CN117059844A - 一种燃料电池故障诊断方法、装置、设备及存储介质 - Google Patents

一种燃料电池故障诊断方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117059844A
CN117059844A CN202310913580.2A CN202310913580A CN117059844A CN 117059844 A CN117059844 A CN 117059844A CN 202310913580 A CN202310913580 A CN 202310913580A CN 117059844 A CN117059844 A CN 117059844A
Authority
CN
China
Prior art keywords
fuel cell
fault diagnosis
training
matrix
model
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
Application number
CN202310913580.2A
Other languages
English (en)
Inventor
陈思函
刘云梅
李从心
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Lvdong Hydrogen Technology Research Institute Co ltd
Spic Hydrogen Energy Technology Development Co Ltd
Original Assignee
Ningbo Lvdong Hydrogen Technology Research Institute Co ltd
Spic Hydrogen Energy Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Lvdong Hydrogen Technology Research Institute Co ltd, Spic Hydrogen Energy Technology Development Co Ltd filed Critical Ningbo Lvdong Hydrogen Technology Research Institute Co ltd
Priority to CN202310913580.2A priority Critical patent/CN117059844A/zh
Publication of CN117059844A publication Critical patent/CN117059844A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及燃料电池技术领域，尤其涉及一种燃料电池故障诊断方法、装置、设备及存储介质，包括：获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；基于随机森林模型构建燃料电池故障诊断模型，利用训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果，通过主成分分析方法将历史数据经过特定的计算，重新组合成几个无关变量来代替初始变量，减少了计算量，利用随机森林模型构建燃料电池故障诊断模型，有效提高了燃料电池故障诊断能力，节省了诊断时间，提高了诊断精度。

