CN114398347A - 基于数据关联性的燃料电池数据分析系统和电子设备 - Google Patents
基于数据关联性的燃料电池数据分析系统和电子设备 Download PDFInfo
- Publication number
- CN114398347A CN114398347A CN202111535613.1A CN202111535613A CN114398347A CN 114398347 A CN114398347 A CN 114398347A CN 202111535613 A CN202111535613 A CN 202111535613A CN 114398347 A CN114398347 A CN 114398347A
- Authority
- CN
- China
- Prior art keywords
- data
- fuel cell
- storage module
- module
- correlation
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Fuel Cell (AREA)
Abstract
本申请公开了一种基于数据关联性的燃料电池数据分析系统和电子设备,该系统包括:燃料电池大数据存储模块、关联信息存储模块和数据分析模块,燃料电池大数据存储模块,用于存储燃料电池的零部件参数、研发数据、生产数据和实时运行数据;关联信息存储模块,用于根据燃料电池大数据存储模块存储的数据,生成并存储燃料电池对应的多层目标数据之间的关联信息,并存储燃料电池的理论模型;数据分析模块,用于根据关联信息和理论模型构建多个神经网络模型,通过多个神经网络模型对燃料电池进行数据分析和故障预测。该系统定义了燃料电池的各级数据间的关联规则,便于根据数据分析需求提取相应的数据,提高了数据分析的效率和准确性。
Description
技术领域
本申请涉及燃料电池技术领域,尤其涉及一种基于数据关联性的燃料电池数据分析系统和电子设备。
背景技术
质子交换膜燃料电池(PEMFC)是一种将氢燃料所具有的化学能直接转化为电能的装置。目前,质子交换膜燃料电池以其效率高、功率密度高、环境友好、重量轻和资源丰富等优势,已经在交通、分布式发电及工业生产等多个领域得到日益广泛的应用,成为最有前景的新型发电装置之一。在燃料电池的材料领域,通过机器学习预测材料性能的科学研究展现出巨大潜力,并且为提高燃料电池的竞争力,运用大数据分析进行材料筛选、结构设计和运行管理等方面的工作逐渐成为主流趋势。然而,燃料电池作为一个新兴产业,一些关键技术还未能完全得到充分验证,数据积累不足。
相关技术中,主要针对某一材料筛选或某种结构设计开发进行大数据分析,缺少针对燃料电池的开发、生产及运行等一个完整周期的大数据分析平台。
另外,识别燃料电池系统的复杂工艺过程可能发生的各种故障,监测燃料电池的工作效率和安全性尤为重要,针对数据进行燃料电池性能衰退分析(或称为“寿命预测”)及健康状态诊断(或称为“故障诊断”)提供了对燃料电池剩余寿命预测的方法,然而相关技术中主要是对锂电池汽车进行预测和诊断,而针对锂离子电池的故障分析与数学建模计算方法并不适用于燃料电池,因此,目前亟需一种适用于燃料电池系统的故障预测与分析方法。
并且,由于燃料电池系统设备及元器件众多,包含阀类、管路、电气设备、绝缘设备等,导致燃料电池系统的数据量较为庞大,而相关技术中进行大数据分析时,无法准确和高效的进行数据筛选和降噪,导致数据分析的精确性较低。
发明内容
本申请的目的旨在至少在一定程度上解决上述的技术问题之一。
为此,本申请的第一个目的在于提出一种基于数据关联性的燃料电池数据分析系统。该系统定义了燃料电池的各级数据间的关联规则,便于根据数据分析需求提取相应的数据,提高了数据分析的效率和准确性,解决了大数据分析在燃料电池领域应用过程中数据关联项不清晰的问题。
本申请的第二个目的在于提出一种电子设备。
为达上述目的,本申请第一方面实施例提出了一种基于数据关联性的燃料电池数据分析系统,该系统包括:
燃料电池大数据存储模块、关联信息存储模块和数据分析模块,其中,所述燃料电池大数据存储模块、所述关联信息存储模块和所述数据分析模块相互连接,
所述燃料电池大数据存储模块,用于存储燃料电池的零部件参数、研发数据、生产数据和实时运行数据;
所述关联信息存储模块,用于根据所述燃料电池大数据存储模块存储的数据,生成并存储所述燃料电池对应的多层目标数据之间的关联信息,并存储所述燃料电池的理论模型;
