System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及燃料电池控制,尤其是一种燃料电池氢气系统故障诊断分类器。
技术介绍
1、燃料电池被认为是21世纪最有前途的“绿色能源”装置,被列为未来世界十大科技之首,作为人类战略能源发展的方向,受到世界各国的高度重视和大力资助。燃料电池具有功率密度高、能量转换效率高、响应速度快、零污染和工作温度低等特点,受到各界的广泛关注,处于研究应用的最前沿,在交通、固定式和便携式系统中具有广阔的发展前景。然而,燃料电池系统是复杂的非线性强耦合系统,其结构复杂,在工况多变、环境恶劣的运行条件下,容易出现各种故障。
2、随着自动化、计算机等技术的快速发展和故障诊断理论的不断成熟,基于故障检测和隔离框架的诊断策略逐渐得到各国科研工作者的重视并逐渐应用于实际燃料电池系统的故障诊断中。为消除或减少故障给实际系统运行带来的危害,针对不同类型的故障情况,研究有效的诊断技术,以实现燃料电池系统健康状态实时监控和及时的隔离故障,对保障电池性能稳定、延缓电池老化,拓展燃料电池商业化发展具有重要意义。
技术实现思路
1、本专利技术提出一种燃料电池氢气系统故障诊断分类器,采用基于改进的人工蜂群算法优化支持向量机的燃料电池氢气系统故障诊断分类方法,能够实现对燃料电池氢气系统故障的有效监测。
2、一种燃料电池氢气系统故障诊断分类器,包括以下步骤;
3、步骤s1、建立基于人工蜂群算法优化的支持向量机模型;
4、步骤s2、引入levy飞行策略对人工蜂群算法进行改进,以提高算法的
5、步骤s3、利用优化后的支持向量机分类器模型对燃料电池氢气系统进行故障诊断分类。
6、步骤s1中,支持向量机模型中选取径向基核函数,以公式表述为:
7、k(xi,yj)=exp(-g||xi-yj||2)
8、目标函数以公式表述为
9、
10、对应的最优分类函数:
11、
12、式中:g为核函数参数;c为惩罚因子;xi,xj∈rn;αi,αj为拉格朗日乘子;
13、α*为最优解;
14、所述步骤s2中,通过将levy飞行策略引入人工蜂群算法,提高全局搜索能力,通过改进的人工蜂群算法对支持向量机模型中的惩罚因子c和核函数参数g进行优化,利用优化的支持向量机模型对燃料电池氢气系统进行故障诊断分类。
15、步骤s2具体包括以下步骤;
16、步骤s21:对人工蜂群算法中的参数进行初始化,包括蜂群规模、蜜源数量、蜜源最大循环次数、最大迭代次数、惩罚因子c的搜索范围、核函数参数g的搜索范围,蜜源初始化为xij;
17、步骤s22:确定人工蜂群算法中的适应度函数,目标函数值为分类的准确率:
18、
19、式中:fi为第i组参数的适应度值;fi为第i个蜜源的目标函数值;
20、步骤s23:引入levy公式得到新蜜源位置,对当前蜜源进行全局搜索,根据上式计算新蜜源的适应度,若新蜜源的适应度更好,则代替原蜜源位置,否则不变;
21、
22、x′ij=xij+α(xij-xbest)l(α)
23、式中:α是特征指数,取值为1.5;γ是伽玛函数;xij′为新蜜源的位置;
24、步骤s24:判断某个蜜源的循环次数是否大于最大循环次数,若大于,则按下式产生新蜜源:
25、xij=minxij+rand(0,1)(maxxij-minxij)
26、步骤s25:记录当前最优蜜源,并判断是否迭代最大次数,若满足转到步骤s26,否则转到步骤s23;
27、步骤s26:得到的全局最优蜜源即为最优参数c和g,构建最优支持向量机分类器模型,并将训练好的支持向量机分类器模型通过测试集样本进行验证。
28、步骤s3中,对燃料电池氢气系统进行故障诊断分类的过程具体为:
29、步骤a1、从氢气系统中提取三种诊断变量,分别为氢进压力、氢进温度和氢瓶氢气浓度,将这三种变量选取为故障特征变量,分别对应三种故障类型:氢进压力故障、氢进温度故障和氢气浓度故障,将采集到的各变量各组数据建立原始数据集;
30、步骤a2、将各组数据通过归一化处理,建立样本数据集,再把每一类的数据按照2:1的交叉划分,分为训练集和测试集;
31、步骤a3、通过引入levy飞行策略,对标准人工蜂群算法进行改进,提高算法的全局搜索能力;
32、步骤a4、通过改进的人工蜂群算法优化支持向量机中的惩罚因子c和核函数参数g,构建最优的支持向量机分类器模型,利用最佳的惩罚因子c和核函数参数g进行模型训练,将训练好的支持向量机模型通过测试集样本进行验证,将验证通过的支持向量机模型用于对燃料电池氢气系统进行故障诊断分类,得到诊断的实际分类和预测分类图。
33、本专利技术涉及一种基于改进的人工蜂群算法优化支持向量机的燃料电池氢气系统故障诊断分类方法,与现有技术相比,本专利技术有以下有益效果:
34、1、燃料电池氢气系统故障诊断分类器从氢气系统中提取三种诊断变量,分别为氢进压力、氢进温度和氢瓶氢气浓度,将这三种变量选取为故障特征变量,分别对应三种故障类型:氢进压力故障、氢进温度故障和氢气浓度故障,将采集到的变量建立原始数据集,通过归一化处理,建立样本数据集。
35、2、通过引入levy飞行策略,对标准人工蜂群算法进行改进,提高了全局搜索能力,再通过改进的人工蜂群算法优化支持向量机的惩罚因子c和核函数参数g,提高支持向量机分类器模型的故障诊断效果。
本文档来自技高网...【技术保护点】
1.一种燃料电池氢气系统故障诊断分类器,其特征在于:包括以下步骤;
2.根据权利要求1所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:步骤S1中,支持向量机模型中选取径向基核函数,以公式表述为:
3.根据权利要求2所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:所述步骤S2中,通过将Levy飞行策略引入人工蜂群算法,提高全局搜索能力,通过改进的人工蜂群算法对支持向量机模型中的惩罚因子C和核函数参数g进行优化,利用优化的支持向量机模型对燃料电池氢气系统进行故障诊断分类。
4.根据权利要求3所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:步骤S2具体包括以下步骤;
5.根据权利要求4所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:步骤S3中,对燃料电池氢气系统进行故障诊断分类的过程具体为:
【技术特征摘要】
1.一种燃料电池氢气系统故障诊断分类器,其特征在于:包括以下步骤;
2.根据权利要求1所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:步骤s1中,支持向量机模型中选取径向基核函数,以公式表述为:
3.根据权利要求2所述的一种燃料电池氢气系统故障诊断分类器,其特征在于:所述步骤s2中,通过将levy飞行策略引入人工蜂群算法,提高全局搜索能力,通过改进的人...
【专利技术属性】
技术研发人员:王亚雄,张智权,欧凯,李晓怡,钟顺彬,
申请(专利权)人:福州大学,
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。