CN113705839B - 一种燃料电池电堆的预测性维护方法以及维护系统 - Google Patents
一种燃料电池电堆的预测性维护方法以及维护系统 Download PDFInfo
- Publication number
- CN113705839B CN113705839B CN202111069953.XA CN202111069953A CN113705839B CN 113705839 B CN113705839 B CN 113705839B CN 202111069953 A CN202111069953 A CN 202111069953A CN 113705839 B CN113705839 B CN 113705839B
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- real
- fuel cell
- state
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000000446 fuel Substances 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000035772 mutation Effects 0.000 abstract description 2
- 230000004044 response Effects 0.000 abstract description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 15
- 229910052739 hydrogen Inorganic materials 0.000 description 15
- 239000001257 hydrogen Substances 0.000 description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 239000002609 medium Substances 0.000 description 9
- 230000032683 aging Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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"
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供了一种燃料电池电堆的预测性维护方法以及维护系统,所述预测性维护方法包括如下步骤:建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;实现在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;实现保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号。本发明的预测性维护方法采用大数据和深度学习的手段,提出基于状态估计的燃料电池电堆预测性维护的方案。改善了现有技术中的区域差异性问题以及个列突变的响应不及时问题。
Description
技术领域
本发明涉及氢燃料电池发动机维护领域,具体而言,涉及一种燃料电池电堆的预测性维护方法以及维护系统。
背景技术
氢燃料电池发动机是一个复杂的系统,而电堆则是该系统的核心,是整个系统动力输出的关键子系统零部件。在燃料电池发动机运行过程中,随着工况的不同,运行时间的不同,电堆的输出电压会有不同的变化及衰减,当电堆的单片电压衰减到一定的阈值,则认为电堆的寿命达到了尽头,需要进行更换。如何使电堆能稳定、长期的运行在理想状态,延缓电堆的电压衰减速率,延长电堆的使用寿命,是降低企业成本的一项有效措施。
目前对于电堆的预测性维护主要基于运行时间段和基于剩余寿命预估展开。
1)基于运行时间段的定时维护:以电堆出厂标定的生命周期为依据,按照阈值划分时间段,到时间点进行保养维护。此方案的保养维护具有一定的粗暴性,没有考虑地区性差异以及偶然性,会造成电堆性能的拐点提前或推后。
2)基于寿命预测的维护:依托数据指标的采集,纵向比较电堆出厂时刻的单片电压与当前时间点的单片电压的衰减率,进而进行剩余寿命的预测,根据衰减率以及剩余寿命进行保养维护。此方案排解决了定时保养中的偶然性问题,但地区差异性的衰减问题依然存在,不同地区的环境因素对电堆的电压衰减率的影响是不一致的,不能用同一个衰减率的维护标准去衡量所有区域的电堆性能。
有鉴于此,特提出本发明。
发明内容
有鉴于此,本发明公开了一种燃料电池电堆得预测性维护方法以及维护系统,该方法通过采用大数据和深度学习的手段,提出基于状态估计的燃料电池电堆预测性维护的方案。通过聚类分析以及ResNet残差神经网络的状态估计,通过横向比较一个区域内的电堆性能衰减率,优化了现有技术中存在的区域差异性问题以及个列突变的响应不及时问题。
具体地,本发明是通过以下技术方案实现的:
第一方面,本发明公开了一种燃料电池电堆的预测性维护方法,所述方法包括:
建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
实现在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
实现保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号。
第二方面,本发明公开了一种预测性维护系统,包括:
状态估计模型训练单元:用于建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
在线数据实时状态预测单元:用于在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
保养维护状态评估单元:用于保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号。
第三方面,本发明公开了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如第一方面所述预测性维护方法的步骤。
第四方面,本发明公开了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述预测性维护方法的步骤。
本发明提供的一种燃料电池电堆得预测性维护方法以及维护系统,提供了一种专门针对燃料电池电堆预测性维护区域性差异处理的整体解决方法,通过燃料电池电堆状态衰减率横向比较(纵向比较为对比同一电堆在不同时间点的电压衰减率,横向比较为比较同一区域内具有一致性的多台电堆在同一时间点预测值与真实值的电压衰减率)的阈值,优化了现有技术中存在的区域差异性问题以及个列突变的响应不及时问题。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1-3为现有技术的燃料电池的预测性维护方法;
