CN116914194A - 云端协同的燃料电池剩余使用寿命远程监控方法 - Google Patents
云端协同的燃料电池剩余使用寿命远程监控方法 Download PDFInfo
- Publication number
- CN116914194A CN116914194A CN202310882407.0A CN202310882407A CN116914194A CN 116914194 A CN116914194 A CN 116914194A CN 202310882407 A CN202310882407 A CN 202310882407A CN 116914194 A CN116914194 A CN 116914194A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- neural network
- voltage
- cloud
- layer
- 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 109
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 53
- 239000007789 gas Substances 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- 239000001257 hydrogen Substances 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 82
- 238000011161 development Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000003679 aging effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2250/00—Fuel cells for particular applications; Specific features of fuel cell system
- H01M2250/20—Fuel cells in motive systems, e.g. vehicle, ship, plane
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种云端协同的燃料电池剩余使用寿命远程监控方法，包括：获取燃料电池实时的电气特性参数和周围环境信息；对燃料电池实时的电气特性参数和周围环境信息进行预处理；将经过预处理的燃料电池实时的电气特性参数和周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型，得到电堆电压预测结果；将电堆电压预测结果下发至现场终端设备，并将电堆电压预测值与预设报警阈值进行比较；若电堆电压预测值低于预设报警阈值，则使现场终端设备发出警报。本发明能够在汽车供能系统中的对燃料电池剩余使用寿命进行预估，并对在汽车行驶环境中的燃料电池剩余使用寿命进行远程监控及高效预警。
Description
技术领域
本发明涉及燃料电池寿命监测技术领域，具体涉及一种云端协同的燃料电池剩余使用寿命远程监控方法。
背景技术
随着新能源技术发展，汽车的能源动力技术面向节能减排与可持续发展的道路，逐渐由高污染、高能耗的燃油车向高环保、高效率的新能源汽车进行转变。其中，燃料电池的发展可以为汽车行业提供高效、零污染的电力能源。燃料电池是一种将氢气和氧气结合产生的化学能转化成电能的发电装置，现多应用于交通运输、固定电源及便携式电源中，特别在燃料电池汽车，以燃料电池作为动力源行驶的汽车已经在我国成功制造并实现部分量产。
燃料电池在使用的过程中也无法避免电池使用时最重要的一项指标，即剩余使用寿命。传统电池使用寿命在电池出厂时便进行一系列质量测试，通过大批量测试估计剩余同型号电池寿命，并标注其大概使用年限。然而，使用者无法在电池运行过程中对其剩余寿命得到有效的信息提示。同时，由于电池寿命受影响的因素颇多，每个电池的使用方式与环境各不相同，传统寿命评估方式存在极大的不确定性，使用者对电池的寿命无法得到相对准确的判断。因此，遇到电池突然无法工作的情况难以及时地采取对应方式进行维护以减轻损失。
因此，如何对燃料电池剩余使用寿命(Remaining useful life，RUL)进行有效的远程监控，从而实现对电池的剩余使用时间进行一个可靠的预估，对电池异常情况进行有效监控和预警，成为目前亟待解决的问题。
发明内容
有鉴于此，本发明实施例提供了一种云端协同的燃料电池剩余使用寿命远程监控方法，以解决现有技术中对燃料电池剩余使用寿命的实时远程监控方面存在不足的问题。
本发明实施例提供了一种云端协同的燃料电池剩余使用寿命远程监控方法，包括：
