CN115663242A - 一种燃料电池检测方法和系统 - Google Patents
一种燃料电池检测方法和系统 Download PDFInfo
- Publication number
- CN115663242A CN115663242A CN202211409335.XA CN202211409335A CN115663242A CN 115663242 A CN115663242 A CN 115663242A CN 202211409335 A CN202211409335 A CN 202211409335A CN 115663242 A CN115663242 A CN 115663242A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- fault
- cell stack
- period
- data
- 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.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 152
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 86
- 239000013598 vector Substances 0.000 claims description 135
- 238000000034 method Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 description 54
- 238000012549 training Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 239000012528 membrane Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 235000003642 hunger Nutrition 0.000 description 7
- 230000037351 starvation Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 239000007789 gas Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Fuel Cell (AREA)
Abstract
本说明书实施例提供一种燃料电池检测方法,该方法包括获取燃料电池电堆的至少一个采样周期的运行数据,其中,所述至少一个采样周期中的每一个采样周期与所述燃料电池电堆的使用时长负相关;以及基于所述运行数据,判断所述燃料电池电堆是否存在故障。
Description
技术领域
本说明书涉及燃料电池领域,特别涉及一种燃料电池检测方法、系统、装置及介质。
背景技术
燃料电池是一种把燃料所具有的化学能直接转换成电能的化学装置,又称电化学发电器。由于发电效率高,排放的有害气体较少,近年来燃料电池得到了广泛的应用。在燃料电池的使用中,电池的故障往往会影响正常供电工作。
因此,希望提供一种燃料电池检测方法和系统,能够对故障进行判断,从而对燃料电池电堆的进行及时的检修和维护,保证燃料电池电堆的正常工作。
发明内容
本说明书一个或多个实施例提供一种燃料电池检测方法,所述方法包括获取燃料电池电堆的至少一个采样周期的运行数据,其中,至少一个采样周期中的每一个采样周期与燃料电池电堆的使用时长负相关;以及基于运行数据,判断燃料电池电堆是否存在故障。
本说明书一个或多个实施例提供一种燃料电池检测系统,所述系统包括获取模块,用于获取燃料电池电堆的至少一个采样周期的运行数据,其中,至少一个采样周期中的每一个采样周期与燃料电池电堆的使用时长负相关;以及判断模块,用于基于运行数据,判断燃料电池电堆是否存在故障。
本说明书一个或多个实施例提供一种燃料电池检测装置,包括处理器,所述处理器用于执行燃料电池检测方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行燃料电池检测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的燃料电池检测系统的应用场景示意图;
图2是根据本说明书一些实施例所示的一种燃料电池检测系统的示例性模块图;
图3是根据本说明书一些实施例所示的一种燃料电池检测方法的示例性流程图;
图4-1是根据本说明书一些实施例所示的基于故障判断模型判断燃料电池电堆是否存在故障的示例性示意图;
图4-2是根据本说明书一些实施例所示的基于特性输出模型筛选时段特征的示例性示意图;
图5是根据本说明书一些实施例所示的基于向量距离判断燃料电池电堆是否存在故障的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的燃料电池检测系统的应用场景示意图。
在一些实施例中,燃料电池检测系统的应用场景100可以包括处理设备110、网络120、存储设备130、终端140以及燃料电池150。在一些实施例中,应用场景100中的组件可以经由网络120(例如无线连接、有线连接或其组合),以实现彼此连接和/或通信。例如,处理设备110可以通过网络120连接到存储设备130。
