应用机器学习和数据回归的燃料电池堆组装力分布分析方法技术

本发明专利技术公开了一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，包括如下步骤：获取该压力纸的极限压强信息；构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，对图像进行背景色过滤：根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。

Analysis method of assembly force distribution of fuel cell stack based on machine learning and data regression

【技术实现步骤摘要】
应用机器学习和数据回归的燃料电池堆组装力分布分析方法
本专利技术涉及燃料电池堆
，尤其涉及一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法。
技术介绍
燃料电池堆组装压力分布对产品的质量性能及其重要。到目前为止，为获取燃料电池堆的内部受力信息，通过在电池内安装大量传感器得到精准数据的方式很难实现，在现阶段能够进入电池堆的内部的只有压力纸，这是我们能够获得的唯一的有关堆的内部受力的信息。正如我们看见的，能够获取的信息只有不同的颜色及深浅，一个很自然的想法是建立颜色和受力的映射关系，进而达到根据图像信息获得更深层的压力分布。实现这一目标有两个方式：1.通过大量实验，在施加不同力的情况下，得到不同的色值，记录力的数值和颜色数值，构建一个精密的“比色卡”，当给出一个图像时，通过颜色匹配的方式便能获取该图像的受力分布情况；2.由于我们面对的是一个数字图像，另一个想法是在知道压力总和的情况下，根据图像中每个像素对应的数值，可以得出它们之间的比例关系，这样同样可以获得极板的压力分布。到目前为止，根据路径2所提出的解决方案主要存在两个问题本文档来自技高网...

【技术保护点】
1.一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，其特征在于包括：/n获取该压力纸的极限压强信息；/n构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w

【技术特征摘要】
1.一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，其特征在于包括：
获取该压力纸的极限压强信息；
构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w1,w2,w3；
获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，将该三维矩阵变形为二维矩阵后初始化定义为争议类数据集，该争议类为初始化的数据集合，同时初始化两类辅助向量即一个类别编号向量和三个行号向量；
对图像进行背景色过滤：采用三叉树循环结构算法在每个循环中通过机器学习方式对争议类执行机器学习三分类处理形成新的争议类、删除类和保留类，对删除类白化处理、用新争议类更新原争议类重复上述操作，直至干扰色被全部过滤获得清洗后图像；
根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；
计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。


2.根据权利要求1所述的方法，所述对图像进行背景色过滤具体方式为：
初始化争议类数据集、一个类别编号向量和三个行号向量；
调用无监督学习算法对争议数据集进行三分类处理，输出并更新类别编号向量以及删除类、保留类、争议类对应的行号向量...

【专利技术属性】
技术研发人员：张家骏，张宝，苏小明，孙昕，沈鸿娟，
申请(专利权)人：新源动力股份有限公司，
类型：发明
国别省市：辽宁;21