根据所述故障状态的特征数据进行校验判断,并生成校验判断信号,具体包括:
对所述第一预测准备数据进行判断,确认是否存在异常波动;
对所述第二预测准备数据进行判断,确认是否存在高频干扰;
若存储所述异常波动和所述高频干扰,则输出校验失败信号。
在一个或多个实施例,优选地,所述根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据,具体包括:
根据所述预测范围和所述预测时间提取所述状态序列中的数据分类;
将所述状态输入信号存储为所述故障输入条件数据;
将所述状态响应信号存储为所述故障输出条件数据。
在一个或多个实施例,优选地,所述根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态,具体包括:
获取故障输入条件数据和故障输出条件数据;
通过获取所述故障输入条件数据和所述故障输出条件数据之间的变化时的变化程度,判断全部故障对应的传递关系函数的连续性;
当所述传递关系函数为连续函数时,利用第一计算公式设置生成第一预测值;
当所述传递关系函数为非连续函数时,通过每个故障的状态的数量,生成分段数量;
利用第二计算公式获取第二预测值,获得所述目标故障状态;
所述第一计算公式:
y=anxn+an-1xn-1+……+a1x+a0
其中,y为第一预测值,a0、……、an为第一到第n个预测系数,x为第一预测函数的输入数据;
所述第二计算公式:
其中,L为第二预测值,k1i为第i个第1段传递函数关系系数,t为第二预测函数的输入数据;T1、T2、……、TJ为分段传递函数的边界线,J为故障的状态的数量,m为历史数据维度。
根据本发明实施例第二方面,提供一种基于预测数据的燃料电池故障预测系统。
在一个或多个实施例,优选地,所述一种基于预测数据的燃料电池故障预测系统包括:
故障数据获取子模块,用于获取当前燃料电池的运行状态数据,并提取异常数据的录波;
故障数据特征提取子模块,用于将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
故障预测预设子模块,用于根据预设的预测需求,生成预测准备的数据;
故障状态分类子模块,用于获得所述状态序列,并进行数据分类,生成输入与输出信号;
故障数据校验子模块,用于根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
监视数据存储子模块,用于根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据;
故障状态获取子模块,用于根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态。
根据本发明实施例第三方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的步骤。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)提供了一种基于故障输入和输出条件的故障类型划分方法,进而实现有针对性的进行故障分析和预测;
2)提供了基于预测数据的燃料电池故障的预测方法,进而实现在故障或损坏尚未发生前的故障隔离。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法的流程图。
图2是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的获取当前燃料电池的运行状态数据,并提取异常数据的录波的流程图。
图3是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据的流程图。
图4是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据预设的预测需求,生成预测准备的数据的流程图。
图5是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的获得所述状态序列,并进行数据分类,生成输入与输出信号的流程图。
图6是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据所述故障状态的特征数据进行校验判断,并生成校验判断信号的流程图。
图7是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据的流程图。
图8是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态的流程图。
图9是本发明一个实施例的一种基于预测数据的燃料电池故障预测系统的示意图。
图10是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作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。
燃料电池故障诊断燃料电池是一种将燃料中的化学能直接转化为直流电的电化学转换器。由于,其污染小,能量密度高,目前被认为是一种未来的储能重要发展方向。
但是,现有的燃料电池在使用过程中,缺少对于电池的故障状态的识别方法,部分现有的技术方案提出基于实时的数据对于当前的电池故障状态进行分析。但是,现有技术很难解决对于将要发生的故障的预计,而由于燃料电池一旦损坏或发生故障一般会造成不可逆的损失,因此,极其有必要进行基于预测数据的故障状态分析方法的研究。
本发明实施例中,提供了一种基于预测数据的燃料电池故障预测方法及系统。该方案通过对于多类型的故障输入数据进行分类划分,进行实时的燃料电池的故障状态分析。
根据本发明实施例第一方面,提供了一种基于预测数据的燃料电池故障预测方法。