燃料电池150是把燃料所具有的化学能直接转换成电能的化学装置。燃料电池可以包括固体氧化物燃料电池(SOFC)、氢燃料电池(RFC)、甲醇燃料电池(DMFC)等。其中,燃料电池电堆是燃料电池中发生电化学反应的场所,是燃料电池的核心部分。在一些实施例中,可以通过与燃料电池连接的数据采集装置(如,电压传感器、电流传感器、温度传感器、阻抗分析仪等)获取燃料电池检测所需要的数据,例如,燃料电池电堆的运行数据。
在一些实施例中,处理设备110可以直接连接存储设备130、终端140通过网络120交换信息和/或数据以访问信息和/或数据。例如,处理设备110可以通过网络120获取燃料电池电堆的运行数据。处理设备110可以通过网络120获取存储设备130存储的历史运行数据等。处理设备110可以通过网络120发送故障判断结果、故障类型和/或预警信息等信息到终端130。在一些实施例中,处理设备110可以处理与燃料电池检测系统的应用场景100有关的信息和/或数据,以执行本说明书中描述的一个或以上功能。例如,处理设备110可以基于燃料电池的历史监控信息,确定多块绿地在历史时间段内的历史生长信息。
应当注意的是,应用场景100仅仅是为了说明的目的而提供的,并不意图限制本申请的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,燃料电池检测系统的应用场景100可以在其它设备上实现类似或不同的功能。然而,这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的一种燃料电池检测系统的示例性模块图。
如图2所示,燃料电池检测系统200可以包括获取模块210、判断模块220和预警模块230。
获取模块210用于获取燃料电池电堆的至少一个采样周期的运行数据,其中,至少一个采样周期中的每一个采样周期与燃料电池电堆的使用时长负相关。关于获取运行数据的更多内容参见图3及其相关描述。
判断模块220用于基于运行数据,判断燃料电池电堆是否存在故障。关于判断燃料电池电堆是否存在故障的更多内容参见图3及其相关描述。在一些实施例中,每一个采样周期的运行数据包括多段数据。为基于运行数据,判断燃料电池电堆是否存在故障,判断模块进一步用于基于多段数据,确定采样周期的时段特征;以及基于时段特征,判断燃料电池电堆是否存在故障。关于基于时段特征判断燃料电池电堆是否存在故障的更多内容参见图3和图4-1及其相关描述。在一些实施例中,为基于时段特征,判断燃料电池电堆是否存在故障,判断模块进一步用于:基于时段特征,确定当前时段特征向量;基于历史运行数据,获取历史运行数据中的各个历史故障所对应的历史时段特征向量;确定当前时段特征向量与各个历史时段特征向量的向量距离;以及基于向量距离,判断燃料电池电堆是否存在故障。关于基于向量距离征判断燃料电池电堆是否存在故障的更多内容参见图5及其相关描述。
预警模块230用于基于运行数据,对燃料电池电堆进行故障预警。关于故障预警的更多内容参见图3及其相关描述。
需要注意的是,以上对于燃料电池检测系统及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的获取模块、判断模块和预警模块可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的一种燃料电池检测方法的示例性流程图。如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由处理设备110执行。
步骤310,获取燃料电池电堆的至少一个采样周期的运行数据。
采样周期是指在一段时间里对燃料电池电堆每两次获取运行数据之间的时间间隔,如,3天、2周、1个月等。每个采样周期里,可以采集获取一定采样时间(如,10分钟)的运行数据。
在一些实施例中,至少一个采样周期中的每一个采样周期与燃料电池电堆的使用时长负相关。其中,使用时长是指到采样时间为止,燃料电池电堆投入使用的总时长。负相关是指随着燃料电池电堆的使用时长不断增加,采样周期可以逐渐减小。
仅作为示例地,处理设备110可以基于预设规则确定采样周期。预设规则可以包括料电池电堆的使用时长与采样周期的对应关系。例如,处理设备110可以预设使用时长阈值为1年和2年。预设规则可以为:若当前使用时长小于等于1年时,采样周期为7天;若当前使用时长为1~2年时,采样周期为5天;若当前使用时长大于2年时,采样周期为3天。
在一些实施例中,处理设备110还可以采用各种数据分析算法,例如,数量关系分析法,向量距离分析法等,确定或调整采样周期。其中,关于通过向量距离分析法确定采样周期的更多内容可以参见图5及其相关内容。
在一些实施例中,采样周期还可以是系统默认值、经验值、人为预先设定值等或其任意组合,可以根据实际需求设定,本说明书对此不做限制。
运行数据是指处于运行状态的燃料电池电堆的相关参数。例如,电压、电流、温度、电阻等数据。
在一些实施例中,每一个采样周期的所述运行数据包括多段数据。数据的段数可以是固定值或者根据实际数据需求进行设定调整。在一些实施例中,处理设备110可以将一个采样周期中的数据平均分成多段数据。例如,某一采样周期的运行数据的采样时间为10分钟,处理设备110可以将运行数据平均分成5段,每段为2分钟的数据。
