【技术实现步骤摘要】
一种燃料电池故障诊断模型的训练方法以及系统
[0001]本专利技术涉及深度学习
,特别是涉及一种燃料电池故障诊断模型的训练方法以及系统。
技术介绍
[0002]燃料电池在运行过程中涉及热、电、流体等物理领域,输出性能由电流、温度、反应物气体压强等参数共同决定,使得燃料电池的往往会存在较多不同类型的故障。然而现有的燃料电池故障诊断模型较为单一,无法对不同类型的故障进行分类诊断,并且其故障诊断模型的鲁棒性较差。因此,存在待改进之处。
技术实现思路
[0003]鉴于以上所述现有技术的缺点,本专利技术的目的在于提供一种燃料电池故障诊断模型的训练方法以及系统,提升了燃料电池故障诊断模型对燃料电池的故障分类精度以及故障诊断精度。
[0004]为解决上述技术问题,本专利技术是通过以下技术方案实现的:
[0005]本专利技术提供一种燃料电池故障诊断模型的训练方法,包括:
[0006]获取燃料电池内的数据信息,生成训练数据集;
[0007]对所述训练数据集进行类别标记处理,生成类别标签数据集;
[0008]对编码无监督模型进行非线性激活处理,生成激活无监督模型;
[0009]根据所述训练数据集对所述激活无监督模型进行逐层贪婪无监督处理,生成初始故障诊断模型;
[0010]根据所述类别标签数据集对所述初始故障诊断模型中进行有监督分类处理,生成中间故障诊断模型;以及
[0011]根据所述类别标签数据集对所述中间故障诊断模型进行迭代优化处理,生成目标故障诊 ...
【技术保护点】
【技术特征摘要】
1.一种燃料电池故障诊断模型的训练方法,其特征在于,所述方法包括:获取燃料电池内的数据信息,生成训练数据集;对所述训练数据集进行类别标记处理,生成类别标签数据集;对编码无监督模型进行非线性激活处理,生成激活无监督模型;根据所述训练数据集对所述激活无监督模型进行逐层贪婪无监督处理,生成初始故障诊断模型;根据所述类别标签数据集对所述初始故障诊断模型中进行有监督分类处理,生成中间故障诊断模型;以及根据所述类别标签数据集对所述中间故障诊断模型进行迭代优化处理,生成目标故障诊断模型。2.根据权利要求1所述的燃料电池故障诊断模型的训练方法,其特征在于,所述根据所述训练数据集对所述激活无监督模型进行逐层贪婪无监督处理,生成初始故障诊断模型的步骤包括:将所述训练数据集输入所述激活无监督模型中,生成多个初始解码数据;基于预设误差、所述训练数据集与所述初始解码数据之间的误差数据,生成中间无监督模型;对所述中间无监督模型中的无监督权重数据和无监督偏置数据进行平均绝对误差处理,生成平均误差数据;以及基于所述平均误差数据、所述中间无监督模型中的中间输出数据与目标输出数据之间的误差数据,生成初始故障诊断模型。3.根据权利要求1所述的燃料电池故障诊断模型的训练方法,其特征在于,所述根据所述类别标签数据集对所述初始故障诊断模型中进行有监督分类处理,生成中间故障诊断模型的步骤包括:对所述初始故障诊断模型进行分类层叠加处理,生成分类诊断模型;以及根据所述类别标签数据集对所述分类诊断模型进行参数微调处理,生成中间故障诊断模型。4.根据权利要求2所述的燃料电池故障诊断模型的训练方法,其特征在于,所述中间无监督模型包括至少一个所述中间编码层、至少一个所述中间隐含层以及至少一个所述中间解码层,且所述中间编码层包括至少一个所述初始编码层以及至少一个所述初始隐含层。5.根据权利要求2所述的燃料电池故障诊断模型的训练方法,其特征在于,所述基于预设误差、所述训练数据集与所述初始解码数据之间的误差数据,生成中间无监督模型的步骤包括:判断所述训练数据集与多个所述初始解码数据之间的误差数据是否小于或等于所述预设误差;若小于或等于所述预设误差,则对所述激活无监督模型的初始隐含层与初始编码层进行合并处理,生成中间无监督模型;若大于所述预设误差,则重复进行判断,直至所述训练数据集与多个所述初始解码数据之间的误差小于或等于所述预设误差为止。6.根据权利要求2所述的燃料电池故障诊断模型的训练方法,其特征在于,所述基于所
述平均误差数据以及所述中间无监督模型中的中间输出数据和目标输出数据之间的误差数据,生成初始故障诊断模型的步骤包括:判断所述中间无监督模型中初始隐含层的所述中间输出数据与中间解码层的所述目标输出数据之间的误差数据是否小于或等于所述平均误差数据;若小于或等于所述平均误差数据,则根据所述无监督权重数据和所述无监督偏置数据对所述中...
【专利技术属性】
技术研发人员:施永,何伟,车智康,苏建徽,解宝,赖纪东,
申请(专利权)人:合肥工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。