[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

本發明公開了一種基于HSMM和經驗模型的燃料電池故障預測方法，先采集一組燃料電池的全壽命電壓數據，作為訓練數據，再通過Welch?Baum算法利用訓練數據訓練HSMM模型；再采集一組燃料電池的電壓退化數據，作為測試數據；將測試數據輸入HSMM中，通過前向算法估計當前健康狀態，并根據狀態持續時間計算其剩余壽命；根據測試數據建立經驗模型，并估計參數及預測未來走勢，根據未來電壓走勢計算其剩余壽命；以訓練數據和測試數據的電壓梯度值的相似度作為標準，將HSMM得到的剩余壽命和經驗模型計算出的剩余壽命結合起來，估算出燃料電池的最終剩余壽命。

技術領域

本發明屬于燃料電池技術領域，更為具體地講，涉及一種基于HSMM和經驗模型的燃料電池故障預測方法。

背景技術

燃料電池是一個通過電化學反應把燃料中化學能量直接轉化為電能的裝置，它具有環境友好、能量轉換率高等優點，然而，可靠性和持久性是阻礙燃料電池發展的一個主要原因。

故障預測技術可以在燃料電池故障早期及時的診斷它的健康狀態、預測其剩余可用壽命，使得我們可以及時的對它進行維修，以此延長燃料電池壽命。近幾十年來，故障預測技術在解決燃料電池的壽命相對較短的問題上表現出了很大的潛力。

基于隱式半馬爾科夫模型(HSMM)的故障預測方法是一種基于數據的預測方法，不需要對燃料電池的內部結構和物理退化過程進行建模，直接對系統的退化數據進行分析即可預測其剩余壽命。然而當燃料電池的電壓退化趨勢與HSMM全壽命訓練數據的電壓退化趨勢相似度較低時，基于HSMM的預測結果較差。

為了解決這個問題，本發明提出了將HSMM與經驗模型相結合的混合故障預測方法，若燃料電池的當前運行電壓退化趨勢與HSMM訓練電壓退化趨勢相似度較高，則利用HSMM對燃料電池的剩余壽命進行預測；若兩者的相似度較低，則利用經驗模型估計燃料電池剩余運行壽命。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于HSMM和經驗模型的燃料電池故障預測方法，根據燃料電池的退化數據，對燃料電池的剩余壽命進行預測。

為實現上述發明目的，本發明一種基于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)