在一些实施例中,处理设备110可以通过各种数据采集装置获取燃料电池电堆的至少一个采样周期的运行数据。例如,电压传感器可以采集获取电压数据。电流传感器采集获取电流数据。温度传感器可以采集获取温度数据。阻抗分析仪可以采集获取电阻数据。
步骤320,基于运行数据,判断燃料电池电堆是否存在故障。
燃料电池电堆在故障情况下无法正常工作。在一些实施例中,故障可以包括水淹、膜干、饥饿等情况。燃料电池内部的水含量过高可能会导致水淹故障。燃料电池内部的水含量不足可能会导致膜干故障。燃料电池电堆的反应原料不足则可能会导致饥饿故障。
在一些实施例中,处理设备110可以通过多段数据的变化幅度是否满足第一预设条件,来判断是否出现故障。示例性地,第一预设条件可以包括多段数据中至少一段数据的变化幅度的预设范围与是否存在故障的对应关系。根据变化幅度所处的预设范围,确定对应于该预设范围内的故障判断结果(即是否存在故障)。例如,处理设备110可以设置当电流变化幅度位于0~100mA之间时,对应的故障判断结果为没有故障;当电流变化幅度超过100mA时,对应的故障判断结果为存在故障。
在一些实施例中,除了判断燃料电池电堆是否存在故障之外,当确定存在故障时,处理设备110还可以确定故障类型,如根据历史运行数据确定故障类型。
例如,处理设备110还可以预先基于历史运行数据中每一种故障及其对应的数据变化幅度,生成燃料电池电堆的故障类型对应表。可以理解的,处理设备110可以基于本次变化幅度,确定与本次多段数据中至少一段数据的变化幅度相同或近似的历史数据变化幅度所对应的故障类型作为本次故障类型。
在一些实施例中,处理设备110可以基于多段数据,确定采样周期的时段特征;以及基于时段特征,判断燃料电池电堆是否存在故障。
时段特征可以反映在采样周期内燃料电池电堆的运行数据的稳定情况。在一些实施例中,时段特征可以包括多段数据中的每一段数据在该段采样时间中的最大值、最小值、基于时间的最大变化率等,如,电压、电流、温度、电阻等的最大值、最小值、基于时间的最大变化率。
在一些实施例中,时段特征可以用向量表示。具体地,同一采样周期的多段数据,可以构成一个向量。向量中的每个元素可以对应一个时段的运行数据。其中,每个元素可以包括运行数据中的一个参数或多个参数。仅作为示例地,某一个采样周期内,采样时间为8分钟的运行数据被平均分成4段,每段为2分钟的数据。该采样周期对应的时段特征向量可以被表示为(a,b,c,d),其中,元素a,b,c,d可以分别代表4段数据。其中,在第一段数据中,电压最大值为13V,电压最小值为10V,电压基于时间的最大变化率为0.27V/秒,代表第一段数据的元素a又可以被表示为(13,10,0.27)。
在一些实施例中,处理设备110可以进行建模或采用各种数据分析算法,如,时域分析或频域分析,对多段数据进行分析处理,确定时段特征。
在一些实施例中,处理设备110可以基于嵌入层对多段数据进行处理,确定时段特征。
嵌入层可以提取多段数据的数据特征,确定时段特征。在一些实施例中,嵌入层可以是Transformer模型。在一些实施例中,嵌入层可以是机器学习模型如,故障判断模型的一部分。关于故障判断模型的更多说明参见图4-1及其相关描述。
在一些实施例中,嵌入层可以单独训练得到。训练样本可以是历史运行数据中的多段数据,样本标签可以是基于人工标注的预设形式(如,向量形式)的时段特征。在一些实施例中,可以将第一训练样本输入未设置参数的嵌入层,并根据嵌入层的输出与第一样本标签构建损失函数,并基于损失函数迭代嵌入层的参数,直到训练结束。其中,当迭代次数超过阈值或误差收敛,处理设备110可以认为训练完成。
在一些实施例中,嵌入层还可以通过特性输出模型与故障判断模型的交替训练获取得到。关于特性输出模型以及交替训练得到嵌入层的更多说明参见图4-1和图4-2及其相关描述。
在一些实施例中,处理设备110可以基于故障判断模型对时段特征进行处理,判断燃料电池电堆是否存在故障。关于故障判断模型的更多说明参见图4-1及其相关描述。
在一些实施例中,处理设备110可以基于时段特征确定当前时段特征向量;基于历史运行数据,获取历史运行数据中的各种类型故障所对应的历史时段特征向量;确定当前时段特征向量与各个历史时段特征向量的向量距离;并基于向量距离,判断燃料电池电堆是否存在故障。关于通过向量距离判断燃料电池电堆是否存在故障的更多说明参见图5及其相关描述。
在一些实施例中,处理设备110还可以利用预设规则、各种数据分析算法和/或人工经验等多种方式,对时段特征进行分析处理,确定是否存在故障。
本说明书一些实施例所述的方法,通过确定运行数据的时段特征,从而可以结合燃料电池堆的实际工作情况,更准确地确定燃料电池堆的故障情况。
在一些实施例中,处理设备110还可以基于运行数据,对燃料电池电堆进行故障预警。
在一些实施例中,运行数据可以包括每个采样周期中的多段数据对应的时段特征。预警信息可以包括但不限于故障类型、上次燃料电池电堆更换和/或检修日期、运行数据等信息。预警信息可以通过包括但不限于声光提示、短信、文本推送、图像、视频、语音、广播等形式发送给目标终端(如,燃料电池用户终端、负责燃料电池检修的工作人员的终端、燃料电池生产厂家的终端、警报器等)。相关人员可以基于预警信息对燃料电池电堆进行检测或采取提前更换等措施。
在一些实施例中,处理设备110可以基于时段特征预测故障,并基于故障预测结果对燃料电池电堆进行故障预警。
