CN117558947A - 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 - Google Patents
一种燃料电池在线健康诊断和寿命预测方法、装置及系统 Download PDFInfo
- Publication number
- CN117558947A CN117558947A CN202311507868.6A CN202311507868A CN117558947A CN 117558947 A CN117558947 A CN 117558947A CN 202311507868 A CN202311507868 A CN 202311507868A CN 117558947 A CN117558947 A CN 117558947A
- Authority
- CN
- China
- Prior art keywords
- fuel cell
- data
- time
- prediction
- life prediction
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 title claims abstract description 19
- 230000036541 health Effects 0.000 title abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 239000000498 cooling water Substances 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 59
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 4
- 239000001257 hydrogen Substances 0.000 description 4
- 229910052739 hydrogen Inorganic materials 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical group OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- 208000035690 Familial cold urticaria Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 206010064570 familial cold autoinflammatory syndrome Diseases 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 101100524644 Toxoplasma gondii ROM4 gene Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006855 networking Effects 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
- 230000002265 prevention Effects 0.000 description 1
- 230000001105 regulatory effect Effects 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
- 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
- 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
- H01M8/0432—Temperature; Ambient temperature
-
- 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
- H01M8/0438—Pressure; Ambient pressure; Flow
- H01M8/04388—Pressure; Ambient pressure; Flow of anode reactants at the inlet or inside the fuel cell
-
- 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
- H01M8/0438—Pressure; Ambient pressure; Flow
- H01M8/04395—Pressure; Ambient pressure; Flow of cathode reactants at the inlet or inside the fuel cell
-
- 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
- H01M8/0438—Pressure; Ambient pressure; Flow
- H01M8/04417—Pressure; Ambient pressure; Flow of the coolant
-
- 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
