一种基于神经网络的氢燃料电池状态诊断方法及系统技术方案

本发明专利技术公开了一种基于神经网络的氢燃料电池状态诊断方法及系统，方法步骤包括：采集氢燃料电池的运行参数；将所述运行参数进行数据处理，得到诊断数据样本集；将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。本发明专利技术通过将氢燃料电池的实时运行参数和额定运行参数分别输入构建的神经网络模型中进行训练，根据神经网络模型的输出结果对氢燃料电池进行状态实时诊断，实现了监测氢燃料电池运行状态的功能，维修人员可根据诊断结果及时进行抢修维护，有效降低了氢燃料电池的故障发生率和损坏程度。和损坏程度。和损坏程度。

【技术实现步骤摘要】
一种基于神经网络的氢燃料电池状态诊断方法及系统


[0001]本专利技术涉及电池状态监测
，具体涉及一种基于神经网络的氢燃料电池状态诊断方法及系统。

技术介绍

[0002]氢燃料电池是将氢气和氧气的化学能直接转换成电能的发电装置，其基本原理是电解水的逆反应，把氢和氧分别供给阳极和阴极，氢通过阳极向外扩散和电解质发生反应后，放出电子通过外部的负载到达阴极。
[0003]在氢燃料电池长期使用过程中，需要监测的参数有很多，如氢气流量、温度、湿度、放电电压以及输出电流等，电池的各项参数均对运行状态和电池性能有重要影响，若发生氢气泄露或者性能下降会导致氢燃料电池发电量减少，甚至造成一定的安全隐患，因此需要一种能够有效监测并诊断氢燃料电池状态的方法。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术提供一种基于神经网络的氢燃料电池状态诊断方法及系统。
[0005]第一方面，一种基于神经网络的氢燃料电池状态诊断方法，步骤包括：
[0006]采集氢燃料电池的运行参数；
[0007]将所述运行参数进行数据处理，得到诊断数据样本集；
[0008]将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。
[0009]进一步地，所述采集氢燃料电池的运行参数，具体为：
[0010]采集氢燃料电池的额定运行参数；
[0011]采集氢燃料电池在放电过程中的实时运行参数。
[0012]进一步地，所述将所述运行参数进行数据处理，得到诊断数据样本集，具体为：
[0013]对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；
[0014]对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；
[0015]根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。
[0016]进一步地，在采集氢燃料电池的运行参数之前，还包括构建神经网络模型，所述神经网络模型由输入层、隐含层以及输出层构成，所述输入层、隐含层以及输出层之间的节点通过连接权重矩阵相连接，所述隐含层采用logsig激活函数，所述输出层采用purelin激活函数。
[0017]进一步地，所述将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果，具体为：
[0018]输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样
本集；
[0019]隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；
[0020]采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用K
‑
means算法进行聚类，得到聚类测试样本；
[0021]将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；
[0022]输出层输出氢燃料电池状态诊断结果。
[0023]进一步地，所述隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型，具体为：
[0024]隐含层将所述第一诊断数据样本集作为初始训练样本，对神经网络模型进行初始化训练，得到神经网络模型的输出权重；
[0025]隐含层将所述诊断数据训练样本集作为进阶训练样本，对神经网络模型进行进阶训练，更新神经网络模型的输出权重，并得到训练后的神经网络模型。
[0026]第二方面，一种基于神经网络的氢燃料电池状态诊断系统，包括：
[0027]数据采集模块：用于采集氢燃料电池的运行参数；
[0028]数据处理模块：用于将所述运行参数进行数据处理，得到诊断数据样本集；
[0029]状态诊断模块：用于将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。
[0030]进一步地，所述数据采集模块具体用于：
[0031]采集氢燃料电池的额定运行参数；
[0032]采集氢燃料电池在放电过程中的实时运行参数。
[0033]进一步地，所述数据处理模块具体用于：
[0034]对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；
[0035]对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；
[0036]根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。
[0037]进一步地，所述神经网络模型由输入层、隐含层以及输出层构成，所述状态诊断模块具体用于：
[0038]输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样本集；
[0039]隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；
[0040]采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用K
‑
means算法进行聚类，得到聚类测试样本；
[0041]将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；
[0042]输出层输出氢燃料电池状态诊断结果。
[0043]本专利技术的有益效果体现在：通过将氢燃料电池的实时运行参数和额定运行参数分
别输入构建的神经网络模型中进行训练，根据神经网络模型的输出结果对氢燃料电池进行状态实时诊断，实现了监测氢燃料电池运行状态的功能，维修人员可根据诊断结果及时进行抢修维护，有效降低了氢燃料电池的故障发生率和故障发生时的损坏程度。
附图说明
[0044]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0045]图1为本专利技术实施例提供的一种氢燃料电池状态监测方法的流程图；
[0046]图2为本专利技术实施例提供的一种氢燃料电池状态监测系统的模块框图。
具体实施方式
[0047]下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。
[0048]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0049]如图1所示，一种基于神经网络的氢燃料电池状态诊断方法，步骤包括：
[0050]S1：采集氢燃料电池的运行参数；
[0051]具体地，为对氢燃料电池的状态进行监测，需要在氢燃料电池上设多种传感器，以采集运行数据，传感器包括电压传感器、电流传感器、浓度传感器以及压力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的氢燃料电池状态诊断方法，其特征在于，步骤包括：采集氢燃料电池的运行参数；将所述运行参数进行数据处理，得到诊断数据样本集；将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。2.根据权利要求1所述的一种基于神经网络的氢燃料电池状态诊断方法，其特征在于，所述采集氢燃料电池的运行参数，具体为：采集氢燃料电池的额定运行参数；采集氢燃料电池在放电过程中的实时运行参数。3.根据权利要求2所述的一种基于神经网络的氢燃料电池状态诊断方法，其特征在于，所述将所述运行参数进行数据处理，得到诊断数据样本集，具体为：对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。4.根据权利要求1所述的一种基于神经网络的氢燃料电池状态诊断方法，其特征在于，在采集氢燃料电池的运行参数之前，还包括构建神经网络模型，所述神经网络模型由输入层、隐含层以及输出层构成，所述输入层、隐含层以及输出层之间的节点通过连接权重矩阵相连接，所述隐含层采用logsig激活函数，所述输出层采用purelin激活函数。5.根据权利要求4所述的一种基于神经网络的氢燃料电池状态诊断方法，其特征在于，所述将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果，具体为：输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样本集；隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用K
‑
means算法进行聚类，得到聚类测试样本；将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；输出层输出氢燃料电池状态诊断结果。6.根据权利要求5所述的一种基于神经网络的氢燃料电池...

【专利技术属性】
技术研发人员：徐黎明，左涛，尹明光，孙云峰，高重，
申请(专利权)人：爱德曼淄博氢能科技有限公司，
类型：发明
国别省市：