CN114924202A - 一种燃料电池使用寿命的检测方法和检测装置 - Google Patents
一种燃料电池使用寿命的检测方法和检测装置 Download PDFInfo
- Publication number
- CN114924202A CN114924202A CN202210545879.2A CN202210545879A CN114924202A CN 114924202 A CN114924202 A CN 114924202A CN 202210545879 A CN202210545879 A CN 202210545879A CN 114924202 A CN114924202 A CN 114924202A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- working condition
- condition
- service life
- preset
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本申请提供的一种燃料电池使用寿命的检测方法和装置中,先根据燃料电池的应用场景定义燃料电池的基准工况,将燃料电池该基准工况下运行的特征矩阵输入预先训练完成的预测模型,得到燃料电池的衰减率,结合其在在预设工况下运行的衰减率得到工况强度,并根据该工况强度建立该燃料电池在基准工况下工况强度与寿命的关系,进而根据该关系分析确定燃料电池的使用寿命。本方案中,基于该燃料电池在基准工况下运行,得到其特征矩阵后,直接基于该预测模型进行处理即可得到该燃料电池的衰减率,并根据建立的该基准工况下对应的工况强度与寿命的关系进行分析计算直接得到该燃料电池的使用寿命,而无需等待该燃料电池运行到使用寿命结束,减小了测试时长。
Description
技术领域
本申请涉及燃料电池领域,更具体的说,是涉及一种燃料电池使用寿命的检测方法和检测装置。
背景技术
氢氧燃料电池汽车用以质子交换膜燃料电池(PEMFC,proton exchange membranefuel cell)系统为核心,使用高纯度氢气与空气中的氧气发生电化学反应,产生电能驱动车辆运行。氢氧燃料电池是零排放或近似零排放的车载动力解决方案,具有运行平稳噪音低、经济性高、加注燃料快。环境适应性强等优点。随着环境污染与全球气候变暖问题的日益严重,其作为一种汽车动力系统解决方案而日益受到关注。
为了满足燃料电池汽车日益增长的耐久性能要求,燃料电池系统(发动机)的设计耐久性能也水涨船高,达到“万小时”以上的级别。这就使上万小时设计寿命如何得到验证成为了燃料电池测试领域的一大难题。
常规的燃料电池耐久性能测试采用“场景仿真”方法,使用与应用场景接近的耐久测试循环工况进行测试,测试时长与检测寿命为1:1的关系。而上万小时的测试时长极大地拖延了产品的研发周期,同时带来了巨大的测试成本。
发明内容
有鉴于此,本申请提供了一种燃料电池使用寿命的检测方法,如下:
一种燃料电池使用寿命的检测方法,包括:
依据应用场景定义燃料电池运行的基准工况;
获取所述燃料电池在定义的基准工况下运行的特征矩阵;
将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,所述工况强度是基于至少两个预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率;
基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
可选的,上述的方法,控制所述燃料电池在基准工况下运行,获取所述基准工况的特征矩阵,包括:
在控制燃料电池按照所述基准工况运行一个周期的过程中,采集所述燃料电池的至少两个运行条件参数的参数值;
获取所述过程中燃料电池的电流数据和电压数据;
根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵。
可选的,上述的方法,所述根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵,包括:
选取一个完整的运行工况周期,依据在该周期内统计所述燃料电池的电流数据划分至少两个电流区间,依据在该周期内统计所述燃料电池的电压数据划分至少两个电压区间统计所述燃料电池的电流数据,计算得到所述电流数据在每个符合预设电流条件区间的时长占据该周期时长的第一比例,得到所述至少两个电流区间的电流特征;
统计所述燃料电池至少两个运行条件数据,计算得到所述运行条件在每个符合预设电流条件区间的时长占据该周期时长的比例,得到所述至少两个电流区间的运行条件特征
统计所述燃料电池的电压数据,计算得到所述电压数据在每个符合预设电压条件区间的时长占据该周期时长的第二比例,得到所述至少两个电压区间的电压特征;
将所述电流特征、所述电压特征和所述运行条件特征按列向量组成所述基准工况的特征矩阵。
可选的,上述的方法,还包括:
获取燃料电池在至少两个预设工况下运行的特征矩阵;
将所述在至少两个预设工况下运行的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的预设衰减率。
可选的,上述的方法,所述基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,包括:
获取所述燃料电池在至少两个预设工况下对应的至少两个预设衰减率以及至少两个预设寿命;
基于所述至少两个预设衰减率与所述基准工况下燃料电池的衰减率计算得到所述燃料电池在所述基准工况下的工况强度;
根据所述燃料电池在所述基准工况下的至少两个工况强度以及所述燃料电池的至少两个预设寿命创建耐久特性曲线;
根据所述耐久特性曲线拟合得到工况强度与寿命的函数关系。
可选的,上述的方法,所述基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命,包括:
基于所述工况强度与寿命的函数关系,计算得到在目标工况强度下的所述燃料电池的使用寿命。
可选的,上述的方法,所述依据应用场景定义燃料电池运行的基准工况之前,还包括:
基于燃料电池的至少两个训练工况训练预测模型。