获取燃料电池实时的电气特性参数和周围环境信息；
对燃料电池实时的电气特性参数和周围环境信息进行预处理；
将经过预处理的燃料电池实时的电气特性参数和周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型，得到电堆电压预测结果；
将电堆电压预测结果下发至现场终端设备，并将电堆电压预测值与预设报警阈值进行比较；
若电堆电压预测值低于预设报警阈值，则使现场终端设备发出警报；
其中，基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型的构建包括：
将已有的燃料电池电堆耐久性实验数据经过预处理后分为训练集和测试集；
通过输入层将训练集输入基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型；
通过卷积神经网络层对训练集进行局部特征提取；
通过池化层对经卷积神经网络提取到的高维特征向量进行降维处理；
通过空间注意力层对每半小时下的寿命影响因子分配不同权值以强调每半小时下的寿命影响因子的重要性；
通过长短时记忆神经网络层学习经空间注意力层处理后的特征向量的时序寿命衰减信息；
通过全连接层输出电堆电压预测值。
可选地，电池实时的电气特性参数包括：电堆电压和电流；周围环境信息包括：气体流量、温度和湿度。
可选地，对燃料电池实时的电气特性参数和周围环境信息进行预处理，包括：
采用拉依达理论对电堆电压、电流以及气体流量、温度和湿度数据去除异常值；
通过有限冲击响应滤波器和局部加权回归散点平滑法对去除异常值后的电堆电压、电流以及气体流量、温度和湿度数据进行滤波和平滑处理。
可选地，在将经过预处理的燃料电池实时的电气特性参数和周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型之前，还包括：
采用最邻近值法对经过去除异常值、滤波以及平滑处理后的电堆电压、电流以及气体流量、温度和湿度数据进行插值；
采用最大-最小规范化对经过插值后的电堆电压、电流以及气体流量、温度和湿度数据进行归一化处理。
可选地，在现场终端设备中进行预处理；在云服务器中进行插值和归一化处理。
可选地，还包括：
将燃料电池电堆电压作为输出指标；
设置燃料电池正常工作所需的最小工作电压为标称电压的95％；
将最小工作电压作为预设报警阈值；
若电堆电压预测值小于或等于预设报警阈值，则判定为燃料电池的剩余使用寿命无法继续提供正常的工作需求，触发警报；
若电堆电压预测值大于预设报警阈值，则判定为燃料电池的剩余使用寿命能够继续提供正常的工作需求，警报不动作。
可选地，还包括：
在现场终端设备中对电气特性参数和周围环境信息分别设置数值界限；
其中，将电堆电压数值界限设置为最小工作电压以上；将电流数值界限设置为0～300A；将气体温度数值界限设置为20℃～80℃；将气体湿度数值界限设置为0～100％RH；将空气流量数值界限设置为0～100L/min；将氢气流量数值界限设置为0～30L/min。
可选地，通过空间注意力层对每半小时下的寿命影响因子分配不同权值以强调每半小时下的寿命影响因子的重要性，包括：
根据变量之间的联系，建立电堆电压特征向量、电流特征向量、温湿度特征向量和气体流量特征向量之间关联性，得到空间相关向量；
基于传统注意力机制构建不同变量特征的空间相关性注意力权重的计算公式：
ri，j＝f(xi，xj)＝Z1(xi)TZ2(xj)；
Z1(xi)＝relu(W1×xi)；
Z2(xj)＝relu(W2×xj)；
其中，ri，j表示向量xi和向量xj之间的关联；Z1为第一全连接层；Z2为第二全连接层；relu(*)为激活函数；W1为需要学习的第一权重矩阵；W2为需要学习的第二权重矩阵；T为特征长度；
通过向量Ri和变量i在时间t时的空间相关性信息来推断变量i在时间t时的注意力权重：
Ri＝f([ri1，...，rim；r2i，...，rmi；xi])；
其中，Ri包含变量i的空间相关性信息和变量i的自身信息；m为变量的数量；Wx、We、U和V是要学习的权重矩阵；ssca是注意力分数的加法注意力计算方法；表示变量在时间t时的自身信息；/>为注意力权重；
将注意力权重乘以电堆电压、电流以及气体流量、温度和湿度特征向量，得到时间t时的加权数据：
可选地，还包括：
通过长短时记忆神经网络层中的隐藏层获取加权数据对应的隐藏层向量；
由遗忘门决定当前隐藏层电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量是否被遗忘。
可选地，还包括：
全连接层将长短时记忆神经网络层最终输出的隐藏层特征进行整合、降维为预测步长、并通过激活函数激活，得到未来600小时的电堆电压预测值。
本发明实施例的有益效果：
