CN116559704A - 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 - Google Patents
车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 Download PDFInfo
- Publication number
- CN116559704A CN116559704A CN202310572423.XA CN202310572423A CN116559704A CN 116559704 A CN116559704 A CN 116559704A CN 202310572423 A CN202310572423 A CN 202310572423A CN 116559704 A CN116559704 A CN 116559704A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- parameters
- preset
- lstm model
- trained lstm
- 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
- 239000000446 fuel Substances 0.000 title claims abstract description 247
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000015654 memory Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 24
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 11
- 229910052739 hydrogen Inorganic materials 0.000 claims description 11
- 239000001257 hydrogen Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000002826 coolant Substances 0.000 claims description 6
- 239000000110 cooling liquid Substances 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 description 206
- 238000012545 processing Methods 0.000 description 16
- 238000013135 deep learning Methods 0.000 description 13
- 230000008901 benefit Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fuel Cell (AREA)
Abstract
本申请公开了一种车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质，该方法包括：获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数，所述燃料电池的使用场景参数；将所述预设参数输入预先训练的LSTM模型；通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。通过本申请提高了燃料电池的剩余寿命预测的精准度。
Description
技术领域
本申请涉及燃料电池技术领域，尤其涉及一种车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质。
背景技术
燃料电池是一种将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。然而，燃料电池寿命短、性能衰减快的缺点显著阻碍了它在汽车领域的部署和商业化发展。
为了在故障发生前预测燃料电池的剩余使用寿命(remaining useful life，RUL)并及时安排对燃料电池系统进行维修以延长其使用寿命，故，燃料电池的剩余使用寿命预测成为亟待解决的问题。
发明内容
本申请实施例提供了一种车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质，以优化车用燃料电池剩余使用寿命的预测方式。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种车用燃料电池剩余寿命预测方法，其中，所述方法包括：
获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
将所述预设参数输入预先训练的LSTM模型；
通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
在一些实施例中，所述燃料电池剩余使用寿命的预测结果包括所述燃料电池的平均单片电压衰减到失效阈值时的时长的预测结果，所述失效阈值包括预设电压值；
和/或，
所述燃料电池剩余使用寿命的预测结果包括所述燃料电池运行到预设时长时，燃料电池的单片电压的衰减率的预测结果。
