氢燃料电池发动机系统特性曲线的分布式机器训练方法技术方案

本发明专利技术涉及种氢燃料电池发动机系统特性曲线的分布式机器训练方法，包括以下步骤：步骤1：每个工作节k从各自从服务器下载最新的神经网络模型；步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据；步骤3：将本地持有的数据集划分为多个大小为m的批量样本；步骤4：对于每个参数w

【技术实现步骤摘要】
氢燃料电池发动机系统特性曲线的分布式机器训练方法


[0001]本专利技术属于燃料电池领域，涉及一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，尤其涉及一种实现数据保护的氢燃料电池发动机系统特性曲线分布式机器训练方法。

技术介绍

[0002]氢燃料电池系统由于涉及到包括电化学、物理学、热力学在内的复杂水热电变化过程，传统机理和经验模型往往不足以准确表征，需要对多个特性曲线进行数据拟合，其包含但不限于包括电压电密曲线，电压压力温度流量湿度曲线等。这就使得以数据驱动为基础的机器训练方法越发重要。
[0003]近年来，氢燃料电池车在政府的有序引导下逐渐增多，但仍远远少于传统燃油车和锂电池车。有限的燃料电池车分散于全国各地，分属于多家系统、整车企业，使得各家企业所能获得的数据量和数据的丰富度少之又少。一方面，各家有限的燃料电池车往往局限在有限的几个区域运行，另一方面，运行过程中产生的数据往往被企业认为是核心机密而无法共享，因此，目前行业几乎无法找到公开的、足量的且覆盖多工况的充足氢燃料电池发动机系统运行数据。这严重阻碍了氢燃料电池行业的健康快速发展。
[0004]面对上述情况，传统的集中式机器训练方法显得并不合适。一方面，如将所有正在运行的燃料电池车数据汇总后集中训练，则与各个企业对信息保护的初衷相悖，且对数据传输的通信压力以及远程数据中心的数据存储和数据处理的要求也很高，从而带来额外的建设费用。另一方面，各家独自训练则会由于数据的丰富度不足而无法覆盖其他特定工况，从而无法满足长途运输下的跨区域与多工况的需求。

技术实现思路

[0005]为解决上述技术问题，本专利技术的目的是提供一种氢燃料电池发动机系统特性曲线的分布式机器训练方法。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，包括以下步骤：
[0008]步骤1：每个工作节k从各自从服务器下载最新的神经网络模型f(x；w)，其中w＝{w1，...，w
i
，...，w
n
}为神经网络的参数；
[0009]步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据，每个时刻下的数据特征记为x，对应的数据标签记为y，将这些数据加入到本地数据集中；
[0010]步骤3：将本地持有的数据集划分为多个大小为m的批量样本；
[0011]每个批量样本记为对于每个数据特征x
(i)
，通过神经网络前向传播计算出电压的预测值f(x
(i)
；w)，基于实际电压{y
(1)
，...，y
(i)
，...，y
(m)
}，计算出均方差损失函数为
[0012]步骤4：对于每个参数w
i
，对损失函数J(w)求w
i
的偏导，得出当前的负梯度即求出w
i
对于损失函数下降方向的导数；
[0013]步骤5：通过超参数学习率α控制梯度下降的步长，对于每个模型参数w
i
，更新为
[0014]步骤6：每个参与方k重复步骤3
‑
5，直到达到设定迭代次数或者所有的w
i
梯度下降的距离都小于设定阈值ε，则算法终止；接着极小化损失函数，得到较优的模型参数，得到的神经网络参数记为w
k
；
[0015]步骤7：每个参与方k发送本地训练后的参数w
k
给服务器端，服务器端执行参数平均作为结果其中
[0016]步骤8：重复步骤1
‑
7，直到循环次数达到设定阈值T，得到最终的神经网络参数w。
[0017]优选地，所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，所述步骤2中的数据特征包括但不限于电流密度、空气压力、温度、流量、湿度。
[0018]优选地，所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，所述步骤2中的数据标签为预测量。
[0019]优选地，所述的一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，所述步骤6中的损失函数得到较优的模型参数中最优为全局/局部最优。
[0020]借由上述方案，本专利技术至少具有以下优点：
[0021]本专利技术可以在训练过程中，数据始终在个体设备内部被处理，不被分发和接收，与服务器端的交互仅为未知的参数，从而在实现数据隐私保护的前提下利用有限和分散的数据进行特性曲线的训练。降低了通信压力和服务器的数据存储处理压力，对用户友好，且降低了车联网的设备成本。
[0022]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0024]图1是本专利技术的流程示意图；
[0025]图2是本专利技术的基于工作节点数据集绘制的燃料电池I
‑
V曲线图；
[0026]图3是本专利技术服务器端与各工作节点所持有模型的R
2 Score随迭代次数的变化曲线图；
[0027]图4是本专利技术最终收敛的模型在某驱动循环源下的电压预测结果曲线图。
具体实施方式
[0028]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0029]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0030]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0031]在本申请的描述中，需要说明的是，术语“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0032]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，其特征在于，包括以下步骤：步骤1：每个工作节k从各自从服务器下载最新的神经网络模型f(x；w)，其中w＝{w1，...，w
i
，...，w
n
}为神经网络的参数；步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据，每个时刻下的数据特征记为x，对应的数据标签记为y，将这些数据加入到本地数据集中；步骤3：将本地持有的数据集划分为多个大小为m的批量样本；每个批量样本记为对于每个数据特征x
(i)
，通过神经网络前向传播计算出电压的预测值f(x
(i)
；w)，基于实际电压{y
(1)
，...，y
(i)
，...，y
(m)
}，计算出均方差损失函数为步骤4：对于每个参数w
i
，对损失函数J(w)求w
i
的偏导，得出当前的负梯度即求出w
i
对于损失函数下降方向的导数；步骤5：通过超参数学习率...

【专利技术属性】
技术研发人员：董震，梁延昌，周洪雷，董清华，郭晓宇，
申请(专利权)人：苏州溯驭技术有限公司，
类型：发明
国别省市：