本发明实施例提供了一种云端协同的燃料电池剩余使用寿命远程监控方法，通过在云服务器中建立基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型，将实时采集燃料电池的电气特性及周围环境数据作为输入，输出未来600小时的电堆电压预测结果，并将电堆电压预测值与报警阈值进行比较。通过以上方法，能够有效对燃料电池在汽车供能系统中的燃料电池剩余使用寿命进行预估，用以对燃料电池在汽车行驶环境中的燃料电池剩余使用寿命进行远程监控及高效预警，并为燃料电池后续的发展和应用提供新的思路。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明实施例中一种云端协同的燃料电池剩余使用寿命远程监控方法的流程图；
图2示出了本发明实施例中一种云端协同的燃料电池剩余使用寿命远程监控系统硬件架构图；
图3示出了本发明实施例中一种基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合神经网络结构图；
图4示出了本发明实施例中一种基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型算法实现流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种云端协同的燃料电池剩余使用寿命远程监控方法，如图1所示，包括：
步骤S10，获取燃料电池实时的电气特性参数和周围环境信息。
在本实施例中，电池实时的电气特性参数包括：电堆电压和电流。周围环境信息包括：气体流量、温度和湿度。
在具体实施例中，如图2所示，Linux系统开发板11上集成有移动通信模组12、各类数据接口14及警报装置；而云服务器16中部署有RUL预测模型以及MySQL数据库17等；远程终端设备18，如平板、手机等以WebSocket形式对监控界面进行登录访问。利用终端所部署的数据采集设备，包括各类传感器、Linux系统开发板11、移动通信模组12、显示屏13、数据接口14，采集监控数据15，包括电堆电压、电流、温/湿度、气体流量，监控数据通过CAN总线的ISO15765通信协议接入Linux开发板，在开发板中完成去除异常值、滤波等预处理步骤后，继续监控预处理后监控数据是否在设定控制范围内，之后经移动通信模组将预处理后监控数据发送至云服务器16。然后云服务器将预处理后监控数据进一步规范化，包括插值、归一化，再于云服务器的MySQL数据库17中存储管理。本发明所建立的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合神经网络预测模型在云服务器中进行训练，划分已有的数据集中的70％作为训练集，剩下30％为测试集，对模型的预测效果进行验证和评价。再将已训练好的模型部署在云服务器上，对输入到模型中的燃料电池实时的电气特性参数及周围环境数据进行分析，并设定最小工作电压阈值对现场燃料电池RUL及电堆电压进行在线监控，一旦监测到电堆电压低于所设电压阈值，将向所有终端设备发送报警指令。
利用终端数据采集设备实时采集燃料电池的电气特性及周围环境数据。终端数据采集设备包括电压传感器、电流传感器、流量传感器、温湿度传感器、微处理器、移动通信网络模组、显示屏、CAN数据接口、SIM卡、电源、定位模块等，各类传感器采集电堆电压、电流、温/湿度、气体流量作为燃料电池的寿命影响因子。微处理器搭载了Linux系统，对接燃料电池各检测传感器数据，使用Qt技术设计开发可视化的燃料电池实时的电气特性参数和周围环境数据监控界面，同时驱动移动网络通信模组与云服务器进行数据传输和远程交互控制。显示屏呈现可视化现场监控界面以及云服务器反馈至微处理器上的分析电堆电压预测结果。
步骤S20，对燃料电池实时的电气特性参数和周围环境信息进行预处理。
在本实施例中，基于CAN总线的ISO15765通信协议将车载燃料电池各部件接入终端数据采集设备，在Linux微处理器中对电堆电压、电流以及气体流量、温度和湿度数据进行预处理操作，并在端侧针对不同物理量分别设置数据峰值界限，数值异常时及时控制报警器动作。
在具体实施例中，采用拉依达(3-σ)理论对电堆电压、电流以及气体流量、温度和湿度数据去除异常值。通过有限冲击响应滤波器和局部加权回归散点平滑法对去除异常值后的数据进行滤波和平滑处理。
在具体实施方式中，在Linux微处理器中对所采集的原始传感器数据，电堆电压、电流以及气体流量、温度和湿度进行预处理，例如，采用拉依达(3-σ)理论对其进行异常值的剔除：
其中，y为所有数据在正常范围内的上下限，为所有数据的平均值，xi是第i个原始数据，m表示数据个数。
采用有限冲激响应(FIR)滤波器对去除异常值的电堆电压、电流以及气体流量、温度和湿度数据进行滤波处理，通过对输入信号进行加权平均来实现滤波效果。平滑处理采用局部加权回归散点平滑法，其利用与x邻近的数据来计算加权回归从而得到平滑后的数据，回归系数定义如下：
