【技术实现步骤摘要】
本专利技术属于氢燃料电池领域，具体涉及一种基于机器学习的燃料电池健康状态预测及诊断系统。
技术介绍
1、氢燃料电池电堆是燃料电池发动机的主要组件之一，是一种将多片单电池堆叠串联而成的发电装置。单电池预留接口用于安放数据采集的传感器探针，以监测运行参数，如电压、温度等，并由燃料电池控制单元(fcu)进行数据采集并处理。作为发动机的控制单元，fcu需要具有强大的计算和处理能力和丰富的i/o集合，以有效地管理和协调各个模块，以确保燃料电池系统长时间安全运行。燃料电池系统的主要模块为供氢模块，供氧模块，热管理模块，水管理模块和功率转换模块。fcu通过置于各模块中的感应器收集信息，并根据内置基础软件对数据进行处理，判断燃料电池电堆和系统的运行状态，确定系统和电堆的输入和输出，以形成具有动态闭环的控制算法。便于用户基于模型所开发的控制策略。fcu一般包括以下几个功能：
2、基于can总线的软件刷机工具，由引导加载程序预先刷入微控制器；
3、气路管理：控制燃料电池系统所需的氢气流量、气流、压力、湿度和温度；
4、水和热管理：控制和调节循环、加热、散热、空气温度、冷却水温度，提高燃料电池系统的功率效率和可靠性；
5、电气管理：监控电池堆电压和电流，调节输出功率，并将燃料电压控制在合理范围内，管理剩余功率，并提供电压和电流保护；
6、数据通信：与其他子系统通信，交换重要数据和控制信号；
7、即时故障诊断：能够对各种子系统进行故障诊断、发出警告和启动保护程序。
8、
技术实现思路
1、专利技术目的：针对现有燃料电池的寿命预测技术，本专利技术的第一目的是提供一种燃料电池在线故障识别和寿命预测方法，结合该方法对应的算法实施，本专利技术的第二目的是提供一种燃料电池在线故障识别和寿命预测装置。基于该装置在新能源汽车上的应用，结合车联网的实现，本专利技术的第三目的是提供一种燃料电池在线故障识别和寿命预测系统。
2、为实现上述的专利技术目的，本专利技术提供的技术方案如下。
3、一种燃料电池在线故障识别和寿命预测方法，该方法包括如下步骤：
4、s1、采集燃料电池的运行数据并进行预处理，所述的运行数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量，所述的预处理包括归一化和构建序列形式的二维数组进行分割训练接和测试集；
5、s2、构建基于lstm的训练模型进行测试数据的训练，包括对运行数据进行单步预测，将测试集x和y，拆分后矩阵为x＝test[i,0:-1],y＝test[i,-1]；
6、s3、构建燃料电池寿命预测模型，该模型的预测函数如下：
7、yhat＝forecast_lstm(lstm_model,1,x)，
8、将预测值进行逆缩放，逆缩放函数为：yhat＝invert_scale(scaler,x,yhat)，
9、对预测的y值进行逆差分，逆差分函数为：
10、yhat＝invert_difference(raw_value,yhat,len(test_scaled)+1-i)，存储正在预测的y值，最后计算均方根误差，计算方程为：
11、
12、s4、按照步骤s3的训练方式构建时间关于温度、平均电压、阴阳极流量、冷却水流量的时序预测模型，并计算输出平均电压低于寿命阈值时的时刻，由此得到燃料电池的在线寿命预测模型，输出剩余寿命；
13、s5、将监测数据输入基于cnn网络构建的故障诊断模型进行识别，用于识别和预测已经发生故障或即将发生故障，输出故障类型及故障发生时间节点；
14、监测数据包括在线实时监测得到的数据和预测得到的未来时间段的数据。
15、进一步的，步骤s1所述的预处理首先对燃料电池的运行数据进行归一化处理，然后将数据矩阵中运行时间日期和采集时间列合并，合并后的列转换为时间格式，设为索引，通过差分转换将原数据转换为序列形式的二维数组形式，接着将序列形式的数据转换为监督学习集形式，包括分割为训练集和测试集合，所述的训练集和测试集都缩放到[-1，1]之间。
16、所述的归一化处理是指通过min-max标准化处理，转换方程表示如下：
17、
18、所述方法中，步骤s2所构建的基于lstm的训练模型是通过python编译环境、keras和tensor flow库构建的，设置该模型的样本数为1，训练次数为5，lstm层神经元个数为4。
19、进一步的，所述方法中燃料电池的在线寿命预测模型由于预测模型周期性更新，剩余寿命呈现周期性变动，具体变动特征与当前工况相关。
20、进一步的，步骤s5所述的基于cnn网络构建的故障诊断模型的输入为时间，输出为电堆温度、平均电压、阴阳极流量和冷却水流量。
21、步骤s5所述的基于cnn网络构建的故障诊断模型包含一个卷积层，卷积层包括20个5*5滤波器，步幅为1*1，紧接relu损失函数和最大池化层，最后使用全连接层，并使用softmax将全连接层的输出归一化为概率，损失函数使用二分类交叉熵损失函数，损失函数为：
22、