Description

一种燃料电池故障诊断方法、装置、设备及存储介质
技术领域
本发明涉及燃料电池技术领域，特别是涉及一种燃料电池故障诊断方法、装置、设备及存储介质。
背景技术
质子交换膜燃料电池(Proton Exchange Membrance Fuel Cell，PEMFC)是一种绿色无污染的发电设备，氢气和氧气在一定条件下直接生成电能和水，没有其余污染物生成，因此具有很大的应用前景。现阶段PEMFC在商用客车、有轨电车、大型物流车等领域广为应用，随着系统长时间的运行，其耐久性也面临着巨大挑战。
随机森林(Random Forest，RF)是一种基于Bagging集成学习理论和随机子空间方法的机器学习算法。以决策树为基础模型，在训练过程中随机选择特征属性以提升分类器的泛化能力和预测分类能力。在分类预测过程中，随机森林中的每一棵树决策树相当于一个基分类器，通过训练多个基分类器，对基分类器的分类结果进行投票确定最终分类结果。
故障诊断方法通过在线检测、识别、定位系统故障从而提高系统的使用寿命。目前针对燃料电池系统故障诊断方法较多，早其一般通过PEMFC机理知识建立模型，然后通过该模型进行残差分析，从而判断系统是否发生故障。但建立机理模型需要知道系统内部结构、参数等计算量庞大，难以精确实现。
综上所述可知，如何设计一种高效、精准的燃料电池故障诊断方法是目前亟需解决的问题。
发明内容
本发明的目的是提供一种燃料电池故障诊断方法，以解决现有燃料电池故障诊断方法精度差、效率低的问题。
为解决上述技术问题，本发明提供一种燃料电池故障诊断方法，包括：
获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
优选地，所述获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集包括：
获取燃料电池历史数据，基于所述燃料电池历史数据构建历史数据矩阵；
将所述历史数据矩阵采用z-score标准化计算，得到标准化矩阵；
基于所述标准化矩阵计算协方差矩阵，得到所述协方差矩阵特征值和特征向量；
基于所述特征值和特征向量，计算标准化矩阵的主成分，得到训练数据集。
优选地，所述历史数据矩阵计算表达式为：
其中，Z历史数据矩阵，n为样本数，p为特征变量。
优选地，所述基于所述特征值和特征向量，计算标准化矩阵的主成分，得到训练数据集包括：
基于所述特征值和特征向量，提取标准化矩阵的主成分，其计算公式为：
其中，Yj为标准化矩阵主成分，Uj为特征向量，Z*为标准化矩阵；
基于所述标准化矩阵主成分计算主成分累计贡献率，获取贡献率前m个的主成分为训练数据集，其累计贡献率计算公式为：
其中，m为主成分个数，η为累计贡献率。
优选地，所述基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型包括：
利用Bootstrap重采样双重随机制方法，有放回的随机抽取所述训练数据集中的数据，获得子样本集；
基于基尼系数值最小原则，利用所述子样本集生成的决策树组成随机森林，构建燃料电池故障诊断模型；
利用所述训练数据集对所述燃料电池故障诊断模型进行训练，重复计算所述子样本集的特征变量直至损失收敛，完成燃料电池故障诊断模型的训练。
优选地，所述完成燃料电池故障诊断模型的训练后包括：
利用测试样本数据集对所述完成训练后的燃料电池故障诊断模型进行测试，针对输入的测试样本数据集，每棵决策树存在一个分类结果，将所述分类结果进行投票，选出票数最多的类别作为测试集最后所属的类别，其中，投票结果计算公式为：
其中，YRF(x)为测试集样本的分类结果，λ(·)为满足括号中表达式的个数，yn(x)＝i为第n棵决策树的输出结果为i，c为随机森林类别的数量。
优选地，所述利用所述训练数据集对所述燃料电池故障诊断模型进行训练还包括：
利用混淆矩阵比较所述分类结果和实测值之间的混淆程度，并对故障分类结果进行评价，其中评价计算方式为：
其中，Ao为某一类别分类准确率；T为某一类别的样本总数；P为某一类正确分类的样本数。
本发明还提供一种燃料电池故障诊断装置，包括：
训练数据集获取模块，获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
训练模块，基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
故障诊断模块，利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
本发明还提供一种燃料电池故障诊断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述所述一种燃料电池故障诊断方法的步骤。
本发明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上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述一种燃料电池故障诊断方法的步骤。
本发明所提供的一种燃料电池故障诊断方法，获取燃料电池的历史数据，通过主成分分析方法将历史数据经过特定的计算，重新组合成几个无关变量来代替初始变量，重新选择的变量不仅能反映大部分原初始变量信息，还能降低维度，减少了计算量，利用随机森林模型构建燃料电池故障诊断模型，可识别定位膜损坏和水淹故障，有效提高了燃料电池故障诊断能力，节省了诊断时间，提高了诊断精度。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明所提供的一种燃料电池故障诊断方法的第一种具体实施例的流程图；
图2为燃料电池故障诊断方法流程图；
图3为主成分分析方法计算流程图；
图4为燃料电池故障诊断模型训练集分类结果图；
图5为燃料电池故障诊断模型测试集分类结果图；
图6为随机森林分类结构图；
图7为燃料电池故障诊断模型训练集分类混淆矩阵示意图；
图8为燃料电池故障诊断模型测试集分类混淆矩阵示意图；
图9为本发明实施例提供的一种燃料电池故障诊断装置的结构框图。
具体实施方式
本发明的核心是提供一种燃料电池故障诊断方法，利用主成分分析法分析处理历史数据，基于随机森林模型构建燃料电池故障诊断模型，有效提高了燃料电池故障诊断能力，节省了诊断时间，提高了诊断精度。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的一种燃料电池故障诊断方法的第一种具体实施例的流程图；具体操作步骤如下：
步骤S101：获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
获取燃料电池历史数据，基于所述燃料电池历史数据构建历史数据矩阵；
所述历史数据矩阵计算表达式为：
其中，Z历史数据矩阵，n为样本数，p为特征变量。
将所述历史数据矩阵采用z-score标准化计算，得到标准化矩阵；
基于所述标准化矩阵计算协方差矩阵，得到所述协方差矩阵特征值和特征向量；