所述数据分析模块,用于根据所述关联信息和所述理论模型构建多个神经网络模型,通过所述多个神经网络模型对所述燃料电池进行数据分析和故障预测。
另外,本申请实施例的分布式空冷燃料电池系统还具有如下附加的技术特征:
可选地,在一些实施例中,关联信息存储模块具体用于:根据所述燃料电池的历史数据和所述理论模型,建立所述燃料电池的材料参数之间的关联,所述历史数据包括所述零部件参数、所述研发数据和所述生产数据;根据所述历史数据和所述理论模型,建立所述燃料电池的材料参数与所述燃料电池的组件之间的关联;根据所述燃料电池的测试数据和专家知识,建立所述燃料电池的组件与所述燃料电池的单电池结构之间的关联;根据所述历史数据和所述理论模型,建立所述单电池结构与所述燃料电池对应的关键设备之间的关联;根据所述历史数据和所述燃料电池的衰减模型,建立所述关键设备和所述燃料电池所处的动力系统之间关联,以及外部环境因素与所述动力系统之间关联,以生成树状结构的所述多层目标数据之间的关联信息。
可选地,在一些实施例中,关联信息存储模块和所述数据分析模块通过数据传输接口相连,所述关联信息存储模块还包括:关联性查询子模块,所述关联性查询子模块,用于获取待研究的参数;所述关联信息存储模块,还用于基于所述关联信息确定与所述待研究的参数对应的数据集;所述数据分析模块,还用于通过所述数据传输接口从所述关联信息存储模块中提取出所述数据集。
可选地,在一些实施例中,数据分析模块包括:数据预处理子模块、统计分析子模块和机器学习子模块,所述机器学习子模块用于:从所述关联信息存储模块中获取与待训练的神经网络模型对应的理论模型;根据所述对应的理论模型编码所述待训练的神经网络模型。
可选地,在一些实施例中,数据预处理子模块用于:去除所述数据集中的毛刺数据;对所述数据集中的无效值进行补齐;通过独热码one-hot标准化数据。
可选地,在一些实施例中,燃料电池大数据存储模块与远程监控系统、零部件物料管理系统和车间生产信息化管理系统远程连接,所述燃料电池大数据存储模块,具体用于:通过所述零部件物料管理系统获取所述燃料电池的零部件参数,并通过所述车间生产信息化管理系统获取所述研发数据和所述生产数据。
可选地,在一些实施例中,燃料电池大数据存储模块包括多个关系型数据库、第一非关系型数据库和分布式文件系统,所述燃料电池大数据存储模块,还用于:接收所述远程监控系统发送的所述燃料电池的实时运行数据;通过开源流处理平台或第二非关系型数据库对所述实时运行数据进行分析,并将分析结果存储至所述关系型数据库、所述第一非关系型数据库和所述分布式文件系统。
可选地,在一些实施例中,燃料电池大数据存储模块,还用于:检测接收的所述零部件参数、所述研发数据、所述生产数据和所述实时运行数据中是否存在重复数据;如果存在重复数据,则删除所述重复数据。
可选地,在一些实施例中,关联信息存储模块还用于:根据所述数据传输接口接收的更新指令,对所述关联信息和所述理论模型进行对应的删除、增加或修改。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请先通过集成式的开放型大数据存储模块,接入采购、研发、生产和运营端的数据存储系统,实现了不同来源的数据互不干扰和可交互性,并通过删除重复数据降低硬件要求,该大数据存储模块基于燃料电池产品结构存储数据,提高了存储数据的全面,适用于燃料电池的研发、生产、运行及售后等各个方面的数据分析需求。并且,根据技术和生产经验及理论模型得到燃料电池数据间的关联性,将其存储在系统中的关联数据存储模块,通过设置开放性的接口,便于根据实际运行状况增加、删除或修改关联信息,还提供了前端数据关联性查询界面,便于后续分析数据时准确、高效的提取出相关的数据,还通过存储关联参数的理论模型,在训练神经网络模型时提供检索,便于更加准确的进行数据分析。该系统还集成了多种机器学习算法进行数据分析和预测,并基于数据关联性选择数据集,从而提高了模型的预测精度,减少了模型的运算量,进一步提高了燃料电池数据分析的准确性和效率。
为实现上述目的,本发明第二方面实施例提出了一种电子设备,包括如上述实施例所述的基于数据关联性的燃料电池数据分析系统。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提出的一种基于数据关联性的燃料电池数据分析系统的结构示意图;
图2为本申请实施例提出的一种具体的基于数据关联性的燃料电池数据分析系统的结构示意图;
图3为本申请实施例提出的一种燃料电池大数据存储模块对接外部系统的示意图;
图4为本申请实施例提出的一种关联信息存储模块生成关联信息的流程示意图;