可选的,上述的方法,所述基于燃料电池的至少两个训练工况训练预测模型,包括:
依次在所述至少两个训练工况中选择一个训练工况;
获取在每个训练工况的特征矩阵以及所述燃料电池的性能衰减率得到特征矩阵集合和性能衰减率集合;
基于所述特征矩阵集合作为输入、所述性能衰减率集合作为输出训练预测模型。
可选的,上述的方法,获取在任一训练工况所述燃料电池的衰减率,包括:
控制燃料电池按照所述训练工况运行至少两个周期的过程,按照预设检测周期检测所述燃料电池的衰减值;
统计所述燃料电池的训练寿命,所述训练寿命是所述燃料电池在所述训练工况下的使用寿命;
根据所述衰减值和所述训练寿命计算得到所述燃料电池的衰减率。
一种燃料电池使用寿命的检测装置,包括:
定义模块,用于依据应用场景定义燃料电池运行的基准工况;
矩阵模块,用于获取所述燃料电池在所述基准工况下运行的特征矩阵;
关系建立模块,基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,所述工况强度是预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率;
分析模块,用于基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
经由上述的技术方案可知,本申请提供了一种燃料电池使用寿命的检测方法,先根据燃料电池的应用场景定义燃料电池的基准工况,将燃料电池该基准工况下运行的特征矩阵输入预先训练完成的预测模型,得到燃料电池的衰减率,结合其在在预设工况下运行的衰减率得到工况强度,并根据该工况强度建立该燃料电池在基准工况下工况强度与寿命的关系,进而根据该关系分析确定燃料电池的使用寿命。本方案中,基于该燃料电池在基准工况下运行,得到其特征矩阵后,直接基于该预测模型进行处理即可得到该燃料电池的衰减率,并根据建立的该基准工况下对应的工况强度与寿命的关系进行分析计算直接得到该燃料电池的使用寿命,而无需等待该燃料电池运行到使用寿命结束,减小了测试时长。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种燃料电池使用寿命的检测方法实施例1的流程图;
图2为本申请提供的一种燃料电池使用寿命的检测方法实施例2的流程图;
图3为本申请提供的一种燃料电池使用寿命的检测方法实施例2中燃料电池的寿命检测示意图;
图4为本申请提供的一种燃料电池使用寿命的检测方法实施例2中区间划分示意图;
图5为本申请提供的一种燃料电池使用寿命的检测方法实施例3的流程图;
图6为本申请提供的一种燃料电池使用寿命的检测方法实施例3中耐久特性曲线图;
图7为本申请提供的一种燃料电池使用寿命的检测方法实施例4的流程图;
图8为本申请提供的一种燃料电池使用寿命的检测方法实施例5的流程图;
图9为本申请提供的一种燃料电池使用寿命的检测装置实施例的结构示意图;
图10为本申请提供的一种电子设备实施例的结构示意图。
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所示的,为本申请提供的一种燃料电池使用寿命的检测方法实施例 1的流程图,该方法包括以下步骤:
步骤S101:依据应用场景定义燃料电池运行的基准工况;
其中,该燃料电池可以包括:燃料电池单电池、燃料电池短堆、燃料电池模块和燃料电池系统等,本申请不对于燃料电池的具体形式做限制。
其中,该基准工况是燃料电池待检测使用寿命的工况。
具体的,该基准工况的具体情况可以根据不同的应用场景设置,如该基准工况可以是燃料电池应用于公交车的实车工况,也可以是选用国家标准或者企业标准规定的标准工况。
具体的,该燃料电池的基准工况特征体现于燃料电池的运行条件设置,燃料电池的运行条件为燃料电池产品运行过程外界对燃料电池输入和燃料电池输出的物理参数种类,一般包括运行温度、燃料供给压力、燃料供给流量、燃料供给湿度、环境温度、环境压力、进气湿度、压差等等。
步骤S102:获取所述燃料电池在定义的基准工况下运行的特征矩阵;
其中,控制该燃料电池在该基准工况下运行,以获得该基准工况的特征矩阵。
具体的,该特征矩阵中包括了运行条件参数、电流、电压等相关的数据。
步骤S103:将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
其中,预先训练有预测模型,该预测模型是以多个训练工况的特征矩阵作为输入、与训练工况下的燃料电池对应的衰减率作为输出进行训练得到。
具体的,将该基准工况的特征矩阵作为输入信息输入该预测模型中,该预测模型进行处理输出该燃料电池的衰减率。
其中,该预测模型是基于多个训练工况对应的特征矩阵作为输入以及相应的预设寿命作为输出进行训练得到的。
步骤S104:基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系;
其中,所述工况强度是基于至少两个预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率。
其中,该工况强度是在某预设工况下运行的燃料电池性能衰减率与在基准工况下燃料电池性能的衰减率的比值。
具体实施中,执行本方案的处理器中可以预先存储有检测数据,如该多个预设工况下的衰减率,具体可以是训练该预测模型时得到的检测值,也可以是能够计算得到该衰减率的参数值。
其中,若该衰减率是基于参数值进行计算得到的,则该计算衰减率个过程如下:
获取燃料电池在至少两个预设工况下运行的特征矩阵;
将所述在至少两个预设工况下运行的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的预设衰减率。
具体的,燃料电池在预设工况下运行的特征矩阵可以是预先存储在电子设备中的,获取得到该特征矩阵后,将其输入该训练完成的预测模型中,得到该燃料电池的预设衰减率。
具体实施中,采用同一个预测模型对于预设工况下的衰减率和基准工况下的衰减率进行分析,其均是基于预设工况下的特征矩阵以及基准工况的特征矩阵进行分析处理得到相应的衰减率,减小了分析衰减率过程中的其他情况的影响,提高预测燃料电池使用寿命的准确度。
步骤S105:基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