在一些实施例中,处理设备110可以绘制连续多个采样周期中时段特征对应的变化曲线,通过单个或多个变化曲线是否满足第二预设条件来确定故障预测结果。例如,第二预设条件可以是变化曲线的斜率的绝对值大于斜率阈值,如,15、20等。当故障预测结果为可能存在故障时,处理设备110可以查询预先建立的数据库中的变化曲线与故障类型的对应关系判断是何种故障。
在一些实施例中,处理设备110还可以对运行数据进行向量匹配,并基于向量匹配结果,确定故障预测结果。基于运行数据的向量匹配确定故障预测结果的示例性过程如下:
预先基于历史发生故障时的相关数据构建数据库。具体地,处理设备110可以基于历史发生故障时的故障类型、发生故障时对应的时段特征向量与发生故障之前连续n个采样周期的时段特征向量确定对应关系,并将每种故障类型对应的发生故障之前连续n个采样周期的时段特征向量作为每种故障类型的参考时段特征向量,基于上述数据构建数据库,其中,n可以根据实际需求设定,时段特征向量可以基于前述嵌入层对多段数据的处理得到。
在一些实施例中,每种故障类型所对应的参考时段特征向量可以基于同种类型的故障多次发生故障之前连续n个采样周期的时段特征向量得到。例如,水淹故障总共发生了2次,包括第一次水淹故障和第二次水淹故障。处理设备110可以获取每次水淹故障发生前的连续3个采样周期的时段特征向量,将第一次水淹故障的第1个采样周期对应的时段特征向量和第二次水淹故障的第1个采样周期对应的时段特征向量相加除以故障次数2的结果,作为水淹故障对应参考时段特征向量的第1个采样周期的时段特征向量。处理设备110可以对第一次水淹故障和第二次水淹故障第2个采样周期、第3个采样周期做相同的处理。
在一些实施例中,每种故障类型所对应的参考时段特征向量可以基于最近对应该类型的故障的相关数据进行更新。
处理设备110可以确定当前连续n个采样周期的时段特征向量,并将其作为待预测时段特征向量。确定待预测时段特征向量与参考时段特征向量的向量距离(如,欧式距离)。如果待预测时段特征向量与数据库中某一故障类型对应的参考时段特征向量的向量距离满足第三预设条件(如,小于距离阈值),则处理设备110可以预测电池电堆接下来会发生该故障类型的故障。
在一些实施例中,如果预测时段特征向量与数据库中的多个故障类型发生之前的n个采样周期的时段特征向量的向量距离小于距离阈值,则处理设备110可以将与向量距离最小的参考时段特征向量所对应的故障类型作为预测结果。
由于不同故障类型的对应的燃料电池电堆的实际运行数据不同,本说明书一些实施例所述的方法,处理设备110可以保存历史故障与故障发生前的燃料电池电堆的实际运行数据,如,建立数据库,将当前运行数据与数据库中的历史运行数据进行对比,以预测是否即将发生以及可能发生的故障类型,从而实现对燃料电池电堆的进行及时的检测和维护。
本说明书一些实施例所述的方法,通过周期性地采集燃料电池电堆的运行数据,结合燃料电池电堆在使用中的实际工作情况,判断燃料电池电堆的故障情况,有助于对燃料电池电堆的进行及时的检修和维护,保证燃料电池电堆的正常工作。
图4-1是根据本说明书一些实施例所示的基于故障判断模型判断燃料电池电堆是否存在故障的示例性示意图。
在一些实施例中,处理设备110可以基于故障判断模型对时段特征进行处理,判断燃料电池电堆是否存在故障。
故障判断模型可以用于判断燃料电池电堆是否存在故障。在一些实施例中,故障判断模型为机器学习模型。例如,故障判断模型可以包括但不限于Transformer模型、循环神经网络(Recurrent Neural Network,RNN)等一种或多种的组合。
如图4-1所示,故障判断模型420可以包括嵌入层420-1和故障判断层420-2。
嵌入层可以用于对多段数据进行处理,确定时段特征。如图4-1所示,嵌入层420-1的输入可以是多个采样周期的多段数据410,嵌入层420-1的输出可以是每个采样周期对应的时段特征421。关于嵌入层的更多说明参见前述图3的步骤320及其相关描述。
故障判断层可以用于对时段特征进行处理,判断是否发生故障以及确定发生故障时的故障类型。故障判断层可以是循环神经网络。如图4-1所示,故障判断层420-2的输入可以包括时段特征421,输出可以包括是否发生故障的判断结果430和确定发生故障时的故障类型440。
在一些实施例中,故障判断模型可以通过与特性输出模型的交替训练确定。
其中,特性输出模型可以用于对多段数据进行筛选处理,筛选出误差较小的时段特征。其中,误差主要是由于测量仪器的误差或外部环境干扰所产生的。可以理解的,误差较小的时段特征即排除了由于测量仪器的误差或外部环境干扰所导致的波动较大的数据。例如,电压的变化率小于预设变化率阈值(如,5V/秒)的时段特征可以作为误差较小的时段特征。在一些实施例中,特性输出模型为机器学习模型。例如,特性输出模型可以包括但不限于Transformer模型、循环神经网络(Recurrent Neural Network,RNN)等一种或多种的组合。
图4-2是根据本说明书一些实施例所示的基于特性输出模型筛选时段特征的示例性示意图。
如图4-2所示,特性输出模型450可以包括嵌入层450-1和特性输出层450-2。
与前述嵌入层类似,嵌入层可以用于对多段数据进行处理,确定时段特征。如图4-2所示,嵌入层450-1的输入可以是多个采样周期的多段数据410,嵌入层450-1的输出可以是每个采样周期对应的时段特征451。在一些实施例中,特性输出模型的嵌入层可以与故障判断模型的嵌入层共享参数。共享参数可以指两个嵌入层使用相同的参数。
