[發(fā)明專利]一種非侵入式的燃料電池故障診斷方法在審
| 申請?zhí)枺?/td> | 201810025477.3 | 申請日： | 2018-01-11 |
| 公開（公告）號： | CN108344947A | 公開（公告）日： | 2018-07-31 |
| 發(fā)明（設計）人： | 張雪霞;王興娣;陳維榮;孫騰飛 | 申請（專利權）人： | 西南交通大學 |
| 主分類號： | G01R31/36 | 分類號： | G01R31/36 |
| 代理公司： | 成都帝鵬知識產(chǎn)權代理事務所(普通合伙) 51265 | 代理人： | 黎照西 |
| 地址： | 610000*** | 國省代碼： | 四川;51 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 故障診斷 燃料電池 分類器 預處理 故障診斷測試 測試樣本 非侵入式 分類模型 故障樣本 診斷數(shù)據(jù) 輸出測試結果 原始數(shù)據(jù)集 診斷 故障標簽 聚類結果 數(shù)據(jù)通過 學習算法 運行數(shù)據(jù) 準確度 非入侵 時效性 送入 篩選 測試 輸出 檢測 學習 | ||
1.一種非侵入式的燃料電池故障診斷方法，其特征在于，包括故障診斷分類器的建立和故障診斷測試；
所述故障診斷分類器的建立，包括步驟：
S101將燃料電池實際運行數(shù)據(jù)作為原始數(shù)據(jù)集，在所述原始數(shù)據(jù)集中提取診斷變量；
S102對診斷變量做預處理，所述預處理過程包括歸一化處理和故障特征數(shù)據(jù)提??；
S103將預處理后的數(shù)據(jù)通過ELM學習算法進行訓練，并篩選出與實際故障標簽相同的聚類結果作為故障樣本集；
S104通過ELM模型對所述故障樣本集進行學習，輸出ELM分類模型構成故障診斷分類器；
所述故障診斷測試，包括步驟：
S201檢測燃料電池的待診斷數(shù)據(jù)；
S202通過所述待診斷數(shù)據(jù)建立測試樣本；
S203將測試樣本送入所述ELM分類模型中進行測試，輸出測試結果。
2.根據(jù)權利要求1所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，所述步驟S101中，在所述原始數(shù)據(jù)集中提取各個單片燃料電池的電壓作為診斷變量。
3.根據(jù)權利要求1所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，所述步驟S102中，所述歸一化處理的公式為：
式中，xi為診斷變量，zi為歸一化后的變量，N為數(shù)據(jù)長度。
4.根據(jù)權利要求3所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，所述步驟S102中，所述故障特征數(shù)據(jù)提取采用主成分分析法，進行降維處理，獲取故障特征數(shù)據(jù)。
5.根據(jù)權利要求4所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，使用主成分分析法對實驗獲取的單片燃料電池電壓數(shù)據(jù)進行特征提取，將高度耦合的多維數(shù)據(jù)降維處理，獲取有效的故障特征數(shù)據(jù)。
6.根據(jù)權利要求1所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，在所述篩選出與實際標簽相同的聚類結果作為故障樣本集過程中，將故障樣本集隨機分選為訓練集和測試集。
7.根據(jù)權利要求6所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，所述ELM學習算法包括步驟：
確定隱含層神經(jīng)元個數(shù)；
選擇一個無限可微的函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，進而計算隱含層輸出矩陣；
計算輸出層權值。
8.根據(jù)權利要求1或7所述的一種非侵入式的燃料電池故障診斷方法，其特征在于，在所述ELM學習算法進行訓練時，所用的目標故障類型包括低陰極化學計量比不良和空氣進堆溫度不良；針對燃料電池故障診斷中出現(xiàn)的多故障識別問題，訓練出故障診斷分類器。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西南交通大學，未經(jīng)西南交通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810025477.3/1.html，轉載請聲明來源鉆瓜專利網(wǎng)。