图5为本申请实施例提出的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
需要说明的是,由于燃料电池中零部件多且参数多,电池的很多机理尚未完全清晰,在燃料电池的大数据分析过程中,数据筛选和降噪至关重要。而申请人发现,为了对燃料电池进行可靠的大数据分析,需要确定燃料电池数据的关联性,并随着实际应用中加深的认知不断更新关联性。为此,本申请提出了一种基于数据关联性的燃料电池数据分析系统,该系统解决大数据分析在燃料电池领域应用过程中数据关联项不清晰的问题,定义了关联规则,方便数据提取,并提高数据分析效率和精度。
下面参考附图详细描述本申请实施例的基于数据关联性的燃料电池数据分析系统。
图1为本申请实施例提出的一种基于数据关联性的燃料电池数据分析系统的结构示意图,如图1所示,该系统包括:燃料电池大数据存储模块10、关联信息存储模20和数据分析模块30。其中,燃料电池大数据存储模块10、关联信息存储模20和数据分析模块30相互连接,以实现数据传输。
其中,燃料电池大数据存储模块10,用于存储燃料电池的零部件参数、研发数据、生产数据和实时运行数据。
其中,实时运行数据包括燃料电池在实际应用中的监控数据,比如,通过传感器采集的电池的单片电压和电堆电压。并且,实时运行数据还包括燃料电池所供电的设备(比如,新能源汽车或无人机)的实时运行数据、状态数据和所处的环境的环境数据等,举例而言,实时运行数据还包括由燃料电池提供动力的车辆的运行里程、整车状况、告警信息和当前环境中的路况和天气等。
零部件参数包括燃料电池的质子膜、催化剂、双极板、碳纸和密封垫等各个组成部件的物理和化学方面的参数,比如,密封垫大小、催化剂的活性等。研发数据和生产数据包括设计燃料电池和在车间生产电池过程中产生的数据,比如设计图纸、加工工艺和加工材料等等。
在本申请一个实施例中,具体获取上述零部件参数、研发数据、生产数据和实时运行数据时,可将燃料电池大数据存储模块10与远程监控系统、零部件物料管理系统ERP和车间生产信息化管理系统MES远程连接,燃料电池大数据存储模块10可以通过零部件物料管理系统获取燃料电池的零部件参数,并通过车间生产信息化管理系统获取研发数据和生产数据。
并且,远程监控系统平台可以先通过车载终端等设备实时采集整车运行数据和燃料电池的运行数据,进行备份后发送至燃料电池大数据存储模块10,然后燃料电池大数据存储模块10通过开源流处理平台Kafka或非关系型数据库Redis对实时运行数据进行分析,通过实时流分析进一步得到实时运行数据的分析结果,其中,分析结果包括对实时运行数据的判定结果和统计结果,比如,根据警告信息分析出的故障检测结果,或者统计出的车辆排放量数据和行车轨迹数据等。然后,燃料电池大数据存储模块10将分析结果存储至该模块中预设的关系型数据库MySQL、非关系型数据库HBase和分布式文件系统HDFS中。其中,在本申请实施例中,为了区分进行实时流分析和存储数据的非关系型数据,以Hbase为第一非关系型数据库,以Redis第二非关系型数据库。
需要说明的是,在实际应用中,由于燃料电池大数据存储模块10可以通过不同的方式接收数据,接收的数据中可能存在重复,因此,在本申请一个实施例中,燃料电池大数据存储模块10,还用于检测接收的零部件参数、研发数据、生产数据和实时运行数据中是否存在重复数据,如果判断出存在重复数据,则删除重复数据,以减少带宽消耗和降低对系统的硬件要求。
关联信息存储模块20,用于根据燃料电池大数据存储模块存储的数据,生成并存储燃料电池对应的多层目标数据之间的关联信息,并存储燃料电池的理论模型。
其中,燃料电池对应的多层目标数据包括,组成燃料电池的不同结构层级所涉及的数据,各层包括,燃料电池的材料层、部件层和系统层等,多层目标数据的各级之间具有关联性。
其中,燃料电池的理论模型是燃料电池的各层目标数据所涉及的燃料电池物理模型,包括质子交换膜中离子运输的能斯特-普朗克方程,在气体扩散层的有关两相流的达西定律和纳维-斯托克斯方程等。
在本申请一个实施例中,关联信息存储模块20建立关联信息时,具体用于:先根据燃料电池的历史数据和理论模型,建立燃料电池的材料参数之间的关联,历史数据包括零部件参数、研发数据和生产数据,再根据历史数据和理论模型,建立燃料电池的材料参数与燃料电池的组件之间的关联,再根据燃料电池的测试数据和专家知识,建立燃料电池的组件与燃料电池的单电池结构之间的关联,再根据历史数据和理论模型,建立单电池结构与燃料电池对应的关键设备之间的关联,最后根据历史数据和燃料电池的衰减模型,建立关键设备和燃料电池所处的动力系统之间关联,以及外部环境因素与所述动力系统之间关联,以生成树状结构的多层目标数据之间的关联信息。