具体的,已知该基准工况下,根据工况强度与寿命的关系,而工况强度是与该基准工况下的燃料电池衰减率的比值,则选择相应的工况强度,即可确定在该基准工况下,该燃料电池的使用寿命。
具体实施中,检测得到的该燃料电池的使用寿命可以反馈给整车控制器,以使得整车控制器根据反馈的当前燃料电池寿命评估燃料电池系统保养周期,并通过显示仪表通知用户及时对燃料电池定期养护,进而提升燃料电池耐久性。
综上,本实施例提供的一种燃料电池使用寿命的检测方法,先根据燃料电池的应用场景定义燃料电池的基准工况,将燃料电池该基准工况下运行的特征矩阵输入预先训练完成的预测模型,得到燃料电池的衰减率,结合其在在预设工况下运行的衰减率得到工况强度,并根据该工况强度建立该燃料电池在基准工况下工况强度与寿命的关系,进而根据该关系分析确定燃料电池的使用寿命。本方案中,基于该燃料电池在基准工况下运行,得到其特征矩阵后,直接基于该预测模型进行处理即可得到该燃料电池的衰减率,并根据建立的该基准工况下对应的工况强度与寿命的关系进行分析计算直接得到该燃料电池的使用寿命,而无需等待该燃料电池运行到使用寿命结束,减小了测试时长。
如图2所示的,为本申请提供的一种燃料电池使用寿命的检测方法实施例 2的流程图,该方法包括以下步骤:
步骤S201:依据应用场景定义燃料电池的基准工况;
其中,步骤S201与实施例1中的步骤S101一致,本实施例中不做赘述。
步骤S202:在控制燃料电池按照所述基准工况运行一个周期的过程中,采集所述燃料电池的至少两个运行条件参数的参数值;
其中,按照该基准工况,控制该燃料电池运行一个周期,在运行的过程中,采集该燃料电池的多个运行条件参数的参数值。
具体的,该运行条件参数可以包括运行温度、燃料供给压力、燃料供给流量、燃料供给湿度、环境温度、环境压力等,但不限于此。
步骤S203:获取所述过程中燃料电池的电流数据和电压数据;
相应的,在该燃料电池运行过程中,获取该燃料电池的电流数据和电压数据。
其中,该电流数据和电压数据是该燃料电池运行过程中生成的电能,该电流数据和电压数据表征了该燃料电池生成电能的情况。
步骤S204:根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵;
其中,根据该多个运行条件参数的参数值和该电流数据电压数据进行处理得到该基准工况的特征矩阵。
具体的,该多个运行条件参数表征了该燃料电池的运行条件,其是用于测试电池耐久性的条件。
如图3所示的为燃料电池的寿命检测示意图,其中运行条件参数包括阳极燃料供给计量比、阳极燃料供给压力、阴极燃料供给计量比、阴极燃料供给压力、运行温度等,燃料电池在该运行条件参数的工况下,有电压输出和电流输出,该电压和电流用于为用电设备供电。
需要说明的是,该特征矩阵表征了该基准工况下运行条件参数的情况以及燃料电池生成电能的情况,基于该特征矩阵输入预测模型,即可使得该预测模型基于该燃料电池在一个周期的运行情况分析得到该燃料电池的衰减率。
其中,该步骤S204包括如下步骤:
步骤S2041:选取一个完整的运行工况周期,依据在该周期内统计所述燃料电池的电流数据划分至少两个电流区间,依据在该周期内统计所述燃料电池的电压数据划分至少两个电压区间;
步骤S2042:统计所述燃料电池的电流数据,计算得到所述电流数据在每个符合预设电流条件区间的时长占据该周期时长的第一比例,得到所述至少两个电流区间的电流特征;
具体的,在运行工况周期中,计算符合预设电流条件的电流数据的出现时长,基于该时长与燃料电池运行周期的时长,计算得到第一比例,依次得到各个电流区间中的比例,即得到该多个时间区间的电流特征。
具体的,统计一个完整的运行工况周期中,燃料电池的最大电流值Imax 和最小电流值Imin,按照最大电流值和最小电流值差值的电流范围进行等间距划分成多份电流区间,如n份,每份是(Imax-Imin)/n,n是大于1的整数;统计每个电流区间范围内所出现的电流数据点的个数,该个数乘以每个数据点的采样时长,得到的是该区间的运行时长;依次将每个区间的运行时长除以总运行时长即获得每个区间的时长占比αi-j,其中,α表示比例,i和j表示区间的编号,例如:C1即为“区间1”。
如图4所示的为区间划分示意图,其中,横轴表示时间(单位是小时h),纵轴表示电流值(单位是安培A),本示意图中,曲线表示的是燃料电池的输出电流值。而纵轴上,以550-900的范围划分为C1-C5一共5个电流分区。在该图中,在550-620的区间作为C1,620-690的区间作为C2,690-760的区间作为C3,760-830的区间作为C4,830-900的区间作为C5,其中,550-690 之间为C12区间,550-760之间为C13区间,550-830之间为C14区间,550-900 之间为C15区间;同理,620-760之间为C23区间,620-830之间为C24区间, 620-900之间为C25区间;620-760之间为C23区间,690-830之间为C34区间,690-900之间为C35区间;760-900之间为C45区间。
需要说明的是,所述分析参数不限于电流,可以推广至电流密度(m A/cm2)等电流相关的表征参数。
步骤S2043:统计所述燃料电池的电压数据,计算得到所述电压数据在每个符合预设电压条件区间的时长占据该周期时长的第二比例,得到所述至少两个电压区间的电压特征;;
具体的,在每个周期中,计算符合预设电压条件的电压数据的出现时长,基于该时长与燃料电池运行周期的时长,计算得到第二比例,依次得到各个电压区间中的比例,即得到该多个时间区间的电压特征。
具体的,统计一个周期中,燃料电池的最大电压值Umax和最小电压值 Umin,按照最大电压值和最小电压值差值的电压范围进行等间距划分成多份电压区间,如n份,每份是(Umax-Umin)/n,n是大于1的整数;统计每个电压区间范围内所出现的电压数据点的个数,该个数乘以每个数据点的采样时长,得到的是该区间的运行时长;依次将每个区间的运行时长除以总运行时长即获得每个区间的时长占比βi-j,其中,β表示比例,i和j表示区间的编号,例如:C1即为“区间1”。
具体的,基于步骤S2042中划分的电流区间,统计燃料电池在每个电流区间中运行的各个运行条件参数的具体数值,计算每个区间的平均值和标准差,再乘以相应电流区间燃料电池运行时长占比(即第一比例),得到该运行条件参数对应的运行条件特征。
