一种基于集成学习的制造技术

本发明专利技术公开包括步骤：获取故障诊断的原始样本数据集并预处理；计算信息增益对传感器监测变量进行选择，得到最优样本数据集；基于离散小波变换对最优样本数据集进行深度特征提取，结合统计学以及信息增益的计算得到最优深度特征样本数据集；对最优样本数据集和最优深度样本数据集进行基于主成分分析的特征提取和降维，构造最终的复合特征样本数据集；使用十折交叉验证对复合特征样本数据集进行训练集和测试集划分，将训练集样本送入集成分类器训练并建立模型；利用模型对测试集进行故障诊断

【技术实现步骤摘要】
一种基于集成学习的PEMFC系统故障诊断方法


[0001]本专利技术属于燃料电池
，特别是涉及一种基于集成学习的
PEMFC
系统故障诊断方法
。

技术介绍

[0002]氢能已经成为我国未来能源发展的重要拼图
。
燃料电池作为氢能应用的核心装置，获得了广泛关注
。
质子交换膜燃料电池
(PEMFC)
具有噪声小，能量转化率高，环保无污染的优势，但其内部多物理场耦合的复杂环境和功能各异的辅助工作系统的双重作用使得系统状态多变和故障多发，这将严重影响电池的使用寿命，带来巨大的安全隐患
。
因此，对质子交换膜燃料电池进行故障诊断具有重要意义
。
[0003]目前，较为常见的
PEMFC
故障诊断方法大致分为支持向量机
、
神经网络
、
决策树和聚类等几方面
。
支持向量机与
Fisher
线性判别分析结合，可以基于实时数据实现对
PEMFC
的在线诊断，具有较快的响应速度和较高的准确性
。BP
神经网络
(Back Propagation Neural Network
，
BPNN)
和拉格朗日乘子法的神经网络集成方法实现电堆冷却系统故障
、
燃料交叉故障
、
送风系统故障和氢气输送系统故障的高效诊断
。
在主成分分析
>(Principal Components Analysis
，
PCA)
对传感器选择的变量进行特征提取与降维的基础上，使用一种基于
Boosting
算法的
XGBoost
分类方法对
PEMFC
系统进行故障诊断，实现了膜干故障
、
氢气泄漏故障
、
正常和未知四种系统状态的有效识别
。
以电化学阻抗谱
(EIS)
为基础工具，提出了模糊聚类和模糊决策相结合的双模糊诊断方法，实现了在线监控
PEMFC
电堆水管理状况，并基于此算法实现了其他燃料电池系统的氧饱和
、
氧饥饿和正常三种状态的识别
。
然而，不同
PEMFC
系统
、
不同故障映射到故障诊断样本数据集中的故障表征并不相同，故而基于单一分类算法的故障诊断方法通常在不同的应用场景下表现并不稳定
。
因此，现有对于
PEMFC
故障诊断方法的泛化性能较差
。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种基于集成学习的
PEMFC
系统故障诊断方法，解决现有单一分类算法在不同应用环境下故障诊断表现不稳定的问题，同时提升
PEMFC
系统故障诊断的准确度
。
[0005]为达到上述目的，本专利技术采用的技术方案是：一种基于集成学习的
PEMFC
系统故障诊断方法，包括步骤：
[0006]P10
，获取故障诊断的原始样本数据集，对原始样本数据集预处理；
[0007]P20
，对原始样本数据集，计算信息增益对传感器监测变量进行选择，得到最优样本数据集；
[0008]P30
，基于离散小波变换对最优样本数据集进行深度特征提取，结合统计学以及信息增益的计算得到最优深度特征样本数据集；
[0009]P40
，对最优样本数据集和最优深度样本数据集，进行基于主成分分析的特征提取
和降维，从而构造最终的复合特征样本数据集；
[0010]P50
，使用十折交叉验证对复合特征样本数据集进行训练集和测试集划分，将训练集样本送入集成分类器训练并建立故障分类模型；
[0011]P60
，利用故障分类模型对测试集进行故障诊断
。
[0012]进一步的是，在所述步骤
P10