- H01M8/04537—Electric variables
- H01M8/04544—Voltage
- H01M8/04559—Voltage of fuel cell stacks
-
- 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
-
- 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)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池在线健康诊断和寿命预测方法、装置及系统，属于燃料电池的健康监测技术领域。本发明通过在线实时监测获得数据构建燃料电池寿命预测模型训练集和测试集，在所述的训练过程中通过LSTM模型对将监测到的数据进行预测，包括单步预测得到电堆实时温度、实时平均电压、阴阳极流量、冷却水流量的输出，然后基于该预处理后的数据进行燃料电池寿命的预测。本发明还包括基于该数据输入基于CNN网络构建的故障诊断模型进行识别故障，结合已经发生的故障或即将发生的故障进行动态的、周期性的更新，使得燃料电池的寿命预测更加精准。
Description
技术领域
本发明属于氢燃料电池领域，具体涉及一种基于机器学习的燃料电池健康状态预测及诊断系统。
背景技术
氢燃料电池电堆是燃料电池发动机的主要组件之一，是一种将多片单电池堆叠串联而成的发电装置。单电池预留接口用于安放数据采集的传感器探针，以监测运行参数，如电压、温度等，并由燃料电池控制单元(FCU)进行数据采集并处理。作为发动机的控制单元，FCU需要具有强大的计算和处理能力和丰富的I/O集合，以有效地管理和协调各个模块，以确保燃料电池系统长时间安全运行。燃料电池系统的主要模块为供氢模块，供氧模块，热管理模块，水管理模块和功率转换模块。FCU通过置于各模块中的感应器收集信息，并根据内置基础软件对数据进行处理，判断燃料电池电堆和系统的运行状态，确定系统和电堆的输入和输出，以形成具有动态闭环的控制算法。便于用户基于模型所开发的控制策略。FCU一般包括以下几个功能：
基于CAN总线的软件刷机工具，由引导加载程序预先刷入微控制器；
气路管理：控制燃料电池系统所需的氢气流量、气流、压力、湿度和温度；
水和热管理：控制和调节循环、加热、散热、空气温度、冷却水温度，提高燃料电池系统的功率效率和可靠性；
电气管理：监控电池堆电压和电流，调节输出功率，并将燃料电压控制在合理范围内，管理剩余功率，并提供电压和电流保护；
数据通信：与其他子系统通信，交换重要数据和控制信号；
即时故障诊断：能够对各种子系统进行故障诊断、发出警告和启动保护程序。
由于燃料电池发动机运行工况的复杂多变，电堆中单电池间的运行指标发生差异。电堆的输出功率受制于电堆中最弱的单电池。尤其当单电池发生水淹、流道堵塞、泄露等导致性能大幅下降时，电堆的性能随时间发生衰减。行业规定当电堆性能衰减至初始寿命的90％时，电堆即达到寿命终点。目前市面上电堆的寿命大概在5千到2万小时，因为影响电堆的因素繁杂，电堆寿命也随之而变化。从应用和保修的角度，都急需一款加载有针对电堆健康状态诊断和寿命预测软件的FCU。此款加载健康状态和寿命预测软件的FCU可以对燃料电池电堆和系统进行在线监测，并提供健康状态的评估和电堆寿命的预测，便于燃料电池系统供应商解决失效问题，方便用户进行寿命预测和确定保修服务的时间间隔。
发明内容
发明目的：针对现有燃料电池的寿命预测技术，本发明的第一目的是提供一种燃料电池在线故障识别和寿命预测方法，结合该方法对应的算法实施，本发明的第二目的是提供一种燃料电池在线故障识别和寿命预测装置。基于该装置在新能源汽车上的应用，结合车联网的实现，本发明的第三目的是提供一种燃料电池在线故障识别和寿命预测系统。
为实现上述的发明目的，本发明提供的技术方案如下。
一种燃料电池在线故障识别和寿命预测方法，该方法包括如下步骤：
S1、采集燃料电池的运行数据并进行预处理，所述的运行数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量，所述的预处理包括归一化和构建序列形式的二维数组进行分割训练接和测试集；
S2、构建基于LSTM的训练模型进行测试数据的训练，包括对运行数据进行单步预测，将测试集X和y，拆分后矩阵为X＝test[i,0:-1],y＝test[i,-1]；
S3、构建燃料电池寿命预测模型，该模型的预测函数如下：
yhat＝forecast_lstm(lstm_model,1,X)，
将预测值进行逆缩放，逆缩放函数为：yhat＝invert_scale(scaler,X,yhat)，
对预测的y值进行逆差分，逆差分函数为：
yhat＝invert_difference(raw_value,yhat,len(test_scaled)+1-i)，存储正在预测的y值，最后计算均方根误差，计算方程为：
S4、按照步骤S3的训练方式构建时间关于温度、平均电压、阴阳极流量、冷却水流量的时序预测模型，并计算输出平均电压低于寿命阈值时的时刻，由此得到燃料电池的在线寿命预测模型，输出剩余寿命；
S5、将监测数据输入基于CNN网络构建的故障诊断模型进行识别，用于识别和预测已经发生故障或即将发生故障，输出故障类型及故障发生时间节点；
监测数据包括在线实时监测得到的数据和预测得到的未来时间段的数据。
进一步的，步骤S1所述的预处理首先对燃料电池的运行数据进行归一化处理，然后将数据矩阵中运行时间日期和采集时间列合并，合并后的列转换为时间格式，设为索引，通过差分转换将原数据转换为序列形式的二维数组形式，接着将序列形式的数据转换为监督学习集形式，包括分割为训练集和测试集合，所述的训练集和测试集都缩放到[-1，1]之间。
所述的归一化处理是指通过Min-Max标准化处理，转换方程表示如下：
所述方法中，步骤S2所构建的基于LSTM的训练模型是通过Python编译环境、Keras和Tensor flow库构建的，设置该模型的样本数为1，训练次数为5，LSTM层神经元个数为4。
进一步的，所述方法中燃料电池的在线寿命预测模型由于预测模型周期性更新，剩余寿命呈现周期性变动，具体变动特征与当前工况相关。
进一步的，步骤S5所述的基于CNN网络构建的故障诊断模型的输入为时间，输出为电堆温度、平均电压、阴阳极流量和冷却水流量。
步骤S5所述的基于CNN网络构建的故障诊断模型包含一个卷积层，卷积层包括20个5*5滤波器，步幅为1*1，紧接RELU损失函数和最大池化层，最后使用全连接层，并使用SOFTMAX将全连接层的输出归一化为概率，损失函数使用二分类交叉熵损失函数，损失函数为：
该模型使用带有动量和学习率为0.0001的随机梯度下降法进行训练，最大epoch数为20，测试集占比为20％。
一种燃料电池在线故障识别和寿命预测装置，包括存储单元及处理器，所述的处理器中ROM运行上述所述方法对应的算法；所述的存储单元包括RAM，用于存储预测数据，所述的预测数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量。
一种燃料电池在线故障识别和寿命预测系统，所述系统包括上述的燃料电池在线故障识别和寿命预测装置；
该方法包括通过车载T-BOX的车联网系统与远程控制中心通信，更新燃料电池系统的训练数据，优化学习的速度和结果精度。
有益效果：与现有技术相比，本发明具备如下实质性的特点和显著的效果：
(1)本发明适用于各种型号的燃料电池和工况，可以精准预测短期内燃料电池输出功率的变化；
(2)持续学习的预测模块可以脱机运行，无需人工干预即可完成网络结构的更新，从而提高系统在全电池生命周期内的运行鲁棒性；
(3)根据电堆运行数据趋势的特点，规定了LSTM算法的样本数为1，训练次数为5，LSTM层神经元个数为4，在保证拟合优度符合需求的同时避免超参数的设置不当导致学习时间过长；
(4)故障诊断模块所使用的CNN卷积网络在系统启用前已训练完毕，无需在电堆和系统在运行中的持续训练，大大减轻系统的算力负担；
(5)用于首次训练LSTM神经网络的电堆运行数据为出厂前测试所得，用以构建初始的网络结构，系统启用后的训练数据为电堆运行实时产生，周期性截取一定数量的运行数据作为训练集，可以使预测模块的预测误差及时修正在一定阈值内；
(6)本发明所述的系统可采用模块化设计，即插即用，所有模块均可拆卸维护或升级；
(7)采用Linux作为操作系统，开源免费，支持二次开发扩展功能，便于联网远程OTA升级，降低系统成本。
附图说明
图1是本发明所述装置的基本组成结构；
图2是本发明所述的系统的运行逻辑。
具体实施方式
为详细的说明本发明所公开的技术方案，下面结合说明书附图做具体的介绍。
本发明所提供的一种燃料电池在线故障识别和寿命预测，实施步骤如下：
S1、采集燃料电池的运行数据，包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量，采集间隔为30s，存储数据时间上限为20h。
进一步的，将采集到的数据进行Min-Max标准化处理，转换方程为：
读取数据，将燃料电堆的运行日期和采集时间列合并，其他列删除，合并后的列转换为时间格式，设为索引，将原数据转换为二维数组形式，例如表示为[[4.6838],[4.6882],[4.7048]]，进行差分转换为形如[[4.6838],[4.6882]]的形式，将序列形式的数据转换为监督学习集形式，即前一个数作为输入，后一个数作为对应的输出，将数据集分割为训练集和测试集，设置后2000个数据为测试集；将训练集和测试集都缩放到[-1,1]之间。
S2、构建一个LSTM模型并训练，使用Python编译环境、Keras和Tensor flow库，样本数为1，训练次数为5，LSTM层神经元个数为4，遍历测试集，对数据进行单步预测，将测试集拆分为X和y，拆分后矩阵为：
X＝test[i,0:-1],y＝test[i,-1]。
S3、将训练好的模型、测试数据传入预测函数，预测函数为：
yhat＝forecast_lstm(lstm_model,1,X)，
将预测值进行逆缩放，逆缩放函数为：yhat＝invert_scale(scaler,X,yhat)，
对预测的y值进行逆差分，逆差分函数为：
yhat＝invert_difference(raw_value,yhat,len(test_scaled)+1-i)，存储正在预测的y值，最后计算均方根误差，计算方程为：
进一步的，此训练按照4h的周期更新。
S4、按照步骤S2所述流程构建时间关于温度、平均电压、阴阳极流量、冷却水流量的时序预测模型，并外推至平均电压低于寿命阈值时的时刻，输出剩余寿命。注意：由于预测模型周期性更新，故剩余寿命也会周期性变动，具体变动特征与当前工况相关。
S5、将实时监测所得的后5h数据与外推所得5h数据(输入为时间，输出为电堆温度、平均电压、阴阳极流量、冷却水流量)交由CNN网络构建的故障诊断模块进行识别，如发生故障或即将发生故障，则输出故障类型及故障发生时间节点。
其中，用以构建故障诊断模块的卷积神经网络出场前已训练完毕并嵌入系统，包含一个卷积层，卷积层包括20个5*5滤波器，步幅为1*1，紧接RELU损失函数和最大池化层，最后使用全连接层，并使用SOFTMAX将全连接层的输出归一化为概率，损失函数使用二分类交叉熵损失函数，损失函数为：
使用带有动量和学习率为0.0001的随机梯度下降法进行训练。最大epoch数为20，测试集占比为20％。
用以训练故障诊断CNN网络的数据为出厂前截取的300h经典故障数据，并经人工提前标注故障类型以供学习。输入为单一变量时间，输出为电堆温度、三通道流量、平均电压，特定故障段为人工标注的故障类型。如，一定时间内电堆温度上升幅度达到20％则发生冷却水流道堵塞，一定时间内电压下降率达到15％则发生水淹。
对于装置及系统，结合图1和图2说明本发明的应用。
本发明是在现有FCU的基础上增加一款在线健康状态检测和寿命预测处理单元,此处理单元为FCU功能的一部分。FCU其他的功能维持不变，包括CAN总线刷机工具、气路管理、水热管理、电气管理、数据通信、故障诊断和处理。处理单元的主要结构如图1所示，包括与采集装置(探针1)相连接的线束2、FCU电源3、处理器5、加速卡9、处理单元3、ROM4、RAM8、和显示器10(可选)。健康状态处理单元上加载一款基于机器学习的燃料电池健康状态预测及诊断软件，系统核心组件为LSTM算法构建的时序预测模块，对电堆在载具上运行产生的数据进行持续学习，以时间为单一输入变量，搭建非线性层来构建中间特征表示未来学习预测关系，周期性更新训练网络，从而持续修正预测误差。并通过故障诊断模块对预测数据结合已有数据进行特征识别，从而提前预测故障发生的时间节点及故障类型。
该系统为燃料电池系统FCU的一个功能单元，加载健康状态监控和寿命评估软件。软件采用神经网络构建，即LSTM算法的时序预测模块对已有载具运行数据进行周期性学习，预测短期表征电池健康状态的各项参数，随后由CNN卷积网络构建的诊断器对预测数据进行特征提取，并进行识别分类，输出故障类型及发生的时间节点，以便用户及时预防和处理。
关于系统，具体包括：
(1)电源可用小型电池或车载直流电源组成，以保证整个FCU的持续供电。
(2)系统运行需要长期供电，燃料电池停机时系统进入待机状态，期间不能断电。
(3)RAM至少为4GB，ROM至少为8GB。
(4)处理器最低标准为主频1.5GHz，双核四线程。
(5)加速卡最低标准为具有256个CUDA核心，支持OpenGL ES 3.1、Vulkan和CUDA等图形和计算API，提供1TFLOPS的浮点性能。
(6)整套系统的功耗为80-100W，具体根据各模块硬件功耗计算以选择相应容量及功率的小型电池。
(7)采集器需采集电池温度、电压、电流，显示器输出数据为预计剩余寿命、即将发生的故障类型。
(8)探针为广义上的探针，可以是传感器，能采集电池电压及负载电流。
本发明以极小的计算代价和较低的成本，实现燃料电池的使用寿命预测、故障特征识别及预警，自动判断故障类型，便于预告用户及时处理即将发生的故障或危险情况，避免损坏电池或发生安全事故。
对应的，上述的装置或系统中，ROM仅存储算法、操作系统及真实数据，预测数据寄存于RAM。ROM中真实数据定期删除并更新，以保证预测模块的训练集保持更新，同时避免磁盘占满。加速卡仅作机器学习加速用，数据处理、图像处理和输出由处理器完成，以保证加速卡算力全部用作训练网络。采集器即探针，广义上可定义为传感器，记录运行参数，如负载电流、单片电压、电堆温度等。
Claims (9)
1.一种燃料电池在线故障识别和寿命预测方法，其特征在于，该方法包括如下步骤：
S1、采集燃料电池的运行数据并进行预处理，所述的运行数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量，所述的预处理包括归一化和构建序列形式的二维数组进行分割训练接和测试集；
S2、构建基于LSTM的训练模型进行测试数据的训练，包括对运行数据进行单步预测，将测试集X和y，拆分后矩阵为X＝test[i,0:-1],y＝test[i,-1]；
S3、构建燃料电池寿命预测模型，该模型的预测函数如下：
yhat＝forecast_lstm(lstm_model,1,X)，
将预测值进行逆缩放，逆缩放函数为：yhat＝invert_scale(scaler,X,yhat)，
对预测的y值进行逆差分，逆差分函数为：
yhat＝invert_difference(raw_value,yhat,len(test_scaled)+1-i)，
存储正在预测的y值，最后计算均方根误差，计算方程为：
S4、按照步骤S3的训练方式构建时间关于温度、平均电压、阴阳极流量、冷却水流量的时序预测模型，并计算输出平均电压低于寿命阈值时的时刻，由此得到燃料电池的在线寿命预测模型，输出剩余寿命；
S5、将监测数据输入基于CNN网络构建的故障诊断模型进行识别，用于识别和预测已经发生故障或即将发生故障，输出故障类型及故障发生时间节点；
监测数据包括在线实时监测得到的数据和预测得到的未来时间段的数据。
2.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S1所述的预处理首先对燃料电池的运行数据进行归一化处理，然后将数据矩阵中运行时间日期和采集时间列合并，合并后的列转换为时间格式，设为索引，通过差分转换将原数据转换为序列形式的二维数组形式，接着将序列形式的数据转换为监督学习集形式，包括分割为训练集和测试集合，所述的训练集和测试集都缩放到[-1，1]之间。
3.根据权利要求2所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述的归一化处理是指通过Min-Max标准化处理，转换方程表示如下：
4.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S2所构建的基于LSTM的训练模型是通过Python编译环境、Keras和Tensor flow库构建的，设置该模型的样本数为1，训练次数为5，LSTM层神经元个数为4。
5.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述方法中燃料电池的在线寿命预测模型由于预测模型周期性更新，剩余寿命呈现周期性变动，具体变动特征与当前工况相关。
6.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S5所述的基于CNN网络构建的故障诊断模型的输入为时间，输出为电堆温度、平均电压、阴阳极流量和冷却水流量。
7.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S5所述的基于CNN网络构建的故障诊断模型包含一个卷积层，卷积层包括20个5*5滤波器，步幅为1*1，紧接RELU损失函数和最大池化层，最后使用全连接层，并使用SOFTMAX将全连接层的输出归一化为概率，损失函数使用二分类交叉熵损失函数，损失函数为：
该模型使用带有动量和学习率为0.0001的随机梯度下降法进行训练，最大epoch数为20，测试集占比为20％。
8.一种燃料电池在线故障识别和寿命预测装置，其特征在于，包括存储单元及处理器，所述的处理器中ROM运行依据权利要求1-7任一项所述方法对应的算法；所述的存储单元包括RAM，用于存储预测数据，所述的预测数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量。
9.一种燃料电池在线故障识别和寿命预测系统，其特征在于，所述系统包括权利要求8所述的燃料电池在线故障识别和寿命预测装置；
该方法包括通过车载T-BOX的车联网系统与远程控制中心通信，更新燃料电池系统的训练数据，优化学习的速度和结果精度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507868.6A CN117558947B (zh) | 2023-11-14 | 2023-11-14 | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311507868.6A CN117558947B (zh) | 2023-11-14 | 2023-11-14 | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117558947A true CN117558947A (zh) | 2024-02-13 |
| CN117558947B CN117558947B (zh) | 2024-09-13 |
Family
ID=89817872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311507868.6A Active CN117558947B (zh) | 2023-11-14 | 2023-11-14 | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117558947B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118427058A (zh) * | 2024-07-03 | 2024-08-02 | 江苏芯港半导体有限公司 | 一种新能源汽车芯片健康诊断方法、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112732797A (zh) * | 2021-01-26 | 2021-04-30 | 武汉理工大学 | 燃料电池汽车驾驶行为分析方法、装置和存储介质 |
| CN112882909A (zh) * | 2019-11-29 | 2021-06-01 | 北京博瑞华通科技有限公司 | 燃料电池系统故障预测方法、装置 |
| WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
| CN116187195A (zh) * | 2023-03-08 | 2023-05-30 | 国网浙江省电力有限公司电力科学研究院 | 一种质子交换膜燃料电池集成系统故障诊断方法及系统 |
| CN116559704A (zh) * | 2023-05-19 | 2023-08-08 | 北京京深深向科技有限公司 | 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 |
| CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