在一些实施例中，所述燃料电池的自身性能参数包括电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率，所述燃料电池汽车的整车参数包括整车车速，所述燃料电池的使用场景参数包括用于表征当前使用场景的参数，所述将所述预设参数输入预先训练的LSTM模型包括：
将所述预设参数中的电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率、整车车速、用于表征当前使用场景的参数输入所述预设预先训练的LSTM模型。
在一些实施例中，所述将所述预设参数输入预先训练的LSTM模型，还包括：
将与所述燃料电池的自身性能参数相关的参数输入所述预设预先训练的LSTM模型，所述与所述燃料电池的自身性能参数相关的参数至少包括如下之一：空气出堆压力、氢气出堆压力、冷却液出堆温度。
在一些实施例中，所述将所述预设参数输入预先训练的LSTM模型之前，还包括：
计算所述预设参数中已经采集的数据与所述燃料电池的电压的相关性；
根据相关性计算结果进行排序，得到所述预设参数中特征重要性的排序；
和/或，
对所述预设参数进行数据清洗处理、归一化处理。
在一些实施例中，所述预先训练的LSTM模型包括：
根据所述燃料电池相关的预设参数，得到第一预设数据集；
将所述第一预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；
基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
在一些实施例中，所述预先训练的LSTM模型包括：
根据所述获取燃料电池相关的预设参数，计算特征重要性，得到第二预设数据集；
将所述第二预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；
基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
第二方面，本申请实施例还提供一种车用燃料电池剩余寿命预测装置，其中，所述装置包括：
获取模块，用于获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
输入模块，用于将所述预设参数输入预先训练的LSTM模型；
预测模块，用于通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
第三方面，本申请实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
第四方面，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：获取燃料电池相关的预设参数，在选择燃料电池相关的预设参数时涵盖了燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数等情况。之后将所述预设参数输入预先训练的LSTM模型；通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。从而保留了参数数据隐藏的深层次信息，也充分发挥了LSTM模型的深度学习优势。此外，在预测剩余寿命时考虑到了燃料电池使用场景的影响。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例中车用燃料电池剩余寿命预测方法流程示意图；
图2为本申请实施例中车用燃料电池剩余寿命预测装置结构示意图；
图3为本申请实施例中一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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。
发明人研究时发现，燃料电池的剩余使用寿命预测方法主要分为三类：
a.模型驱动方法、依托于燃料电池负载条件、材料属性、退化机理和失效机制实现剩余使用寿命的预测。
b.数据驱动方法，数据驱动方法是基于试验或运行数据进行寿命预测的方法。
c.混合方法，混合方法则即组合或者融合以上两种方法的形成的融合模型，以弥补单一方法的不足。充分发挥不同方法在不同条件下的优势，以获得最佳性能。
以上三种预测方法中模型驱动方法无疑是最理想的方法，一旦对燃料电池的材料属性、退化机理以及不同条件下的衰退机制掌握得十分清楚，就能很容易的预测出燃料电池的RUL。但现实中在燃料电池系统是具有多物理、多尺度和高不确定性的复杂系统。且，其退化机理尚不完全清楚，因此很难得到准确的分析模型以描述燃料电池系统的衰退，特别是在噪声或不确定的环境下。因此越来越多的人开始关注基于燃料电池的实际运行数据来预测其剩余使用寿命，即使用数据驱动的方法预测。同时，采用数据驱动的方法对燃料电池的机理模型依赖性较小，只需依靠大量的试验数据即可做出预测。
相关技术中多是基于数据驱动对燃料电池的剩余使用寿命进行预测。然而数据驱动的方法也有很多种，比如循环神经网络(recurrent neural network,RNN)。
针对上述不足，本申请的实施例中提供了一种车用燃料电池剩余寿命预测方法，在获取了了燃料电池的性能参数、系统的输出功率以及车速后，只进行了必要的数据清洗和归一化处理，最大限度地保留了数据背后体现的深层次信息，并将它们直接输入给LSTM模型，从而可以充分发挥LSTM的深度学习优势。
