车用氢系统泄漏诊断方法、系统、电子设备及存储介质技术方案

本发明专利技术公开一种车用氢系统泄漏诊断方法、系统、电子设备及存储介质，涉及氢气泄漏领域，方法包括获取燃料电池汽车氢瓶内的实际气体压力数据；对所述实际气体压力数据分别进行格拉姆角场转换和马尔可夫转移场转换，得到静态特征信息和动态特征信息；根据所述静态特征信息利用静态特征LeNet神经网络进行识别，得到静态特征LeNet神经网络概率输出；根据所述动态特征信息利用动态特征LeNet神经网络进行识别，得到动态特征LeNet神经网络概率输出；根据所述静态特征LeNet神经网络概率输出和所述动态特征LeNet神经网络概率输出利用D

【技术实现步骤摘要】
车用氢系统泄漏诊断方法、系统、电子设备及存储介质


[0001]本专利技术涉及氢气泄漏领域，特别是涉及一种车用氢系统泄漏诊断方法、系统、电子设备及存储介质。

技术介绍

[0002]氢燃料电池汽车是指以氢气为能量源，经燃料电池将氢气化学能转化为电能并通过电机产生动能的汽车。
[0003]然而，氢是易燃的。一旦氢气泄漏，特别是当燃料电池汽车因碰撞或其他物体撞击而发生大流量氢气泄漏时，泄漏点附近的氢气浓度将迅速增加，可能导致燃烧、爆炸或其他危险情况。燃料电池汽车中氢罐及其相邻管道内的氢压力可达70 MPa，容易发生氢泄漏，即使是一个小的泄漏孔也可能导致大流量氢泄漏。尽管燃料电池汽车在生产过程中会进行严格的碰撞试验，但氢气供应系统所用密封件的性能可能会因长期使用过程中的老化或损坏而降低，从而导致交通事故中出现大流量的氢泄漏。更严重的是，一些研究表明，即使没有点火源，高压区释放的氢也可能被点燃。因此，高压氢泄漏诊断的研究对燃料电池汽车的安全运行具有重要意义。
[0004]目前，燃料电池汽车中的氢泄漏大多数采用传感器测量空气中的氢气浓度来诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车用氢系统泄漏诊断方法，其特征在于，包括：获取燃料电池汽车氢瓶内的实际气体压力数据；对所述实际气体压力数据分别进行格拉姆角场转换和马尔可夫转移场转换，得到静态特征信息和动态特征信息；根据所述静态特征信息利用静态特征LeNet神经网络进行识别，得到静态特征LeNet神经网络概率输出；根据所述动态特征信息利用动态特征LeNet神经网络进行识别，得到动态特征LeNet神经网络概率输出；根据所述静态特征LeNet神经网络概率输出和所述动态特征LeNet神经网络概率输出利用D
‑
S证据理论进行融合，得到氢泄漏诊断结果。2.根据权利要求1所述的车用氢系统泄漏诊断方法，其特征在于，所述对所述实际气体压力数据分别进行格拉姆角场转换和马尔可夫转移场转换，得到静态特征信息和动态特征信息，具体包括：将所述实际气体压力数据进行归一化处理和极坐标转换，得到转化后数据；根据所述转化后数据计算格拉姆角和场；根据所述格拉姆角和场确定静态特征信息；将所实际气体压力数据进行分箱操作，得到分箱概率；根据所述分箱概率确定马尔可夫转移矩阵；根据所述马尔可夫转移矩阵构建马尔可夫转移场；根据所述马尔可夫转移场确定动态特征信息。3.根据权利要求1所述的车用氢系统泄漏诊断方法，其特征在于，所述静态特征LeNet神经网络的训练过程包括：以不同工况下的实际静态特征数据为第一LeNet神经网络的输入，以实际静态特征LeNet神经网络概率输出为所述第一LeNet神经网络的输出，对所述第一LeNet神经网络的网络参数进行优化，得到静态特征LeNet神经网络；所述不同工况包括正常运行工况和氢泄漏工况。4.根据权利要求3所述的车用氢系统泄漏诊断方法，其特征在于，所述动态特征LeNet神经网络的训练过程包括：利用迁移学习算法将所述静态特征LeNet神经网络的网络参数迁移至第二LeNet神经网络，以不同工况下的实际动态特征数据为第二LeNet神经网络的输入，以实际动态特征LeNet神经网络概率输出为所述第二LeNet神经网络的输出，对所述第二LeNet神经网络的网络参数进行优化，得到动态特征LeNet神经网络。5.根据权利要求1所述的车用氢系统泄漏诊断方法，其特征在于，所述根据所述静态特征LeNet神经网络概率输出和所述动态特征LeNet神经网络概率输出利用D
‑
S证据理论进行融合，得到氢泄漏诊断结果，具体包括：根据所述静态特征LeNet神经网络概率输出和所述动态特征LeNet神经网络概率输出...

【专利技术属性】
技术研发人员：李建威，闫崇浩，万鑫铭，王薛超，康荣学，赵志伟，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：