基于BP神经网络的燃料电池故障诊断方法技术

一种基于BP神经网络的燃料电池故障诊断方法，首先对传感器采集的数据进行归一化处理，使其分布在[0,1]区间内；考虑到故障数据并不一定服从正态分布，引入Box

【技术实现步骤摘要】
基于BP神经网络的燃料电池故障诊断方法


[0001]本专利技术涉及一种燃料电池故障诊断方法。

技术介绍

[0002]燃料电池作为一种以氢气为原料的新型清洁能源，在包括交通、储能等多个领域已经开展大规模的应用。然而其存在寿命短以及可靠性差等问题，限制了其大规模产业化发展。在燃料电池运行过程中，水淹和膜干是经常发生的故障，水淹是指电堆内部的液态水不断积累，进而阻塞气体扩散层、催化剂层甚至气体流道，从而影响了电堆里电化学反应的顺利进行的现象；膜干是指电堆里面液态水不足，致使膜电极水合作用受阻，电导率下降以及膜的阻抗上升的现象，膜干故障严重时，也会引起电堆局部出现高温，进而缩短燃料电池的运行寿命。同时一旦发生这些故障，轻则使自动化系统或者装有燃料电池的车辆性能下降，重则会导致不可挽回的后果。
[0003]针对燃料电池的故障诊断问题，当前主流的方法包括基于模型和非模型两大类别。基于模型的故障诊断方法需根据燃料电池系统的物理过程建立对应模型，通过模型仿真结果与实际系统输出间的残差分析，实现故障诊断与分离。基于非模型的故障诊断方法指在专家系统、信号处理或二者混合方法以及运用可视化技术的基础上以获取燃料电池系统的故障信息。相较于基于模型的故障诊断方法，该方法无需建立燃料电池系统模型且故障诊断与分离这一过程由专家系统模拟人类推理活动代替，不过需预定义故障类型。非模型故障诊断方法随着人工智能的快速发展后来居上，目前已被广泛应用于工程中的故障诊断领域。该方法实时性和在线性的优点促进其逐渐发展成燃料电池系统故障诊断的主要方法之一。<br/>
技术实现思路