图1是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法的流程图。
如图1所示,在一个或多个实施例,优选地,所述的一种基于预测数据的燃料电池故障预测方法,具体包括:
S101、获取当前燃料电池的运行状态数据,并提取异常数据的录波;
S102、将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
S103、根据预设的预测需求,生成预测准备的数据;
S104、获得所述状态序列,并进行数据分类,生成输入与输出信号;
S105、根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
S106、根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据;
S107、根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态。
在本发明实施例中,提出了一种基于故障输入输出条件的故障类型划分方法,对于所有的异常录波数据,生成了故障状态的特征数据,进而根据预设的预测需求生成预测准备数据;利用所述的状态序列进行数据分类诗选对于输入和输出信号的划分,最终生成了全部的量测数据的故障状态。
图2是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的获取当前燃料电池的运行状态数据,并提取异常数据的录波的流程图。
如图2所示,在一个或多个实施例,优选地,所述获取当前燃料电池的运行状态数据,并提取异常数据的录波,具体包括:
S201、获取当前燃料电池的所述运行状态数据;
S202、设置录波提取范围为异常数据发生前的十秒开始;
S203、对所述运行状态数据的异常数据进行提取录波;
S204、设置录波提取范围为异常数据结束的时刻或当前时刻。
在本发明实施例中,重点针对于当前燃料电池的运行转台进行提取,提取出状态内的具体的异常数据时刻前后的数据信息。
图3是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据的流程图。
如图3所示,在一个或多个实施例,优选地,所述将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据,具体包括:
S301、将所有的所述异常数据的录波,存储为所述状态序列;
S302、对所有的所述状态序列进行求导,获得所述故障状态下的第一数据特征;
S303、对所有的所述状态序列进行低频滤波,获得所述故障状态下的第二数据特征。
在本发明实施例中,在或的具体的异常数据录波后,进一步,通过了存储为状态序列的方式,进行作为数据特征提取的准备数据。当获得了相应的准备数据后,分别通过求导获得了具体的数据的变化程度,又通过了低通滤波获得了数据的第二数据特征,第二数据特征是用于表征在仅仅为高频的信号时,具体的特征变换情况。
图4是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据预设的预测需求,生成预测准备的数据的流程图。
如图4所示,在一个或多个实施例,优选地,所述根据预设的预测需求,生成预测准备的数据,具体包括:
S401、设置预设的预测需求,所述预测需求包括预测时间和预测范围;
S402、对所述第一数据特征进行预测范围提取,生成第一预测准备数据;
S403、对所述第二数据特征进行预设范围提取,生成第二预测准备数据。
在本发明实施例中,对应了分别进行了数据特征的提取,分别获得了第一预测准备数据和第二预测准备数据,此外还能够预测时间和预测范围。
图5是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的获得所述状态序列,并进行数据分类,生成输入与输出信号的流程图。
如图5所示,在一个或多个实施例,优选地,所述获得所述状态序列,并进行数据分类,生成输入与输出信号,具体包括:
S501、获取所述状态序列,对所述状态序列进行数据分类;
S502、生成状态输入信号和状态响应信号。
在本发明实施例中,对当前状态的序列进行分类,分别生成了状态的输入信号和状态响应信号。这里的状态输入信号主要输为故障输入,而状态响应信号主要对应故障输入。
图6是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据所述故障状态的特征数据进行校验判断,并生成校验判断信号的流程图。
如图6所示,在一个或多个实施例,优选地,所述根据所述故障状态的特征数据进行校验判断,并生成校验判断信号,具体包括:
S601、对所述第一预测准备数据进行判断,确认是否存在异常波动;
S602、对所述第二预测准备数据进行判断,确认是否存在高频干扰;
S603、若存储所述异常波动和所述高频干扰,则输出校验失败信号。
在本发明实施例中,对应第一预测准备数据,主要进行了异常波动的分析,对于波动过大的数据进行提取,对于第二准备数据进展的判断主要是高频干扰的分析。
图7是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据的流程图。
如图7所示,在一个或多个实施例,优选地,所述根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据,具体包括:
S701、根据所述预测范围和所述预测时间提取所述状态序列中的数据分类;
S702、将所述状态输入信号存储为所述故障输入条件数据;
S703、将所述状态响应信号存储为所述故障输出条件数据。
在本发明实施例中,对于预测范围和预测时间,分别提取了相应的状态序列的分离,当获得数据分类后,进而进行了不同的输入和输出条件数据的提取。