例如,燃料计量比的平均值是μstoic,i-j,标准差是σstoic,i-j,将其与第一比例αi-j相乘,得到该燃料计量比的特征αi-j·μstoic,i-j和αi-j·σstoic,i-j,其中stoic 表示的是燃料计量比。
步骤S2045:将所述电流特征、所述电压特征和所述运行条件特征按列向量组成所述基准工况的特征矩阵。
其中,将前述步骤中得到的电流特征、电压特征以及运行条件特征按照列向量组成该基准工况的特征矩阵。
具体的,电流特征是一列,电压特征是一列,运行条件特征的列数根据其涉及的参数的个数相关,一个参数对应两列(一列基于平均值得到,一列基于标准差得到)。
步骤S205:将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
步骤S206:基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系;
步骤S207:基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
其中,步骤S205-207与实施例1中的步骤S103-105一致,本实施例中不做赘述。
综上,本实施例提供的一种燃料电池使用寿命的检测方法中,该控制所述燃料电池在基准工况下运行,获取所述基准工况的特征矩阵,包括:在控制燃料电池按照所述基准工况运行一个周期的过程中,采集所述燃料电池的至少两个运行条件参数的参数值;获取所述过程中燃料电池的电流数据和电压数据;根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵。本方案中,通过控制燃料电池在基准工况运行一个周期,并在运行过程中,采集运行条件参数的参数值以及相应的电压数据和电流数据,并基于该采集得到参数值以及电压数据和电流数据进行处理得到该基准工况下的特征矩阵,该特征矩阵表征了该基准工况下运行条件参数的情况以及燃料电池生成电能的情况,基于该特征矩阵输入预测模型,即可使得该预测模型基于该燃料电池在一个周期的运行情况分析得到该燃料电池的衰减率。
如图5所示的,为本申请提供的一种燃料电池使用寿命的检测方法实施例 3的流程图,该方法包括以下步骤:
步骤S501:依据应用场景定义燃料电池的基准工况;
步骤S502:获取所述燃料电池在定义的基准工况下运行的特征矩阵;
步骤S503:将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
其中,步骤S501-503与实施例1中的步骤S101-103一致,本实施例中不做赘述。
步骤S504:获取所述燃料电池在至少两个预设工况下对应的至少两个预设衰减率以及至少两个预设寿命;
其中,获取预设衰减率与预设寿命,而且,该预设衰减率与预设寿命是具有对应关系的。
需要说明的是,工况强度与该工况下运行的燃料电池实际寿命之间存在负相关关系,工况强度越大,燃料电池的寿命越短。
相应的,该预设寿命,是与该预设工况相应的寿命,可以在存储该预设工况时,将相应的寿命对应存储。
具体实施中,在预先训练该预测模型时,可以控制燃料电池基于该预设工况运行,并且运行达到该燃料电池的训练寿命,将该训练寿命记为该预设工况对应的预设寿命。
具体实施中,该预设衰减率,可以是基于预设工况存储的衰减率值,可以是基于预设工况存储特征矩阵,当检测燃料电池的使用寿命时,再基于预测模型计算得到该预设工况对应的衰减率。
步骤S505:基于所述至少两个预设衰减率与所述基准工况下燃料电池的衰减率计算得到所述燃料电池在所述基准工况下的工况强度;
其中,工况强度是基于至少两个预设衰减率与所述燃料电池在基准工况下的衰减率的比值。
具体的,预设衰减率与该在基准工况下的衰减率相除得到工况强度,即工况强度=预设衰减率/燃料电池的衰减率。
例如,该衰减率集合是{ξ1,ξ2,ξ3,...},该燃料电池在基准工况下的衰减率是ξ0,二者相除,得到工况强度集合是{ξ1/ξ0,ξ2/ξ0,ξ3/ξ0,...}。
步骤S506:根据所述燃料电池在所述基准工况下的至少两个工况强度以及所述燃料电池的至少两个预设寿命创建耐久特性曲线;
需要说明的是,该预设寿命,是与该预设衰减率对应的设置的。即一个预设衰减率对应一个预设寿命。
具体的,创建二维坐标系,以工况强度ξ为纵坐标,以燃料电池的预设寿命t为横坐标,将(ti,ξi/ξ0)输入该二维坐标系中,获得散点图,然后对于该特征散点数据进行线性回归拟合得到耐久特性曲线。
具体实施中,还可以将工况强度集合反馈给整车控制器,以使得整车控制器根据反馈的当前运行工况强度,通过动态调整能量匹配策略降低对燃料电池系统功率请求的程度,从而使燃料电池运行工况更加缓和,进而提升燃料电池耐久性;
具体实施中,还可以将工况强度集合反馈给燃料电池系统,燃料电池系统根据反馈的当前运行工况强度,动态调整运行条件的控制参数,使燃料电池运行条件更适宜,进而提升燃料电池耐久性。
步骤S507:根据所述耐久特性曲线拟合得到工况强度与寿命的函数关系;
其中,基于该耐久特性曲线得到其对应的函数,该函数是表征工况强度与预设寿命的函数关系。
如,Y=f(X),其中,Y是工况强度,X是预设寿命。
如图6所示的为耐久特性曲线图,其中,二维坐标系的横坐标x为燃料电池的寿命(单位是小时,以10为底的对数),纵坐标y是工况强度,该坐标系中有四个点,分别是(2.6,2.4)、(3.2,1.7)、(3.7,1.4)以及(4.3,1)。基于该四个点拟合得到耐久特性曲线,该曲线如图中虚线所示。其中,该耐久特性曲线对应的函数是y=-0.7637x+4.2057。其中,该燃料电池的疲劳极限是性能衰减10%,其中,工况强度是1对应的寿命为设计寿命。
步骤S508:基于所述工况强度与寿命的函数关系,计算得到在目标工况强度下的所述燃料电池的使用寿命。
具体的,基于该函数关系,当确定的寿命对应的工况强度是与当前基准工况强度相同时,则令工况强度为1,确定该工况强度对应的目标衰减率,基于该函数确定相应的x取值。
例如,该函数是y=-0.7637x+4.2057,则当y=1,x的取值是4.1796,查找对数表,即得到该燃料电池的使用寿命。