具体的,历史数据还可以包括燃料电池在设计和生产过程中,技术人员的经验和文献记录等,燃料电池对应的关键设备对燃料电池的性能具有较大影响的设备,包括控制器、空压机和氢气喷射器等。
进一步的,关联信息存储模块20还可以提供查询关联信息的功能。在本申请一个实施中,关联信息存储模块20和数据分析模块30通过数据传输接口相连,关联信息存储模块20还包括关联性查询子模块21,关联性查询子模块21用于获取待研究的参数,关联信息存储模块20,还用于基于关联信息确定与待研究的参数对应的数据集,将数据集发送给数据分析模块30。在本示例中,关联性查询子模块21包括一个数据关联性查询界面,确定当前待研究的参数,作为一种可能的实现方式,关联性查询子模块21可以与客户端建立连接,以获取前端查询的数据,作为另一种可能的实现方式,关联性查询子模块21也可以设置在客户端中,通过人机交互界面获取用户输入的数据。
由此,关联信息存储模块20可以根据关联规则从燃料电池大数据存储模块10中提取出与当前待分析的数据相关的各类参数或频繁项,生成与数据分析需求对应的数据集,数据分析模块30再通过数据传输接口从关联信息存储模块20中提取出该数据集,免去了数据集选择的复杂过程。
在本申请一个实施例中,关联信息存储模块20还用于根据数据传输接口接收的更新指令,对关联信息和理论模型进行对应的删除、增加或修改。具体的,通过开放性的接口接收客户端,或者数据分析模块30发送的关联信息的更新指令,可以根据实际应用中经过检验确定的,或者通过数据分析模块分析出的,更加准确和适用的新关联规则对关联信息进行更新,提高本申请建立的的关联信息的准确性和时效性。
数据分析模块30,用于根据关联信息和理论模型构建多个神经网络模型,通过多个神经网络模型对燃料电池进行数据分析和故障预测。
在本申请一个实施例中,数据分析模块包括30:数据预处理子模块31、统计分析子模块32和机器学习子模块33,其中,机器学习子模块33用于从关联信息存储模块20中获取与待训练的神经网络模型对应的理论模型,并根据对应的理论模型编码待训练的神经网络模型。由此,可以结合系统中存储的相关的理论知识,建立高精度的网络模型。
在本申请一个实施例中,数据预处理子模块31具体用于:先去除数据集中的毛刺数据,然后对数据集中的无效值进行补齐,再通过独热码one-hot标准化数据。
在本申请实施例中,数据分析模块30先对提取的数据集进行预处理,包括数据过滤和编码等处理,根据处理后的数据通过多种统计分析算法进行数据分析,并通过机器学习建立神经网络模型进行燃料电池性能衰退分析和剩余使用寿命预测等分析和预测,实现了燃料电池数据分析和故障预测等功能。
为了更加清楚的描述本申请的基于数据关联性的燃料电池数据分析系统实现数据分析的具体过程,下面以一个具体的基于数据关联性的燃料电池数据分析系统为示例进行说明。图2为本申请实施例提出的一种具体的基于数据关联性的燃料电池数据分析系统的结构示意图。需要说明的是,为了便于描述该系统中各模块的作用,该示意图中还描述了各模块处理或存储的数据,以及数据处理过程,而并不作为对系统结构的限定。
如图2所示,燃料电池大数据存储模块10可以是一种开放性数据存储平台,燃料电池大数据存储模块10包括ERP数据库和MES数据库的调用接口,通过调用ERP数据和MES数据,提取其中的零部件参数、研发数据和生产数据并存储。燃料电池大数据存储模块10存储了燃料电池中各部件的常用物理模型,包括气体扩散层、质子交换膜、催化剂、双极板等,以及各物理模型的参数,比如,包括碳纸、质子交换膜和双极板等部件的材料参数,以及单电池及电堆的性能参数,电堆系统的零部件参数等。其中,燃料电池大数据存储模块10的接口可扩展,以支持多文件系统客户端的交互,可向燃料电池大数据存储模块10读写文件,以在实际应用中持续的完善该模块存储的数据。
进一步的,燃料电池大数据存储模块10获取实时运行数据时,如图3所示,作为一种可能的实现方式,燃料电池大数据存储模块10可以与远程监控平台、ERP数据库和MES数据库远程对接。其中,远程监控系统平台通过车载终端实时采集燃料电池供电的车辆的整车运行数据,通过巡检系统获取远程信息处理模块T-BOX采集的单电池和电堆的运行信息。
具体实施时,可以通过预先设置在燃料电池车中的CAN接口传输设备,将燃料电池车监测单元的工作数据,按通信协议进行打包处理后通过GPRS无线通信技术实时发送至远程监控中心。然后,在远程监控中心处对接收到信息进行报文解析以获取T-BOX的采集的监控数据,并对监控数据进行分类处理,将敏感数据进行本地存储与备份,将非敏感数据存储至云存储平台备用,其中,敏感数据可以包括对燃料电池进行分析时所需的整车和燃料电池的实时运行数据。进而,远程监控中心将采集的实时运行数据发送至燃料电池大数据存储模块10进行存储。若远程监控中心出现故障,则可按时间排序的方式将接收到的燃料电池产品运行数据依次存储于车载终端,从而避免数据丢失,待远程监控中心故障恢复后,由车载终端将缓存的数据进行上传。并且,远程监控中心可通过监控页面的显示对上传的燃料电池产品实时数据分析处理及实时存储,并通过分析现有数据的进行故障诊断,进而实现对燃料电池产品的远程监控。远程监控中心还可以将自身生成的诊断数据和监控数据发送至燃料电池大数据存储模块10,以辅助进行燃料电池的数据分析。燃料电池大数据存储模块10还可以与用户的移动终端连接,便于用户实时查询和调用所需的数据。
更进一步的,燃料电池大数据存储模块10对接收的实时运行数据进行实时流分析,具体可将消息队列输入至Kafka或者Redis进行实时流分析,将得到的分析结果,比如,轨迹实时监控、故障检测结果和排放量数据监控,以及获取的警告信息和燃料电池实时统计数据等进行持久化存储,具体可通过存储平台预设的非关系型数据库,比如,Hbase和Redis,以及关系型数据库,比如,MySQL等进行离线存储。
其中,关联信息存储模块20对燃料电池所设计的数据按照结构层级分类存储,由材料层开始,由下而上直至动力系统建立各层数据间的关联关系,确定关键参数的关联性。从而关联信息存储模块20确定关联性层级清晰,可以通过关联性树状图表示该关联信息。
为了更加清楚的说明关联信息存储模块20生成燃料电池对应的多层目标数据之间的关联信息的具体实现过程,下面以一个关联信息存储模块生成关联信息的具体方法进行说明,如图4所示,关联信息存储模块20可执行该方法中的以下步骤:
步骤S1,结合实验室技术人员的经验、文献记录和理论模型,存储材料参数之间的关联性。
具体的,在本步骤中,存储影响燃料电池性能的相关参数类别,作为一种实现方式,仅记录参数名称及类型而不存储具体数值,以减少占用的存储空间。
具体实施时,可以分别从膜电极实验室、催化剂实验室、双极板实验室和开放性材料数据库中,依次获取质子交换膜材料、催化剂材料、双极板金属/石墨材料、碳纸材料和密封胶材料等对应的历史记录,确定材料参数之间的关联性。举例而言,可以包括质子膜聚合物的分子结构与其电导率,催化剂材料的比表面积等。
步骤S2,结合实验室技术人员的经验、文献记录和理论模型,建立下层关键材料参数与本层组件参数的关联性。
其中,组件可以包括燃料电池的膜电极、双极板和集流板等组成燃料电池的部件。
具体的,在本步骤中,下一层结构材料参数影响本层部件的重点参数,比如离子交换律、催化剂活性等,本层组件影响燃料电池的相关参数,比如,结构强度、流体速率等。
步骤S3,结合产品测试获取的单片性能和相关专家经验,建立下层组件参数与本层单电池结构参数的关联性。
其中,单片性能包括单电池的电压、电流等参数。
具体的,在本步骤中,下一层结构参数影响本层部件的重点参数,比如,催化剂载量和膜电极耐久性等,而本层部件影响燃料电池的单电池电流、电压和衰减速率等相关参数。
步骤S4,结合生产技术人员的经验、文献记录和理论模型,建立下层单电池结构与本层的关键设备的关联性。
其中,关键设备包括电堆、控制器、空压机、氢气喷射器和氢瓶等。
具体的,在本步骤中,下一层结构影响本层部件的电池性能,本层部件影响燃料电池的储氢量和电堆功率等相关参数。
步骤S5,结合生产及售后人员的经验、文献记录和衰减模型,建立下层关键设备参数与本层动力系统参数的关联性,及外部因素与动力系统参数的关联性。
具体的,在本步骤中,下一层结构影响本层动力系统的的电堆功率、水热管理和空气流速等参数,而本层部件影响燃料电池的耐久性和安全性等的相关参数。
由此,根据技术和生产经验及理论模型得到燃料电池各层级数据间的关联性,有利于实现可靠的大数据分析。
并且,关联信息存储模块20也包括开放性接口,可根据接收到的指令进行参数类型和关联性的删除、增加和修改,使关联性存储数据库20具有可扩展和易更新的特性,在实际应用中,随着对燃料电池技术的认识深入,可以通过更新关联信息而不需要对燃料电池数据存储平台的数据标签进行更改,即可完成数据的提取,进一步提高数据提取的便利性。