图4为本发明实施例提供的预测性维护方法的流程示意图;
图5为本发明实施例提供的状态估计模型的训练方法的流程示意图;
图6为本发明实施例提供的在线数据实时状态预测方法的流程示意图;
图7为本发明实施例提供的保养维护状态评估方法的流程示意图;
图8为本发明实施例提供的预测性维护系统的结构示意图;
图9为本发明实施例提供的一种计算机设备的结构示意图。
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公开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、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
对于现有技术的针对燃料电池电堆得预测性维护方法主要包括下述两个方法:
现有技术方案1:定时维护:
基于出厂时电堆零部件供应商提供的指标,以时间为维度,周期性的进行保养维护(图1)。
现有技术方案2:质子交换膜燃料电池的寿命预测研究:
现有的技术方案分为基于数据的长期老化趋势预测和基于模型的剩余寿命估计两个阶段进行。首先采集一组燃料电池电堆完整的电压老化生命周期数据,建立ANFIS(神经网络自适应模糊推理系统)网络系统,将老化数据导入ANFIS开始训练,使用PSO(粒子群优化算法)算法优化参数,重复ANFIS的训练过程,直到达到PSO算法的最大迭代次数为止,最后,使用训练好的ANFIS模型预测燃料电池电堆的长期衰减趋势,将电堆的长期衰减趋势的输出作为输入,导入燃料电池电堆的半机理老化模型,采用AUKF(自适应无迹卡尔曼滤波)方法进行寿命指标估计,继而使用寿命指标进行剩余使用寿命的估计(图2)。通过剩余使用寿命,在指定对应的保养维护策略(技术方案1为按照生命周期的正向时间轴进行维护,次方案为以寿命估计为依据按照生命周期的逆向进行维护)(图3)。
从上述现有技术的介绍可以知晓,现有技术的缺陷在于:
现有技术1根据时间周期来进行定期维护,没有考虑到由于地理环境因素不同而造成的区域性差别,以及工作状态不同而造成的个体性差异,会出现维护保养不及时或者过早过频维护保养的情况。
现有技术2根据依托神经网络技术对老化指标进行预测,继而进行剩余寿命的估计,依托剩余寿命进行时间轴上的逆向维护,此类方案依托各电堆的数据进行老化指标预测,在一定程度上规避了个体性差异带来的性能不一致性的影响,但依然没有规避区域差异性的影响,以及由于某些异常情况导致的电堆单片电压急剧衰退,进而造成电堆性能的剧烈变化。
本发明为了解决上述技术问题,特提供了一种新型的预测性维护方法,如图4所示,具体包括:
S1、建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
S2、实现在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
S3、实现保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号。
总之,本发明采用大数据处理和深度学习的手段,采集燃料电池电堆输入端的氢气流量、温度、压力、空气流量、温度、压力、水流量、温度、压力、总运行时间,GPS信息等输入端指标,以及输出端的总电压、平均单片电压、最低单片电压指标,先基于GPS信息对数据进行聚类分析,以规避区域性差别,再基于Resnet(残差神经网络),对数据进行模型训练。使用训练的模型对燃料电池电堆的输出电压和平均单片电压,最低单片电压进行状态估计,对比实际的输出电压、平均单片电压与预测值的偏差,根据偏差阈值设置的维护预警机制,发出电堆维护的预警通知。
所述S1步骤中,如图5所示,主要包括如下步骤:
步骤1:获取并导入燃料电池电堆的各项数据,比如空气流量、空气温度、空气压力、水流量、水温、入口水压、氢气流量、氢气压力、氢气温度、总运行时间、GPS信息,以及燃料电池输出端的输出电压、平均单片电压、最低单片电压数据;
步骤2:将步骤1中的数据根据GPS信息,采用KNN(k最近邻近分类算法)算法,对数据进行聚类;
步骤3:构建ResNet残差神经网络。本方案采用18层的网络结构,根据步骤2中的聚类结果,分别将不同类别下的数据分别输入ResNet进行迭代训练。以燃料电池电堆输入端的空气流量、输入端空气压力、输入端空气温度、输入端水流量、输入端水温、输入端水压、输入端氢气流量、输入端氢气温度、输入端氢气压力、电堆总运行时间作为训练模型的输入指标,以燃料电池电堆输出端总电压、平均单片电压、最低单片电压作为训练模型的输出标定指标。迭代训练知道达到最大迭代次数或者训练的均方误差小于预定值时退出迭代,完成模型训练过程。
所述S2步骤中,如图6所示,主要包括如下步骤:
步骤1:导入实时数据。建立实时计算机制,将系统收集到的最新的的燃料电池电堆的各项数据,比如输入端的空气流量、输入端空气压力、输入端空气温度、输入端水流量、输入端水温、输入端水压、输入端氢气流量、输入端氢气温度、输入端氢气压力、电堆总运行时间、GPS信息作为指标整理输入;
步骤2:给予GPS信息数据聚类。通过KNN算法将数据数据以经纬度信息为维度进行聚类,获取数据类别i;
步骤3:根据聚类类别i加载不同的回归预测模型。将类别与状态估计模型训练中产生的模型做关联,加载对应类别的模型;
步骤4:ResNet回归预测。将收集的燃料电池电堆的输入端的空气流量、输入端空气压力、输入端空气温度、输入端水流量、输入端水温、输入端水压、输入端氢气流量、输入端氢气温度、输入端氢气压力、电堆总运行时间作为ResNet的输入数据输入,通过模型计算得出状态估计值:燃料电池输出端的输出电压、平均单片电压、最低单片电压数据;
步骤5:返回状态预测数据和聚类类别。
所述S3步骤中,如图7所示,主要包括如下步骤:
步骤1:获取状态评估返回的状态估计值、聚类类别、输入的实时数据;
步骤2:根据聚类类别获取对应区域的保养阈值信息;
步骤3:判断实时数据中的燃料电池输出电压是否小于阈值,小于阈值则生成保养维护的预警通知,大于等于阈值则继续下一步;
步骤4:判断实时数据中的最低单片电压是否小于阈值,小于阈值则生成保养维护的预警通知,大于等于阈值则继续下一步;
步骤5:判断实时数据中的平均单片电压是否小于阈值,小于阈值则生成保养维护的预警通知,大于等于阈值则继续下一步;
步骤6:计算燃料电池输出电压估计值与真实值的偏差百分比,计算最低单片电压估计值与真实值的偏差百分比,计算平均单片电压估计值与真实值的偏差百分比;