图8是本发明一个实施例的一种基于预测数据的燃料电池故障预测方法中的根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态的流程图。
如图8所示,在一个或多个实施例,优选地,所述根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态,具体包括:
S801、获取故障输入条件数据和故障输出条件数据;
S802、通过获取所述故障输入条件数据和所述故障输出条件数据之间的变化时的变化程度,判断全部故障对应的传递关系函数的连续性;
S803、当所述传递关系函数为连续函数时,利用第一计算公式设置生成第一预测值;
S804、当所述传递关系函数为非连续函数时,通过每个故障的状态的数量,生成分段数量;
S805、利用第二计算公式获取第二预测值,获得所述目标故障状态;
所述第一计算公式:
y=anxn+an-1xn-1+……+a1x+a0
其中,y为第一预测值,a0、……、an为第一到第n个预测系数,x为第一预测函数的输入数据;
所述第二计算公式:
其中,L为第二预测值,k1i为第i个第1段传递函数关系系数,t为第二预测函数的输入数据;T1、T2、……、TJ为分段传递函数的边界线,J为故障的状态的数量,m为历史数据维度。
在本发明实施例中,首先获得了全部的故障的数据,进而根据故障数据的输入与输出之间的变化关系,进而判断全部故障的传递函数分类,最终,不同类型的函数进行了数据预测。
根据本发明实施例第二方面,提供一种基于预测数据的燃料电池故障预测系统。
图9是本发明一个实施例的一种基于预测数据的燃料电池故障预测系统的示意图。
如图9所示,在一个或多个实施例,优选地,所述一种基于预测数据的燃料电池故障预测系统包括:
故障数据获取子模块901,用于获取当前燃料电池的运行状态数据,并提取异常数据的录波;
故障数据特征提取子模块902,用于将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
故障预测预设子模块903,用于根据预设的预测需求,生成预测准备的数据;
故障状态分类子模块904,用于获得所述状态序列,并进行数据分类,生成输入与输出信号;
故障数据校验子模块905,用于根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
监视数据存储子模块906,用于根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和输出条件数据;
故障状态获取子模块907,用于根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态。
本发明实施例中,进一步对于故障数据获取、特征提取、故障预测、校验分析形成了一个系统,该系统与对应方法为一一对应关系,主要进行基于预测数据的燃料电池的故障预测,进而确保在获知当前状态后能够及时的预估出系统未来的可能风险。
根据本发明实施例第三方面,提供一种电子设备。图10是本发明一个实施例中一种电子设备的结构图。图10所示的电子设备为通用燃料电池故障预测装置,其包括通用的计算机硬件结构,其至少包括处理器1001和存储器1002。处理器1001和存储器1002通过总线1003连接。存储器1002适于存储处理器1001可执行的指令或程序。处理器1001可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器1001通过执行存储器1002所存储的指令,从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线1003将上述多个组件连接在一起,同时将上述组件连接到显示控制器1004和显示装置以及输入/输出(I/O)装置1005。输入/输出(I/O)装置1005可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出装置1005通过输入/输出(I/O)控制器1006与系统相连。
本发明的实施例提供的技术方案可以包括以下有益效果:
1)提供了一种基于故障输入和输出条件的故障类型划分方法,进而实现有针对性的进行故障分析和预测;
2)提供了基于预测数据的燃料电池故障的预测方法,进而实现在故障或损坏尚未发生前的故障隔离。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于预测数据的燃料电池故障预测方法,其特征在于,该方法包括:
获取当前燃料电池的运行状态数据,并提取异常数据的录波;
将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
根据预设的预测需求,生成预测准备的数据;
获得所述状态序列,并进行数据分类,生成输入与输出信号;
根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和故障输出条件数据;
根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态;
其中,所述将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据,具体包括:
将所有的所述异常数据的录波,存储为所述状态序列;
对所有的所述状态序列进行求导,获得所述故障状态下的第一数据特征;
对所有的所述状态序列进行低频滤波,获得所述故障状态下的第二数据特征;
其中,所述根据预设的预测需求,生成预测准备的数据,具体包括:
设置预设的预测需求,所述预测需求包括预测时间和预测范围;
对所述第一数据特征进行预测范围提取,生成第一预测准备数据;
对所述第二数据特征进行预测范围提取,生成第二预测准备数据;