其中，d(x)为以x为中心，向前后截取的一段数据[d1,d2]，截取长度取决于原数据量，将其映射成[-1,1]对应的坐标。
设平滑后的拟合曲线为其中，a为梯度，b为常数，其公式分别如下：
其中，与/>分别为y与x的加权平均值。
针对电堆电压、电流、温/湿度、气体流量数据分别设置不同的数值界限，以应对实时的数据异常情况。在具体实施方式中，电堆电压数值界限设置为最小工作电压以上，电流数值界限设置为0～300A，气体温度数值界限设置为20℃～80℃，气体湿度数值界限设置为0～100％RH，空气流量数值界限设置为0～100L/min，氢气流量数值界限设置为0～30L/min。
步骤S30，将经过预处理的燃料电池实时的电气特性参数和周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型，得到电堆电压预测结果。
在本实施例中，数据采集设备以移动蜂窝网络(4G/5G)接入云服务器，将预处理后的电堆电压、电流以及气体流量、温度和湿度数据发送至云服务器。终端数据采集设备与云服务器的协同机制具体为：底层终端设备部署多源传感器负责现场电堆电压、电流以及气体流量、温度和湿度数据的采集和预处理，协同云服务器，通过通信模组传输和接收相关燃料电池的电气特性及周围环境数据，及时进行预警工作；云服务器训练并部署燃料电池寿命预测模型，处理和存储有效数据，对燃料电池RUL进行预估，发送电压阈值报警信息。
在云服务器中，对预处理后电堆电压、电流以及气体流量、温度和湿度数据进行插值、归一化操作，得到规范化的燃料电池的电气特性及周围环境数据，在MySQL数据库中存储管理。
步骤S40，将电堆电压预测结果下发至现场终端设备，并将电堆电压预测值与预设报警阈值进行比较。
步骤S50，若电堆电压预测值低于预设报警阈值，则使现场终端设备发出警报。
其中，基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型的构建包括：
将已有的燃料电池电堆耐久性实验数据经过预处理后分为训练集和测试集；
通过输入层将训练集输入基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型；
通过卷积神经网络层对训练集进行局部特征提取；
通过池化层对经卷积神经网络提取到的高维特征向量进行降维处理；
通过空间注意力层对每半小时下的寿命影响因子分配不同权值以强调每半小时下的寿命影响因子的重要性；
通过长短时记忆神经网络层学习经空间注意力层处理后的特征向量的时序寿命衰减信息；
通过全连接层输出电堆电压预测值。
在本实施例中，基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合神经网络寿命预测模型包括输入层、卷积神经网络(CNN)层、空间注意力机制(SCA)层、长短时记忆神经网络(LSTM)层和全连接层构成，CNN层包括卷积层和池化层。
基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型利用训练集中燃料电池的电堆电压、电流、温/湿度、气体流量数据作为模型的输入。其中，电堆电压作为输出结果用于剩余使用寿命评估。神经网络模型利用CNN网络的卷积层对数据进行局部特征提取。卷积层上的权重可以对参数进行调整和更新，完成数据的特征映射。在CNN网络的池化层对卷积层所提取的高维特征向量进行降维处理，减轻处理器的计算压力。SCA层对每半小时下的寿命影响因子分配不同的权值来强调每半小时下不同寿命影响因子的重要性。LSTM层学习经空间注意力层处理后的特征向量的时序寿命衰减信息，最后经过全连接层输出电堆电压预测值，完成寿命预测。
本发明实施例提供了一种云端协同的燃料电池剩余使用寿命远程监控方法，通过在云服务器中建立基于空间注意力机制(SCA)的卷积神经网络(CNN)和长短时记忆神经网络(LSTM)相结合的混合预测模型，将实时采集燃料电池的电气特性及周围环境数据作为输入，输出未来600小时的电堆电压预测值，并将电堆电压预测值与报警阈值进行比较。通过以上方法，能够有效对燃料电池在汽车供能系统中的RUL进行预估，用以对燃料电池在汽车行驶环境中的RUL进行远程监控及高效预警，并为燃料电池后续的发展和应用提供新的思路。
作为可选的实施方式，在将经过预处理的燃料电池实时的电气特性参数和周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型之前，还包括：
采用最邻近值法对经过去除异常值、滤波以及平滑处理后的电堆电压、电流以及气体流量、温度和湿度数据进行插值；
采用最大-最小规范化对经过插值后的电堆电压、电流以及气体流量、温度和湿度数据进行归一化处理。
在本实施例中，在现场终端设备中使用最大-最小规范化将电堆电压、电流以及气体流量、温度和湿度数据缩放到[0,1]范围进行归一化处理，公式如下：
其中，为规范化之后的数据值，x[max]与x[min]分别为数据中的最大值和最小值。