基于该函数关系,当确定的寿命对应的工况强度是当前基准工况强度一半时,则令工况强度为0.5,确定该工况强度对应的目标衰减率,基于该函数确定相应的x取值。
例如,该函数是y=-0.7637x+4.2057,则当y=0.5,x的取值是4.8523,查找对数表,即得到该燃料电池的使用寿命。
需要说明的是,具体实施中,还可以将检测得到的燃料电池的使用寿命与设计寿命比对,如果该使用寿命大于设计寿命,则认为满足设计耐久性要求。
综上,本实施例提供的一种燃料电池使用寿命的检测方法中,获取所述燃料电池在至少两个预设工况下对应的至少两个预设衰减率以及至少两个预设寿命;基于所述至少两个预设衰减率与所述基准工况下燃料电池的衰减率计算得到所述燃料电池在所述基准工况下的工况强度;根据所述燃料电池在所述基准工况下的至少两个工况强度以及所述燃料电池的至少两个预设寿命创建耐久特性曲线;根据所述耐久特性曲线拟合得到工况强度与寿命的函数关系;基于所述工况强度与寿命的函数关系,计算得到在目标工况强度下的所述燃料电池的使用寿命。本方案中,通过建立燃料电池耐久特性曲线以实现确定工况强度与寿命的函数关系,进而基于该函数关系实现对燃料电池产品的耐久性进行快速评估。
如图7所示的,为本申请提供的一种燃料电池使用寿命的检测方法实施例 4的流程图,该方法包括以下步骤:
步骤S701:基于燃料电池的至少两个训练工况训练预测模型;
其中,该训练工况的工况强度大于基准工况的工况强度,由于训练工况的强度更大,其能够使得整体试验时长变短。
其中,不同的训练工况其采用的运行条件参数可能不同也可能相同,而且,各个运行条件参数的取值(即工况强度)不同。
需要说明的是,燃料电池可以是采用相同设置参数的多个燃料电池,为每个燃料电池指定不同强度的训练工况,以减少基于训练工况运行燃料电池所需的整体时间,提高训练的效率。
需要说明的是,该预测模型训练完成后,能够在各种不同条件的基准工况下,检测燃料电池的使用寿命,相对于每种基准工况下1:1的测试时长与检测寿命,检测的整体耗时更短,检测效率更高。
而且,因为测试周期长、测试成本高,传统耐久性测试普遍使用单一样本,而本方案中,采用不同工况强度耐久测试样本,相较于传统的单一样本长周期耐久性测试,多样本保证了耐久测试的准确性,提升测试可信度。
步骤S702:依据应用场景定义燃料电池的基准工况;
步骤S703:将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
步骤S704:获取所述燃料电池在定义的基准工况下运行的特征矩阵;
步骤S705:基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系;
步骤S706:基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
其中,步骤S702-706与实施例1中的步骤S101-105一致,本实施例中不做赘述。
综上,本实施例提供的一种燃料电池使用寿命的检测方法中,预先采用多种工况强度的训练工况对于预测模型进行训练,以使其能够对于后续输入其的特征矩阵进行处理,并输出燃料电池的衰减率,保证了后续检测的准确性,提升可信度。
如图8所示的,为本申请提供的一种燃料电池使用寿命的检测方法实施例 5的流程图,该方法包括以下步骤:
步骤S801:依次在至少两个训练工况中选择一个训练工况;
其中,本申请中,基于多个训练工况对于预测模型进行训练,本方案中,确定多个不同的训练工况,依次从中选择一个训练工况控制燃料电池在该训练工况下完整运行一个周期。
步骤S802:获取在每个训练工况的特征矩阵以及所述燃料电池的性能衰减率得到特征矩阵集合和性能衰减率集合;
其中,在每个训练工况运行的过程中,采集该燃料电池的至少两个运行条件参数的参数值,并且在该过程中采集燃料电池的电流数据和电压数据,以得到该训练工况下的特征矩阵。
需要说明的是,针对每个训练工况得到特征矩阵的过程可以参考前述实施例中在基准工况中确定特征矩阵的过程,本实施例中不做详述。
具体的,将每个训练工况下的特征矩阵集合到一起得到特征矩阵集合。
例如,训练工况下的特征矩阵分别为M1、M2、M3、……,得到的特征矩阵集合是{M1,M2,M3,……}。
其中,获取在任一训练工况所述燃料电池的衰减率,包括:
步骤S8021:控制燃料电池按照所述训练工况运行至少两个周期的过程,按照预设检测周期检测所述燃料电池的衰减值;
其中,控制燃料电池在该训练工况下循环运行,并且按照预设的检测周期检测该燃料电池的衰减值。
其中,检测燃料电池的衰减率过程包括:根据燃料电池的电压数据和电流数据生成的极化曲线(I-V曲线),根据该极化曲线计算衰减值。
具体的,选择固定的电流值(如300A),根据极化曲线获得燃料电池电压值,随着燃料电池在该训练工况下运行,在该电流条件下的电堆电压呈下降趋势,即衰减。
其中,衰减值的计算过程如下:选定电流I0,从极化曲线数据中获得该电流下的电压Vi,i是大于0的整数,其中V0为在该训练工况下开始首次获得的极化曲线中得到的燃料电池电压;随着在该训练工况下的运行,获得V1、 V2、…,衰减值△V=(V0-Vi)/V0。当△V大于设计指标即达到疲劳极限。
步骤S8022:统计所述燃料电池的训练寿命;
其中,所述训练寿命是所述燃料电池在所述训练工况下的使用寿命。
其中,燃料电池在该训练工况下循环运行,检测该燃料电池的性能衰减值直至该燃料电池的性能衰减超过设计值达到疲劳极限,此时统计该燃料电池的寿命。
需要说明的是,在训练预测模型的过程中统计得到的燃料电池在各个训练工况下的训练寿命,即为后续检测燃料电池在基准工况下使用的预设寿命。
步骤S8023:根据所述衰减值和所述训练寿命计算得到所述燃料电池的衰减率。
其中,衰减率是衰减值与训练寿命的比值,公式如下:
ξi=ΔV/ti
其中,ξi是衰减率;△V是衰减值;ti是该训练工况下该燃料电池的寿命,即训练寿命。
例如,各个训练工况下的得到的衰减率分别为ξ1、ξ2、ξ3、…,得到的衰减率集合是{ξ1,ξ2,ξ3,…}。
步骤S803:基于所述特征矩阵集合作为输入、所述性能衰减率集合作为输出训练预测模型;
其中,通过数学工具,建立特征矩阵与性能衰减率集合之间的非线性相关性模型(即预测模型)。