23、该模型使用带有动量和学习率为0.0001的随机梯度下降法进行训练，最大epoch数为20，测试集占比为20％。
24、一种燃料电池在线故障识别和寿命预测装置，包括存储单元及处理器，所述的处理器中rom运行上述所述方法对应的算法；所述的存储单元包括ram，用于存储预测数据，所述的预测数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量。
25、一种燃料电池在线故障识别和寿命预测系统，所述系统包括上述的燃料电池在线故障识别和寿命预测装置；
26、该方法包括通过车载t-box的车联网系统与远程控制中心通信，更新燃料电池系统的训练数据，优化学习的速度和结果精度。
27、有益效果：与现有技术相比，本专利技术具备如下实质性的特点和显著的效果：
28、(1)本专利技术适用于各种型号的燃料电池和工况，可以精准预测短期内燃料电池输出功率的变化；
29、(2)持续学习的预测模块可以脱机运行，无需人工干本文档来自技高网...
【技术保护点】
1.一种燃料电池在线故障识别和寿命预测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S1所述的预处理首先对燃料电池的运行数据进行归一化处理，然后将数据矩阵中运行时间日期和采集时间列合并，合并后的列转换为时间格式，设为索引，通过差分转换将原数据转换为序列形式的二维数组形式，接着将序列形式的数据转换为监督学习集形式，包括分割为训练集和测试集合，所述的训练集和测试集都缩放到[-1，1]之间。
3.根据权利要求2所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述的归一化处理是指通过Min-Max标准化处理，转换方程表示如下：
4.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S2所构建的基于LSTM的训练模型是通过Python编译环境、Keras和Tensor flow库构建的，设置该模型的样本数为1，训练次数为5，LSTM层神经元个数为4。
5.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述方法中燃料电池的在线
6.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S5所述的基于CNN网络构建的故障诊断模型的输入为时间，输出为电堆温度、平均电压、阴阳极流量和冷却水流量。
7.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤S5所述的基于CNN网络构建的故障诊断模型包含一个卷积层，卷积层包括20个5*5滤波器，步幅为1*1，紧接RELU损失函数和最大池化层，最后使用全连接层，并使用SOFTMAX将全连接层的输出归一化为概率，损失函数使用二分类交叉熵损失函数，损失函数为：
8.一种燃料电池在线故障识别和寿命预测装置，其特征在于，包括存储单元及处理器，所述的处理器中ROM运行依据权利要求1-7任一项所述方法对应的算法；所述的存储单元包括RAM，用于存储预测数据，所述的预测数据包括电堆实时温度、实时平均电压、阴阳极流量、冷却水流量。
9.一种燃料电池在线故障识别和寿命预测系统，其特征在于，所述系统包括权利要求8所述的燃料电池在线故障识别和寿命预测装置；
...【技术特征摘要】
1.一种燃料电池在线故障识别和寿命预测方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤s1所述的预处理首先对燃料电池的运行数据进行归一化处理，然后将数据矩阵中运行时间日期和采集时间列合并，合并后的列转换为时间格式，设为索引，通过差分转换将原数据转换为序列形式的二维数组形式，接着将序列形式的数据转换为监督学习集形式，包括分割为训练集和测试集合，所述的训练集和测试集都缩放到[-1，1]之间。
3.根据权利要求2所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述的归一化处理是指通过min-max标准化处理，转换方程表示如下：
4.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，步骤s2所构建的基于lstm的训练模型是通过python编译环境、keras和tensor flow库构建的，设置该模型的样本数为1，训练次数为5，lstm层神经元个数为4。
5.根据权利要求1所述的燃料电池在线故障识别和寿命预测方法，其特征在于，所述方法中燃料电池的在线寿命预测模型由于预测...
【专利技术属性】
技术研发人员：张啸，陈真，
申请(专利权)人：北京氢璞创能科技有限公司，
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。