一种燃料电池水管理子系统故障检测装置及方法制造方法及图纸

本发明专利技术公开了一种燃料电池水管理子系统故障检测方法，基于局部保留投影与学习向量量化神经网络，氢燃料电池水管理子系统故障诊断非常庞杂，膜干燥故障与水淹故障都能引起氢燃料电池电堆电压下降，而且下降的趋势非常相似，水淹故障与膜干燥故障都能对氢燃料电池的内部部件和外部输出性能产生不必要的损伤，但是可以从材料属性、内部机理催化和外部操作控制等层面明显减小氢燃料电池膜干故障和水淹故障出现的概率，准确快速地检测氢燃料电池水管理子系统故障就显得尤为重要，基于人工智能算法的氢燃料电池故障诊断方法具有操作简单、拓展性强和无需专业知识的优点，可用于氢燃料电池系统的故障诊断。

【技术实现步骤摘要】
一种燃料电池水管理子系统故障检测装置及方法
本专利技术涉及一种燃料电池水管理子系统故障检测技术的
，具体涉及一种氢燃料电池水管理子系统故障检测装置及方法。
技术介绍
氢燃料电池是目前世界上最具发展前途的发电装置之一。因为氢燃料电池发电装置拥有功率密度高、发电效率高、无排放污染、负载响应快与工作温度低的优势，氢燃料电池汽车与大巴车已经在部分示范性工程中得到实际运用。然而，氢燃料电池的故障率高与维护成本贵的难题是制约其大规模推广应用的关键。为了提高氢燃料电池的可靠性和安全性，主要从材料与控制共两个方面进行提升改造。从材料方面进行改造存在成本高昂等缺陷，因此从控制方面提升氢燃料电池的可靠性得到更多科研工作者的关注。主要分为基于模型的氢燃料电池故障诊断方法与基于人工智能算法的氢燃料电池故障诊断方法两种模式。由于氢燃料电池发电系统是一种多维多尺度非线性动态的复杂系统，因此建立准确的氢燃料电池故障诊断模型是非常困难的。目前，还没有统一的氢燃料电池模型出现。因此，基于模型的氢燃料电池故障诊断方法存在建模困难、可移植性差的缺点。基于人工智能算法的本文档来自技高网...

【技术保护点】
1.一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络，其特征在于，包括以下步骤：/nS1：采集实验得来的水淹故障实验数据和膜干故障实验数据作为训练数据样本；/nS2：将所述训练数据样本发送至处理器中进行归一化预处理，得到训练数据样本对应的特征参量；其中，所述特征参量的范围在[0,1]内；/nS3：对所述特征参量进行局部保留投影计算，得到局部保留投影计算的结果；/nS4：对所述局部保留投影计算的结果进行降维与维数缩减处理，得到固有维数；/nS5：对所述固有维数进行相关性强提取，得出相关性强的特征变量；/nS6：随机初始学习向量量化神经网络中输入层、竞争层和输出层的权重...

【技术特征摘要】
1.一种燃料电池水管理子系统故障检测方法,基于局部保留投影与学习向量量化神经网络，其特征在于，包括以下步骤：
S1：采集实验得来的水淹故障实验数据和膜干故障实验数据作为训练数据样本；
S2：将所述训练数据样本发送至处理器中进行归一化预处理，得到训练数据样本对应的特征参量；其中，所述特征参量的范围在[0,1]内；
S3：对所述特征参量进行局部保留投影计算，得到局部保留投影计算的结果；
S4：对所述局部保留投影计算的结果进行降维与维数缩减处理，得到固有维数；
S5：对所述固有维数进行相关性强提取，得出相关性强的特征变量；
S6：随机初始学习向量量化神经网络中输入层、竞争层和输出层的权重值；得到相关性强的特征变量，将相关性强的特征变量作为输入层的输入向量；
S7：通过计算输入向量数据与竞争层预设的每个神经元数据的欧几里得距离，得到至少一组学习向量量化神经网络输出数据；
S8：对至少一组学习向量量化神经网络输出数据进行从小到大的排序，提取神经网络输出数据的最小值，得到神经网络输出的权重值；
S9：对神经网络输出的权重值与标准的预设训练数据相比较后，反复迭代修正输入层、竞争层和输出层的权重值，直到误差达到极小值，记录此时输入层、竞争层和输出层的权重值，取得最终的权重值矩阵；
S10：将述权重值矩阵更新至输入层、竞争层和输出层之中，得到更新之后的学习向量量化神经网络；
S11：将测试数据输入到更新之后的学习向量量化神经网络中，得到输出诊断结果。


2.根据权利要求1所述的一种燃料电池水管理子系统故障检...

【专利技术属性】
技术研发人员：刘嘉蔚，唐权，李婷，王云玲，刘方，苏韵掣，朱觅，雷云凯，李奥，苟竞，刘莹，杨新婷，张琳，陈玮，刘阳，
申请(专利权)人：国网四川省电力公司经济技术研究院，
类型：发明
国别省市：四川;51