其中,该数学工具可以采用非线性最小二乘法、神经网络等,但是不限制于此。
具体的,基于该特征矩阵集合和性能衰减率集合对于预测模型进行训练调整,使得该模型输入为特征矩阵,输出结果为性能衰减率。
步骤S804:依据应用场景定义燃料电池的基准工况;
步骤S805:将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
步骤S806:获取所述燃料电池在定义的基准工况下运行的特征矩阵;
步骤S807:基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系;
步骤S808:基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
其中,步骤S804-808与实施例6中的步骤S702-706一致,本实施例中不做赘述。
综上,本实施例提供的一种燃料电池使用寿命的检测方法中,依次基于多个训练工况中的每个控制燃料电池运行,并基于运行过程的获取每个训练工况下的特征矩阵以及该燃料电池的性能衰减率,基于每个训练工况下的特征矩阵以及性能衰减率建立特征矩阵集合和性能衰减率集合,以基于上述两个集合对于预测模型进行训练,以使得该预测模型输入特征矩阵输出性能衰减率。
与上述本申请提供的一种燃料电池使用寿命的检测方法实施例相对应的,本申请还提供了应用该燃料电池使用寿命的检测方法的装置实施例。
如图9所示的为本申请提供的一种燃料电池使用寿命的检测装置实施例1 的结构示意图,该装置包括以下结构:定义模块901、矩阵模块902、关系建立模块903和分析模块904;
其中,该定义模块901,用于依据应用场景定义燃料电池运行的基准工况;
其中,该矩阵模块902,用于获取所述燃料电池在所述基准工况下运行的特征矩阵;
其中,该关系建立模块903,基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,所述工况强度是预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率;
其中,该分析模块904,用于基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
可选的,所述矩阵模块用于:
在控制燃料电池按照所述基准工况运行一个周期的过程中,采集所述燃料电池的至少两个运行条件参数的参数值;
获取所述过程中燃料电池的电流数据和电压数据;
根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵。
可选的,所述矩阵模块具体用于:
选取一个完整的运行工况周期,依据在该周期内统计所述燃料电池的电流数据划分至少两个电流区间,依据在该周期内统计所述燃料电池的电压数据划分至少两个电压区间
统计所述燃料电池的电流数据,计算得到所述电流数据在每个符合预设电流条件区间的时长占据该周期时长的第一比例,得到所述至少两个电流区间的电流特征;
统计所述燃料电池至少两个运行条件数据,计算得到所述运行条件在每个符合预设电流条件区间的时长占据该周期时长的比例,得到所述至少两个电流区间的运行条件特征
统计所述燃料电池的电压数据,计算得到所述电压数据在每个符合预设电压条件区间的时长占据该周期时长的第二比例,得到所述至少两个电压区间的电压特征;
将所述电流特征、所述电压特征和所述运行条件特征按列向量组成所述基准工况的特征矩阵。
可选的,还包括:
获取模块,用于获取燃料电池在至少两个预设工况下运行的特征矩阵;并将所述在至少两个预设工况下运行的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的预设衰减率。
可选的,所述关系建立模块,用于:
获取所述燃料电池在至少两个预设工况下对应的至少两个预设衰减率以及至少两个预设寿命;
基于所述至少两个预设衰减率与所述基准工况下燃料电池的衰减率计算得到所述燃料电池在所述基准工况下的工况强度;
根据所述燃料电池在所述基准工况下的至少两个工况强度以及所述燃料电池的至少两个预设寿命创建耐久特性曲线;
根据所述耐久特性曲线拟合得到工况强度与寿命的函数关系。
可选的,所述关系建立模块,具体用于:
基于所述工况强度与寿命的函数关系,计算得到在目标工况强度下的所述燃料电池的使用寿命。
可选的,还包括:
训练模块,用于基于燃料电池的至少两个训练工况训练预测模型。
可选的,训练模块,用于:
依次在所述至少两个训练工况中选择一个训练工况;
获取在每个训练工况的特征矩阵以及所述燃料电池的性能衰减率得到特征矩阵集合和性能衰减率集合;
基于所述特征矩阵集合作为输入、所述性能衰减率集合作为输出训练预测模型。
可选的,训练模块,具体用于:
控制燃料电池按照所述训练工况运行至少两个周期的过程,按照预设检测周期检测所述燃料电池的衰减值;
统计所述燃料电池的训练寿命,所述训练寿命是所述燃料电池在所述训练工况下的使用寿命;
根据所述衰减值和所述训练寿命计算得到所述燃料电池的衰减率。
需要说明的是,本实施例中各个结构的功能解释参考前述方法实施例中的解释,本实施例中不做详述。
综上,本实施例提供的一种燃料电池使用寿命的检测装置,先根据燃料电池的应用场景定义燃料电池的基准工况,将燃料电池该基准工况下运行的特征矩阵输入预先训练完成的预测模型,得到燃料电池的衰减率,结合其在在预设工况下运行的衰减率得到工况强度,并根据该工况强度建立该燃料电池在基准工况下工况强度与寿命的关系,进而根据该关系分析确定燃料电池的使用寿命。本方案中,基于该燃料电池在基准工况下运行,得到其特征矩阵后,直接基于该预测模型进行处理即可得到该燃料电池的衰减率,并根据建立的该基准工况下对应的工况强度与寿命的关系进行分析计算直接得到该燃料电池的使用寿命,而无需等待该燃料电池运行到使用寿命结束,减小了测试时长。
与上述本申请提供的一种燃料电池使用寿命的检测方法实施例相对应的,本申请还提供了应用该燃料电池使用寿命的检测方法的电子设备实施例。
如图10所示的为本申请提供的一种电子设备实施例的结构示意图,该电子设备包括以下结构:数据交互模块1001、数据存储模块1002和数据处理模块1003;该图10中箭头方向表示数据传输的方向。