进一步地，使用在训练LSTM模型之前，先计算特征重要性。从而当燃料电池汽车运行在特定场景下，能够通过该方式选出在当前场景下对燃料电池电压影响最大的参数，预测出的结果最能体现使用场景对燃料电池剩余使用寿命的影响。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请实施例提供了一种车用燃料电池剩余寿命预测方法，如图1所示，提供了本申请实施例中车用燃料电池剩余寿命预测方法流程示意图，所述方法至少包括如下的步骤S110至步骤S130：
步骤S110，获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数。
获取燃料电池自身以及相关的预设参数，并且还需要在获取预设参数后进行必要的预设处理，之后才能输入到LSTM模型。
预设参数中包括了燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数，通过分析所述燃料电池的自身性能参数可以作为究燃料电池时重要的几个状态参数，每一个参数都从一个维度表征了燃料电池的健康程度。所述燃料电池汽车的整车参数作为汽车工况的代表参数。所述燃料电池的使用场景参数将燃料电池当前使用的环境特征进行了考量。
同时，所述燃料电池的使用场景参数与所述燃料电池的性能相关，当所述燃料电池的使用场景参数包含温度时，则温度变化会影响所述燃料电池的性能相关。同理，所述使用场景参数包括但不限于环境温度、环境湿度、大气压力、海拔、PM2.5指数等。这些使用场景参数均与所述燃料电池的性能相关。
可以理解，燃料电池汽车即使用燃料电池作为主要动力的汽车。在获取所述燃料电池相关的预设参数时除了燃料电池的自身性能参数以外，还可以获取与燃料电池有关的参数。考虑到，特定的使用场景会影响对燃料电池性能，也会影响燃料电池汽车的工况，故可以扎起预测的时候能够将使用场景的参数也输入到LSTM模型中。
步骤S120，将所述预设参数输入预先训练的LSTM模型。
根据上述步骤中得到的预设参数，输入到所述预先训练的LSTM模型进行时序数据结果的输出。所述预先训练的LSTM模型是通过训练集对LSTM网络进行训练之后得到的。
长短期记忆网络(long short-term memory neural network,LSTM)是RNN的一种变体，是一种适用于时序数据处理的神经网络。采用LSTM模型，相比相关技术中的数据推理的方法，LSTM模型能够更加准确且自动地从数据中提取特征，模型构建简单高效、高准确度。同时，LSTM学习的是数据集的概率分布，所提取的特征比经验更符合数据本身的概率分布。
进一步地，相比传统机器学习方法，LSTM模型的深度学习的方法，可以自动学习到数据更深层次、更具体的特征，因而具有更好的非线性拟合能力和分类能力。对于燃料电池的剩余使用寿命的预测更加符合数据本身的特性。
此外，相比于其它深度学习方法，基于循环神经网络的LSTM模型具有长久的时间记忆性，隐藏层的结构设计体现了时间序列之间的相互影响关系，具有更好的时序数据处理能力，这样最大限度地保留了数据背后体现的深层次信息，并将它们直接输入给LSTM模型，从而可以发挥LSTM模型的深度学习优势。
步骤S130，通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
通过预先训练至收敛的LSTM模型，最终输出燃料电池的剩余使用寿命。可以理解，剩余使用寿命的含义是指燃料电池的平均单片电压衰减到失效阈值时的时长。
可以理解，失效阈值是一个人为定义的可以接受的电压值。
或者，还可以根据以上输入训练LSTM模型，并预测燃料电池运行到指定的时长时，燃料电池的单片电压的衰减率，作为使用寿命的预测结果。
根据LSTM模型可以预测出：当燃料电池的电压衰减到预先设定的失效阈值时，其运行时长即剩余使用寿命，从而判断该剩余使用寿命是否符合要求。或者，让模型预测燃料电池运行至期望的时长后，燃料电池的电压的衰减率是多少，并判断该衰减率是否符合预期。具体如何使用在本申请的实施例中并不进行具体限定。
采用上述方法，使用燃料电池自身性能参数以及燃料电池整车的参数数据，通过LSTM模型预测燃料电池的剩余使用寿命。保留了参数数据隐藏的深层次信息，充分发挥了LSTM的深度学习优势；在预测时考虑到了使用场景对燃料电池剩余使用寿命的影响。
采用上述方法，特定的使用场景会影响对燃料电池性能，也会影响燃料电池汽车的工况，从而在预测燃料电池的剩余使用寿命的时候能够将使用场景的因素也考虑进去。
采用上述方法，区别于相关技术中采用将“空气进气压力、空气进气流量以及冷却水入口温度”通过函数关系计算出作为燃料的健康指标时，其实是一个间接表征量，在计算过程中必然会丧失某些隐藏的信息。而LSTM模型是一种深度学习过程，它的优势就是可以自动学习数据当中体现的深层次特征。因此，相关技术中的方法并没有充分利用LSTM模型的优势，其预测精度可能也会受到影响。而采用上述方法，可以充分利用LSTM模型的优势，从而提高模型输出的燃料电池剩余使用寿命的预测结果的精确性。
综上，采用上述方法，通过获取燃料电池的性能参数、系统的输出功率以及车速后，只进行了必要的数据清洗和归一化处理，没有人为构造函数，最大限度地保留了数据背后体现的深层次信息，并将它们直接输入给LSTM模型，这样可以发挥LSTM的深度学习优势。
进一步地，在使用预先训练的LSTM模型之前，可以先计算特征重要性。这样的收益是当燃料电池汽车运行在特定场景下，能够通过该方式选出在当前场景下对燃料电池电压影响最大的参数，这样预测出的结果最能体现使用场景对燃料电池剩余使用寿命的影响。