另外,如图2所示,关联信息存储模块20还存储了燃料电池系统各层级目标数据所涉及的理论模型,包含质子交换膜中离子运输的能斯特-普朗克方程,在气体扩散层的有关两相流的达西定律、纳维-斯托克斯方程等。其中,关联信息存储模块20可以按目标数据的层级分类存储对应的理论模型,比如,与动力系统对应的Fick定律、气体泄露模型和电压衰减模型等,又比如,与密度材料对应的密度函数,再比如,与结构设计对应的断裂准则等等,从而可以提高获取对应的理论模型的速度。
关联信息存储模块20还包括数据提取和输出接口,可从燃料电池大数据存储模块10中提取数据,并将确定的数据集输出至数据分析模块30。
其中,关联信息存储模块20还可以对数据分析模块30进行机器学习时所需的燃料电池数据进行挖掘,并提取出对应的数据集发送至数据分析模块30。具体实施时,关联信息存储模块20可以基于分析生成的多层目标数据之间的关联信息,通过关联性存储系统界面,从客户端查询需要研究的参数,并根据关联规则获取对应的参数或频繁项,再从燃料电池大数据存储模块10中按确定参数或频繁项提取出数据集,由此,降低了选择数据集的复杂程度,通过数据关联性存储平台快速调取关联数据,有利于非燃料电池专业技术人员的用户进行数据分析。
继续参照图2所示,数据分析模块30包括数据预处理模块31、统计分析模块32和机器学习模块33和关联规则更新模块34。其中,数据预处理模块31对提取的数据集进行预处理,包含数据过滤和编码,具体实施时,可以通过预设的人工经验阈值和统计分析去除毛刺数据,并通过插值或平均值方法对无效值null进行补齐,再通过one-hot编码标准化数据。统计分析模块32可通过韦伯分布等多种统计分析算法进行事故统计和警告统计,对燃料电池的数据进行分析。机器学习模块33集成CNN、RNN、ANN、SVM等多种算法,并在激活函数、损失函数、学习率处提供调参注释,并可以通过关联信息存储模块20,实现预测和分析内容的相关理论模型在客户端可视化,可以结合物理模型开发神经网络的模型,将可视化的相关理论模型编码到神经网络模型,发展高精度的网络模型。关联规则更新模块34可以将通过神经网络模型的分析确定出的新的关联规则更新至关联信息存储模块20,提高存储的关联信息的准确性。数据分析模块30还可以将训练完成的可供预测的机器学习网络模型存储至燃料电池大数据存储模块,以降低数据分析模块的存储量,保证数据分析模块10的运算性能。
由此,该基于数据关联性的燃料电池数据分析系统,通过关联信息存储模块的界面实现燃料电池大数据分析平台中的研究问题相关数据调取,并可根据相关联理论模型更新机器学习神经网络,提高了模型预测精度,便于进行数据分析。
综上所述,本申请实施例的基于数据关联性的燃料电池数据分析系统,先通过集成式的开放型大数据存储模块,接入采购、研发、生产和运营端的数据存储系统,实现了不同来源的数据互不干扰和可交互性,并通过删除重复数据降低硬件要求,该大数据存储模块基于燃料电池产品结构存储数据,提高了存储数据的全面,适用于燃料电池的研发、生产、运行及售后等各个方面的数据分析需求。并且,根据技术和生产经验及理论模型得到燃料电池数据间的关联性,将其存储在系统中的关联数据存储模块,通过设置开放性的接口,便于根据实际运行状况增加、删除或修改关联信息,还提供了前端数据关联性查询界面,便于后续分析数据时准确、高效的提取出相关的数据,还通过存储关联参数的理论模型,在训练神经网络模型时提供检索,便于更加准确的进行数据分析。该系统还集成了多种机器学习算法进行数据分析和预测,并基于数据关联性选择数据集,从而提高了模型的预测精度,减少了模型的运算量,进一步提高了燃料电池数据分析的准确性和效率。
基于上述实施例,为了更加清楚的说明本申请的基于数据关联性的燃料电池数据分析系统在实际应用场景下的设置方式和数据分析过程,下面以一个具体的实施例进行说明。
在本实施例中,可以先将T-BOX安装至燃料电池动力系统,并在系统中搭载物联卡以便接收信号。然后,布置远程监控系统,采集车辆实时信息,通过队列信息Kafka对实时数据进行处理,并在远程监控平台界面实时展示。在燃料电池数据分析平台并搭建集群环境进行离线数据存储,在数据平台中的ERP系统和MES系统接入零部件编号、研发和生产测试数据。然后根据实际需要,结合理论模型,分析燃料电池参数间的关系,如单电池中阳极和阴极相对湿度、温度、流速、电流和压力间存在关联性。并将数据关联性及相关理论模型存储在数据库中,在后续进行数据分析时可以通过界面提取,将提取出的关联性数据预处理后通过神经网络模型工具进行进一步的数据挖掘与预测。
为了实现上述实施例,本发明实施例还提出一种电子设备。图5为本申请实施例提出的一种电子设备的结构示意图。