步骤7:判断燃料电池电堆输出电压的偏差百分比是否大于阈值,大于阈值则生成保养维护的预警通知,小于等于阈值则继续下一步;
步骤8:判断燃料电池电堆平均单片电压的偏差百分比是否大于阈值,大于阈值则生成保养维护的预警通知,小于等于阈值则继续下一步;
步骤9:判断燃料电池电堆最小单片电压的偏差百分比是否大于阈值,大于阈值则生成保养维护的预警通知,小于等于阈值则继续下一步;
步骤10:技术人员收到保养维护预警通知,对当前电堆性能进行评估,确认是否生成保养维修工单。
总之,通过上述预测性维护方法弥补了现有技术中的维护方法的不足,值得广泛推广应用。
图8是本发明公开的一种预测性维护系统的结构示意图,该系统包括:
状态估计模型训练单元101:用于建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
在线数据实时状态预测单元102:用于在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
保养维护状态评估单元103:用于保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号。
该维护系统主要由上述三个模块单元构成,具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
图9是本发明公开的一种计算机设备的结构示意图。参考图9所示,该计算机设备包括:输入装置63、输出装置64、存储器62和处理器61;所述存储器62,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器61执行,使得所述一个或多个处理器61实现如上述实施例提供的一种预测性维护方法;其中输入装置63、输出装置64、存储器62和处理器61可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器62作为一种计算设备可读写存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例所述的一种预测性维护方法对应的程序指令;存储器62可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等;此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件;在一些实例中,存储器62可进一步包括相对于处理器61远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置63可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入;输出装置64可包括显示屏等显示设备。
处理器61通过运行存储在存储器62中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理。
上述提供的计算机设备可用于执行上述实施例提供的一种预测性维护方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的一种预测性维护方法,存储介质是任何的各种类型的存储器设备或存储设备,存储介质包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等;存储介质可以还包括其它类型的存储器或其组合;另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统;第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上实施例所述的一种预测性维护方法,还可以执行本申请任意实施例所提供的一种预测性维护方法中的相关操作。
最后应说明的是:虽然本说明书包含许多具体实施细节,但是这些不应被解释为限制任何发明的范围或所要求保护的范围,而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面,在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外,虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护,但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除,并且所要求保护的组合可以指向子组合或子组合的变型。
类似地,虽然在附图中以特定顺序描绘了操作,但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行,以实现期望的结果。在某些情况下,多任务和并行处理可能是有利的。此外,上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离,并且应当理解,所描述的程序组件和系统通常可以一起集成在单个软件产品中,或者封装成多个软件产品。
由此,主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下,权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外,附图中描绘的处理并非必需所示的特定顺序或顺次顺序,以实现期望的结果。在某些实现中,多任务和并行处理可能是有利的。
以上所述仅为本公开的较佳实施例而已,并不用以限制本公开,凡在本公开的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本公开保护的范围之内。
Claims (6)
1.一种燃料电池电堆的预测性维护方法,其特征在于,包括如下步骤:
建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
实现在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
实现保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号;
所述状态估计模型的训练方法包括:
获取燃料电池电堆的各项数据,将获取到的所述各项数据根据GPS信息,采用KNN算法进行聚类;
根据上述步骤的聚类结果分别将所述各项数据进行不同分类后分别输入ResNet进行迭代训练;
所述迭代训练的方法包括:
以燃料电池电堆输入端的的数据作为输入指标,以燃料电池电堆输出端的数据作为输出指标进行训练;
当迭代训练过程达到最大迭代次数或者训练的均方误差小于预定值时退出迭代;
所述实现在线数据实时状态预测的方法包括:
导入实时数据,通过过KNN算法将数据以经纬度信息为维度进行聚类,获取数据类别;