特性输出层可以用于对时段特征进行筛选处理,筛选出全部或部分误差较小的时段特征。特性输出层可以是循环神经网络。如图4-2所示,特性输出层450-2的输入可以包括时段特征451,特性输出层450-2的输出可以包括全部或部分时段特征460。
在一些实施例中,特性输出模型可以通过与故障判断模型的交替训练得到。
示例性的交替训练过程如下:
获取多个训练样本和第一标签和第二标签,其中,训练样本包括样本采样周期的多段数据,第一标签为误差较小的时段特征,第二标签为是否发生故障或故障类型的判定结果(例如,无故障、水淹故障、膜干故障、饥饿故障)。第一标签和第二标签可以是人工基于样本采样周期的多段数据标注获取。
将多个训练样本输入至初始特性输出模型的第一初始嵌入层,将第一初始嵌入层的输出输入至第一初始特性输出层,基于第一初始特性输出层的输出和第一标签构建第一损失函数。基于第一损失函数迭代更新初始特性输出模型中各层的参数,以使模型的第一损失函数满足第三预设条件,得到待定特性输出模型,其中,第三预设条件可以是第一损失函数收敛、迭代的次数达到阈值等。
将待定特性输出模型的第一待定嵌入层的参数作为初始故障判断模型的第二初始嵌入层的参数。
将确定多个训练样本输入第二初始嵌入层;将第二初始嵌入层的输出输入初始故障判断层,基于初始故障判断层的输出和第二标签构建第二损失函数。基于第二损失函数迭代更新初始故障判断模型中各层的参数,以使模型的第二损失函数满足第四预设条件,得到待定的故障判断模型,其中,第四预设条件可以是第二损失函数收敛、迭代的次数达到阈值等。
将待定故障判断模型的第二待定嵌入层的参数作为新一轮训练中待定特性输出模型的第一待定嵌入层的参数。以此进行多轮迭代,直到满足第五预设条件,其中,第五预设条件可以是迭代的次数达到阈值等。当满足第五预设条件时训练完成,得到训练好的故障判断模型和训练好的特性输出模型。
在一些实施例中,处理设备110可以将训练好的故障判断模型的嵌入层作为训练好的嵌入层,用于确定时段特征。
在一些实施例中,故障判断模型和特性输出模型的训练并不仅限于本说明书的一些实施例所提到的训练方式,还可以是其他任何合理的方式,如,对故障判断模型和特性输出模型的各层进行联合训练。
本说明书一些实施例所述的方法,通过对故障判断模型和特性输出模型的交替训练,可以对故障判断模型以及嵌入层的训练效果更加充分,从而使模型参数更加适应于燃料电池电堆的故障判断,提高对燃料电池电堆故障判断的准确率。
本说明书一些实施例所述的方法,通过故障判断模型判断燃料电池电堆是否存在故障,能够更加准确快速地对燃料电池电堆是否存在故障进行判断,确定故障类型,有助于针对故障情况,对燃料电池电堆进行及时地检修。
图5是根据本说明书一些实施例所示的基于向量距离判断燃料电池电堆是否存在故障的示例性示意图。
在一些实施例中,处理设备110可以基于时段特征,确定当前时段特征向量;基于历史运行数据,获取历史运行数据中的各种类型故障所对应的历史时段特征向量;确定当前时段特征向量与各个历史时段特征向量的向量距离;并基于向量距离,判断燃料电池电堆是否存在故障。以下将结合图5说明如何基于向量距离,判断燃料电池电堆是否存在故障。
当前时段特征向量520用于表示当前时段特征510。其中,当前时段特征是指当前时间所处的采样周期对应的时段特征。在一些实施例中,处理设备110可以将当前时段特征510用向量表示,得到当前时段特征向量520。
历史运行数据是指当前采样周期以前燃料电池电堆的运行数据。例如,过去三个月的运行数据、过去一年的运行数据等。
历史时段特征向量540用于表示历史时段特征530。其中,历史时段特征是指历史运行数据中各个采样周期对应的时段特征。在一些实施例中,处理设备110可以在历史运行数据中筛选出各种类型的故障,将各种类型故障所处的采样周期对应的时段特征用向量表示,从而确定各种类型故障所对应的历史时段特征向量540。
历史时段特征向量可以根据历史运行数据统计得到的,例如,将历史运行数据基于前述嵌入层得到历史时段特征向量。随着燃料电池电堆的使用,发生的故障会增多。每种类型故障所对应的历史时段特征向量可以不断更新。例如,可以将同一类型故障对应的最近的多个历史时段特征向量的平均值作为该类型故障所对应的新历史时段特征向量。
在一些实施例中,处理设备110可以确定所述当前时段特征向量520与各个历史时段特征向量540的向量距离550。向量距离可以反映当前时段特征与历史时段特征之间的差异程度。例如,当前时段特征向量与某一历史时段特征向量的向量距离越大,则说明两个向量对应的时段特征的差异越大。在一些实施例中,向量距离550可以是余弦距离、欧式距离等。
在一些实施例中,处理设备110可以基于向量距离550与预设向量距离阈值,判断燃料电池电堆是否存在故障,确定故障判断结果560。
在一些实施例中,处理设备110可以预设向量距离的第一故障阈值。若当前时段特征向量520与至少一个历史时段特征向量540的向量距离550小于等于第一故障阈值,则判断燃料电池电堆存在故障,且故障类型为该至少一个历史时段特征向量对应的故障类型。例如,预先设置第一故障阈值为2。历史时段特征向量A、B、C分别对应的故障类型为水淹、膜干和饥饿。若当前时段特征向量与历史时段特征向量A的向量距离为2.1、与历史时段特征向量B的向量距离为4.8、当前时段特征向量与历史时段特征向量C的向量距离为1.4。当前时段特征向量与历史时段特征向量C的向量距离小于第一故障阈值,则燃料电池电堆存在故障,且故障类型为饥饿。
