CN117810491A - 一种基于深度学习的燃料电池系统故障诊断方法及系统 - Google Patents
一种基于深度学习的燃料电池系统故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117810491A CN117810491A CN202311826520.3A CN202311826520A CN117810491A CN 117810491 A CN117810491 A CN 117810491A CN 202311826520 A CN202311826520 A CN 202311826520A CN 117810491 A CN117810491 A CN 117810491A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- model
- attention
- vector
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000000446 fuel Substances 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 53
- 238000011176 pooling Methods 0.000 claims description 40
- 238000000605 extraction Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Fuel Cell (AREA)
Abstract
本发明涉及故障诊断技术领域，具体是涉及一种基于深度学习的燃料电池系统故障诊断方法及系统。该方法首先，对历史运行数据使用SMOTETomek混合采样生成部分故障数据用以诊断模型的训练和测试；其次，通过基于改进的inception网络对数据进行特征提取；然后，用transformer模型的编码器结构训练分类诊断模型；最后，用分类诊断模型诊断实时电池状态，判断是否有故障产生。该方法具有强大的特征学习能力，为故障诊断提供了高效而准确的解决方案。
Description
技术领域
本发明涉及故障诊断技术领域，具体是涉及一种基于深度学习的燃料电池系统故障诊断方法及系统。
背景技术
燃料电池系统具有结构复杂、耦合度高等特点，电池系统发生故障时可能会造成系统性能衰减缩短电池使用寿命，装备电池系统故障还会造成装备故障，给用户生命财产安全造成威胁。通过电池系统故障诊断及时发现并隔离故障，可以有效提高电池系统的可靠性，延长电池系统的使用寿命，同时降低维修成本。
目前，针对燃料电池故障诊断常见的方法有基于解析模型、基于实验验证和基于数据驱动的方法。但是当前对于燃料电池的研究数据集主要来自实验室，电池的运行环境相对稳定。而在实际运行过程中遇到的工况更加复杂多变，用实验室数据训练的模型稳健性和泛化能力比较差。其次，目前研究主要针对燃料电池的不可逆的衰减，对于使用过程中经常出现的可恢复性故障的研究相对较少。所以，目前对于装备燃料电池故障诊断的智能模型的特征提取效率和故障学习分类能力均不能满足实际需要。
发明内容
(一)要解决的技术问题
本发明主要针对以上问题，提出了一种基于深度学习的燃料电池系统故障诊断方法及系统，其目的是解决针对装备采集数据故障分布不均衡、数据噪声干扰大和故障诊断精度低等问题。
(二)技术方案
为实现上述目的，本发明第一方面提供了一种基于深度学习的燃料电池系统故障诊断方法，包括如下步骤：
S100、对收集的燃料电池信号历史数据进行混合采样处理，将混合采样处理后的燃料电池信号历史数据转化为可用于深度学习模型的数据类型，并将转化后的数据划分为训练集和测试集；
S200、构建改进的基于卷积神经网络的特征提取模块，通过使用多个一维小卷积层与残差连接组成的结构，在每个卷积层后应用批量标准化和ReLU激活函数，通过Concat层将多尺度时间特征的维度拼接起来，并通过最大池化层输出提取的数据特征，以提取时序数据中的故障特征；
S300、利用步骤S200中提取的故障特征，输入至一个含有transformer编码器的分类器中，运用多头注意力机制突出故障特征并保留时序数据的全局信息，用于训练故障诊断模型；
S400、采用实时获取的电池系统信号数据，运用步骤S200中定义的数据池化结构提取数据特征，并使用步骤S300中训练好的故障诊断模型来判断当前电池状态，以实现故障的在线诊断。
进一步地，在步骤S200中，提取故障特征的具体步骤包括：
S201、构造一个基于inception网络结构改进的数据池化层网络，该网络通过采用3个一维小卷积层和残差连接，并在每个卷积层之后使用批量标准化和ReLU激活函数，以及加入最大池化层来提升故障特征的提取效率和能力；
S202、运用所述数据池化层网络对训练集中的数据执行特征提取操作，从而获得用于故障分类的特征集合。
进一步地，在步骤S300中，构建故障分类诊断模型的具体步骤包括：
S301、基于步骤S201中数据池化层网络的运算结果，搭建transformer模型的简化结构；
S302、使用inception数据池化层的运算结果进行特征权重的重新分配，并确定查询、键、值的参数配置；
S303、运用transformer编码器处理所述特征集合，并使用注意力机制提取信息，将查询、键、值分割形成各自的向量，并计算特征的注意力矩阵；
S304、执行多头注意力计算，将步骤S303中不同特征下的注意力结果合并，从而评估电池参数属性间的关联性并判断故障存在的可能性；
S305、利用训练集数据优化transformer分类器模型，并使用测试集数据进行验证，以确保模型达到预设的分类性能标准；
S306、若模型的性能未满足预定要求，调整网络结构和参数设置，并重新训练，直至获得满足性能要求的transformer网络模型。
进一步地，步骤S303中的计算特征的注意力矩阵为：
其中，Q为查询向量，它是用来与键向量进行匹配的向量，目的是衡量不同组件之间的相似度；K为键向量，它是与查询向量进行匹配的向量，用于生成每个组件的权重；V为值向量，它是根据键和查询的匹配结果，对应的输入信号的表示；其中dk是键向量的维度；Bk是偏置矩阵，针对键向量的一个偏置项；Bv是偏置矩阵，针对值向量的一个偏置项。
进一步地，步骤S304中，采用如下公式将步骤S303中不同特征下的注意力结果合并:
MultiHead(Q,K,V)＝Concat(head1,head2,......,headh)W0；
其中，MultiHead为多头注意力机制；Concat(.....)表示将所有头得到的向量首尾相连起来；headi是第i个注意力头的输出，是一个子空间内的注意力计算结果；h是头的数量，表示有多少组不同的、并行的注意力机制；W0是最后的线性变换矩阀，它将所有头的拼接结果进行变换，得到最终的输出。
进一步地，在所述步骤S100中，所述混合采样方式可以是过采样、欠采样或者是合成少数类过采样技术。
为实现上述目的，本发明第二方面提供了一种基于深度学习的燃料电池系统故障诊断系统，包括：
数据预处理单元，用于执行步骤S100中描述的数据预处理操作；
特征提取单元，用于执行步骤S200中描述的改进inception网络的故障特征提取；
分类诊断单元，用于执行步骤S300中描述的基于transformer编码器的分类诊断；
实时监测单元，用于实现步骤S400中的在线故障诊断。
进一步地，数据预处理单元，用于执行步骤S100中描述的数据预处理操作；
特征提取单元，用于执行步骤S200中描述的改进inception网络的故障特征提取；
分类诊断单元，用于执行步骤S300中描述的基于transformer编码器的分类诊断；
实时监测单元，用于实现步骤S400中的在线故障诊断。
进一步地，分类诊断单元包含一个或多个处理器以及存储器，其中处理器执行根据特征提取单元输出的数据池化层网络结果进行的多头注意力计算以及分类模型的训练与优化。
(三)有益效果
与现有技术相比，本发明提供的一种基于深度学习的燃料电池系统故障诊断方法及系统，该方法针对装备采集数据故障分布不均衡、数据噪声干扰大和故障诊断精度低等问题，使用深度学习模型组合的方法改善数据不均衡问题、提升故障特征提取能力和分类模型识别性能。首先，在特征提取阶段引入多个一维小卷积层和残差连接改进inception模块，提取出了完整的故障时序特征信息，添加池化层在保持特征不损失的基础上去除冗余信息防止过拟合，同时提高了特征提取的效率；在故障分类诊断阶段通过transformer的encoder模块对故障进行分类，利用多头注意力突出故障重要特征，最大化的保留时序数据中的全局信息，提升了模型的诊断精度。
附图说明
图1为本申请披露的一种故障诊断流程示意图。
图2为本申请披露的一种故障诊断模型。
具体实施方式
下面将结合附图对本发明进行详细说明，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。
本发明的主要目的在于提供一种基于深度学习的燃料电池系统故障诊断方法，该方法针对装备采集数据故障分布不均衡、数据噪声干扰大和故障诊断精度低等问题，使用深度学习模型组合的方法改善数据不均衡问题、提升故障特征提取能力和分类模型识别性能。首先，对历史运行数据使用SMOTETomek混合采样生成部分故障数据用以诊断模型的训练和测试；其次，通过基于改进的inception网络对数据进行特征提取；然后，用transformer模型的编码器结构训练分类诊断模型；最后，用分类诊断模型诊断实时电池状态，判断是否有故障产生。具体流程如图1所示。
为了达到上述目的，本发明采用以下技术方案予以实现，包括以下步骤：
S100(装备电池系统数据预处理)、对收集的燃料电池信号历史数据进行混合采样处理，将混合采样处理后的燃料电池信号历史数据转化为可用于深度学习模型的数据类型，并将转化后的数据划分为训练集和测试集；
在本步骤中，从燃料电池系统中获取历史数据，包含了电池的各种信号，如温度、电压、电流等；在机器学习中，样本不平衡可能导致模型偏向于预测数量较多的类别。采用混合采样的方式，例如通过过采样(增加样本数量)或欠采样(减少样本数量)等方法，确保不同类别的样本数量相对平衡；将原始的电池系统信号数据进行处理，使其适用于深度学习模型，如包括数据标准化、归一化等步骤，以确保模型在训练时更好地收敛。最后，将处理后的数据划分为两个部分，一个用于训练深度学习模型，另一个用于测试模型性能。
S200(离线提取故障特征)、构建改进的基于卷积神经网络的特征提取模块，通过使用多个一维小卷积层与残差连接组成的结构，在每个卷积层后应用批量标准化和ReLU激活函数，通过Concat层将多尺度时间特征的维度拼接起来，并通过最大池化层输出提取的数据特征，以提取时序数据中的故障特征；
本步骤通过添加卷积神经网络(CNN)的模块，以便系统能够从时序数据中提取特征；对Inception网络结构进行修改，以满足电池系统故障特征提取的需求；使用一维小卷积层和残差连接，能够捕捉到时序数据中的多尺度时间特征，添加池化层有助于保持特征信息的同时减少冗余信息，防止过拟合。
需要说明的是，Inception网络，也称为GoogLeNet，是由Google在2014年提出的一种深度卷积神经网络结构。其主要目标是解决传统卷积神经网络中参数数量过大的问题，通过引入Inception模块，有效减少网络的参数量。
S300(故障分类诊断模型构建)、利用步骤S200中提取的故障特征，输入至一个含有transformer编码器的分类器中，运用多头注意力机制突出故障特征并保留时序数据的全局信息，用于训练故障诊断模型；
可以理解的是，将经过改进的Inception网络提取的故障特征输入到Transformer分类器中；Transformer模型中的多头注意力机制用于强调输入序列中的重要特征；通过注意力机制，模型能够最大化地保留时序数据中的全局信息，而不仅仅关注局部特征；通过使用Transformer模型，增强特征的区分度，提高模型对不同故障类别的诊断精度。
S400(在线故障诊断)、采用实时获取的电池系统信号数据，运用步骤S200中定义的数据池化结构提取数据特征，并使用步骤S300中训练好的故障诊断模型来判断当前电池状态，以实现故障的在线诊断。
可通过传感器或其他数据源实时获取电池系统信号数据，使用在步骤S200中设计的数据池化结构，从实时数据中提取特征，以便输入到故障诊断模型中；利用在步骤S300中训练好的故障诊断模型，对实时数据进行分类，判断当前电池系统的状态，是否存在故障。
步骤S100-步骤S400描述了一个从数据预处理到在线故障诊断的端到端故障诊断方法，该方法可以有效的从装备电池数据中提取和故障相关的特征，具有更强的特征学习能力，可以有效的对正常运行状态、电压故障、温度故障电池常见状态进行分类诊断。
在步骤S200的离线提取故障特征中，其具体步骤如下：
S201、构建基于inception改进的数据池化层网络F，其结构如图2所示。采用3个一维小卷积层和残差连接，在每个卷积层后面都使用批量标准化(BN)和ReLU激活函数提升网络的特征提取速率和故障特征信息的提取能力。Concat层将特征维度拼接到一起。为了避免层数加深导致训练过程中出现的过拟合问题，在改进的数据池化层中加入残差连接的结构，通过最大池化层输出提取的数据特征信息。
S202、通过数据池化层网络F，提取训练集S1的故障特征S′1。
在步骤S300的构建故障分类诊断模型中，其具体步骤如下：
S301、根据数据池化层网络运算结果，搭建如图2所示的transformer的简化结构T；
S302、根据inception数据池化层运算结果进行特征权重的重新分配，确定查询、键、值的参数。经过基于inception改进网络的数据池化层的特征集合S′1作为输入，Transformer编码器使用注意力机制对其多项信息进行提取，将查询、键、值按照特征数目平均划分，从而获得各自特征不同的Qi向量、Vi向量、Ki向量。
S303、将特征并发提取出不同的有效值，然后使用下面的公式来进行特征的注意力矩阵计算。
其中，Q为查询向量，它是用来与键向量进行匹配的向量，目的是衡量不同组件之间的相似度；K为键向量，它是与查询向量进行匹配的向量，用于生成每个组件的权重；V为值向量，它是根据键和查询的匹配结果，对应的输入信号的表示；其中dk是键向量的维度；Bk是偏置矩阵，针对键向量的一个偏置项；Bv是偏置矩阵，针对值向量的一个偏置项。
当前时刻与其他时刻的相关性使用查询向量与值向量的转置点乘来表示，关联度越高值越大；其中为了使注意力矩阵符合标准的正态分布，需要对维度dk进行除法运算达到缩放矩阵的效果；最后将包含有当前时刻值向量的偏置矩阵Bv加入到值向量中，使用V+Bv值向量与缩放矩阵进行点积。
S304、如下公式将多个特征下的注意力结果合并就是本文使用的多头注意力计算方式。将电池的多种参数属性计算注意力关联程度来判断是否有故障的存在。
MultiHead(Q,K,V)＝Concat(head1,head2,......,headh)W0；
其中，MultiHead为多头注意力机制；Concat(.....)表示将所有头得到的向量首尾相连起来；headi是第i个注意力头的输出，是一个子空间内的注意力计算结果；h是头的数量，表示有多少组不同的、并行的注意力机制；W0是最后的线性变换矩阀，它将所有头的拼接结果进行变换，得到最终的输出。
S305、使用训练集S1对分类器F进行优化训练，使用测试集S2进行测试；
S306、若模型性能不能满足要求，通过调节网络结构和参数，训练得到具有良好分类性能的transformer网络模型f。
本发明还提供一种基于深度学习的燃料电池系统故障诊断系统，包括：
数据预处理单元，用于执行步骤S100中描述的数据预处理操作；
特征提取单元，用于执行步骤S200中描述的改进i ncept ion网络的故障特征提取；
分类诊断单元，用于执行步骤S300中描述的基于transformer编码器的分类诊断；
实时监测单元，用于实现步骤S400中的在线故障诊断。
进一步地，数据预处理单元，用于执行步骤S100中描述的数据预处理操作；
特征提取单元，用于执行步骤S200中描述的改进incept ion网络的故障特征提取；
分类诊断单元，用于执行步骤S300中描述的基于transformer编码器的分类诊断；
实时监测单元，用于实现步骤S400中的在线故障诊断。
进一步地，分类诊断单元包含一个或多个处理器以及存储器，其中处理器执行根据特征提取单元输出的数据池化层网络结果进行的多头注意力计算以及分类模型的训练与优化。
为进一步对本发明实施例中的技术方案进行更清楚、完整地描述，本发明提供如下具体实施例：
(1-1)通过信号采集收集电池系统电压、电流、温度等信号，对明显存在异常、缺失和重复的数据采取适当的方法进行处理，得到带有标签的样本数据集
(1-2)S0＝{(Xn,Yn),n＝1,2,......,N}，其中Xn为第n个样本的故障特征向量，Yn为第n个样本所对应的故障类型，p为每个样本所包含的特征数量，即每一个特征向量为(X1,X2,......Xp)；
(1-2)用SMOTETomek算法对采集到的电池系统数据集S0按照一定的比例进行混合采样平衡各个类别的数量差异，得到数据集S′0；
(1-3)对数据S′0进行归一化和独热编码处理，得到数据集S；
(1-4)将样本数据集S按照一定的比例划分为独立的训练集S1和测试集S2。满足S1∩S2＝φ，S1∪S2＝S。
(2-1)构建基于inception改进的数据池化层网络F，其结构如图2所示。采用3个1D小卷积层和残差连接，在每个卷积层后面都使用批量标准化(BN)和ReLU激活函数提升网络的特征提取速率和故障特征信息的提取能力。Concat层将特征维度拼接到一起。为了避免层数加深导致训练过程中出现的过拟合问题，在改进的数据池化层中加入残差连接的结构，通过最大池化层输出提取的数据特征信息。
(2-2)通过数据池化层网络F，提取训练集S1的故障特征S′1。
(3-1)根据数据池化层网络运算结果，搭建如图2所示的transformer的简化结构T；
(3-2)根据inception数据池化层运算结果进行特征权重的重新分配，确定查询、键、值的参数。经过基于inception改进网络的数据池化层的特征集合S1′作为输入，Transformer编码器使用注意力机制对其多项信息进行提取，将查询、键、值按照特征数目平均划分，从而获得各自特征不同的Qi向量、Vi向量、Ki向量。
(3-3)将特征并发提取出不同的有效值，然后使用下面的公式来进行特征的注意力矩阵计算。
当前时刻与其他时刻的相关性使用查询向量与值向量的转置点乘来表示，关联度越高值越大；其中为了使注意力矩阵符合标准的正态分布，需要对维度dk进行除法运算达到缩放矩阵的效果；最后将包含有当前时刻值向量的偏置矩阵Bv加入到值向量中，使用V+Bv值向量与缩放矩阵进行点积。
(3-4)如下公式将多个特征下的注意力结果合并就是本文使用的多头注意力计算方式。将电池的多种参数属性计算注意力关联程度来判断是否有故障的存在。
MultiHead(Q,K,V)＝Concat(head1,head2,......,headh)W0
(3-5)使用训练集S1对分类器F进行优化训练，使用测试集S2进行测试；
(3-6)若模型性能不能满足要求，通过调节网络结构和参数，训练得到具有良好分类性能的transformer网络模型f。
(4-1)通过信号采集装置采集运行的电池系统的电压、电流、温度等实时数据T0；
(4-2)对实时数据集T0中明显存在的异常、缺失和重复数据采取适当的方法进行处理生成数据集T；
(4-3)通过基于inception改进的数据池化层网络F提取电池运行实时故障特征T′；
(4-4)用离线训练好的电池系统故障诊断模型f对实时产生的实时故障特征T′进行判断，诊断电池系统是否发生故障输出电池状态yi。
以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。
Claims (9)
1.一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，包括如下步骤：
S100、对收集的燃料电池信号历史数据进行混合采样处理，将混合采样处理后的燃料电池信号历史数据转化为可用于深度学习模型的数据类型，并将转化后的数据划分为训练集和测试集；
S200、构建改进的基于卷积神经网络的特征提取模块，通过使用多个一维小卷积层与残差连接组成的结构，在每个卷积层后应用批量标准化和ReLU激活函数，通过Concat层将多尺度时间特征的维度拼接起来，并通过最大池化层输出提取的数据特征，以提取时序数据中的故障特征；
S300、利用步骤S200中提取的故障特征，输入至一个含有transformer编码器的分类器中，运用多头注意力机制突出故障特征并保留时序数据的全局信息，用于训练故障诊断模型；
S400、采用实时获取的电池系统信号数据，运用步骤S200中定义的数据池化结构提取数据特征，并使用步骤S300中训练好的故障诊断模型来判断当前电池状态，以实现故障的在线诊断。
2.根据权利要求1所述的一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，在步骤S200中，提取故障特征的具体步骤包括：
S201、构造一个基于inception网络结构改进的数据池化层网络，该网络通过采用3个一维小卷积层和残差连接，并在每个卷积层之后使用批量标准化和ReLU激活函数，以及加入最大池化层来提升故障特征的提取效率和能力；
S202、运用所述数据池化层网络对训练集中的数据执行特征提取操作，从而获得用于故障分类的特征集合。
3.根据权利要求2所述的一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，在步骤S300中，构建故障分类诊断模型的具体步骤包括：
S301、基于步骤S201中数据池化层网络的运算结果，搭建transformer模型的简化结构；
S302、使用inception数据池化层的运算结果进行特征权重的重新分配，并确定查询、键、值的参数配置；
S303、运用transformer编码器处理所述特征集合，并使用注意力机制提取信息，将查询、键、值分割形成各自的向量，并计算特征的注意力矩阵；
S304、执行多头注意力计算，将步骤S303中不同特征下的注意力结果合并，从而评估电池参数属性间的关联性并判断故障存在的可能性；
S305、利用训练集数据优化transformer分类器模型，并使用测试集数据进行验证，以确保模型达到预设的分类性能标准；
S306、若模型的性能未满足预定要求，调整网络结构和参数设置，并重新训练，直至获得满足性能要求的transformer网络模型。
4.根据权利要求3所述的一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，步骤S303中的计算特征的注意力矩阵为：
其中，Q为查询向量，它是用来与键向量进行匹配的向量，目的是衡量不同组件之间的相似度；K为键向量，它是与查询向量进行匹配的向量，用于生成每个组件的权重；V为值向量，它是根据键和查询的匹配结果，对应的输入信号的表示；其中dk是键向量的维度；Bk是偏置矩阵，针对键向量的一个偏置项；Bv是偏置矩阵，针对值向量的一个偏置项。
5.根据权利要求4所述的一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，步骤S304中，采用如下公式将步骤S303中不同特征下的注意力结果合并:
MultiHead(Q,K,V)＝Concat(head1,head2,......,headh)W0；
其中，MultiHead为多头注意力机制；Concat(.....)表示将所有头得到的向量首尾相连起来；headi是第i个注意力头的输出，是一个子空间内的注意力计算结果；h是头的数量，表示有多少组不同的、并行的注意力机制；W0是最后的线性变换矩阀，它将所有头的拼接结果进行变换，得到最终的输出。
6.根据权利要求1所述的一种基于深度学习的燃料电池系统故障诊断方法，其特征在于，在所述步骤S100中，所述混合采样方式可以是过采样、欠采样或者是合成少数类过采样技术。
7.一种根据权利要求1至6任一项所述方法的系统，其特征在于包含：
数据预处理单元，用于执行步骤S100中描述的数据预处理操作；
特征提取单元，用于执行步骤S200中描述的改进inception网络的故障特征提取；
分类诊断单元，用于执行步骤S300中描述的基于transformer编码器的分类诊断；
实时监测单元，用于实现步骤S400中的在线故障诊断。
8.根据权利要求7所述的系统，其特征在于，特征提取单元包含一系列卷积层、批量标准化层、ReLU激活层及池化层，以实现对输入信号的多尺度特征提取及冗余信息的剔除。
9.根据权利要求8所述的系统，其特征在于，分类诊断单元包含一个或多个处理器以及存储器，其中处理器执行根据特征提取单元输出的数据池化层网络结果进行的多头注意力计算以及分类模型的训练与优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311826520.3A CN117810491A (zh) | 2023-12-27 | 2023-12-27 | 一种基于深度学习的燃料电池系统故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311826520.3A CN117810491A (zh) | 2023-12-27 | 2023-12-27 | 一种基于深度学习的燃料电池系统故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117810491A true CN117810491A (zh) | 2024-04-02 |