如图5所示,该电子设备1000可包括如上述实施例所述的基于数据关联性的燃料电池数据分析系统2000,本申请实施例的的电子设备可以是应用服务器等,通过运行其中的基于数据关联性的燃料电池数据分析系统,提高该电子设备对燃料电池数据分析的准确性和效率。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于数据关联性的燃料电池数据分析系统,其特征在于,包括:燃料电池大数据存储模块、关联信息存储模块和数据分析模块,其中,所述燃料电池大数据存储模块、所述关联信息存储模块和所述数据分析模块相互连接,
所述燃料电池大数据存储模块,用于存储燃料电池的零部件参数、研发数据、生产数据和实时运行数据;
所述关联信息存储模块,用于根据所述燃料电池大数据存储模块存储的数据,生成并存储所述燃料电池对应的多层目标数据之间的关联信息,并存储所述燃料电池的理论模型;
所述数据分析模块,用于根据所述关联信息和所述理论模型构建多个神经网络模型,通过所述多个神经网络模型对所述燃料电池进行数据分析和故障预测。
2.如权利要求1所述的系统,其特征在于,所述关联信息存储模块,具体用于:
根据所述燃料电池的历史数据和所述理论模型,建立所述燃料电池的材料参数之间的关联,所述历史数据包括所述零部件参数、所述研发数据和所述生产数据;
根据所述历史数据和所述理论模型,建立所述燃料电池的材料参数与所述燃料电池的组件之间的关联;
根据所述燃料电池的测试数据和专家知识,建立所述燃料电池的组件与所述燃料电池的单电池结构之间的关联;
根据所述历史数据和所述理论模型,建立所述单电池结构与所述燃料电池对应的关键设备之间的关联;
根据所述历史数据和所述燃料电池的衰减模型,建立所述关键设备和所述燃料电池所处的动力系统之间关联,以及外部环境因素与所述动力系统之间关联,以生成树状结构的所述多层目标数据之间的关联信息。
3.如权利要求1或2所述的系统,其特征在于,所述关联信息存储模块和所述数据分析模块通过数据传输接口相连,所述关联信息存储模块还包括:关联性查询子模块,
所述关联性查询子模块,用于获取待研究的参数;
所述关联信息存储模块,还用于基于所述关联信息确定与所述待研究的参数对应的数据集;
所述数据分析模块,还用于通过所述数据传输接口从所述关联信息存储模块中提取出所述数据集。
4.如权利要求3所述的系统,其特征在于,所述数据分析模块包括:数据预处理子模块、统计分析子模块和机器学习子模块,所述机器学习子模块用于:
从所述关联信息存储模块中获取与待训练的神经网络模型对应的理论模型;
根据所述对应的理论模型编码所述待训练的神经网络模型。
5.如权利要求4所述的系统,其特征在于,所述数据预处理子模块用于:
去除所述数据集中的毛刺数据;
对所述数据集中的无效值进行补齐;
通过独热码one-hot标准化数据。
6.如权利要求1所述的系统,其特征在于,所述燃料电池大数据存储模块与远程监控系统、零部件物料管理系统和车间生产信息化管理系统远程连接,所述燃料电池大数据存储模块,具体用于:通过所述零部件物料管理系统获取所述燃料电池的零部件参数,并通过所述车间生产信息化管理系统获取所述研发数据和所述生产数据。
7.如权利要求6所述的系统,其特征在于,所述燃料电池大数据存储模块包括多个关系型数据库、第一非关系型数据库和分布式文件系统,所述燃料电池大数据存储模块,还用于:
接收所述远程监控系统发送的所述燃料电池的实时运行数据;
通过开源流处理平台或第二非关系型数据库对所述实时运行数据进行分析,并将分析结果存储至所述关系型数据库、所述第一非关系型数据库和所述分布式文件系统。
8.如权利要求6所述的系统,其特征在于,所述燃料电池大数据存储模块,还用于:
检测接收的所述零部件参数、所述研发数据、所述生产数据和所述实时运行数据中是否存在重复数据;
如果存在重复数据,则删除所述重复数据。
9.如权利要求1所述的系统,其特征在于,所述关联信息存储模块,还用于:
根据所述数据传输接口接收的更新指令,对所述关联信息和所述理论模型进行对应的删除、增加或修改。
10.一种电子设备,其特征在于,包括如权利要求1-9中任一项所述的基于数据关联性的燃料电池数据分析系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535613.1A CN114398347A (zh) | 2021-12-15 | 2021-12-15 | 基于数据关联性的燃料电池数据分析系统和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535613.1A CN114398347A (zh) | 2021-12-15 | 2021-12-15 | 基于数据关联性的燃料电池数据分析系统和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114398347A true CN114398347A (zh) | 2022-04-26 |