根据所述数据类别的不同与所述状态估计模型的模型做关联,加载对应类别的模型,然后进行ResNet回归预测。
2.根据权利要求1所述的预测性维护方法,其特征在于,所述ResNet回归预测的方法包括:
以燃料电池电堆输入端的的数据作为输入数据,通过所述状态估计模型计算得到状态估计值,将状态估计值以及数据类别返回。
3.根据权利要求1所述的预测性维护方法,其特征在于,所述实现保养维护状态评估的方法包括:
获取所述状态估计值、所述数据类别以及输入的实时数据;
根据所述数据类别获取对应区域已设定保养维护的阈值;
判断所述实时数据是否小于阈值,小于阈值则生成保养维护的预警通知,大于等于阈值则继续下一步;
计算所述实时数据的偏差百分比,并判断偏差百分比是否大于阈值,大于阈值则生成保养维护的预警通知,小于等于阈值则继续下一步;
技术人员收到所述预警通知,对当前燃料电池电堆的性能进行评估,确认是否生成保养维修工单。
4.一种预测性维护系统,其特征在于,包括:
状态估计模型训练单元:用于建立ResNet残差神经网络结构,根据收集的数据训练出对应的状态估计模型;
在线数据实时状态预测单元:用于在线数据实时状态预测,根据所述状态估计模型,通过输入实时数据,输出预测的状态值;
保养维护状态评估单元:用于保养维护状态评估,先设定保养维护的阈值,根据所述实时状态预测的结果与所述阈值进行对比,判断是否需要发出保养维护的预警信号;
所述状态估计模型的训练方法包括:
获取燃料电池电堆的各项数据,将获取到的所述各项数据根据GPS信息,采用KNN算法进行聚类;
根据上述步骤的聚类结果分别将所述各项数据进行不同分类后分别输入ResNet进行迭代训练;
所述迭代训练的方法包括:
以燃料电池电堆输入端的的数据作为输入指标,以燃料电池电堆输出端的数据作为输出指标进行训练;
当迭代训练过程达到最大迭代次数或者训练的均方误差小于预定值时退出迭代;
实现所述在线数据实时状态预测的方法包括:
导入实时数据,通过过KNN算法将数据以经纬度信息为维度进行聚类,获取数据类别;
根据所述数据类别的不同与所述状态估计模型的模型做关联,加载对应类别的模型,然后进行ResNet回归预测。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1-3任一所述预测性维护方法的步骤。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3任一所述的预测性维护方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069953.XA CN113705839B (zh) | 2021-09-13 | 2021-09-13 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111069953.XA CN113705839B (zh) | 2021-09-13 | 2021-09-13 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705839A CN113705839A (zh) | 2021-11-26 |
CN113705839B true CN113705839B (zh) | 2023-10-20 |
Family
ID=78660139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111069953.XA Active CN113705839B (zh) | 2021-09-13 | 2021-09-13 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705839B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757382A (zh) * | 2022-06-13 | 2022-07-15 | 深圳市永达电子信息股份有限公司 | 一种基于云平台的地铁屏蔽门远程维护方法及系统 |
CN116306931B (zh) * | 2023-05-24 | 2023-08-04 | 典基网络科技(上海)有限公司 | 一种应用工业领域的知识图谱构建方法 |
CN117217031B (zh) * | 2023-11-09 | 2024-02-20 | 新研氢能源科技有限公司 | 一种用于燃料电池电堆的智能生产方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
CN110533251A (zh) * | 2019-09-03 | 2019-12-03 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
AU2020102877A4 (en) * | 2020-10-19 | 2020-12-17 | Devi, B. Rama DR | IANM-Data Analysis:INTELLIGENTDATA ANALYSIS (Academic, Non- Academic) USING MACHINE LEARNING PROGRAMMING |
CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10635979B2 (en) * | 2018-07-20 | 2020-04-28 | Google Llc | Category learning neural networks |
US11416733B2 (en) * | 2018-11-19 | 2022-08-16 | Google Llc | Multi-task recurrent neural networks |
EP3970258A4 (en) * | 2019-05-16 | 2023-01-25 | Troes Corporation | METHOD AND SYSTEM FOR A TM BATTERY WITH DUAL BALANCE AND POWER MANAGEMENT FOR A BATTERY PACK |
US11312374B2 (en) * | 2020-01-31 | 2022-04-26 | International Business Machines Corporation | Prediction of accident risk based on anomaly detection |
-
2021