在一些实施例中,除了预设第一故障阈值以外,处理设备110还可以预设第二故障阈值。第二故障阈值是大于第一故障阈值且接近(如差值在预设范围内)第一故障阈值的阈值。每个故障类型都会有对应的第一距离阈值和第二故障阈值。例如,水淹故障的第一故障阈值和第二故障阈值可以分别为1.05和1.20,膜干故障的故障阈值和第二故障阈值可以分别为1.10和1.15,饥饿故障的第一故障阈值和第二故障阈值可以分别为1.00和1.25。第一故障阈值和第二故障阈值可以是根据实际需求设定的系统默认值、经验值、人为设定值等或其任意组合。
如果当前周期的时段特征向量与某一故障类型所对应的历史时段特征向量的向量距离大于该故障类型的第二故障阈值,则处理器110可以判定此燃料电池电堆发生该故障类型的可能性比较小;当向量距离大于该故障类型的第一故障阈值且小于第二故障阈值时,则当前还没有发生该故障类型,但是处理器110可以判定发生该故障类型的可能性比较大,此时处理器110可以对燃料电池电堆加强监测,如,调小采样周期。处理器110还可以提前发出提示以提醒相关人员准备维修或更换相关元件的应对措施。
在一些实施例中,处理设备110还可以基于向量距离550与第二故障阈值,确定是否调整采样周期;并可以基于向量距离,调整采样周期。
若向量距离550大于某种类型故障的第一故障阈值并且小于该故障类型的第二故障阈值,则表明存在发生该故障类型的可能性,需要加强对燃料电池电堆的监测,如将采样周期调小。例如,预先设置水淹故障的第一故障阈值和第二故障阈值分别为1.05和1.20,膜干故障的故障阈值和第二故障阈值分别为1.10和1.15,饥饿故障的第一故障阈值和第二故障阈值分别为1.00和1.25。若当前时段特征向量与水淹故障对应的历史时段特征向量的向量距离为2.1,与膜干故障对应的历史时段特征向量的向量距离为1.13,与饥饿故障对应的历史时段特征向量的向量距离为1.40。则当前时段特征向量与膜干故障对应的历史时段特征向量的向量距离满足前述调整采样周期的条件,则燃料电池电堆存在发生膜干故障的可能性,需要调整采样周期。
在一些实施例中,处理设备110可以基于与可能会发生的故障类型所对应的历史时段特征向量的向量距离,对采样周期进行调整。
仅作为示例地,处理设备110可以预先设置调整后的采样周期满足数量关系:
T’=T*L/P (1)
其中,T’为调整后的采样周期,T为原始采样周期,P是预先设定的常数,L为前述满足调整采样周期条件的向量距离。
例如,设置P=10,当向量距离为2.1时,原始采样周期为15天,根据(1)式,T’=15*2.1/10=3.15,则调整后的采样周期为3.15天。
本说明书一些实施例所述的方法,能够基于向量距离确定可能发生的故障,并基于向量距离对采样周期进行调整,以获得更合理的采样周期,从而加强了对燃料电池电堆的监测,以便对燃料电池电堆进行及时的检修或更换。
本说明书一些实施例所述的方法,通过计算向量距离,确定当前运行数据与历史故障发生时运行数据的差异,从而以历史故障作为参照,能够准确地确定出是否存在故障以及相应的故障类型。
说明书一个或多个实施例提供一种基于物联网的智慧燃气门站调压优化装置,包括处理器,所述处理器用于执行如本说明书实施例提供的任意一种燃料电池检测方法。
本说明书实施例还提供一种计算机可读存储介质,存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如本说明书实施例提供的任意一种燃料电池检测方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每一个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种燃料电池检测方法,其特征在于,所述方法包括:
获取燃料电池电堆的至少一个采样周期的运行数据,其中,所述至少一个采样周期中的每一个采样周期与所述燃料电池电堆的使用时长负相关;以及
基于所述运行数据,判断所述燃料电池电堆是否存在故障。
2.如权利要求1所述的燃料电池检测方法,其特征在于,每一个所述采样周期的所述运行数据包括多段数据;
所述基于所述运行数据,判断所述燃料电池电堆是否存在故障包括:
基于所述多段数据,确定所述采样周期的时段特征;以及
基于所述时段特征,判断所述燃料电池电堆是否存在故障。
3.如权利要求2所述的燃料电池检测方法,其特征在于,所述基于所述时段特征,判断所述燃料电池电堆是否存在故障还包括:
基于所述时段特征,确定当前时段特征向量;
基于历史运行数据,确定所述历史运行数据中的各种类型故障所对应的历史时段特征向量;
确定所述当前时段特征向量与各个所述历史时段特征向量的向量距离;以及
基于所述向量距离,判断所述燃料电池电堆是否存在故障。
4.如权利要求1所述的燃料电池检测方法,其特征在于,所述方法还包括:基于所述运行数据,对所述燃料电池电堆进行故障预警。
5.一种燃料电池检测系统,其特征在于,所述系统包括:
获取模块,用于获取燃料电池电堆的至少一个采样周期的运行数据,其中,所述至少一个采样周期中的每一个采样周期与所述燃料电池电堆的使用时长负相关;以及
判断模块,用于基于所述运行数据,判断所述燃料电池电堆是否存在故障。
6.如权利要求5所述的燃料电池检测系统,其特征在于,每一个所述采样周期的所述运行数据包括多段数据;
为基于所述运行数据,判断所述燃料电池电堆是否存在故障,所述判断模块进一步用于:
基于所述多段数据,确定所述采样周期的时段特征;以及
基于所述时段特征,判断所述燃料电池电堆是否存在故障。
7.如权利要求6所述的燃料电池检测系统,其特征在于,为基于所述时段特征,判断所述燃料电池电堆是否存在故障,所述判断模块进一步用于:
基于所述时段特征,确定当前时段特征向量;
基于历史运行数据,获取所述历史运行数据中的各个历史故障所对应的历史时段特征向量;
确定所述当前时段特征向量与各个所述历史时段特征向量的向量距离;以及
基于所述向量距离,判断所述燃料电池电堆是否存在故障。
8.如权利要求1所述的燃料电池检测方法,其特征在于,所述系统还包括:
预警模块,用于基于所述运行数据,对所述燃料电池电堆进行故障预警。
9.一种燃料电池检测装置,包括处理器,所述处理器用于执行权利要求1~4中任一项所述的燃料电池检测方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~4任一项所述的燃料电池检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409335.XA CN115663242B (zh) | 2022-11-11 | 2022-11-11 | 一种燃料电池检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211409335.XA CN115663242B (zh) | 2022-11-11 | 2022-11-11 | 一种燃料电池检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115663242A true CN115663242A (zh) | 2023-01-31 |
CN115663242B CN115663242B (zh) | 2023-12-19 |
Family
ID=85021988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211409335.XA Active CN115663242B (zh) | 2022-11-11 | 2022-11-11 | 一种燃料电池检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115663242B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130349A (zh) * | 2010-01-20 | 2011-07-20 | 通用汽车环球科技运作有限责任公司 | 燃料电池堆中的膜和电极失效的检测方法 |
CN109814938A (zh) * | 2017-11-20 | 2019-05-28 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN113782778A (zh) * | 2021-09-03 | 2021-12-10 | 北京格睿能源科技有限公司 | 基于定频阻抗和气体压降的电堆水管理调控方法及装置 |
CN114079619A (zh) * | 2020-08-07 | 2022-02-22 | 中国电信股份有限公司 | 端口流量的采样方法和装置 |
CN114420983A (zh) * | 2022-03-31 | 2022-04-29 | 北京英博新能源有限公司 | 燃料电池电堆健康的评估方法、装置、系统和电子设备 |
WO2022233278A1 (zh) * | 2021-05-06 | 2022-11-10 | 永安行科技股份有限公司 | 氢燃料电池电堆的在线监测方法、系统及使用该监测方法的氢燃料电动车 |
-
2022
- 2022-11-11 CN CN202211409335.XA patent/CN115663242B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102130349A (zh) * | 2010-01-20 | 2011-07-20 | 通用汽车环球科技运作有限责任公司 | 燃料电池堆中的膜和电极失效的检测方法 |
CN109814938A (zh) * | 2017-11-20 | 2019-05-28 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN114079619A (zh) * | 2020-08-07 | 2022-02-22 | 中国电信股份有限公司 | 端口流量的采样方法和装置 |
WO2022233278A1 (zh) * | 2021-05-06 | 2022-11-10 | 永安行科技股份有限公司 | 氢燃料电池电堆的在线监测方法、系统及使用该监测方法的氢燃料电动车 |
CN113782778A (zh) * | 2021-09-03 | 2021-12-10 | 北京格睿能源科技有限公司 | 基于定频阻抗和气体压降的电堆水管理调控方法及装置 |
