一种基于神经网络的氢燃料电池状态诊断方法及系统与流程

1.本发明涉及电池状态监测技术领域，具体涉及一种基于神经网络的氢燃料电池状态诊断方法及系统。


背景技术：

2.氢燃料电池是将氢气和氧气的化学能直接转换成电能的发电装置，其基本原理是电解水的逆反应，把氢和氧分别供给阳极和阴极，氢通过阳极向外扩散和电解质发生反应后，放出电子通过外部的负载到达阴极。
3.在氢燃料电池长期使用过程中，需要监测的参数有很多，如氢气流量、温度、湿度、放电电压以及输出电流等，电池的各项参数均对运行状态和电池性能有重要影响，若发生氢气泄露或者性能下降会导致氢燃料电池发电量减少，甚至造成一定的安全隐患，因此需要一种能够有效监测并诊断氢燃料电池状态的方法。


技术实现要素：

4.针对现有技术中的缺陷，本发明提供一种基于神经网络的氢燃料电池状态诊断方法及系统。
5.第一方面，一种基于神经网络的氢燃料电池状态诊断方法，步骤包括：
6.采集氢燃料电池的运行参数；
7.将所述运行参数进行数据处理，得到诊断数据样本集；
8.将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。
9.进一步地，所述采集氢燃料电池的运行参数，具体为：
10.采集氢燃料电池的额定运行参数；
11.采集氢燃料电池在放电过程中的实时运行参数。
12.进一步地，所述将所述运行参数进行数据处理，得到诊断数据样本集，具体为：
13.对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；
14.对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；
15.根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。
16.进一步地，在采集氢燃料电池的运行参数之前，还包括构建神经网络模型，所述神经网络模型由输入层、隐含层以及输出层构成，所述输入层、隐含层以及输出层之间的节点通过连接权重矩阵相连接，所述隐含层采用logsig激活函数，所述输出层采用purelin激活函数。
17.进一步地，所述将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果，具体为：
18.输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样
本集；
19.隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；
20.采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用k-means算法进行聚类，得到聚类测试样本；
21.将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；
22.输出层输出氢燃料电池状态诊断结果。
23.进一步地，所述隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型，具体为：
24.隐含层将所述第一诊断数据样本集作为初始训练样本，对神经网络模型进行初始化训练，得到神经网络模型的输出权重；
25.隐含层将所述诊断数据训练样本集作为进阶训练样本，对神经网络模型进行进阶训练，更新神经网络模型的输出权重，并得到训练后的神经网络模型。
26.第二方面，一种基于神经网络的氢燃料电池状态诊断系统，包括：
27.数据采集模块：用于采集氢燃料电池的运行参数；
28.数据处理模块：用于将所述运行参数进行数据处理，得到诊断数据样本集；
29.状态诊断模块：用于将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。
30.进一步地，所述数据采集模块具体用于：
31.采集氢燃料电池的额定运行参数；
32.采集氢燃料电池在放电过程中的实时运行参数。
33.进一步地，所述数据处理模块具体用于：
34.对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；
35.对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；
36.根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。
37.进一步地，所述神经网络模型由输入层、隐含层以及输出层构成，所述状态诊断模块具体用于：
38.输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样本集；
39.隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；
40.采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用k-means算法进行聚类，得到聚类测试样本；
41.将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；
42.输出层输出氢燃料电池状态诊断结果。
43.本发明的有益效果体现在：通过将氢燃料电池的实时运行参数和额定运行参数分
别输入构建的神经网络模型中进行训练，根据神经网络模型的输出结果对氢燃料电池进行状态实时诊断，实现了监测氢燃料电池运行状态的功能，维修人员可根据诊断结果及时进行抢修维护，有效降低了氢燃料电池的故障发生率和故障发生时的损坏程度。
附图说明
44.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
45.图1为本发明实施例提供的一种氢燃料电池状态监测方法的流程图；
46.图2为本发明实施例提供的一种氢燃料电池状态监测系统的模块框图。
具体实施方式
47.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
48.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
49.如图1所示，一种基于神经网络的氢燃料电池状态诊断方法，步骤包括：
50.s1：采集氢燃料电池的运行参数；
51.具体地，为对氢燃料电池的状态进行监测，需要在氢燃料电池上设多种传感器，以采集运行数据，传感器包括电压传感器、电流传感器、浓度传感器以及压力传感器等等，用于采集放电电压、输出电流、氢气浓度等运行参数。通过设于氢燃料电池上的传感器，采集氢燃料电池在标准工况运行状态下的额定运行参数，采集氢燃料电池在放电过程中的实时运行参数。
52.s2：将所述运行参数进行数据处理，得到诊断数据样本集；
53.具体地，氢燃料电池的不同状态往往不能通过单个运行参数进行判断，而是通过多个运行参数综合反映体现，因此将氢燃料电池的多个运行参数均作为电池状态诊断的变量，以更准确的判断出氢燃料电池。首先，对额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集，对实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集。根据诊断需求选择筛选条件，对第二诊断数据样本集进行分类，分为诊断数据训练样本集和诊断数据测试样本集，其中，第一诊断数据样本集和诊断数据训练样本集用于对预先构建的神经网络模型进行训练优化，诊断数据测试样本集用于对氢燃料电池进行测试诊断。
54.s3：将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果；
55.具体地，由于氢燃料电池存在强烈的非平稳性、非线性以及非确定性等特征，传统的解析模型状态诊断方法不适用于氢燃料电池，而基于神经网络的状态诊断方法可自行提取运行参数特征，发现运行参数内部的结构特点，并可快速得到状态诊断结果。
56.在采集氢燃料电池的运行参数之前，还包括构建神经网络模型，神经网络模型由
输入层、隐含层以及输出层构成，输入层、隐含层以及输出层之间的节点通过连接权重矩阵相连接，其中，隐含层采用logsig激活函数，输出层采用purelin激活函数。神经网络模型通过输入层导入样本数据，隐含层进行数据处理，输出层输出测试结果，此过程为信号前向传播，为了降低网络模型精度和收敛性与设定目标的误差，还需要通过随机梯度下降法对神经网络模型的权重和阈值进行调整，从而降低网络误差。
57.进一步地，构建好神经网络模型后，输入层输入第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样本集，隐含层根据第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型，具体流程为：隐含层将第一诊断数据样本集作为初始训练样本，对神经网络模型进行初始化训练；隐含层将所述诊断数据训练样本集作为进阶训练样本，对神经网络模型进行进阶训练，得到训练后的神经网络模型。
58.在进行初始化训练时，将第一诊断数据样本集拆分，得到初始输入样本和初始输出目标，例如：第一诊断数据样本集为n＝{(xi,ti|xi∈rn，ti∈rm，i＝1,...n)}，其中，rm表示全体m维向量的集合，rn表示全体n维向量的集合，拆分得到初始输入样本xi＝[x1x2....xi]
t
和初始输出目标ti＝[t1t2....ti]
t
。
[0059]
根据第一诊断数据样本集随机生成输入权值矩阵
ω
i和偏置矩阵其中i＝1，2，3...n,输入权值矩阵ωi表示第i个隐含层节点与输入层间的连接权重矩阵，偏置矩阵表示第i个隐含层节点的偏置量矩阵。根据权值矩阵ωi和偏置矩阵计算初始训练阶段的隐含层输出矩阵h0，计算时用g(x)表示隐含层激励函数，隐含层输出矩阵h0的计算公式为：
[0060][0061]
式中，根据该输出矩阵h0计算得到神经网络模型的输出权重矩阵θ0,输出权重矩阵θ0表示输出层与第i个隐含层节点间的连接权重矩阵，输出权重矩阵θ0的计算公式为：
[0062][0063]
式中，表示输出矩阵h0的穆尔-彭罗斯广义逆矩阵，t0＝[t1t2....tn]
t
表示期望输出。
[0064]
进行进阶训练时，将诊断数据训练样本拆分，得到进阶输入样本和进阶输出目标，根据进阶输入样本和进阶输出目标再重复上述计算过程，以更新隐含层输出矩阵h
′0和输出权重矩阵θ
′0，从而得到训练后的神经网络模型。
[0065]
进一步地，采用非线性降维算法对诊断数据测试样本集进行降维处理，将测试样本集的维度降低，并对降维后的诊断数据测试样本集采用k-means算法进行聚类，得到聚类测试样本。k-means算法聚类步骤包括：a.随机设置k个特征空间的点作为初始的聚类中心；b.计算诊断数据测试样本集中每个点到k个中心的距离，未知的点选择最近的一个聚类中心点作为标记类别；c.重新计算每个聚类的中心点；d.若计算得到的新中心点与原中心点一样，则计算结束，否则重新进入步骤b，直至计算结束。通过将诊断数据测试样本进行降维聚类后，可将分布较为集中的测试样本数据划归为同一状态类型，将分布较为分散的测试样本批量归类至不同标签下。
[0066]
得到聚类测试样本后，将聚类测试样本输入至训练后的神经网络模型中，进行测试训练，神经网络模型输出测试结果，根据测试结果生成氢燃料电池状态诊断结果。例如，若输入神经网络模型的数据为氢燃料电池氢气入口压力、氢气出口压力、空气入口压力以及空气出口压力等运行参数，根据上述运行参数的实时数值生成诊断数据测试样本集，并输入至神经网络模型进行测试，神经网络模型最后输出氢燃料电池空压机状态的诊断结果。
[0067]
氢燃料电池状态诊断结果包括但不限于氢气管道泄露、氢气管道堵塞、放电电压过高、输出电流过高、循环管道水路泄露等，通过氢燃料电池状态诊断结果可快速诊断出氢燃料电池的运行状态和故障类型。
[0068]
基于相同的发明构思，本发明实施例提供了一种基于神经网络的氢燃料电池状态诊断系统，如图2所示，包括：
[0069]
数据采集模块：用于采集氢燃料电池的运行参数；
[0070]
数据处理模块：用于将所述运行参数进行数据处理，得到诊断数据样本集；
[0071]
状态诊断模块：用于将所述诊断数据样本集输入预先构建的神经网络模型中进行样本训练，并获取氢燃料电池状态诊断结果。
[0072]
进一步地，所述数据采集模块具体用于：
[0073]
采集氢燃料电池的额定运行参数；
[0074]
采集氢燃料电池在放电过程中的实时运行参数。
[0075]
进一步地，所述数据处理模块具体用于：
[0076]
对所述额定运行参数进行数据增强和特征提取，生成第一诊断数据样本集；
[0077]
对所述实时运行参数进行数据增强和特征提取，生成第二诊断数据样本集；
[0078]
根据筛选条件对所述第二诊断数据样本集进行分类，得到诊断数据训练样本集和诊断数据测试样本集。
[0079]
进一步地，所述神经网络模型由输入层、隐含层以及输出层构成，所述状态诊断模块具体用于：
[0080]
输入层输入所述第一诊断数据样本集、诊断数据训练样本集以及诊断数据测试样本集；
[0081]
隐含层根据所述第一诊断数据样本集和诊断数据训练样本集进行学习训练，得到训练后的神经网络模型；
[0082]
采用非线性降维算法对所述诊断数据测试样本集进行降维处理，并对降维后的诊断数据测试样本集采用k-means算法进行聚类，得到聚类测试样本；
[0083]
将所述聚类测试样本输入至训练后的神经网络模型中进行测试训练，以进行状态诊断；
[0084]
输出层输出氢燃料电池状态诊断结果。
[0085]
本发明通过将氢燃料电池的实时运行参数和额定运行参数分别输入构建的神经网络模型中进行训练，根据神经网络模型的输出结果对氢燃料电池进行状态实时诊断，实现了监测氢燃料电池运行状态的功能，维修人员可根据诊断结果及时进行抢修维护，有效降低了氢燃料电池的故障发生率和故障发生时的损坏程度。
[0086]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽
管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。