基于深度学习的质子交换膜燃料电池水管理故障预测方法、系统和装置

本发明涉及深度学习的质子交换膜燃料电池水管理故障预测，具体涉及一种基于深度学习的质子交换膜燃料电池水管理故障预测方法、系统和装置。

背景技术：

1、氢能作为一种清洁、可再生的能源，是未来解决全球能源问题和环境污染的关键手段之一。在众多氢能应用技术中，质子交换膜燃料电池(proton-exchange membranefuel cell，pemfc)以其高效能、高转换率、高可靠性和环境友好性等优势备受关注，并在无人机、汽车、船舶、微电站等领域开展了应用。然而，pemfc在实际应用过程中面临着一系列挑战，特别是在复杂和极端的操作条件下，容易发生水淹和膜干等故障。这些故障不仅会导致燃料电池的可靠性降低，还会缩短其使用寿命。

2、目前，现有技术中一些检测系统采用的方法和装置包括：(1)基于模型的燃料电池故障诊断方法,其核心是建立一个能准确描述燃料电池系统动态行为的数学模型，通过对实际运行数据与模型预测之间的差异进行分析，来判断燃料电池的故障类型，此方法严重依赖于燃料电池系统的数学表征，然而，这种表征往往难以精确捕捉复杂电化学过程的细微变化，且复杂多变的工况可能导致模型参数偏离实际值；(2)基于数据驱动的燃料电池故障诊断方法，通过人工智能算法分析和学习历史数据中的模式与关联，构建故障诊断模型对燃料电池系统的故障状态进行识别。基于数据驱动的故障诊断方法利用监测数据来判断燃料电池系统是否出现故障，但故障可能已经对系统造成影响，此方法存在对故障的响应不及时的局限。

技术实现思路

1、本发明主要解决的技术问题是提前解决pemfc潜在的故障问题，避免系统遭受严重损害，延长燃料电池的使用寿命。

2、一种基于深度学习的质子交换膜燃料电池水管理故障预测方法，包括：

3、s1、通过传感器采集质子交换膜燃料电池的状态数据；

4、s2、对原始数据进行数据预处理；

5、s3、利用预测数据集训练燃料电池状态预测模型(long shortterm memory)lstm，分类数据集训练燃料电池故障辨识模型(convolutional neural networks)cnn；

6、s4、使用燃料电池状态预测模型(long short term memory)lstm预测燃料电池未来的状态信息，将预测结果输入燃料电池故障辨识模型(convolutional neuralnetworks)cnn中，得到pemfc识别结果；

7、s5、判断所述识别结果的评分是否满足预设的报警提醒触发条件，若是则发出报警提醒信号以提醒检测人员。

8、在一种实施例中，所述的传感器包括：

9、s1.1、气体温度传感器、气体压力传感器、水流温度传感器、电堆电压传感器、电流传感器、电堆温度传感器或湿度传感器。

10、在一种实施例中,所述的原始数据进行数据预处理包括：

11、s2.1、数据标准化,使用max-min归一化方法将数据映射至0-1的范围内，消除量纲的影响，公式如下：

12、

13、式中，x′为归一化后的数据，x为原始数据,xmax和xmin分别为数据中的最大值和最小值；

14、s2.2、滑动时间窗口，以n个采样时刻为一个周期，将n组数据组成一个样本；然后，按顺序往后滑动i个单位分割数据；最后，分别为状态预测模型和故障辨识模型构建时间序列样本，对于状态预测模型，n取10，i取1；而对于故障辨识模型，n取20，i取20。

15、s2.3、数据重构，经过滑动窗口将数据分割后，对于每一个样本，将[5,20]的格式重构成[1,10,10]的格式；

16、在一种实施例中,所述燃料电池状态预测模型(long short term memory)lstm包括：

17、s3.1、遗忘门,遗忘门的主要功能是从单元状态中过滤一部分信息，公式如下：

18、ft＝σ(wxfxt+whfht-1+bf)

19、式中，ft为遗忘门在时间步t的输出，σ为sigmoid激活函数，wxf和whf为遗忘门的权重，xt为当前时间步的输入，ht-1为前一个时间步的隐藏状态,bf为遗忘门的偏差；

20、s3.2、输入门,输入门的作用是添加新的信息至单元状态中，输入门的公式如下：

21、it＝σ(wxixt+whiht-1+bi)

22、

23、ct＝ft×ct-1+i×ct

24、式中，it为时间步t输入门的输出,为单元状态的候选值，ct为时间步t的单元状态；

25、s3.3、输出门,输出门的作用是计算单元的当前状态输出到隐藏状态的程度，公式如下：

26、ot＝σ(wxoxt+whoht-1+bo)

27、ht＝ot+tanh(ct)

28、式中,ot为输出门在时间步t的激活值,ht为隐藏状态。

29、在一种实施例中,所述燃料电池状态预测模型(long short term memory)lstm还包括：s3.1、lstm状态预测模型预测燃料电池的未来状态，输入为5×10的样本矩阵，目标输出为5×1的矩阵，通过递归调用实现燃料电池状态监测数据的多步预测，lstm的层数为4，隐藏参数量为512，learning rate为0.00005，batch size为256。

30、在一种实施例中,所述燃料电池故障辨识模型(convolutional neuralnetworks)cnn包括：

31、s3.1、cnn故障辨识模型的输入为10×10的样本矩阵，目标输出为二值数据，即0或1，代表正常或故障；

32、s3.2、卷积层，使用卷积核自动从输入数据中提取特征，卷积层可以并行地识别多种特征，公式如下：

33、

34、式中，l为层数，xjl-1为第j个特征图，wli,j表示连接到第j个特征图的第i个卷积核，bjl为偏差，f为非线性激活函数，本文采用的是relu激活函数其公式为：

35、

36、s3.3、池化层，池化层用于降低特征图的维度，从而减少计算量和避免过拟合，池化方法是最大池化(max pooling)公式如下：

37、

38、式中，w(s1,s2)为池化窗口；

39、s3.4、全连接层，全连接层用于将前面卷积层和池化层提取的局部特征整合为全局特征，并执行分类或回归任务，公式如下：

40、

41、式中，wl-1i,j为权重。

42、一种燃料电池状态预测系统，包括：

43、状态信息获取单元，用于通过传感器检测燃料电池的温度、压力、湿度等状态；

44、数据预处理单元，用于所述传感器采集的数据通过深度学习的方法进行数据预处理；

45、评分计算单元，用于将经过预处理的数据输入到预先训练好的燃料电池状态预测模型(long short term memory)lstm模型中，得到燃料电池未来状态信息；

46、报警提醒单元，用于将燃料电池未来状态信息输入到燃料电池故障辨识模型(convolutional neural networks)cnn中，判断燃料电池未来状态是否满足预设的故障提醒条件，若是，则发出报警提醒信号以提醒检测人员。

47、在一种实施例中,所述状态信息获取单元包括：

48、传感器模块，用于采集燃料电池的状态；

49、特征提取模块，用于对所述采集数据进行特征提取以优化模型的输入数据。

50、一种燃料电池状态预测装置，包括：

51、传感器，用于获取燃料电池的的各种状态，所述状态至少包括电压、温度和压力；

52、处理器，用于对所述燃料电池的状态数据进行特征提取获取可进行分析的数据；将经过处理的数据输入到预先训练好的燃料电池状态预测模型(long short termmemory)lstm模型中，得到燃料电池的未来状态评分；将燃料电池的未来状态数据输入到燃料电池故障辨识模型(convolutional neuralnetworks)cnn中，判断所述燃料电池的未来状态评分是否满足预设的报警提醒触发条件，若是则向报警器发出报警信号。

53、报警器，用于在所述报警触发信号的触发下发出报警信息；

54、一种计算机可读存储介质，该存储介质中存储有程序，所述程序能够被处理器执行以实现本发明所述的基于深度学习的质子交换膜燃料电池水管理故障预测方法。

55、根据上述实施例的基于深度学习的质子交换膜燃料电池水管理故障预测方法，其包括：s1、通过传感器采集质子交换膜燃料电池的状态数据；s2、对原始数据进行数据预处理；s3、利用预测数据集训练燃料电池状态预测模型(long short term memory)lstm，分类数据集训练燃料电池故障辨识模型(convolutional neural networks)cnn；s4、使用燃料电池状态预测模型(long short term memory)lstm预测燃料电池未来的状态信息，将预测结果输入燃料电池故障辨识模型(convolutional neural networks)cnn中，得到pemfc识别结果；s5、判断所述识别结果的评分是否满足预设的报警提醒触发条件，若是则发出报警提醒信号以提醒检测人员。本技术提出了一种基于深度学习的燃料电池故障预测方法，该方法利用lstm网络预测燃料电池未来的状态，然后使用cnn对燃料电池状态数据进行故障辨识。实验结果表明，本发明所提出的故障预测方法，能够准确地预测燃料电池未来出现的故障。相比于故障诊断方法，本发明方法能够为燃料电池在故障出现前争取到宝贵处置时间，从而有效提升燃料电池可靠性。