其中,数据交互模块1001,用于对于燃料电池运行过程中的数据进行采集,并且将数据处理模块处理后的信息进行发送;
具体的,该数据包括至少两个运行条件参数的参数值和电流数据、电压数据,该运行条件参数参考前述方法实施例的解释,本实施例中不做详述。
具体实施中,该数据交互模块可以选择CAN(Controller Area Network,控制器局域网络)、RS232、RS485或以太网等通讯协议进行通讯交互,可采集电流、电压、电阻等模拟信号以及PWM((Pulse Width Modulation,脉冲宽度调制)、频率和0/1(二进制)等数字信号。
其中,数据存储模块1002用于对采集的数据以及运算过程中产生的数据进行保存;
具体的,该数据存储模块的存储空间包括缓存区域和长期存储区域。
其中,基准工况下获取的数据可以存储在缓存区域,而训练完成的预测模型存储于长期存储区域。
其中,数据处理模块1003,用于数据交互模块1001采集的数据进行运算,输出该燃料电池的寿命以及工况强度。
具体的,该数据处理模块可以采用具有较强运算能力的结构,如CPU (centralprocessing unit,中央处理器)等。
具体实施中,该电子设备与燃料电池一同安装于应用平台(如燃料电池测试台、燃料电池系统或燃料电池汽车等)上,燃料电池按照设定的工况运行,数据交互模块实时采集燃料电池的电池电流、电压以及运行条件参数信息并存储于数据存储模块,数据运算模块调用一定时间周期范围内的燃料电池运行数据获得工况特征阵,将其输入训练完成的预测模型中获得工况强度,并且基于该工况强度进行计算得到该燃料电池的寿命,通过数据交互模反馈给应用平台。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所提供的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所提供的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种燃料电池使用寿命的检测方法,其特征在于,包括:
依据应用场景定义燃料电池运行的基准工况;
获取所述燃料电池在定义的基准工况下运行的特征矩阵;
将所述基准工况的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的衰减率;
基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,所述工况强度是基于至少两个预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率;
基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
2.根据权利要求1所述的方法,其特征在于,控制所述燃料电池在基准工况下运行,获取所述基准工况的特征矩阵,包括:
在控制燃料电池按照所述基准工况运行一个周期的过程中,采集所述燃料电池的至少两个运行条件参数的参数值;
获取所述过程中燃料电池的电流数据和电压数据;
根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据所述至少两个运行条件参数的参数值和所述电流数据、电压数据得到所述基准工况的特征矩阵,包括:
选取一个完整的运行工况周期,依据在该周期内统计所述燃料电池的电流数据划分至少两个电流区间,依据在该周期内统计所述燃料电池的电压数据划分至少两个电压区间;
统计所述燃料电池的电流数据,计算得到所述电流数据在每个符合预设电流条件区间的时长占据该周期时长的第一比例,得到所述至少两个电流区间的电流特征;
统计所述燃料电池至少两个运行条件数据,计算得到所述运行条件在每个符合预设电流条件区间的时长占据该周期时长的比例,得到所述至少两个电流区间的运行条件特征;
统计所述燃料电池的电压数据,计算得到所述电压数据在每个符合预设电压条件区间的时长占据该周期时长的第二比例,得到所述至少两个电压区间的电压特征;
将所述电流特征、所述电压特征和所述运行条件特征按列向量组成所述基准工况的特征矩阵。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取燃料电池在至少两个预设工况下运行的特征矩阵;
将所述在至少两个预设工况下运行的特征矩阵输入预先训练完成的预测模型,得到所述燃料电池的预设衰减率。
5.根据权利要求1所述的方法,其特征在于,所述基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,包括:
获取所述燃料电池在至少两个预设工况下对应的至少两个预设衰减率以及至少两个预设寿命;
基于所述至少两个预设衰减率与所述基准工况下燃料电池的衰减率计算得到所述燃料电池在所述基准工况下的工况强度;
根据所述燃料电池在所述基准工况下的至少两个工况强度以及所述燃料电池的至少两个预设寿命创建耐久特性曲线;
根据所述耐久特性曲线拟合得到工况强度与寿命的函数关系。
6.根据权利要求5所述的方法,其特征在于,所述基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命,包括:
基于所述工况强度与寿命的函数关系,计算得到在目标工况强度下的所述燃料电池的使用寿命。
7.根据权利要求1所述的方法,其特征在于,所述依据应用场景定义燃料电池运行的基准工况之前,还包括:
基于燃料电池的至少两个训练工况训练预测模型。
8.根据权利要求7所述的方法,其特征在于,所述基于燃料电池的至少两个训练工况训练预测模型,包括:
依次在所述至少两个训练工况中选择一个训练工况;
获取在每个训练工况的特征矩阵以及所述燃料电池的性能衰减率得到特征矩阵集合和性能衰减率集合;
基于所述特征矩阵集合作为输入、所述性能衰减率集合作为输出训练预测模型。
9.根据权利要求8所述的方法,其特征在于,获取在任一训练工况所述燃料电池的衰减率,包括:
控制燃料电池按照所述训练工况运行至少两个周期的过程,按照预设检测周期检测所述燃料电池的衰减值;
统计所述燃料电池的训练寿命,所述训练寿命是所述燃料电池在所述训练工况下的使用寿命;
根据所述衰减值和所述训练寿命计算得到所述燃料电池的衰减率。