作为可选的实施方式，还包括：
将燃料电池电堆电压作为输出指标；
设置燃料电池正常工作所需的最小工作电压为标称电压的95％；
将最小工作电压作为预设报警阈值；
若电堆电压预测值小于或等于预设报警阈值，则判定为燃料电池的剩余使用寿命无法继续提供正常的工作需求，触发警报；
若电堆电压预测值大于预设报警阈值，则判定为燃料电池的剩余使用寿命能够继续提供正常的工作需求，警报不动作。
在本实施例中，得到云服务器中基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型输出的电堆电压预测值，将电堆电压预测值按类别进行划分并依据模型输出指标设定相应的报警阈值，以此界定燃料电池的剩余寿命状况，计算公式为：Vl＝95％×Vf，其中Vf为标称电压，Vl为燃料电池正常工作所需的最小工作电压。当燃料电池电堆总电压Vtol降低至标称电压Vf的95％时，当前燃料电池电堆电压无法满足汽车工作要求，将Vl作为燃料电池剩余使用寿命的阈值指标，即当Vtol≤Vl时，判定车载燃料电池无法正常工作。在云服务器中预测未来600小时的燃料电池电堆电压，各时刻电堆电压与阈值电压进行对比，低于阈值范围的时刻，即可得到燃料电池RUL信息：
TRUL＝Tl-Tp；
其中，TRUL为燃料电池的剩余使用寿命时长；Tl是燃料电池电堆电压低于最小工作电压的时刻；Tp为燃料电池剩余使用寿命预测起始时刻。
将得到燃料电池RUL及电堆电压预测结果发送至终端设备。显示屏通过Qt技术开发部署相关监控界面，对电堆电压预测结果进行展示。当电堆电压预测值低于设定阈值，则报警指令同时向终端进行下达；终端包括：数据采集设备、移动网络端，其中，移动网络端指手机、平板等移动设备作为远程终端接入，通过微信小程序访问监控界面。
如图3所示，将xt-n，xt-n+1，...，xt这n+1个时间点的燃料电池的电气特性及周围环境数据作为网络的输入，预测后m个时间点数据xt+1，...，xt+m。
卷积层用来获得序列信号的局部特征。卷积核可以挖掘输入数据相邻局部范围内的共同特性，提取燃料电池系统电堆电压、电流、温湿度、气体流量的特征映射，卷积层计算公式如下：
ft＝σ(Wf×[xt，xt+g-1]+bf)；
其中，σ为激活函数，Wf为卷积核，g为卷积核的大小，[xt，xt+g-1]是t到t+g-1的时间序列，bf为偏差量，计算得到的提取的特征矩阵G＝[f1，f2，...，ff-g+1]。
池化层保留有效特征信息，对卷积层得到的特征映射进行降维。将特征矩阵的最大值作为池化的值，表达式为：
At＝max(f1，f2，...，ft-g+1)＝max{G}；
其中，At为池化通道数目。
SCA模块的作用是学习每半小时不同前后时刻下的寿命影响因子的动态权重，为输入的多维时间序列的电堆电压、电流以及气体流量、温度和湿度特征赋予每半小时时刻下的权重。如在第200小时时刻下，燃料电池系统中的温度向量较电压、电流、湿度、气体流量对燃料电池具有更为严重的老化影响，则SCA模块将为温度特征赋予更多的权重，而减少或忽略其他因素的作用，而在第210小时时刻下，各寿命影响因子间的老化影响又会发生变化，被分配新的权重。SCA模块空间相关向量和注意力权重的构建具体为：
根据变量之间的联系，建立电堆电压特征向量、电流特征向量、温湿度特征向量和气体流量特征向量之间关联性，得到空间相关向量；
基于传统注意力机制构建不同变量特征的空间相关性注意力权重的计算公式：
ri，j＝f(xi，xj)＝Z1(xi)TZ2(xj)；
Z1(xi)＝relu(W1×xi)；
Z2(xj)＝relu(W2×xj)；
其中，ri，j表示向量xi和向量xj之间的关联；Z1为第一全连接层；Z2为第二全连接层；relu(*)为激活函数；W1为需要学习的第一权重矩阵；W2为需要学习的第二权重矩阵；T为特征长度。类似地有：
rj，i＝f(xj，xi)＝Z1(xj)TZ2(xi)；
这样即可得到向量xi和向量xj的相关信息ri，j。建立起两个变量特征的关联，同理可以建立起电堆电压、电流以及气体流量、温度和湿度采集数据间的关联。
通过向量Ri和变量i在时间t时的空间相关性信息来推断变量i在时间t时的注意力权重：
Ri＝f([ri1，...，rim；r2i，...，rmi；xi])；
其中，Ri包含变量i的空间相关性信息和变量i的自身信息；m为变量的数量；Wx、We、U和V是要学习的权重矩阵；ssca是注意力分数的加法注意力计算方法；表示变量在时间t时的自身信息；/>为注意力权重；
将注意力权重乘以电堆电压、电流以及气体流量、温度和湿度特征向量，得到时间t时的加权数据：
作为可选的实施方式，还包括：
通过长短时记忆神经网络层中的隐藏层获取加权数据对应的隐藏层向量；
由遗忘门决定当前隐藏层电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量是否被遗忘。