Family
ID=90419509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311826520.3A Pending CN117810491A (zh) | 2023-12-27 | 2023-12-27 | 一种基于深度学习的燃料电池系统故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117810491A (zh) |
-
2023
- 2023-12-27 CN CN202311826520.3A patent/CN117810491A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | The optimized deep belief networks with improved logistic sigmoid units and their application in fault diagnosis for planetary gearboxes of wind turbines | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN111259532B (zh) | 基于3dcnn-jtfa的航空发动机控制系统传感器的故障诊断方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| Li et al. | WavCapsNet: An interpretable intelligent compound fault diagnosis method by backward tracking | |
| CN109829916A (zh) | 一种基于cnn的变压器故障诊断方法 | |
| Wu et al. | A transformer-based approach for novel fault detection and fault classification/diagnosis in manufacturing: A rotary system application | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| CN115980560A (zh) | 一种基于cnn-gru的高压断路器机械故障诊断系统、方法、设备 | |
| AU2021104744A4 (en) | Method and system for status monitoring and fault early warning based on lubricating oil liquid | |
| CN117056678B (zh) | 一种基于小样本的机泵设备运行故障诊断方法及装置 | |
| CN117272230A (zh) | 一种基于多任务学习模型的非侵入式负荷监测方法和系统 | |
| CN116625686A (zh) | 一种航空发动机轴承故障在线诊断方法 | |
| CN117810491A (zh) | 一种基于深度学习的燃料电池系统故障诊断方法及系统 | |
| CN116658433A (zh) | 一种耐颗粒型磁力泵智能检测方法及系统 | |
| Zhang et al. | A Flexible Monitoring Framework via Dynamic-Multilayer Graph Convolution Network | |
| CN115540935A (zh) | 一种新型护航舰艇压载水系统设备故障诊断方法 | |
| Li et al. | Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 | |
| CN113537373A (zh) | 基于数字孪生的柴油机健康状态评估方法、装置及设备 | |
| Qian et al. | A diagnosis method for diesel engine wear fault based on grey rough set and SOM neural network | |
| CN115831339B (zh) | 基于深度学习的医疗系统风险管控事前预测方法、系统 | |
| Zhang et al. | Fault diagnosis of on-board equipment in ctcs-3 based on cnn-lstm 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 |