10.一种燃料电池使用寿命的检测装置,其特征在于,包括:
定义模块,用于依据应用场景定义燃料电池运行的基准工况;
矩阵模块,用于获取所述燃料电池在所述基准工况下运行的特征矩阵;
关系建立模块,基于所述燃料电池的衰减率建立在所述基准工况下工况强度与寿命的关系,所述工况强度是预设衰减率与所述燃料电池的衰减率的比值,所述预设衰减率是所述燃料电池在预设工况下运行的衰减率;
分析模块,用于基于所述基准工况下工况强度与寿命的关系,分析确定所述燃料电池的使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545879.2A CN114924202A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池使用寿命的检测方法和检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545879.2A CN114924202A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池使用寿命的检测方法和检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114924202A true CN114924202A (zh) | 2022-08-19 |
Family
ID=82809384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210545879.2A Pending CN114924202A (zh) | 2022-05-19 | 2022-05-19 | 一种燃料电池使用寿命的检测方法和检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114924202A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117712431A (zh) * | 2024-02-05 | 2024-03-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于热电比调控约束的燃料电池系统寿命优化方法和系统 |
-
2022
- 2022-05-19 CN CN202210545879.2A patent/CN114924202A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117712431A (zh) * | 2024-02-05 | 2024-03-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于热电比调控约束的燃料电池系统寿命优化方法和系统 |
CN117712431B (zh) * | 2024-02-05 | 2024-04-16 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于热电比调控约束的燃料电池系统寿命优化方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
Lu et al. | On-line fault diagnosis for proton exchange membrane fuel cells based on a fast electrochemical impedance spectroscopy measurement | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN113406505A (zh) | 一种燃料电池的剩余寿命预测方法及装置 | |
CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
CN111999649A (zh) | 一种基于XGBoost算法的锂电池剩余寿命预测方法 | |
Zheng et al. | Performance prediction of fuel cells using long short‐term memory recurrent neural network | |
CN116609668B (zh) | 一种锂离子电池健康状态和剩余寿命预测方法 | |
CN114924202A (zh) | 一种燃料电池使用寿命的检测方法和检测装置 | |
CN112666479A (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN116151114A (zh) | 基于混合框架的元宇宙下燃料电池寿命预测方法及系统 | |
Li et al. | Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory | |
CN110749825A (zh) | 一种燃料电池耐久性测试加速工况建立方法及装置 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN104156285A (zh) | 基于vba模块的分区燃料电池实验数据处理方法及系统 | |
Jacome et al. | A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling | |
CN109214112B (zh) | 一种燃料电池系统的可靠性仿真分析方法及系统 | |
CN116629451A (zh) | 一种燃料电池剩余寿命预测方法、系统、介质及终端 | |
CN115547433A (zh) | 一种质子交换膜电解槽建模优化的方法 | |
CN114388855B (zh) | 一种燃料电池寿命预测方法 | |
CN114137431A (zh) | 一种适用于循环工况的燃料电池寿命预测方法 | |
CN113078335B (zh) | 质子交换膜燃料电池的性能分析方法、装置及终端设备 |
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 |