- 2021-09-13 CN CN202111069953.XA patent/CN113705839B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6119112A (en) * | 1997-11-19 | 2000-09-12 | International Business Machines Corporation | Optimum cessation of training in neural networks |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN111489006A (zh) * | 2019-01-29 | 2020-08-04 | 深圳富桂精密工业有限公司 | 火灾发展态势预测方法、装置及计算机可存储介质 |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
CN110533251A (zh) * | 2019-09-03 | 2019-12-03 | 北京天泽智云科技有限公司 | 提升预测性维护模型适应能力的方法及装置 |
CN111610466A (zh) * | 2020-05-14 | 2020-09-01 | 国网江苏省电力有限公司电力科学研究院 | 一种变压器状态预测方法、装置和存储介质 |
CN112270429A (zh) * | 2020-08-31 | 2021-01-26 | 中国科学院合肥物质科学研究院 | 基于云边协同的动力电池极片制造设备维护方法和系统 |
AU2020102877A4 (en) * | 2020-10-19 | 2020-12-17 | Devi, B. Rama DR | IANM-Data Analysis:INTELLIGENTDATA ANALYSIS (Academic, Non- Academic) USING MACHINE LEARNING PROGRAMMING |
CN112559305A (zh) * | 2020-11-10 | 2021-03-26 | 深圳前海有电物联科技有限公司 | 不间断电源系统内部关键模块性能预测方法、装置和设备 |
CN112598172A (zh) * | 2020-12-21 | 2021-04-02 | 北京华能新锐控制技术有限公司 | 一种风电机组轴承温度预警方法 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
Sato,PD.Food categorizations among low-income women living in three different urban contexts: The pile sorting method.APPETITE.2019,第136卷173-183. * |
基于RBFNN的DMFC温度建模与神经模糊控制研究;戚志东;朱新坚;曹广益;;系统仿真学报(第01期);129-132 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705839A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
JP6482819B2 (ja) | グリッドタイ・エネルギ背景の経済的最適化のための戦略的モデリング | |
US8719195B2 (en) | Battery adaptive learning management system | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN115983084A (zh) | 一种燃料电池剩余使用寿命预测方法、系统、设备及终端 | |
CN115308628A (zh) | 一种电池健康状态监测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
Kurucan et al. | Applications of artificial neural network based battery management systems: a literature review | |
Singh et al. | A genetic algorithm and rnn-lstm model for remaining battery capacity prediction | |
CN110837857A (zh) | 工业用电负荷预测方法、系统及其存储介质 | |
Dong et al. | Data-driven predictive prognostic model for power batteries based on machine learning | |
Sahajpal et al. | Accurate long-term prognostics of proton exchange membrane fuel cells using recurrent and convolutional neural networks | |
CN117330987A (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
Xiao et al. | Battery state of health prediction based on voltage intervals, BP neural network and genetic algorithm | |
CN115511159A (zh) | 一种基于贝叶斯神经网络的快速路事件检测方法和装置 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
Peng et al. | Control-oriented Extraction and Prediction of Key Performance Features Affecting Performance Variability of Solid Oxide Fuel Cell System | |
Chanal et al. | Voltage prognosis of PEMFC estimated using Multi-Reservoir Bidirectional Echo State Network | |
Liu et al. | Accuracy improvement of fuel cell prognostics based on voltage prediction | |
Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries |
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 |