Family
ID=81226370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535613.1A Pending CN114398347A (zh) | 2021-12-15 | 2021-12-15 | 基于数据关联性的燃料电池数据分析系统和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398347A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762683A (zh) * | 2022-11-25 | 2023-03-07 | 中国科学院宁波材料技术与工程研究所 | 燃料电池设计数据的处理方法、装置以及电子设备 |
-
2021
- 2021-12-15 CN CN202111535613.1A patent/CN114398347A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115762683A (zh) * | 2022-11-25 | 2023-03-07 | 中国科学院宁波材料技术与工程研究所 | 燃料电池设计数据的处理方法、装置以及电子设备 |
CN115762683B (zh) * | 2022-11-25 | 2023-05-26 | 中国科学院宁波材料技术与工程研究所 | 燃料电池设计数据的处理方法、装置以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN111651530B (zh) | 一种智能化港口监测系统 | |
CN115809183A (zh) | 基于知识图谱的信创终端故障发现及处置的方法 | |
CN113614758A (zh) | 设备指标优良性等级预测模型训练方法、监控系统和方法 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
CN114118224A (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN113283602B (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
CN108920609A (zh) | 基于多维度分析的电力实验数据挖掘方法 | |
CN114398347A (zh) | 基于数据关联性的燃料电池数据分析系统和电子设备 | |
CN117235169A (zh) | 一种智慧运维数据存储平台 | |
CN117436846B (zh) | 基于神经网络的设备预测性维护方法及系统 | |
CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
CN106649765A (zh) | 基于大数据技术的智能电网全景数据分析方法 | |
CN117648858A (zh) | 机车状态评估方法、装置、设备和介质 | |
CN117392824A (zh) | 一种海上风电升压站的钢结构监测预警平台 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN110647070A (zh) | 一种用于超大规模数据中心的动力环境监控系统 | |
CN113386976B (zh) | 一种大型飞机燃油系统全模试验方法 | |
CN115065539A (zh) | 数据安全监测方法、装置、设备及存储介质 | |
CN113836203A (zh) | 一种网络数据化诊断检测分析系统 | |
CN110298585B (zh) | 一种变电站设备监控信息分层分级自动审核方法 | |
Wang et al. | LSTM-based alarm prediction in the mobile communication network | |
CN112433909A (zh) | 一种基于kafka的实时监控数据的处理方法 |
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 |