在本实施例中，LSTM层用来学习SCA处理后新的特征向量的时序电堆电压衰减信息，获得内部时间特征和衰减趋势的变化规律。由SCA得到的权值向量经LSTM隐藏层得到对应隐藏层向量h1，h2，…，ht，由遗忘门决定当前隐藏层电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量是否被遗忘，其计算公式如下：
ft＝σ(Wf×[ht-1，xt]+bf)；
式中，σ为Sigmod函数，将输出结果控制在[0，1]范围内；ht-1表示上一隐藏层特征向量信息，xt表示当前输入特征向量信息，Wf和bf代表权重矩阵和偏差值。
输入门决定最终可以保留和更新的电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量，包括两个部分，首先计算上一隐藏层特征向量和当前输入特征向量，确定进行更新的特征向量，并生成一个神经元状态待选值，公式如下：
it＝σ(Wi×[ht-1，xt]+bi)；
更新后的神经元状态由上一神经元状态和待选状态计算得到：
输出门控制最后输出哪些电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量给下一个隐藏层或输出层，首先计算上一隐藏层特征向量和当前输入特征向量的结果，确定是否将特征向量进行输出，公式如下：
ot＝σ(Wo×[ht-1，xt]+bo)；
ht＝ot×tanh(Ct)；
其中，Sigmod函数σ计算上一隐藏层特征向量ht-1和当前输入特征向量xt，之后用tanh函数处理输出门结果和当前神经元状态得到最终的输出ht。
全连接层将长短时记忆神经网络层最终输出的隐藏层特征进行整合、降维为预测步长、并通过激活函数激活，得到未来600小时的电堆电压预测值。
全连接层将LSTM层最终输出的隐藏层特征进行整合并降维为预测步长，由relu函数激活，得到未来600小时的电堆电压预测值Vi，输出计算公式如下：
在具体实施例中，基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型的构建及预测流程如图4所示，将已有燃料电池电堆耐久性实验数据集进行预处理。预处理后划分数据集，70％为训练集，30％为测试集。训练集数据输入最初构建的RUL预测模型中进行训练，对网络输出结果进行损失计算，再使用适应性矩估计(Adam)优化算法进行改进，经过200次迭代得到训练好的模型。测试集数据输入训练好的网络模型中，得到输出结果，将预测值与实际值进行评价，从评价指标判断网络是否满足要求精度。若满足则确定网络参数，不满足则重新调整网络参数。
现场采集的电堆电压、电流、温/湿度、气体流量等原始数据在终端设备中先进行预处理后，再传输至云服务器将其输入训练好的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型中。对燃料电池RUL进行预测，输出预测的电堆电压序列[Vp，...，Vk]，根据最小工作电压阈值判断燃料电池无法工作的时刻，得到RUL相关时间信息。当燃料电池电堆电压降低到标称电压Vf的95％时，此时刻电堆电压值为燃料电池的最小工作电压。当预测模型输出的电堆电压Vk≤Vl时，则判断此时刻的电堆电压不能满足工作要求，低于预设的报警阈值，云服务器将发送报警指令至所有终端设备。
本实施例还提供了一种云端协同的数据流通架构，终端设备与云服务器之间的数据流过程包括：
S1，车载燃料电池动力系统各部件通过CAN总线通信与终端数据采集设备进行数据交换。
S2，终端数据采集设备在底层代码驱动下，经移动通信模组接入网络，向云服务器发送预处理后燃料电池的电气特性及周围环境数据。
S3，云服务器接收来自终端数据采集设备的数据流，将预处理后数据保存至数据库中进行后续的处理，并反馈分析结果至各终端设备。
S4，云服务器中的燃料电池RUL预测模型输出得到的结果由Linux开发板上的显示屏进行展示。
S5，开发微信小程序对电堆电压预测结果进行远程监控，使移动端，如手机、平板作为远程终端，对监控界面进行访问。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，包括：
获取燃料电池实时的电气特性参数和周围环境信息；
对所述燃料电池实时的电气特性参数和所述周围环境信息进行预处理；
将经过预处理的所述燃料电池实时的电气特性参数和所述周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型，得到电堆电压预测结果；
将所述电堆电压预测结果下发至现场终端设备，并将所述电堆电压预测值与预设报警阈值进行比较；
若所述电堆电压预测值低于所述预设报警阈值，则使所述现场终端设备发出警报；
其中，所述基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型的构建包括：