其中,所述根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态,具体包括:
获取故障输入条件数据和故障输出条件数据;
通过获取所述故障输入条件数据和所述故障输出条件数据之间的变化时的变化程度,判断全部故障对应的传递关系函数的连续性;
当所述传递关系函数为连续函数时,利用第一计算公式设置生成第一预测值;
当所述传递关系函数为非连续函数时,通过每个故障的状态的数量,生成分段数量;
利用第二计算公式获取第二预测值,获得所述目标故障状态;
所述第一计算公式:
y=anxn+an-1xn-1+……+a1x+a0
其中,y为第一预测值,a0、……、an为第一到第n个预测系数,x为第一预测函数的输入数据;
所述第二计算公式:
其中,L为第二预测值,k1i为第i个第1段传递函数关系系数,t为第二预测函数的输入数据;T1、T2、……、TJ为分段传递函数的边界线,J为故障的状态的数量,m为历史数据维度。
2.如权利要求1所述的一种基于预测数据的燃料电池故障预测方法,其特征在于,所述获取当前燃料电池的运行状态数据,并提取异常数据的录波,具体包括:
获取当前燃料电池的所述运行状态数据;
设置录波提取范围为异常数据发生前的十秒开始;
对所述运行状态数据的异常数据进行提取录波;
设置录波提取范围为异常数据结束的时刻或当前时刻。
3.如权利要求1所述的一种基于预测数据的燃料电池故障预测方法,其特征在于,所述获得所述状态序列,并进行数据分类,生成输入与输出信号,具体包括:
获取所述状态序列,对所述状态序列进行数据分类;
生成状态输入信号和状态响应信号。
4.如权利要求1所述的一种基于预测数据的燃料电池故障预测方法,其特征在于,所述根据所述故障状态的特征数据进行校验判断,并生成校验判断信号,具体包括:
对所述第一预测准备数据进行判断,确认是否存在异常波动;
对所述第二预测准备数据进行判断,确认是否存在高频干扰;
若存在 所述异常波动和所述高频干扰,则输出校验失败信号。
5.如权利要求3所述的一种基于预测数据的燃料电池故障预测方法,其特征在于,所述根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和故障输出条件数据,具体包括:
根据所述预测范围和所述预测时间提取所述状态序列中的数据分类;
将所述状态输入信号存储为所述故障输入条件数据;
将所述状态响应信号存储为所述故障输出条件数据。
6.一种基于预测数据的燃料电池故障预测系统,其特征在于,该系统包括:
故障数据获取子模块,用于获取当前燃料电池的运行状态数据,并提取异常数据的录波;
故障数据特征提取子模块,用于将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据;
故障预测预设子模块,用于根据预设的预测需求,生成预测准备的数据;
故障状态分类子模块,用于获得所述状态序列,并进行数据分类,生成输入与输出信号;
故障数据校验子模块,用于根据所述故障状态的特征数据进行校验判断,并生成校验判断信号;
监视数据存储子模块,用于根据预测范围和预测时间对所述状态序列进行分类,获得故障输入条件数据和故障输出条件数据;
故障状态获取子模块,用于根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态;
其中,所述将所有的异常数据录波存储为状态序列,并生成故障状态的特征数据,具体包括:
将所有的所述异常数据的录波,存储为所述状态序列;
对所有的所述状态序列进行求导,获得所述故障状态下的第一数据特征;
对所有的所述状态序列进行低频滤波,获得所述故障状态下的第二数据特征;
其中,所述根据预设的预测需求,生成预测准备的数据,具体包括:
设置预设的预测需求,所述预测需求包括预测时间和预测范围;
对所述第一数据特征进行预测范围提取,生成第一预测准备数据;
对所述第二数据特征进行预测范围提取,生成第二预测准备数据;
其中,所述根据故障输入条件数据和故障输出条件数据进行故障类型划分,并利用实时量测数据获取目标故障状态,具体包括:
获取故障输入条件数据和故障输出条件数据;
通过获取所述故障输入条件数据和所述故障输出条件数据之间的变化时的变化程度,判断全部故障对应的传递关系函数的连续性;
当所述传递关系函数为连续函数时,利用第一计算公式设置生成第一预测值;
当所述传递关系函数为非连续函数时,通过每个故障的状态的数量,生成分段数量;
利用第二计算公式获取第二预测值,获得所述目标故障状态;
所述第一计算公式:
y=anxn+an-1xn-1+……+a1x+a0
其中,y为第一预测值,a0、……、an为第一到第n个预测系数,x为第一预测函数的输入数据;
所述第二计算公式:
其中,L为第二预测值,k1i为第i个第1段传递函数关系系数,t为第二预测函数的输入数据;T1、T2、……、TJ为分段传递函数的边界线,J为故障的状态的数量,m为历史数据维度。
7.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-5任一项所述的方法 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804124.5A CN113361823B (zh) | 2021-07-16 | 2021-07-16 | 一种基于预测数据的燃料电池故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804124.5A CN113361823B (zh) | 2021-07-16 | 2021-07-16 | 一种基于预测数据的燃料电池故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361823A CN113361823A (zh) | 2021-09-07 |