基于所述特征值和特征向量，计算标准化矩阵的主成分，得到训练数据集。
基于所述特征值和特征向量，提取标准化矩阵的主成分，其计算公式为：
其中，Yj为标准化矩阵主成分，Uj为特征向量，Z*为标准化矩阵；
基于所述标准化矩阵主成分计算主成分累计贡献率，获取贡献率前m个的主成分为训练数据集，其累计贡献率计算公式为：
其中，m为主成分个数，η为累计贡献率。
步骤S102：基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
利用Bootstrap重采样双重随机制方法，有放回的随机抽取所述训练数据集中的数据，获得子样本集；
基于基尼系数值最小原则，利用所述子样本集生成的决策树组成随机森林，构建燃料电池故障诊断模型；
利用所述训练数据集对所述燃料电池故障诊断模型进行训练，重复计算所述子样本集的特征变量直至损失收敛，完成燃料电池故障诊断模型的训练。
利用测试样本数据集对所述完成训练后的燃料电池故障诊断模型进行测试，针对输入的测试样本数据集，每棵决策树存在一个分类结果，将所述分类结果进行投票，选出票数最多的类别作为测试集最后所属的类别，其中，投票结果计算公式为：
其中，YRF(x)为测试集样本的分类结果，λ(·)为满足括号中表达式的个数，yn(x)＝i为第n棵决策树的输出结果为i，c为随机森林类别的数量。
所述利用所述训练数据集对所述燃料电池故障诊断模型进行训练还包括：
利用混淆矩阵比较所述分类结果和实测值之间的混淆程度，并对故障分类结果进行评价，其中评价计算方式为：
其中，Ao为某一类别分类准确率；T为某一类别的样本总数；P为某一类正确分类的样本数。
步骤S103：利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
本实施例提供一种燃料电池故障诊断方法，采用主成分分析方法和随机森林结合算法建立燃料电池系统故障诊断模型，在建立故障分类模型过程中，使用真实数据进行训练和预测具有较强的可信度，同时可将燃料电池系统故障诊断模型运用到实际中，有效提高故障诊断能力，节省时间成本，利用主成分分析方法降低数据维度，过滤冗余信息，通过混淆矩阵证明了具有较高的故障分类准确率。
基于上述实施例，本实施例对所述一种燃料电池故障诊断方法展开描述，如图2所示，具体如下：
如图3所示，在燃料电池历史数据中分别选取正常数据、水淹数据、膜电极损坏数据。每个样本数据选取的输入变量包括空气入堆压力、空气入堆温度、空气出堆压力、空气出堆温度、空气流量、氢气入堆压力、氢气入堆温度、氢气出堆压力、氢气出堆温度、冷却水入堆压力、冷却水入堆温度、冷却水出堆压力、冷却水出堆温度、电堆电流、单片最低电压共15个变量。在这15个变量中，部分变量之间密切关联，因此使用PCA方法从中提取主要成分，反映变量之间的主要关系。
假设某输入矩阵Z有n个样本数，每个样本有p个特征变量；
为保证数据具有可比性，将原始数据标准化，消除变量间的量纲关系，采用z-score标准化进行计算，具体公式如下：
其中，i＝1,2,…,n,j＝1,2,…,p，为第j个变量的样本均值，σj为第j个变量的标准差；计算Z*的协方差矩阵：
F＝Cov(Z*)
通过F的特征方程|F-λE|＝0，可得F的特征值λj和特征向量Uj，其中j＝1,2,…,p,λ1≥λ2≥…≥λp≥0；
如表1所示，通过累积贡献率确定主成分个数，贡献率越高，表明对应的前m个主成分能包含初始变量的大部分信息。
表1主成分贡献率及累积贡献率
从表1可以看出，前3个主成分的累积贡献率已经超过了95％，因此可以选择前3个主成分作为输入变量代替原始的15个输入变量，且这3个主成分几乎包含了原始15个变量中的所有信息。
从原始15个变量通过PCA分析降至3个输入变量，可极大地减少计算量。将水淹数据标识类别为1，膜电极损坏数据标识类别为2，正常数据标识类别为3，通过随机森林分类模型进行训练及预测，如图4和图5所示，采用PCA-RF方法建立的故障分类模型其中训练集预测正确率为100％，测试集预测正确率为98.67％。通过混淆矩阵可以发现，在46组正常数据中有2组分类错误，误判为水淹故障，其余分类结果均正确。
如图6所示，原始样本集包括正常运行数据和故障数据2类，将原始样本集拆分为训练集和测试集。采用Bootstrap重采样双重随机制方法，从原始训练样本集中有放回的随机抽取子样本集，保证每个子样本集的数量相同，用于生成决策树。决策树基分类器的构建是从m个特征变量中随机抽取t个子变量组成分裂特征变量子集，并利用基尼系数(Giniindex，Gini)值最小原则选出一个最优的分裂特征变量和最优分裂值对该节点进行分裂，直到每个特征变量都被用作分裂节点，每个子样本集均重复上述随机过程，组成N棵决策树的随机森林，其中Gini系数表达式为：
式中：ti为当前选择的特征变量；K为特征ti对应的类别数；pk为样本点属于第k类的概率。
如图7和图8所示，混淆矩阵在精度评价中，主要用于比较分类结果和实测值之间的混淆程度。本发明通过验证样本与分类结果生成混淆矩阵，对故障分类结果进行评价。
本发明实施例提供的一种燃料电池故障诊断方法，利用历史数据，为燃料电池快速诊断故障提供了可靠的数据来源，利用真实数据搭建故障诊断模型，可有效识别燃料电池存在的故障，有较好地适用性，提高经济效益，通过主成分分析方法将历史数据经过特定的计算，重新组合成几个无关变量来代替初始变量，降低了维度，减少了计算量，采用混淆矩阵证明了具有较高的故障分类准确率，有效提高了燃料电池故障诊断能力，节省了诊断时间，提高了诊断精度。
请参考图9，图9为本发明实施例提供的一种燃料电池故障诊断装置的结构框图；具体装置可以包括：
训练数据集获取模块100，获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
训练模块200，基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
故障诊断模块300，利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
本实施例的一种燃料电池故障诊断装置用于实现前述的一种燃料电池故障诊断方法，因此一种燃料电池故障诊断装置中的具体实施方式可见前文中的一种燃料电池故障诊断方法的实施例部分，例如，训练数据集获取模块100，训练模块200，故障诊断模块300，分别用于实现上述一种燃料电池故障诊断方法中步骤S101，S102，S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
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它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
以上对本发明所提供的一种燃料电池故障诊断方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