将已有的燃料电池电堆耐久性实验数据经过预处理后分为训练集和测试集；
通过输入层将所述训练集输入所述基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型；
通过卷积神经网络层对所述训练集进行局部特征提取；
通过池化层对经所述卷积神经网络提取到的高维特征向量进行降维处理；
通过空间注意力层对每半小时下的寿命影响因子分配不同权值以强调每半小时下的所述寿命影响因子的重要性；
通过长短时记忆神经网络层学习经空间注意力层处理后的特征向量的时序寿命衰减信息；
通过全连接层输出电堆电压预测值。
2.根据权利要求1所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，所述电池实时的电气特性参数包括：电堆电压和电流；所述周围环境信息包括：气体流量、温度和湿度。
3.根据权利要求2所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，对所述燃料电池实时的电气特性参数和所述周围环境信息进行预处理，包括：
采用拉依达理论对电堆电压、电流以及气体流量、温度和湿度数据去除异常值；
通过有限冲击响应滤波器和局部加权回归散点平滑法对去除异常值后的所述电堆电压、电流以及气体流量、温度和湿度数据进行滤波和平滑处理。
4.根据权利要求3所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，在将经过预处理的所述燃料电池实时的电气特性参数和所述周围环境信息上传至云服务器中的基于空间注意力机制的卷积神经网络和长短时记忆神经网络相结合的混合预测模型之前，还包括：
采用最邻近值法对经过去除异常值、滤波以及平滑处理后的所述电堆电压、电流以及气体流量、温度和湿度数据进行插值；
采用最大-最小规范化对经过插值后的所述电堆电压、电流以及气体流量、温度和湿度数据进行归一化处理。
5.根据权利要求4所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，在所述现场终端设备中进行预处理；在所述云服务器中进行插值和归一化处理。
6.根据权利要求5所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，还包括：
将燃料电池电堆电压作为输出指标；
设置所述燃料电池正常工作所需的最小工作电压为标称电压的95％；
将所述最小工作电压作为所述预设报警阈值；
若所述电堆电压预测值小于或等于所述预设报警阈值，则判定为所述燃料电池的剩余使用寿命无法继续提供正常的工作需求，触发警报；
若所述电堆电压预测值大于所述预设报警阈值，则判定为所述燃料电池的剩余使用寿命能够继续提供正常的工作需求，警报不动作。
7.根据权利要求6所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，还包括：
在所述现场终端设备中对所述电气特性参数和所述周围环境信息分别设置数值界限；
其中，将电堆电压数值界限设置为所述最小工作电压以上；将电流数值界限设置为0～300A；将气体温度数值界限设置为20℃～80℃；将气体湿度数值界限设置为0～100％RH；将空气流量数值界限设置为0～100L/min；将氢气流量数值界限设置为0～30L/min。
8.根据权利要求7所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，通过空间注意力层对每半小时下的寿命影响因子分配不同权值以强调每半小时下的所述寿命影响因子的重要性，包括：
根据变量之间的联系，建立电堆电压特征向量、电流特征向量、温湿度特征向量和气体流量特征向量之间关联性，得到空间相关向量；
基于传统注意力机制构建不同变量特征的空间相关性注意力权重的计算公式：
ri，j＝f(xi，xj)＝Z1(xi)TZ2(xj)；
Z1(xi)＝relu(W1×xi)；
Z2(xj)＝relu(W2×xj)；
其中，ri，j表示向量xi和向量xj之间的关联；Z1为第一全连接层；Z2为第二全连接层；relu(*)为激活函数；W1为需要学习的第一权重矩阵；W2为需要学习的第二权重矩阵；T为特征长度；
通过向量Ri和变量i在时间t时的空间相关性信息来推断所述变量i在所述时间t时的注意力权重：
Ri＝f([ri1，...，rim；r2i，...，rmi；xi])；
其中，Ri包含所述变量i的空间相关性信息和所述变量i的自身信息；m为变量的数量；Wx、We、U和V是要学习的权重矩阵；ssca是注意力分数的加法注意力计算方法；表示变量在所述时间t时的自身信息；/>为所述注意力权重；
将所述注意力权重乘以所述电堆电压、电流以及气体流量、温度和湿度特征向量，得到所述时间t时的加权数据：
9.根据权利要求8所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，还包括：