-
2023
- 2023-11-14 CN CN202311507868.6A patent/CN117558947B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112882909A (zh) * | 2019-11-29 | 2021-06-01 | 北京博瑞华通科技有限公司 | 燃料电池系统故障预测方法、装置 |
| CN112732797A (zh) * | 2021-01-26 | 2021-04-30 | 武汉理工大学 | 燃料电池汽车驾驶行为分析方法、装置和存储介质 |
| WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、系统、电子装置及存储介质 |
| CN116187195A (zh) * | 2023-03-08 | 2023-05-30 | 国网浙江省电力有限公司电力科学研究院 | 一种质子交换膜燃料电池集成系统故障诊断方法及系统 |
| CN116559704A (zh) * | 2023-05-19 | 2023-08-08 | 北京京深深向科技有限公司 | 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 |
| CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118427058A (zh) * | 2024-07-03 | 2024-08-02 | 江苏芯港半导体有限公司 | 一种新能源汽车芯片健康诊断方法、设备及存储介质 |
| CN118427058B (zh) * | 2024-07-03 | 2024-09-24 | 江苏芯港半导体有限公司 | 一种新能源汽车芯片健康诊断方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117558947B (zh) | 2024-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN108287317B (zh) | 电池功率预测模型生成方法及系统、功率预测方法及系统 | |
| EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
| CN117558947B (zh) | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 | |
| US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
| CN116455085B (zh) | 一种电池储能电站智能监控系统 | |
| 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 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN116311854B (zh) | 一种锂电池储能站的运行异常预警方法及系统 | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN113705839B (zh) | 一种燃料电池电堆的预测性维护方法以及维护系统 | |
| Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
| Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
| Wu et al. | Fault detection and assessment for solid oxide fuel cell system gas supply unit based on novel principal component analysis | |
| CN118114101B (zh) | 燃料电池故障诊断方法及系统 | |
| CN113547919A (zh) | 一种燃料电池车远程故障监测方法及系统 | |
| CN118281263A (zh) | 燃料电池在线故障监测和预警的方法、装置及控制系统 | |
| Yuan et al. | Fault diagnosis of fuel cells by a hybrid deep learning network fusing characteristic impedance | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN117438618A (zh) | 氢燃料电池的性能预测方法、系统、电子设备及存储介质 | |
| CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
| CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
| CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
| CN117491793B (zh) | 一种氢电耦合系统综合性能测试方法、装置及介质 |
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 |