[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(qǐng)?zhí)枺?/td>: 201810025477.3
• 申請(qǐng)日: 2018-01-11
• 公開（公告）號(hào): CN108344947A
• 公開（公告）日: 2018-07-31
• 發(fā)明（設(shè)計(jì)）人: 張雪霞;王興娣;陳維榮;孫騰飛
• 申請(qǐng)（專利權(quán)）人: 西南交通大學(xué)
• 主分類號(hào): G01R31/36
• 分類號(hào): G01R31/36
• 代理公司: 成都帝鵬知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51265
• 代理人: 黎照西

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(cè)試；

所述故障診斷分類器的建立，包括步驟：

S101將燃料電池實(shí)際運(yùn)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(duì)診斷變量做預(yù)處理，所述預(yù)處理過程包括歸一化處理和故障特征數(shù)據(jù)提取；

S103將預(yù)處理后的數(shù)據(jù)通過ELM學(xué)習(xí)算法進(jìn)行訓(xùn)練，并篩選出與實(shí)際故障標(biāo)簽相同的聚類結(jié)果作為故障樣本集；

S104通過ELM模型對(duì)所述故障樣本集進(jìn)行學(xué)習(xí)，輸出ELM分類模型構(gòu)成故障診斷分類器；

所述故障診斷測(cè)試，包括步驟：

S201檢測(cè)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(cè)試樣本；

S203將測(cè)試樣本送入所述ELM分類模型中進(jìn)行測(cè)試，輸出測(cè)試結(jié)果。

2.根據(jù)權(quán)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(gè)單片燃料電池的電壓作為診斷變量。

3.根據(jù)權(quán)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，x_i為診斷變量，z_i為歸一化后的變量，N為數(shù)據(jù)長(zhǎng)度。

4.根據(jù)權(quán)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(jìn)行降維處理，獲取故障特征數(shù)據(jù)。

5.根據(jù)權(quán)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(duì)實(shí)驗(yàn)獲取的單片燃料電池電壓數(shù)據(jù)進(jìn)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(quán)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(shí)際標(biāo)簽相同的聚類結(jié)果作為故障樣本集過程中，將故障樣本集隨機(jī)分選為訓(xùn)練集和測(cè)試集。

7.根據(jù)權(quán)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(xué)習(xí)算法包括步驟：

確定隱含層神經(jīng)元個(gè)數(shù)；

選擇一個(gè)無限可微的函數(shù)作為隱含層神經(jīng)元的激活函數(shù)，進(jìn)而計(jì)算隱含層輸出矩陣；

計(jì)算輸出層權(quán)值。

8.根據(jù)權(quán)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(xué)習(xí)算法進(jìn)行訓(xùn)練時(shí)，所用的目標(biāo)故障類型包括低陰極化學(xué)計(jì)量比不良和空氣進(jìn)堆溫度不良；針對(duì)燃料電池故障診斷中出現(xiàn)的多故障識(shí)別問題，訓(xùn)練出故障診斷分類器。