在本申请的一个实施例中，所述燃料电池剩余使用寿命的预测结果包括所述燃料电池的平均单片电压衰减到失效阈值时的时长的预测结果，所述失效阈值包括预设电压值；和/或，所述燃料电池剩余使用寿命的预测结果包括所述燃料电池运行到预设时长时，燃料电池的单片电压的衰减率的预测结果。
在通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果时，将所述燃料电池的平均单片电压衰减到失效阈值时的时长的预测结果，根据LSTM模型可以预测出：当燃料电池的电压衰减到预先设定的失效阈值时，其运行时长即剩余使用寿命，从而判断该剩余使用寿命是否符合要求。
进一步地，在通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果时，通过LSTM模型预测燃料电池运行至期望的时长后，燃料电池的电压的衰减率作为预测结果，并判断该衰减率是否符合预期。
在本申请的一个实施例中，所述燃料电池的自身性能参数包括电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率，所述燃料电池汽车的整车参数包括整车车速，所述燃料电池的使用场景参数包括用于表征当前使用场景的参数，所述将所述预设参数输入预先训练的LSTM模型包括：将所述预设参数中的电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率、整车车速、用于表征当前使用场景的参数输入所述预设预先训练的LSTM模型。
具体实施时，燃料电池的性能与多个操作条件有关，可以选取如下一些参数作为训练LSTM模型(作为训练集)的输入：
第一类：电堆电流I、空气进堆压力Pair_in、空气进堆流量Qair_in、氢气进堆压力Ph2_in、冷却液进堆压力Pcool_in、冷却液进堆温度Tcool_in。
可以理解，上述第一类的参数主要作为车用燃料电池系统中关注的参数。
需要注意的是，上述第一类参数为燃料电池自身属性，并无需进行计算处理。区别于相关技术中通过函数关系计算出的特征指标其实是一个间接表征量，在计算过程中必然会丧失某些隐藏的信息。在本申请的实施例中保留了原始参数的信息。
第二类：燃料电池在汽车上应用时，需要响应整车的功率需求。整车对于当前工况的最直观反应是车速。因此还将燃料电池系统净输出功率P_out、整车车速V作为训练LSTM模型的输入。
第三类：周围的环境也会影响燃料电池的性能输出，并且不同的应用场景会影响整车的工况，因此还应该获取可以表征当前使用场景的参数如环境温度、环境湿度、大气压力、海拔、PM2.5指数等。
需要注意的是，上述第一类参数可以通过燃料电池汽车上的多传感器直接获取。
通过训练得到的LSTM模型，在实际使用时将所述预设参数中的电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率、整车车速、用于表征当前使用场景的参数输入所述预设预先训练的LSTM模型。
在本申请的一个实施例中，所述将所述预设参数输入预先训练的LSTM模型，还包括：将与所述燃料电池的自身性能参数相关的参数输入所述预设预先训练的LSTM模型，所述与所述燃料电池的自身性能参数相关的参数至少包括如下之一：空气出堆压力、氢气出堆压力、冷却液出堆温度。
具体实施时，除了获取燃料电池自身性能相关的参数，还应尽可能多的获得与燃料电池有关的参数如空气出堆压力Pair_out、氢气出堆压力Ph2_out、冷却液出堆温度Tcool_out等。同理，由于在训练阶段使用了上述参数，以在输入实际参数时，可以通过LSTM模型输出预测结果。
在本申请的一个实施例中，所述将所述预设参数输入预先训练的LSTM模型之前，还包括：计算所述预设参数中已经采集的数据与所述燃料电池的电压的相关性；根据相关性计算结果进行排序，得到所述预设参数中特征重要性的排序；和/或，对所述预设参数进行数据清洗处理、归一化处理。
数据清洗与归一化处理，在试验运行过程或者车辆运行过程中会产生大量的数据，必然存在因为特定原因导致的数据缺失或不全的情况。LSTM模型需要的输入必须是完整的数据，因此缺失或者不全数据需要被剔除。剔除之后，需要对数据进行归一化梳理，其目的是消除各维变量物理单位差异、数量级差异等对神经网络训练的影响。
采用归一化处理方法有很多，例如最大最小化数据预处理方法，在本申请中并不对归一化处理的方法做具体限定。
在训练阶段，进行LSTM模型训练时，将归一化后的数据集输入给LSTM模型进行训练。此外还需要对模型参数进行优化，考虑到LSTM模型构建设计众多的超参数，超参数的设置是否合理极大地影响模型的最终效果。目前也有很多方法对模型的多个关键超参数进行调整，例如贝叶斯优化算法，在本申请中并不对模型参数优化的方法做限定。
在本申请的一个实施例中，所述预先训练的LSTM模型包括：根据所述燃料电池相关的预设参数，得到第一预设数据集；将所述第一预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
根据所述燃料电池相关的预设参数，得到第一预设数据集，进行LSTM模型训练；之后将归一化后的数据集输入给LSTM模型进行训练。进一步地，进行模型参数优化。通过优化后得到的LSTM模型输出预测的剩余使用寿命。即模型参数优化完成后，输出剩余使用寿命。
在本申请的一个实施例中，所述预先训练的LSTM模型包括：根据所述获取燃料电池相关的预设参数，计算特征重要性，得到第二预设数据集；将所述第二预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