CN113361823B true CN113361823B (zh) | 2022-09-06 |
Family
ID=77539617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804124.5A Active CN113361823B (zh) | 2021-07-16 | 2021-07-16 | 一种基于预测数据的燃料电池故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361823B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794227B (zh) * | 2018-08-02 | 2022-09-02 | 阿里巴巴集团控股有限公司 | 故障检测方法、系统、设备及存储介质 |
CN109144835A (zh) * | 2018-08-02 | 2019-01-04 | 广东浪潮大数据研究有限公司 | 一种应用服务故障的自动预测方法、装置、设备及介质 |
CN110069810B (zh) * | 2019-03-11 | 2023-04-07 | 北京百度网讯科技有限公司 | 电池故障预测方法、装置、设备和可读存储介质 |
CN110349289A (zh) * | 2019-06-21 | 2019-10-18 | 东软集团股份有限公司 | 故障预测方法、装置、存储介质和电子设备 |
CN112882909A (zh) * | 2019-11-29 | 2021-06-01 | 北京博瑞华通科技有限公司 | 燃料电池系统故障预测方法、装置 |
CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
CN112487910A (zh) * | 2020-11-24 | 2021-03-12 | 中广核工程有限公司 | 核电汽轮机系统故障预警方法及系统 |
CN112465237B (zh) * | 2020-12-02 | 2023-04-07 | 浙江正泰电器股份有限公司 | 基于大数据分析的故障预测方法、装置、设备和存储介质 |
CN112838631B (zh) * | 2020-12-31 | 2023-12-29 | 上海玫克生储能科技有限公司 | 动力电池的充电动态管控装置和动力电池的充电诊断方法 |
-
2021
- 2021-07-16 CN CN202110804124.5A patent/CN113361823B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113361823A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
CN102713862A (zh) | 故障原因提取装置、故障原因提取方法和程序记录介质 | |
GB2476246A (en) | Diagnosing an operation mode of a machine | |
CN109733238B (zh) | 故障检测方法、装置、存储介质及处理器 | |
CN113723338B (zh) | 传感器异常检测方法、装置及计算机可读存储介质 | |
CN115343623A (zh) | 一种电化学储能电池故障的在线检测方法及装置 | |
CN115186502A (zh) | 车辆的异常数据识别方法、装置、电子设备及存储介质 | |
Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
KR102515216B1 (ko) | 열차의 잔여유효수명 예측 장치 및 방법 | |
CN113361823B (zh) | 一种基于预测数据的燃料电池故障预测方法及系统 | |
CN116400249A (zh) | 储能电池的检测方法及装置 | |
KR102158100B1 (ko) | 이상 감지를 이용한 모니터링 자동화 방법 및 장치 | |
CN111654405A (zh) | 通信链路的故障节点方法、装置、设备及存储介质 | |
CN111007452A (zh) | 一种数据采集系统的故障诊断方法及装置 | |
CN113540526B (zh) | 一种基于历史数据分析的燃料电池故障诊断方法及系统 | |
CN112885049B (zh) | 基于运行数据的智能电缆预警系统、方法及装置 | |
CN113010843B (zh) | 测量参数集的确定方法及装置、验证方法及故障诊断方法 | |
CN114331688A (zh) | 一种银行柜面系统业务批量运行状态检测方法及装置 | |
CN111965609A (zh) | 雷达可靠度评估方法、装置、电子设备及可读存储介质 | |
CN112083340A (zh) | 蓄电池组性能检测方法及装置、存储介质、终端 | |
CN112348074B (zh) | 基于数据驱动的配电网停电事件精准化诊断方法、装置及系统 | |
CN113540528B (zh) | 一种燃料电池运行环境监测方法及设备 | |
CN113514713B (zh) | 动车组牵引变流器性能检测方法、装置及终端设备 | |
CN117466153B (zh) | 故障检测方法、装置、计算机设备和可读存储介质 | |
CN117761543A (zh) | 一种多稀疏观测器融合动力电池异常电压识别方法及系统 |
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 |