中，获取故障诊断的原始样本数据集，对其预处理，包括：对原始样本数据集进行归一化和标签化处理
。
[0013]进一步的是，在步骤
P20
中，设定信息增益阈值，舍弃信息增益低于
0.1
的传感器监测变量，选择高于信息增益阈值的传感器监测变量组成最优样本数据集
。
[0014]进一步的是，在所述步骤
P30
中，在最优样本数据集的基础上，使用
db2
基础小波对每个样本信号进行3层小波分解，以统计学方法计算每个小波系数的极值
、
平均值和标准差，采集统计特征组成深度特征样本数据集，通过信息增益的计算确定最优深度特征样本数据集
。
[0015]进一步的是，在所述步骤
P40
中，对最优样本数据集和最优深度样本数据集分别进行基于主成分分析的特征提取和降维，各自选取累计贡献率达到
95
％的特征变量样本数据集组合成为复合特征样本数据集
。
[0016]进一步的是，在所述步骤
P50
中，选择支持向量机
、k
近邻法
、
朴素贝叶斯
、
径向基函数神经网络和随机森林这5种分类算法构建组件分类器组合为集成分类器，将训练集样本送入集成分类器中对不同组件分类器进行训练并建立故障分类模型
。
[0017]进一步的是，在所述步骤
P60
中，将测试集样本分别送入训练好的故障分类模型中进行分类识别，得到不同组件分类器对测试集样本的预测结果，通过多数投票决策机制将相对多数的预测类标签作为集成分类器对该测试集的分类结果，以不同的训练集
、
测试集组合循环上述过程
10
次，以
10
次测试集分类结果的平均值作为集成分类器最终的分类结果
。
[0018]采用本技术方案的有益效果：
[0019]本专利技术构建集成分类器，并通过把不同
PEMFC
系统的不同故障对应的复合特征样本数据集送入集成分类器进行建模
、
识别，解决现有单一分类算法在不同应用环境下故障诊断表现不稳定的问题，同时提升
PEMFC
系统故障诊断的准确度
。
通过计算传感器信息增益，使得失效的传感器监测变量得到及时排除，避免了其对诊断结果产生的不良影响，同时利用主成分分析解决了高维数据的多元信息冗杂会导致分类运算复杂度增加和故障诊断时间延长的问题，大大提高了诊断效率
。
此外
,
构造的复合特征样本数据集融合了最优样本数据集和最优深度特征样本数据集的特征，这将更有利于系统状态的识别
。
附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于集成学习的
PEMFC
系统故障诊断方法，其特征在于，包括步骤：
P10
，获取故障诊断的原始样本数据集，对原始样本数据集预处理；
P20
，对原始样本数据集，计算信息增益对传感器监测变量进行选择，得到最优样本数据集；
P30
，基于离散小波变换对最优样本数据集进行深度特征提取，结合统计学以及信息增益的计算得到最优深度特征样本数据集；
P40
，对最优样本数据集和最优深度样本数据集，进行基于主成分分析的特征提取和降维，从而构造最终的复合特征样本数据集；
P50
，使用十折交叉验证对复合特征样本数据集进行训练集和测试集划分，将训练集样本送入集成分类器训练并建立故障分类模型；
P60
，利用故障分类模型对测试集进行故障诊断
。2.
根据权利要求1所述的一种基于集成学习的
PEMFC
系统故障诊断方法，其特征在于，在所述步骤
P10
中，获取故障诊断的原始样本数据集，对其预处理，包括：对原始样本数据集进行归一化和标签化处理
。3.
根据权利要求1所述的一种基于集成学习的
PEMFC
系统故障诊断方法，其特征在于，在步骤
P20
中，设定信息增益阈值，舍弃信息增益低于
0.1
的传感器监测变量，选择高于信息增益阈值的传感器监测变量组成最优样本数据集
。4.
根据权利要求1所述的一种基于集成学习的
PEMFC
系统故障诊断方法，其特征在于，在所述步骤
P30
中，在最优样本数据集的基础上，使用...

【专利技术属性】
技术研发人员：张雪霞，贺飞，彭立硕，刘文涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：