在训练阶段，基于已经采集的数据，计算它们与燃料电池电压的相关性，并对相关性进行排序，并得到重要性的排序。相关性高的参数，其重要性也高。选取重要性较高参数作为LSTM模型的输入。计算相关性的方法有很多，例如LightGRM、XGBoost等，本申请的实施例中不做限定。所选的重要性较高的参数的个数应视剩余使用寿命预测系统的计算能力而定，本申请的实施例中对此不做限制。
具体实施时，LSTM神经网络中的LSTM的第一层门限为遗忘门，遗忘门由Sigmoid函数组成，t-1时刻的信息进入到t时刻后LSTM首先要对信息进行筛选与更新，根据输入决定信息的保存与遗忘。然后，LSTM的第二层门限为输入门，由Sigmoid层与tanh层组成，Sigmoid层决定中有多少信息要被更新，tanh函数根据输入生成一个备选数值，通过Sigmoid层与tanh层组合更新当前的状态。最后，产生新的神经元状态后，需要将旧神经元的状态更新至新的状态，可以先根据遗忘门将上一时刻的信息筛选，同时加入新的信息完成神经元状态的更新；最后完成神经元的状态更新后，输出门来决定输出至下一时刻的状态，首先通过Sigmoid层决定输出哪些神经元信息，更新后的神经元信息进入tanh层(使输出值保持在-1和1之间)与Sigmoid层输出的值相乘，输出至下一时刻的网络中。
本申请实施例还提供了车用燃料电池剩余寿命预测装置200，如图2所示，提供了本申请实施例中车用燃料电池剩余寿命预测装置的结构示意图，所述车用燃料电池剩余寿命预测装置200至少包括：获取模块210、输入模块220、预测模块230，其中：
在本申请的一个实施例中，所述获取模块210具体用于：获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数。
获取燃料电池自身以及相关的预设参数，并且还需要在获取预设参数后进行必要的预设处理，之后才能输入到LSTM模型。
预设参数中包括了燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数，通过分析所述燃料电池的自身性能参数可以作为究燃料电池时重要的几个状态参数，每一个参数都从一个维度表征了燃料电池的健康程度。所述燃料电池汽车的整车参数作为汽车工况的代表参数。所述燃料电池的使用场景参数将燃料电池当前使用的环境特征进行了考量。
同时，所述燃料电池的使用场景参数与所述燃料电池的性能相关，当所述燃料电池的使用场景参数包含温度时，则温度变化会影响所述燃料电池的性能相关。同理，所述使用场景参数包括但不限于环境温度、环境湿度、大气压力、海拔、PM2.5指数等。这些使用场景参数均与所述燃料电池的性能相关。
可以理解，燃料电池汽车即使用燃料电池作为主要动力的汽车。在获取所述燃料电池相关的预设参数时除了燃料电池的自身性能参数以外，还可以获取与燃料电池有关的参数。考虑到，特定的使用场景会影响对燃料电池性能，也会影响燃料电池汽车的工况，故可以扎起预测的时候能够将使用场景的参数也输入到LSTM模型中。
在本申请的一个实施例中，所述输入模块220具体用于：将所述预设参数输入预先训练的LSTM模型。
根据上述步骤中得到的预设参数，输入到所述预先训练的LSTM模型进行时序数据结果的输出。所述预先训练的LSTM模型是通过训练集对LSTM网络进行训练之后得到的。
长短期记忆网络(long short-term memory neural network,LSTM)是RNN的一种变体，是一种适用于时序数据处理的神经网络。采用LSTM模型，相比相关技术中的数据推理的方法，LSTM模型能够更加准确且自动地从数据中提取特征，模型构建简单高效、高准确度。同时，LSTM学习的是数据集的概率分布，所提取的特征比经验更符合数据本身的概率分布。
进一步地，相比传统机器学习方法，LSTM模型的深度学习的方法，可以自动学习到数据更深层次、更具体的特征，因而具有更好的非线性拟合能力和分类能力。对于燃料电池的剩余使用寿命的预测更加符合数据本身的特性。
此外，相比于其它深度学习方法，基于循环神经网络的LSTM模型具有长久的时间记忆性，隐藏层的结构设计体现了时间序列之间的相互影响关系，具有更好的时序数据处理能力，这样最大限度地保留了数据背后体现的深层次信息，并将它们直接输入给LSTM模型，从而可以发挥LSTM模型的深度学习优势。
在本申请的一个实施例中，所述预测模块230具体用于：通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
通过预先训练至收敛的LSTM模型，最终输出燃料电池的剩余使用寿命。可以理解，剩余使用寿命的含义是指燃料电池的平均单片电压衰减到失效阈值时的时长。
可以理解，失效阈值是一个人为定义的可以接受的电压值。
或者，还可以根据以上输入训练LSTM模型，并预测燃料电池运行到指定的时长时，燃料电池的单片电压的衰减率，作为使用寿命的预测结果。
根据LSTM模型可以预测出：当燃料电池的电压衰减到预先设定的失效阈值时，其运行时长即剩余使用寿命，从而判断该剩余使用寿命是否符合要求。或者，让模型预测燃料电池运行至期望的时长后，燃料电池的电压的衰减率是多少，并判断该衰减率是否符合预期。具体如何使用在本申请的实施例中并不进行具体限定。
能够理解，上述燃料电池剩余寿命预测装置，能够实现前述实施例中提供的燃料电池剩余寿命预测方法的各个步骤，关于燃料电池剩余寿命预测方法的相关阐释均适用于燃料电池剩余寿命预测装置，此处不再赘述。
图3是本申请的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成燃料电池剩余寿命预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
将所述预设参数输入预先训练的LSTM模型；
通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
上述如本申请图1所示实施例揭示的燃料电池剩余寿命预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中燃料电池剩余寿命预测装置执行的方法，并实现燃料电池剩余寿命预测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中燃料电池剩余寿命预测装置执行的方法，并具体用于执行：
获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
将所述预设参数输入预先训练的LSTM模型；
通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种车用燃料电池剩余寿命预测方法，其中，所述方法包括：
获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
将所述预设参数输入预先训练的LSTM模型；
通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
2.如权利要求1所述方法，其中，所述燃料电池剩余使用寿命的预测结果包括所述燃料电池的平均单片电压衰减到失效阈值时的时长的预测结果，所述失效阈值包括预设电压值；
和/或，
所述燃料电池剩余使用寿命的预测结果包括所述燃料电池运行到预设时长时，燃料电池的单片电压的衰减率的预测结果。
3.如权利要求2所述方法，其中，所述燃料电池的自身性能参数包括电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率，所述燃料电池汽车的整车参数包括整车车速，所述燃料电池的使用场景参数包括用于表征当前使用场景的参数，所述将所述预设参数输入预先训练的LSTM模型包括：
将所述预设参数中的电堆电流、空气进堆压力、空气进堆流量、氢气进堆压力、冷却液进堆压力、冷却液进堆温度、燃料电池系统净输出功率、整车车速、用于表征当前使用场景的参数输入所述预设预先训练的LSTM模型。
4.如权利要求2所述方法，其中，所述将所述预设参数输入预先训练的LSTM模型，还包括：
将与所述燃料电池的自身性能参数相关的参数输入所述预设预先训练的LSTM模型，所述与所述燃料电池的自身性能参数相关的参数至少包括如下之一：空气出堆压力、氢气出堆压力、冷却液出堆温度。
5.如权利要求2所述方法，其中，所述将所述预设参数输入预先训练的LSTM模型之前，还包括：
计算所述预设参数中已经采集的数据与所述燃料电池的电压的相关性；
根据相关性计算结果进行排序，得到所述预设参数中特征重要性的排序；
和/或，
对所述预设参数进行数据清洗处理、归一化处理。
6.如权利要求1所述方法，其中，所述预先训练的LSTM模型包括：
根据所述燃料电池相关的预设参数，得到第一预设数据集；
将所述第一预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；
基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
7.如权利要求1所述方法，其中，所述预先训练的LSTM模型包括：
根据所述获取燃料电池相关的预设参数，计算特征重要性，得到第二预设数据集；
将所述第二预设数据集输入至LSTM网络进行训练，得到所述预先训练的LSTM模型；
基于所述预先训练的LSTM模型进行模型参数优化，用以输出所述燃料电池剩余使用寿命的预测结果。
8.一种车用燃料电池剩余寿命预测装置，其中，所述装置包括：
获取模块，用于获取燃料电池相关的预设参数，所述预设参数至少包括如下之一：燃料电池的自身性能参数、燃料电池汽车的整车参数、燃料电池的使用场景参数；
输入模块，用于将所述预设参数输入预先训练的LSTM模型；
预测模块，用于通过所述预先训练的LSTM模型，输出燃料电池剩余使用寿命的预测结果。
9.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～7之任一所述方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行所述权利要求1～7之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310572423.XA CN116559704A (zh) | 2023-05-19 | 2023-05-19 | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310572423.XA CN116559704A (zh) | 2023-05-19 | 2023-05-19 | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116559704A true CN116559704A (zh) | 2023-08-08 |
Family
ID=87485856