Claims (10)

1.一种燃料电池故障诊断方法，其特征在于，包括：
获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
2.如权利要求1所述的燃料电池故障诊断方法，其特征在于，所述获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集包括：
获取燃料电池历史数据，基于所述燃料电池历史数据构建历史数据矩阵；
将所述历史数据矩阵采用z-score标准化计算，得到标准化矩阵；
基于所述标准化矩阵计算协方差矩阵，得到所述协方差矩阵特征值和特征向量；
基于所述特征值和特征向量，计算标准化矩阵的主成分，得到训练数据集。
3.如权利要求2所述的燃料电池故障诊断方法，其特征在于，所述历史数据矩阵计算表达式为：
其中，Z历史数据矩阵，n为样本数，p为特征变量。
4.如权利要求3所述的燃料电池故障诊断方法，其特征在于，所述基于所述特征值和特征向量，计算标准化矩阵的主成分，得到训练数据集包括：
基于所述特征值和特征向量，提取标准化矩阵的主成分，其计算公式为：
其中，Yj为标准化矩阵主成分，Uj为特征向量，Z*为标准化矩阵；
基于所述标准化矩阵主成分计算主成分累计贡献率，获取贡献率前m个的主成分为训练数据集，其累计贡献率计算公式为：
其中，m为主成分个数，η为累计贡献率。
5.如权利要求1所述的燃料电池故障诊断方法，其特征在于，所述基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型包括：
利用Bootstrap重采样双重随机制方法，有放回的随机抽取所述训练数据集中的数据，获得子样本集；
基于基尼系数值最小原则，利用所述子样本集生成的决策树组成随机森林，构建燃料电池故障诊断模型；
利用所述训练数据集对所述燃料电池故障诊断模型进行训练，重复计算所述子样本集的特征变量直至损失收敛，完成燃料电池故障诊断模型的训练。
6.如权利要求5所述的燃料电池故障诊断方法，其特征在于，所述完成燃料电池故障诊断模型的训练后包括：
利用测试样本数据集对所述完成训练后的燃料电池故障诊断模型进行测试，针对输入的测试样本数据集，每棵决策树存在一个分类结果，将所述分类结果进行投票，选出票数最多的类别作为测试集最后所属的类别，其中，投票结果计算公式为：
其中，YRF()为测试集样本的分类结果，λ(·)为满足括号中表达式的个数，yn()＝i为第n棵决策树的输出结果为i，c为随机森林类别的数量。
7.如权利要求6所述的燃料电池故障诊断方法，其特征在于，所述利用所述训练数据集对所述燃料电池故障诊断模型进行训练还包括：
利用混淆矩阵比较所述分类结果和实测值之间的混淆程度，并对故障分类结果进行评价，其中评价计算方式为：
其中，Ao为某一类别分类准确率；T为某一类别的样本总数；P为某一类正确分类的样本数。
8.一种燃料电池故障诊断装置，其特征在于，包括：
训练数据集获取模块，获取燃料电池历史数据，利用主成分分析方法对所述燃料电池历史数据进行分析处理，得到训练数据集；
训练模块，基于随机森林模型构建燃料电池故障诊断模型，利用所述训练数据集对所述燃料电池故障诊断模型进行训练，得到训练完成的燃料电池故障诊断模型；
故障诊断模块，利用所述训练完成的燃料电池故障诊断模型预测待诊断燃料电池数据，得到诊断结果。
9.一种燃料电池故障诊断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种燃料电池故障诊断方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种燃料电池故障诊断方法的步骤。
CN202310913580.2A 2023-07-24 2023-07-24 一种燃料电池故障诊断方法、装置、设备及存储介质 Pending CN117059844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310913580.2A CN117059844A (zh) 2023-07-24 2023-07-24 一种燃料电池故障诊断方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310913580.2A CN117059844A (zh) 2023-07-24 2023-07-24 一种燃料电池故障诊断方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117059844A true CN117059844A (zh) 2023-11-14

Family

ID=88656316

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310913580.2A Pending CN117059844A (zh) 2023-07-24 2023-07-24 一种燃料电池故障诊断方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117059844A (zh)

Similar Documents

Publication Publication Date Title
Steiner et al. Diagnosis of polymer electrolyte fuel cells failure modes (flooding & drying out) by neural networks modeling
CN110579709B (zh) 一种有轨电车用质子交换膜燃料电池故障诊断方法
Lin et al. Hydrogen fuel cell diagnostics using random forest and enhanced feature selection
CN113962259B (zh) 一种燃料电池系统多模式双层故障诊断方法
CN114899457B (zh) 一种针对质子交换膜燃料电池系统的故障检测方法
JP2007123007A (ja) 燃料電池システムの診断方法および診断装置
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
CN115983084A (zh) 一种燃料电池剩余使用寿命预测方法、系统、设备及终端
CN113283491A (zh) 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法
Aubry et al. Fuel cell diagnosis methods for embedded automotive applications
CN113561853A (zh) 燃料电池系统在线故障诊断方法及装置
Pang et al. Intelligent health states recognition of fuel cell by cell voltage consistency under typical operating parameters
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
Zhou et al. Fault diagnosis of PEMFC based on the AC voltage response and 1D convolutional neural network
Benouioua et al. Diagnostic of fuel cell air supply subsystems based on pressure signal records and statistical pattern recognition approach
CN114048772A (zh) 一种燃料电池装置的故障诊断方法、系统及存储介质
CN117117258B (zh) 一种氢燃料电池系统的故障监测方法及装置
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN113391214A (zh) 一种基于电池充电电压排名变化的电池微故障诊断方法
CN116387569A (zh) 一种基于svm的全钒液流电池泵故障检测方法
CN117059844A (zh) 一种燃料电池故障诊断方法、装置、设备及存储介质
CN114243063B (zh) 一种固体氧化物燃料电池系统故障定位方法和诊断方法
Dang et al. A novel diagnosis method of proton exchange membrane fuel cells based on the PCA and XGBoost algorithm
JP2019537004A (ja) 技術システムを診断するための方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination