CN117890791A - 热失控预测模型确定方法、装置、电子设备及存储介质 - Google Patents
热失控预测模型确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117890791A CN117890791A CN202311867219.7A CN202311867219A CN117890791A CN 117890791 A CN117890791 A CN 117890791A CN 202311867219 A CN202311867219 A CN 202311867219A CN 117890791 A CN117890791 A CN 117890791A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- model
- gas
- prediction model
- analysis data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 67
- 239000000446 fuel Substances 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000004868 gas analysis Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 85
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
本公开实施例公开了一种热失控预测模型确定方法、装置、电子设备及存储介质,包括:对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;根据所述化学计量模型确定热失控预测模型。本技术方案根据反向传播神经网络构建化学计量模型,并根据化学计量模型确定热失控预测模型,实现了对燃料电池热失控的准确预测。
Description
技术领域
本公开实施例涉及燃料电池技术领域,尤其涉及一种热失控预测模型确定方法、装置、电子设备及存储介质。
背景技术
燃料电池以其高能量密度、高循环寿命、高环保等优点,在多个领域得到广泛应用。然而,燃料电池在长期的充放电循环过程中,由于多种客观诱因,可能会触发热失控而产生大量有毒或高度可燃性气体,导致后续剧烈的火灾或者爆炸。因此,实时分析热失控气体对燃料电池热失控早期预警、安全性评估和安全管理等具有重要意义。
在目前的燃料电池安全设计中,对燃料电池热失控预警检测方法,一般都集中于采用在电池内部布置传感器,或者对电池输出的电压、电流、电阻性能参数进行采集分析,进而对电池热失控的潜在风险进行相关预测。
但上述方法存在电路设计复杂、检测能力不足、精确性不高等局限性,导致在燃料电池热安全分析测试中存在各种各样的问题。
发明内容
本公开实施例提供了一种热失控预测模型确定方法、装置、电子设备及存储介质,实现了对燃料电池热失控的准确预测。
第一方面,提供了一种热失控预测模型确定方法,包括:
对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;
根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;
根据所述化学计量模型确定热失控预测模型。
第二方面,提供了一种热失控预测模型确定装置,包括:
分析数据获取模块,用于对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;
模型构建模块,用于根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;
模型确定模块,用于根据所述化学计量模型确定热失控预测模型。
第三方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及;
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述第一方面提供的热失控预测模型确定方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开实施例上述第一方面提供的热失控预测模型确定方法。
本公开实施例提供了一种热失控预测模型确定方法、装置、电子设备及存储介质,包括:对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;根据所述化学计量模型确定热失控预测模型。与现有技术相比,本技术方案根据反向传播神经网络构建化学计量模型,并根据化学计量模型确定热失控预测模型,实现了对燃料电池热失控的准确预测。
应当理解,本部分所描述的内容并非旨在标识本公开实施例的关键或重要特征,也不用于限制本公开实施例的范围。本公开实施例的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开实施例的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开实施例一提供的一种热失控预测模型确定方法的流程图;
图2是本公开实施例一提供的燃料电池热失控全过程的气体检测研究区示意图;
图3是本公开实施例二提供的另一种热失控预测模型确定方法的流程图;
图4是本公开实施例二提供的一种基于反向传播神经网络(BPNN)的热失控产气速率估算模型;
图5是本公开实施例二提供的一种基于反向传播神经网络(BPNN)的热失控H2浓度估算模型;
图6是本公开实施例二提供的一种基于反向传播神经网络(BPNN)的热失控逃逸气体速率估算模型;
图7是本公开实施例三提供的一种热失控预测模型确定装置的结构示意图;