通过所述长短时记忆神经网络层中的隐藏层获取所述加权数据对应的隐藏层向量；
由遗忘门决定当前隐藏层电堆电压、电流以及气体流量、温度和湿度数据衰减特征向量是否被遗忘。
10.根据权利要求9所述的云端协同的燃料电池剩余使用寿命远程监控方法，其特征在于，还包括：
所述全连接层将所述长短时记忆神经网络层最终输出的隐藏层特征进行整合、降维为预测步长、并通过激活函数激活，得到未来600小时的电堆电压预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882407.0A CN116914194A (zh) | 2023-07-18 | 2023-07-18 | 云端协同的燃料电池剩余使用寿命远程监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310882407.0A CN116914194A (zh) | 2023-07-18 | 2023-07-18 | 云端协同的燃料电池剩余使用寿命远程监控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116914194A true CN116914194A (zh) | 2023-10-20 |
Family
ID=88364255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310882407.0A Pending CN116914194A (zh) | 2023-07-18 | 2023-07-18 | 云端协同的燃料电池剩余使用寿命远程监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116914194A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
-
2023
- 2023-07-18 CN CN202310882407.0A patent/CN116914194A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001649A (zh) | 一种电源智能诊断系统及保护方法 | |
| WO2021212496A1 (zh) | 一种电池检测的方法和装置 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN116914194A (zh) | 云端协同的燃料电池剩余使用寿命远程监控方法 | |
| CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
| CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
| CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN113547919B (zh) | 一种燃料电池车远程故障监测方法及系统 | |
| CN114298141A (zh) | 基于深度学习的发电设备异常检测方法及系统 | |
| CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
| CN109839889A (zh) | 设备推荐系统及方法 | |
| CN117154263A (zh) | 锂电池梯次利用充放电系统及控制方法 | |
| CN113670434A (zh) | 变电站设备声音异常识别方法、装置和计算机设备 | |
| CN115081591A (zh) | 一种电动阀门故障概率预测方法 | |
| CN116822652A (zh) | 地铁故障预测方法、装置、电子设备、系统及存储介质 | |
| CN116572747A (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
| CN113808727B (zh) | 设备监控方法、装置、计算机设备和可读存储介质 | |
| CN113138894B (zh) | 基于电力参数监测与屏幕信息识别的实验设备监控方法 | |
| CN115700324A (zh) | 一种瓦温预警的方法、装置和电子设备 | |
| CN114970950A (zh) | 风机故障报警方法、装置、存储介质及电子设备 | |
| CN117252032B (zh) | 碱性电解水制氢系统的数字孪生体构建方法、装置及设备 | |
| CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model |
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 |