CN114420983A (zh) * | 2022-03-31 | 2022-04-29 | 北京英博新能源有限公司 | 燃料电池电堆健康的评估方法、装置、系统和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115663242B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review | |
KR102042077B1 (ko) | 인공지능형 연료전지 시스템 | |
Wu et al. | A hybrid prognostic model applied to SOFC prognostics | |
CN108344947A (zh) | 一种非侵入式的燃料电池故障诊断方法 | |
Lin et al. | Hydrogen fuel cell diagnostics using random forest and enhanced feature selection | |
CN104396073A (zh) | 用于确定燃料电池组中的临界操作状态的方法 | |
CN116308304B (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
WO2013083872A1 (en) | Method and arrangement for indicating solid oxide cell operating conditions | |
Benouioua et al. | On the issue of the PEMFC operating fault identification: Generic analysis tool based on voltage pointwise singularity strengths | |
Ma et al. | Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method | |
CN115248382A (zh) | 一种质子交换膜燃料电池控制方法 | |
CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
KR102418259B1 (ko) | 가변 운전점을 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법 | |
CN115860583B (zh) | 一种基于大数据的填埋场沼气收集评估方法、系统和介质 | |
CN115663242A (zh) | 一种燃料电池检测方法和系统 | |
Xu et al. | Fault Prognosis Method for Solid Oxide Fuel Cells Based on Mechanism Degradation Process Model and Particle Filtering | |
Moussaoui et al. | Fast online diagnosis for solid oxide fuel cells: Optimisation of total harmonic distortion tool for real-system application and reactants starvation identification | |
CN115327436A (zh) | 一种基于复合统计量的配电网短路故障诊断方法 | |
EP3563164A1 (en) | Spectral-based method for fuel cell faults detection | |
Petrone | Electrochemical Impedance Spectroscopy for the on-board diagnosis of PEMFC via on-line identification of Equivalent Circuit Model parameters | |
Wu et al. | Root Cause Analysis of Degradation in Protonic Ceramic Electrochemical Cell with Interfacial Electrical Sensors Using Data‐Driven Machine Learning | |
CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
Petrone et al. | Data-Driven Multi-fault Diagnosis for H 2/O 2 and H 2/Air PEMFCs | |
CN117535728B (zh) | 制氢电解槽工作状态监测方法、系统、设备及存储介质 | |
Barhate et al. | Proton exchange membrane fuel cell dynamic model based on time series analysis for fault diagnosis |
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 |