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310572423.XA Pending CN116559704A (zh) | 2023-05-19 | 2023-05-19 | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116559704A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
| CN117558947A (zh) * | 2023-11-14 | 2024-02-13 | 北京氢璞创能科技有限公司 | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 |
-
2023
- 2023-05-19 CN CN202310572423.XA patent/CN116559704A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
| CN116995276B (zh) * | 2023-09-27 | 2023-12-29 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
| CN117558947A (zh) * | 2023-11-14 | 2024-02-13 | 北京氢璞创能科技有限公司 | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116559704A (zh) | 车用燃料电池剩余寿命预测方法、装置及电子设备、存储介质 | |
| CN111210024A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN111369299B (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
| CN110046706A (zh) | 模型生成方法、装置及服务器 | |
| CN109886328B (zh) | 一种电动汽车充电设施故障预测方法与系统 | |
| CN115729796B (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
| CN109656818B (zh) | 一种软件密集系统故障预测方法 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN115718846A (zh) | 用于智能化交互网络的大数据挖掘方法及系统 | |
| Kamariotis et al. | A metric for assessing and optimizing data-driven prognostic algorithms for predictive maintenance | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| Liao et al. | Probabilistic wind power forecasting for newly-built wind farms based on multi-task Gaussian process method | |
| CN111612648B (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| CN115049852B (zh) | 一种轴承故障诊断方法、装置、存储介质及电子设备 | |
| CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
| CN116976491A (zh) | 一种信息预测方法、装置、设备、存储介质及程序产品 | |
| CN116826739A (zh) | 基于单变量时序的超短期农业电力负荷预测方法及装置 | |
| Aho et al. | Rule ensembles for multi-target regression | |
| CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
| CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
| KR102389317B1 (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
| CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
| Khoshgoftaar et al. | An application of genetic programming to software quality prediction | |
| CN111047074A (zh) | 一种电力负荷波动范围预测方法及装置 | |
| Riesterer et al. | Implications of guessing types in multinomial processing tree models: Conditional reasoning as an example |
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 |