图8给出了用来实施本公开实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开实施例的方案,下面将结合本公开实施例中的附图,对本公开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公开实施例一部分的实施例,而不是全部的实施例。基于本公开实施例中的实施例,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,都应当属于本公开实施例保护的范围。
需要说明的是,本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本公开实施例一提供的一种热失控预测模型确定方法的流程图,本实施例可适用于对热失控预测模型进行确定的情况,该方法可以由热失控预测模型确定装置来执行,该热失控预测模型确定装置可以采用硬件和/或软件的形式实现,该热失控预测模型确定装置可配置于电子设备中。如图1所示,该方法包括:
S110、对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,分析数据包括每种气体组分的热失控特征参数。
在本实施例中,光谱气体分析可以是一种通过光谱对气体进行分析的方法,可以对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,其中,热失控过程可以是样本燃料电池在充电过程中,电流和温度均升高且相互促进的现象。
具体的,样本燃料电池在热失控过程中可以产生气体,通过对样本燃料电池在热失控过程中所产生的气体的组分进行光谱气体分析,可以得到分析数据,所述分析数据包括每种气体组分的热失控特征参数,其中,热失控特征参数包括产气速率、气体浓度以及逸气速率。
S120、根据分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型。
在本实施例中,反向传播神经网络(Back propagation neuralnet work,BPNN)通过计算输出层与期望值之间的误差来调整网络参数,从而使得误差变小,进而提高模型的预测精度。
具体的,在获取到分析数据后,可以通过反向传播神经网络构建化学计量模型,所述化学计量模型可以用于描述每种气体组分与热失控特征参数之间关系。
S130、根据化学计量模型确定热失控预测模型。
需要说明的是,在化学计量模型确定后,可以根据确定的化学计量模型确定热失控预测模型,其中,热失控预测模型可以对样本燃料电池的热失控过程进行预测。
本实施例提供了一种热失控预测模型确定方法,该方法包括:对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;根据所述化学计量模型确定热失控预测模型,实现了对燃料电池热失控的准确预测。
作为本实施例的一种实施方式,本实施例提供的方法还包括:
根据传感器对所述气体组分的检测结果,对所述样本燃料电池在热失控过程中的产气量进行校对。
具体的,在得到各气体组分的化学计量模型后,可以结合传感器对各个气体组分进行检测,得到检测结果。根据传感器对气体组分的检测结果,对所述样本燃料电池在热失控过程中的产气量进行校对确认。
作为本实施例的另一种实施方式,在根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型之前,还包括:
对所述分析数据进行卡尔曼滤波。
具体的,通过对气体组分进行光谱气体分析,得到分析数据后,还可以对得到的分析数据进行卡尔曼滤波,卡尔曼滤波的表达式如下:
X(k)=AX(k-1)+BU(k)+W(k)
再加上系统的测量值:
Z(k)=HX(k)+V(k)
其中,X(k)为k时刻的系统的状态,U(k)是k时刻对系统的控制量,A和B为系统参数,对于多模型系统,A和B可以是矩阵,Z(k)可以是k时刻的测量值,H可以是测量系统的参数,而对于多模型测量系统来说,H可以是矩阵。W(k)和V(k)分别表示检测过程和测量过程的噪声,W(k)和V(k)都可以被假设成高斯白噪声(White Gaussian Noise),二者的协方差(covarince)都可以认为不随系统状态变化而变化。
可选的,根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型,包括:
a1)对于每种气体组分,根据所述分析数据基于最佳指数因子筛选光谱波段和指数的组合作为自变量;
具体的,通过对气体组分进行光谱气体分析,得到分析数据后,可以基于最佳指数因子(Optimal Index Factor,OIF)对光谱波段和指数组合进行降维及筛选,并将筛选和降维后的光谱波段和指数组合作为模型自变量,其中最佳指数因子可以通过采用三个波段的方差和与相关系数的和的比值衡量波段的重要程度。
b1)将所述自变量作为输入数据,将相应热失控特征参数作为输出数据,采用所述输入数据和所述输出数据组成的数据训练反向传播神经网络,得到相应的化学计量模型。
接上述描述,将基于最佳指数因子筛选光谱波段和指数的组合作为输入数据,热失控特征参数作为输出数据,根据输入数据和输出数据训练反向神经网络,得到相应的化学计量模型。
本技术方案提供了一种新型的应用反向传播神经网络结合大数据分析进行燃料电池热失控预警的建模方法。本技术方案以气体光谱技术为核心,开发燃料电池热失控全过程的气体原位在线检测方法。图2给出了燃料电池热失控全过程的气体检测研究区示意图,通过捕获其关键气体标志物(重点以氢气分析为例),建立预测热失控预测模型。研究区设16个小区,于试验区采集光谱数据共16份有效样本,为保证科学有效性,随机选若干份样本作为建模集,基于反向传播神经网络(BPNN),验证和对比分析模型的估算强度,进而实现了对燃料电池热失控的准确预测。
实施例二
图3为本公开实施例二提供的另一种热失控预测模型确定方法的流程图,本实施例是对上述实施例进一步的优化和扩展。如图3所示,该方法包括:
S210、对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,分析数据包括每种气体组分的热失控特征参数。
示例性的,样本燃料电池热失控释放的主要气体成分为CO2、CO、CH4、C2H4、C3H6、H2等气体。对以上气体进行分析可以得到各个气体组分的产气速率、气体浓度以及逸气速率。
S220、根据分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型。
示例性的,可以根据CO2、CO、CH4、C2H4、C3H6、H2等气体的产气速率、气体浓度以及逸气速率构建各个气体组分的化学计量模型。
S230、获取化学计量模型对指定燃料电池在热失控过程中所产生的气体组分输出的热失控特征参数,得到估算值集合。
可以知道的是,可以获取化学计量模型对指定燃料电池在热失控过程中所产生的气体组分,其中,指定燃料电池可以是用于测试的燃料电池。在获取到燃料电池在热失控过程中产生的气体组分后,可以根据化学计量模型获取各个气体组分的热失控参数,将化学计量模型获取各个气体组分的热失控参数组合得到估算值集合。
S240、根据指定燃料电池在热失控过程中所产生的气体组分实测值确定对应的热失控特征参数,得到实测值集合。
需要说明的是,对指定燃料电池在热失控过程中所产生的气体组分采集的过程中,还需要采用传感器对气体组分进行实测,进而得到实测值对应的热失控参数,根据实测值对应的热失控参数可以得到实测值集合。
S250、比较估算值集合和实测值的评价指标。
具体的,根据评价指标对得到的估算值集合与实测值集合进行比较,所述评价指标包括拟合度(R2)、均方根误差(RMSE)和相对分析误差(RPD),其中,拟合度可以是对已经构建完成的预测模型进行检验,比较预测结果与实际情况的吻合程度,均方根误差可以是预测值与真实值偏差的平方与观测次数n比值的平方根,可以用来衡量预测结果与实际值之间的偏差,相对分析误差可以用来评价模型的可靠程度。
S260、在评价指标满足条件的情况下,确定化学计量模型为热失控预测模型。
具体的,可以通过评价指标对得到的化学计量模型进行分析,评价指标满足条件可以包括:所述拟合度与1的差值在第一设定范围内;所述均方根误差与0的差值在第二设定范围内;所述相对分析误差超过设定阈值。
其中,第一设定范围可以是对拟合度具有较好表现的范围进行设定,第二设定范围可以是对均方根误差具有较好表现的范围的设定,设定阈值可以是对相对分析误差的值进行判断的设定阈值。示例性的,评价指标满足条件可以是拟合度趋近于1,拟合度越趋近于1表明模型的拟合度就越强;均方根误差趋近于0,均方根误差越趋近于0时,模型的拟合性就越强;设定阈值可以是1.4或2,当相对分析误差大于1.4时可以预测模型,相对分析误差大于2时预测效果最好。
具体的,可以通过评价指标对各个化学计量模型的估算值集合与实测值集合进行比较,根据评价指标满足条件对比较结果进行评价,得到评价结果,根据评价结果将化学计量模型确定为热失控预测模型。
以氢气分析为例,通过对估算值集合与实测值集合进行拟合及比较建模集的拟合度、均方根误差、相对分析误差,得到热失控预测模型。图4为本实施例给出的基于反向传播神经网络(BPNN)的热失控产气速率(P)估算模型,建模集与验证集的拟合度分别为0.85和0.81、均方根误差分别为0.85和1.46、相对分析误差分别为2.59和1.39。图5为本实施例给出的基于反向传播神经网络(BPNN)的热失控H2浓度(C)估算模型,建模集与验证集的拟合度分别为0.81和0.73、均方根误差分别为16.23和18.37、相对分析误差分别为2.33和1.86。图6为本实施例给出的基于反向传播神经网络(BPNN)的热失控逃逸气体速率(G)估算模型,建模集与验证集的拟合度分别为0.8和0.83、均方根误差分别为0.03和0.03、相对分析误差分别为2.281和2.67。
本实施例提供了一种热失控预测模型确定方法,该方法包括:对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;获取所述化学计量模型对指定燃料电池在热失控过程中所产生的气体组分输出的热失控特征参数,得到估算值集合;根据所述指定燃料电池在热失控过程中所产生的气体组分实测值确定对应的热失控特征参数,得到实测值集合;比较所述估算值集合和所述实测值的评价指标;在所述评价指标满足条件的情况下,确定所述化学计量模型为热失控预测模型,实现了对燃料电池热失控的准确预测。
实施例三
图7为本公开实施例三提供的一种热失控预测模型确定装置的结构示意图。如图8所示,该装置包括:分析数据获取模块310、模型构建模块320、模型确定模块330。
其中,分析数据获取模块310,用于对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;
模型构建模块320,用于根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;
模型确定模块330,用于根据所述化学计量模型确定热失控预测模型。
本公开实施例三提供了一种热失控预测模型确定装置,实现了对燃料电池热失控的准确预测。
进一步的,所述装置还包括:
校对装置,用于根据传感器对所述气体组分的检测结果,对所述样本燃料电池在热失控过程中的产气量进行校对。
进一步的,所述装置还包括:
滤波模块,用于对所述分析数据进行卡尔曼滤波。
进一步的,模型构建模块320,可以包括:
对于每种气体组分,根据所述分析数据基于最佳指数因子筛选光谱波段和指数的组合作为自变量;
将所述自变量作为输入数据,将相应热失控特征参数作为输出数据,采用所述输入数据和所述输出数据组成的数据训练反向传播神经网络,得到相应的化学计量模型。
进一步的,模型确定模块330,可以包括:
获取所述化学计量模型对指定燃料电池在热失控过程中所产生的气体组分输出的热失控特征参数,得到估算值集合;
根据所述指定燃料电池在热失控过程中所产生的气体组分实测值确定对应的热失控特征参数,得到实测值集合;
比较所述估算值集合和所述实测值的评价指标;
在所述评价指标满足条件的情况下,确定所述化学计量模型为热失控预测模型。
进一步的,所述评价指标包括拟合度、均方根误差和相对分析误差。
进一步的,所述评价指标满足条件,包括:
所述拟合度与1的差值在第一设定范围内;
所述均方根误差与0的差值在第二设定范围内;
所述相对分析误差超过设定阈值。
进一步的,所述热失控特征参数包括产气速率、气体浓度以及逸气速率。
本公开实施例所提供的热失控预测模型确定装置可执行本公开实施例任意实施例所提供的热失控预测模型确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图8示出了可以用来实施本公开实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开实施例的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微处理器等。处理器11执行上文所描述的各个方法和处理,例如热失控预测模型确定方法。
在一些实施例中,热失控预测模型确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的热失控预测模型确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行热失控预测模型确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开实施例的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开实施例的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开实施例中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开实施例的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开实施例保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开实施例的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开实施例保护范围之内。
Claims (11)
1.一种热失控预测模型确定方法,其特征在于,包括:
对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;
根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;
根据所述化学计量模型确定热失控预测模型。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据传感器对所述气体组分的检测结果,对所述样本燃料电池在热失控过程中的产气量进行校对。
3.根据权利要求1所述的方法,其特征在于,在根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型之前,还包括:
对所述分析数据进行卡尔曼滤波。
4.根据权利要求1所述的方法,其特征在于,根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型,包括:
对于每种气体组分,根据所述分析数据基于最佳指数因子筛选光谱波段和指数的组合作为自变量;
将所述自变量作为输入数据,将相应热失控特征参数作为输出数据,采用所述输入数据和所述输出数据组成的数据训练反向传播神经网络,得到相应的化学计量模型。
5.根据权利要求1所述的方法,其特征在于,根据所述化学计量模型确定热失控预测模型,包括:
获取所述化学计量模型对指定燃料电池在热失控过程中所产生的气体组分输出的热失控特征参数,得到估算值集合;
根据所述指定燃料电池在热失控过程中所产生的气体组分实测值确定对应的热失控特征参数,得到实测值集合;
比较所述估算值集合和所述实测值的评价指标;
在所述评价指标满足条件的情况下,确定所述化学计量模型为热失控预测模型。
6.根据权利要求5所述的方法,其特征在于,包括:
所述评价指标包括拟合度、均方根误差和相对分析误差。
7.根据权利要求5所述的方法,其特征在于,所述评价指标满足条件,包括:
所述拟合度与1的差值在第一设定范围内;
所述均方根误差与0的差值在第二设定范围内;
所述相对分析误差超过设定阈值。
8.根据权利要求1所述的方法,其特征在于,所述热失控特征参数包括产气速率、气体浓度以及逸气速率。
9.一种热失控预测模型确定装置,其特征在于,包括:
分析数据获取模块,用于对样本燃料电池在热失控过程中所产生的气体组分进行光谱气体分析,得到分析数据,所述分析数据包括每种气体组分的热失控特征参数;
模型构建模块,用于根据所述分析数据,采用反向传播神经网络构建用于描述每种气体组分与热失控特征参数之间关系的化学计量模型;
模型确定模块,用于根据所述化学计量模型确定热失控预测模型。
10.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-8中任一所述的热失控预测模型确定方法。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的热失控预测模型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311867219.7A CN117890791A (zh) | 2023-12-29 | 2023-12-29 | 热失控预测模型确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311867219.7A CN117890791A (zh) | 2023-12-29 | 2023-12-29 | 热失控预测模型确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117890791A true CN117890791A (zh) | 2024-04-16 |
Family
ID=90639095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311867219.7A Pending CN117890791A (zh) | 2023-12-29 | 2023-12-29 | 热失控预测模型确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117890791A (zh) |
-
2023
- 2023-12-29 CN CN202311867219.7A patent/CN117890791A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327191B (zh) | 一种基于几何特征融合决策的电池跳水概率评估方法 | |
CN108921688A (zh) | 构建预测模型的方法及装置 | |
CN108240961A (zh) | 涂层体系沿海环境适应性评估方法 | |
Mauša et al. | Multivariate logistic regression prediction of fault-proneness in software modules | |
Wu et al. | Remaining useful life estimation based on a nonlinear Wiener process model with CSN random effects | |
Zhao et al. | Design loads and reliability assessment of marine structures considering statistical models of metocean data | |
CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
KR20050080818A (ko) | 가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분농도 예측 방법 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN117890791A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 | |
Dominguez et al. | A new approach of confidence in POD determination using simulation | |
CN117805626A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 | |
Song et al. | Prediction of failure in time (FIT) of electrical connectors with short term tests | |
CN115906624A (zh) | 危化品气体光谱生成方法、终端设备及存储介质 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
Zheng et al. | Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process | |
CN117810488A (zh) | 一种热失控预警方法、装置、上位机及系统 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
CN117761559A (zh) | 燃料电池热失控预测模型的构建方法、装置、设备及介质 | |
Beasley et al. | Lightweight anomaly detection framework for IoT | |
Li et al. | Accelerated degradation testing for lifetime analysis considering random effects and the influence of stress and measurement errors | |
Chen et al. | Uncertain random accelerated degradation modelling and statistical analysis with aleatory and epistemic uncertainties from multiple dimensions | |
CN116845287A (zh) | 一种燃料电池的测试数据预测方法、装置、设备及介质 | |
CN116684063A (zh) | 一种检测方法、装置、设备及存储介质 | |
CN116843190A (zh) | 组部件南海海洋大气环境-工况耦合环境损伤评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |