[發明專利]一種基于HSMM和經驗模型的燃料電池故障預測方法

有效

• 申請號: 201710499198.6
• 申請日: 2017-06-27
• 公開（公告）號: CN107169243B
• 公開（公告）日: 2019-08-20
• 發明（設計）人: 吳小娟;葉倩文
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q10/04;G01R31/36
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于HSMM和經驗模型的燃料電池故障預測方法，其特征在于，包括以下步驟：

(1)、設置初始狀態概率矩陣π₀、初始狀態轉移概率矩陣A₀、初始觀測值概率矩陣B₀、初始狀態持續時間概率矩陣P₀，以及隱含狀態數N和觀測值個數M，構建HSMM模型λ₀＝(N,M,A₀,B₀,π₀,P₀)；

(2)、采集一組燃料電池的全壽命電壓數據作為訓練數據，利用Welch-Baum算法更新HSMM模型中A₀、B₀、π₀和P₀的值，得到更新后的HSMM模型λ＝(N,M,A,B,π,P)；

(3)、采集當前燃料電池的一段電壓數據作為測試數據，將測試數據輸入至訓練好的HSMM模型中，利用前向算法計算當系統處于N種不同隱含狀態時的P(O|λ_k),k＝1,2,…,N；其中，λ₁＝(N,M,A,B,π₁,P)，λ₂＝(N,M,A,B,π₂,P)，……，λ_N＝(N,M,A,B,π_N,P)；

α_T(i)＝P(o₁,o₂…o_T,S_t＝i|S_t+1≠i,λ_k)

其中，t＝1,2,…,T，表示T個觀測時刻，O＝(o₁,o₂,o₃,…o_T)表示從初始時刻t＝1到T時刻的測試數據，S_t＝i表示在t時刻時系統處于i狀態；

(4)、從N個不同的P(O|λ_k)中選出最大值P(O|λ_m)；

P(O|λ_m)＝max(P(O|λ₁),P(O|λ₂),…,P(O|λ_N)),1≤m≤N

將P(O|λ_m)所對應的HSMM模型標記為當前燃料電池的模型λ_m＝(N,M,A,B,π_m,P)，當前燃料電池的健康狀態處于隱含狀態m；

(5)、從訓練數據中提取處于隱含狀態m且與測試數據相同長度的觀測數據O_n，n表示觀測數據組數，將觀測數據O_n輸入至λ_m＝(N,M,A,B,π_m,P)，通過前向后向算法分別計算出n個不同的P(O_j|λ_m)，j＝1,2,…,n；將P(O|λ_m)分別與P(O_j|λ_m)進行一一比較，選擇大小最相近的一組觀測數據，以該組觀測數據離狀態轉移點的時間作為當前測試數據距離狀態轉移點的時間t_transfer；

(6)、利用HSMM算法，計算燃料電池的剩余壽命Rul_hsmm：

其中，Dur_μ表示狀態μ的平均持續時間，a_mμ表示從狀態m轉移到狀態μ的概率；

(7)、根據測試數據建立經驗模型：

其中，a,b,c,d為待估計參數，可以通過梯度下降法估算；

(8)、利用經驗模型，計算燃料電池剩余壽命Rul_empirial

Rul_empirial＝arg(V_failure(t))-t_current

其中，arg(V_failure(t))表示經驗模型到預設電壓閾值的時間，t_current為測試數據的當前時間；

(9)、計算訓練數據和測試數據的電壓梯度值grad_ζ(t)：

grad_ζ(t)＝V_ζ(t)-V_ζ(t-1)

其中，ζ＝1,2，V₁(t)和grad₁(t)分別表示t時刻訓練數據的電壓值和電壓梯度值；V₂(t)和grad₂(t)分別表示t時刻測試數據的電壓值和電壓梯度值；

(10)、計算指標β：

其中，t_current表示當前時間；T_def為預設值，用來決定用幾個單位的電壓梯度值來計算相似度；

(11)、估算燃料電池的剩余壽命Rul_final：

Rul_final＝α·Rul_hsmm+(1-α)·Rul_empirial

2.根據權利要求1所述的基于HSMM和經驗模型的燃料電池故障預測方法，其特征在于，所述的指標β用來衡量訓練數據和測試數據之間的相似度，β值越小，則相似度越高；β值越大，相似度越低。