[0004]本专利技术针对现有技术关于燃料电池故障诊断研究中的不足，提出一种基于BP神经网络的燃料电池故障诊断方法。本专利技术针对燃料电池故障数据维度高、结构复杂的特点，对从传感器中获取的燃料电池故障数据进行归一化处理，使得结果映射到[0,1]之间；引入Box
‑
Cox变换对数据进行正态化处理，获得易于线性判别分析处理的正态分布数据；对正态化数据进行特征提取，将高纬度的数据投影到低维度上，并保证投影后类内方差最小，类间方差最大；将经过提取后的特征向量作为BP神经网络的输入层变量，燃料电池的故障类型作为输出层变量，引入“试探法”确定隐含层的最佳节点数，得到以故障类型为输出变量的诊断结果，步骤如下：
[0005]1、分析燃料电池的故障数据信息和故障类型，对从传感器中获取的燃料电池故障数据进行归一化处理；
[0006]2、引入Box
‑
Cox方法对归一化后的数据进行正态转换，使转换后的数据服从正态分布；
[0007]3、采用线性判别分析方法，对正态化数据进行降维处理，获得新的特征向量；
[0008]4、特征向量作为神经网络输入层的输入变量，燃料电池的故障类型作为输出层的输出变量；
[0009]5、引入“试探法”，确定隐含层的最佳节点数，构建BP神经网络；
[0010]6、训练BP神经网络，得到以故障类型为输出变量的诊断结果。
[0011]所述步骤1中，燃料电池故障数据信息包括但不局限于：电压、电流、功率、阴阳两极入口流速、阴阳两极入口压力、阴阳两极出口压力、阴阳两极入口温度、电堆出口温度、加热器温度和功率等。
[0012]故障类型主要包括水淹、膜干等水管理故障。
[0013]给定维度为n的原始样本集{x1,x2,x3,...,x
n
}，数据的离差标准化，是对原始数据的线性变换，使得结果映射到0
‑
1之间，其变换原理如下：
[0014][0015]其中，x
max
表示原始样本集中数据的最大值，x
min
表示原始样本集中数据的最小值，x
i
表示第i个维度的样本值，i表示维度为n的原始样本集下的某一个样本的序号，取值范围为[1,n]，x表示经过离差标准化处理之后的数据。
[0016]所述步骤2中，考虑到燃料电池的故障数据并不一定符合正态分布，为了将数据转换为适合线性判别分析处理的正态分布数据，引入BOX
‑
COX方法对归一化后的数据进行正态分布转换。
[0017]Box
‑
Cox变换的一般形式为：
[0018][0019]式中，y(λ)为经过Box
‑
Cox变换后的新变量，y为原始连续因变量，λ为变换参数。以上变换要求原始变量y取值为正，若原始变量y的取值为负时，可先对所有原始数据同加一个常数a使其(y+a)为正值，然后再进行以上的变换。
[0020]Box
‑
Cox变换中的参数λ通常可由极大似然估计给出，构造关于参数β,σ2的似然函数并进行最大似然估计，得到似然函数的最大值为：
[0021][0022]式中，L
max
(λ)与L表示参数λ的极大似然函数，β,σ2分别表示正态分布的均值和方差，MSE(λ)表示模型均方误差，J为变换的雅克比行列式，n为向量y的维度，β,σ2分别表示正态分布的均值和方差。
[0023]所述步骤3中，线性判别分析(LDA)是一种有监督的数据降维技术，它可以将高纬度的数据投影到低维度上，并保证投影后类内方差最小，类间方差最大。
[0024]给定服从正态分布的数据样本矩阵X＝[x1,x2,x3,...,x
m
]∈R
n
×
m
，其中n和m分别表示数据样本矩阵的维度和个数，R
n
×
m
表示维度为n
×
m的矩阵，R
n
×
d
表示维度为n
×
d的矩阵，R
d
表示维度为d的数据样本，线性判别分析(LDA)的目标是训练一个n
×
d维的线性变换矩阵W∈R
n
×
d
，将高维数据x∈R
n
映射到低维数据y∈R
d
：
[0025]y＝W
T
x
[0026]式y＝W
T
x中，x被归为X＝[π1,π2,...,π
c
]；其中c表示类别的数量；π
i
为类别i的数据集，维度为n
×
n
i
；n
i
表示类别i中数据样本的数量。
[0027]通过求解下式得到最优线性变换矩阵：
[0028]minTr[(W
T
S
t
W)
‑1(W
T
S
w
W)][0029]其中，W表示线性变换矩阵，W
T
表示线性变化矩阵的转置，Tr表示矩阵的轨迹，minTr表示矩阵轨迹的最小值，S
w
表示类内散射矩阵，S
t
表示全类散射矩阵，计算方式如下：
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的燃料电池故障诊断方法，其特征在于，所述的方法将从燃料电池系统传感器中获取的故障数据进行归一化处理后，采用改进的线性判别分析法进行特征提取，进而利用神经网络进行故障诊断，步骤如下：步骤1：分析燃料电池的故障数据信息和故障类型，对从传感器中获取的燃料电池故障数据进行归一化处理；步骤2：引入Box
‑
Cox方法对归一化后的数据进行正态转换，使转换后的数据服从正态分布；步骤3：采用线性判别分析方法，对正态化数据进行降维处理，获得新的特征向量；步骤4：特征向量作为神经网络输入层的输入变量，燃料电池的故障类型作为输出层的输出变量；步骤5：引入“试探法”，确定隐含层的最佳节点数，构建BP神经网络；步骤6：训练BP神经网络，得到以故障类型为输出变量的诊断结果。2.根据权利要求1所述的基于BP神经网络的燃料电池故障诊断方法，其特征在于所述的步骤1中，对从传感器中获取的燃料电池故障数据进行归一化处理方法如下：给定维度为n的原始样本集{x1,x2,x3,...,x
n
}，数据的离差标准化，是对原始数据的线性变换，使得结果映射到0
‑
1之间，其变换原理如下：其中，x
max
表示原始样本集中数据的最大值，x
min
表示原始样本集中数据的最小值，x
i
表示第i个维度的样本值，x表示经过离差标准化处理之后的数据。3.根据权利要求1所述的基于BP神经网络的燃料电池故障诊断方法，其特征在于所述的步骤2中，所述归一化数据正态转换方法如下：引入BOX
‑
COX方法对归一化后的数据进行正态分布转换；Box
‑
Cox变换的一般形式为：式中，y(λ)为经过Box
‑
Cox变换后的新变量，y为原始连续因变量，λ为变换参数；以上变换要求原始变量y取值为正，若原始变量y的取值为负时，先对所有原始数据同加一个常数a使其(y+a)为正值，然后再进行以上的变换；Box
‑
Cox变换中的参数λ通常可由极大似然估计给出，构造关于参数β,σ2的似然函数并进行最大似然估计，得到似然函数的最大值为：式中，L
max
(λ)与L表示参数λ的极大似然函数，β,σ2分别表示正态分布的均值和方差，MSE(λ)表示模型均方误差，J为变换的雅克比行列式，n为向量y的维度。4.根据权利要求1所述的基于BP神经网络的燃料电池故障诊断方法，其特征在于所述步骤3中，故障数据特征提取的方法如下：给定服从正态分布的数据样本矩阵X＝[x1,x2,x3,...,x
m
]∈R
n
×
m
，其中n和m分别表示数
据样本矩阵的维度和个数，训练一个n
×
d维的线性变换矩阵W∈R
n
×
d
，将高维数据x∈R
n
...

【专利技术属性】
技术研发人员：李宁，郭泽林，袁铁江，杨金成，张伟，王永超，杨永建，白银平，王海磊，谢珍，于静，王丽娟，费守河，李航，黄琰，
申请(专利权)人：国网新疆电力有限公司电力科学研究院大连理工大学，
类型：发明
国别省市：