[發(fā)明專(zhuān)利]一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110385900.2
• 申請(qǐng)日: 2021-04-12
• 公開(kāi)（公告）號(hào): CN112986827B
• 公開(kāi)（公告）日: 2022-06-03
• 發(fā)明（設(shè)計(jì)）人: 楊鑫;冷承霖;劉凱
• 申請(qǐng)（專(zhuān)利權(quán)）人: 山東凱格瑞森能源科技有限公司
• 主分類(lèi)號(hào): G01R31/367
• 分類(lèi)號(hào): G01R31/367;G01R31/392;G06N3/08;G06N3/04
• 代理公司: 北京中創(chuàng)博騰知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11636
• 代理人: 李艷艷

1.一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，基于燃料電池的運(yùn)行監(jiān)測(cè)數(shù)據(jù)，利用移動(dòng)均值濾波MAF對(duì)輸入原始數(shù)據(jù)進(jìn)行濾波降噪處理，減小輸入數(shù)據(jù)中噪聲的干擾；通過(guò)深度神經(jīng)網(wǎng)絡(luò)模型中的卷積神經(jīng)網(wǎng)絡(luò)CNN，提取輸入數(shù)據(jù)的空間特征，利用雙向門(mén)控神經(jīng)網(wǎng)絡(luò)BiGRU，提取輸入數(shù)據(jù)的時(shí)序信息，從而建立輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的非線(xiàn)性映射關(guān)系；最后利用迭代的方法，將神經(jīng)網(wǎng)絡(luò)當(dāng)前時(shí)刻的單步預(yù)測(cè)輸出作為模型下一時(shí)刻預(yù)測(cè)的輸入，滾動(dòng)迭代輸出預(yù)測(cè)結(jié)果，具體包括以下步驟：

步驟S1：獲取燃料電池的運(yùn)行監(jiān)測(cè)數(shù)據(jù)，選用濾波算法，對(duì)含有噪聲的輸入數(shù)據(jù)濾波，得到較為平穩(wěn)的監(jiān)測(cè)數(shù)據(jù)的輸入信息；

步驟S2：利用神經(jīng)網(wǎng)絡(luò)在非線(xiàn)性數(shù)據(jù)擬合上表現(xiàn)出的優(yōu)越性，對(duì)濾波后的訓(xùn)練集數(shù)據(jù)進(jìn)行擬合，建立輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)的非線(xiàn)性映射關(guān)系；

步驟S3：基于預(yù)測(cè)目標(biāo)值與實(shí)際測(cè)量數(shù)據(jù)之間誤差，建立損失函數(shù)并通過(guò)反饋求導(dǎo)的方法，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型參數(shù)，得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型；

步驟S4：在訓(xùn)練數(shù)據(jù)使用完畢后，利用最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型得到單步的預(yù)測(cè)，并將之作為模型下一時(shí)刻的輸入，滾動(dòng)迭代輸出多步預(yù)測(cè)結(jié)果，從而實(shí)現(xiàn)燃料電池RUL預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S1中，所述的濾波算法采用移動(dòng)均值濾波方法，同時(shí)濾波窗口寬度根據(jù)實(shí)際的數(shù)據(jù)量及計(jì)算力來(lái)決定。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S2包括：

步驟S21：選定燃料電池剩余壽命預(yù)測(cè)的失效閾值點(diǎn)；

步驟S22：對(duì)輸入的監(jiān)測(cè)數(shù)據(jù)序列進(jìn)行前處理后，確定神經(jīng)網(wǎng)絡(luò)算法神經(jīng)元數(shù)目、網(wǎng)絡(luò)層數(shù)、學(xué)習(xí)率；

步驟S23：將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，利用神經(jīng)網(wǎng)絡(luò)算法將對(duì)多通道的輸入訓(xùn)練集數(shù)據(jù)進(jìn)行特征提取。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S22中，dropout超參數(shù)設(shè)置以防止過(guò)擬合，在訓(xùn)練階段按照一定的概率舍棄部分神經(jīng)元。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S3包括：

步驟S31：通過(guò)輸入數(shù)據(jù)與目標(biāo)數(shù)據(jù)之間的誤差，建立輸出預(yù)測(cè)數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)的損失函數(shù)；

步驟S32：通過(guò)鏈?zhǔn)椒答伹髮?dǎo)法則對(duì)損失函數(shù)求導(dǎo)，得到最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)；

步驟S33：對(duì)給定的監(jiān)測(cè)輸入數(shù)據(jù)，由最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型得到輸出的單步預(yù)測(cè)輸出。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S31中，所述的損失函數(shù)為L(zhǎng)2對(duì)數(shù)損失函數(shù)。

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的燃料電池剩余壽命預(yù)測(cè)方法，其特征在于，步驟S4包括：

步驟S41：通過(guò)訓(xùn)練完畢得到的最優(yōu)神經(jīng)網(wǎng)絡(luò)模型，對(duì)給定的輸入得到預(yù)測(cè)單步的預(yù)測(cè)輸出，并將之作為模型預(yù)測(cè)控制的輸入；

步驟S42：迭代地使用神經(jīng)網(wǎng)絡(luò)的單步預(yù)測(cè)輸出作為下一次模型預(yù)測(cè)控制的輸入，實(shí)現(xiàn)模型的多步滾動(dòng)預(yù)測(cè)過(guò)程；

步驟S43：計(jì)算到達(dá)失效點(diǎn)時(shí)預(yù)測(cè)結(jié)果與實(shí)際測(cè)量結(jié)果的之間的誤差，得到剩余壽命預(yù)測(cè)準(zhǔn)確度計(jì)算結(jié)果。