【技术实现步骤摘要】
本专利技术涉及燃料电池故障诊断，具体地指一种基于集成学习的燃料电池故障诊断方法。
技术介绍
1、随着全球对环境保护和可持续发展的重视，燃料电池作为一种绿色、高效的能源转换技术，正逐渐成为研究和应用的热点。燃料电池，特别是质子交换膜燃料电池(protonexchange membrane fuel cell,pemfc)，以其高能量密度、动力性能强及零排放等优势，在交通运输、能源存储与供应、航空航天及军事等领域展现出巨大的应用潜力。
2、然而，燃料电池作为一种多物理场耦合的非线性复杂系统，运行过程涉及热、电、流体等多物理耦合现象，组件老化、环境变化以及控制不当都可能导致系统发生故障。若不能及时发现和清除故障会进一步导致系统性能退化、使用寿命缩短甚至引发严重的安全事故。故障诊断可以准确快速地识别故障，起到阻止故障蔓延、缓解故障影响的重要作用。
3、当前基于数据驱动的故障诊断研究中，多数算法都是针对所研究的单一故障表现出了良好的诊断效果，但当扩展故障种类进行研究时，单一算法的鲁棒性和泛化能力难以保证。
【技术保护点】
1.一种基于集成学习的燃料电池故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于集成学习的燃料电池故障诊断方法，其特征在于：S2)中，原始数据归一化处理采用下列公式进行
3.根据权利要求2所述的基于集成学习的燃料电池故障诊断方法，其特征在于：S2)中，通过随机森林算法中的基尼系数作为评价指标评价原始数据重要性，所述基尼系数计算公式如下
4.根据权利要求1所述的基于集成学习的燃料电池故障诊断方法，其特征在于：S3)中，训练集和测试集设定的划分比例为7：3。
5.根据权利要求4所述的基于集成学习的燃料电池...
【技术特征摘要】
1.一种基于集成学习的燃料电池故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于集成学习的燃料电池故障诊断方法，其特征在于：s2)中，原始数据归一化处理采用下列公式进行
3.根据权利要求2所述的基于集成学习的燃料电池故障诊断方法，其特征在于：s2)中，通过随机森林算法中的基尼系数作为评价指标评价原始数据重要性，所述基尼系数计算公式如下
4.根据权利要求1所述的基于集成学习的燃料电池故障诊断方法，其特征在于：s3)中，训练集和测试集设定的划分比例为7：3。
5.根据权利要求4所述的基于集成学习的燃料电池故障诊断方法，其特征在于：s4)中，cnn模型包括2个卷积层、...
【专利技术属性】
技术研发人员：袁裕鹏，张雪松，童亮，赵旭阳，
申请(专利权)人：武汉理工大学，
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。