应用机器学习和数据回归的燃料电池堆组装力分布分析方法技术

本发明专利技术公开了一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，包括如下步骤：获取该压力纸的极限压强信息；构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，对图像进行背景色过滤：根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。

Analysis method of assembly force distribution of fuel cell stack based on machine learning and data regression

【技术实现步骤摘要】
应用机器学习和数据回归的燃料电池堆组装力分布分析方法
本专利技术涉及燃料电池堆
，尤其涉及一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法。
技术介绍
燃料电池堆组装压力分布对产品的质量性能及其重要。到目前为止，为获取燃料电池堆的内部受力信息，通过在电池内安装大量传感器得到精准数据的方式很难实现，在现阶段能够进入电池堆的内部的只有压力纸，这是我们能够获得的唯一的有关堆的内部受力的信息。正如我们看见的，能够获取的信息只有不同的颜色及深浅，一个很自然的想法是建立颜色和受力的映射关系，进而达到根据图像信息获得更深层的压力分布。实现这一目标有两个方式：1.通过大量实验，在施加不同力的情况下，得到不同的色值，记录力的数值和颜色数值，构建一个精密的“比色卡”，当给出一个图像时，通过颜色匹配的方式便能获取该图像的受力分布情况；2.由于我们面对的是一个数字图像，另一个想法是在知道压力总和的情况下，根据图像中每个像素对应的数值，可以得出它们之间的比例关系，这样同样可以获得极板的压力分布。到目前为止，根据路径2所提出的解决方案主要存在两个问题：1.构建颜色与压力/压强的关系基于这样一个设想，受力区域的色值不为0，非受力区域的色值为0(白色)，因此需要考虑如何去除背景色干扰(背景色值不为0时，根据算法设想意味着该处受力，在总压力不变时，背景色会导致计算的压力分布结果“更加均匀”，这与事实显然不符)；2.如果使用RGB(或HSV等)向量映射为灰度标量，进而映射成压强变量，在彩色转灰度的过程中，如果保证转换的过程更加贴近实际的压力分布(例如，假如观察彩色图像发现明显的分布不均，但是在转换成灰度标量后，计算出的分布却异常均匀，这时，显然映射是有问题的)。并且已有技术主张的是通过数字图像灰度化与压强灰度映射，获得接触压力分布。我们知道数字图像灰度化，并构建映射关系有三个问题是不得不考虑的：1.在不同条件下，除图像信息本身难免出现其它背景色，尤其是该种干扰在流场之间存在，对计算结果的影响很大，不得不设法排除这种干扰；2.在通常的感光条件下，背景色干扰和流场间由应变产生的色值很接近，仅凭肉眼区分，并使用诸如Photoshop一类的软件去做处理很容易造成信息的大量冗余或丢失，因而有必要通过渐进分类的算法处理规避此类情况；3.彩色转灰度手段的初衷是数字图像处理技术是为通过将3维信息1维化，进而容易通过标量梯度、直方图均衡等手段，从而解决图像识别问题的技术，和我们课题涉及的彩色转灰度，构建压强灰度映射没有关系，换言之，图像处理领域使用的转换公式并不意味直接使用它后，该转换灰度能相对准确的反映原彩色空间所表达的分布，因此也需要以实证和优化的方式构建彩色灰度转换模型，从而使该转换相对更准确保留原来的分布特征。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，具体包括如下步骤：获取该压力纸的极限压强信息；构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w1,w2,w3；获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，将该三维矩阵变形为二维矩阵后初始化定义为争议类数据集，该争议类为初始化的数据集合，同时初始化两类辅助向量即一个类别编号向量和三个行号向量；对图像进行背景色过滤：采用三叉树循环结构算法在每个循环中通过机器学习方式对争议类执行机器学习三分类处理形成新的争议类、删除类和保留类，对删除类白化处理、用新争议类更新原争议类重复上述操作，直至干扰色被全部过滤获得清洗后图像；根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。进一步的，所述对图像进行背景色过滤具体方式为：初始化争议类数据集、一个类别编号向量和三个行号向量；调用无监督学习算法对争议数据集进行三分类处理，输出并更新类别编号向量以及删除类、保留类、争议类对应的行号向量和相应的均值颜色；分别键入三个类别对应的数字，通过类别编号向量索引到各类别对应的行号向量，并通过行号向量对争议类数据集矩阵的对应元素做相应操作；根据获取的三个类别对应的行号向量，分别索引到争议类数据集对应元素做相应处理：删除类代表背景色干扰，根据映射设想将其所有像素的三个分量均赋值为最高灰度值；保留类代表认定的真实受力区，不做任何改动；争议类表示包含有背景色干扰区域及有效受力区域，需要进一步分类处理和观察；应用此争议类更新争议类数据集矩阵上一时刻的争议类数据集矩阵；重复进行以上操作直至算法收敛，并将变形矩阵复原为三维图像矩阵，此时获得背景色干扰被消除的图像矩阵。进一步的，所述RGB到灰度的回归优化模型和约束条件表示为:y＝w1x1+w2x2+w3x3基于数据集，解决如下优化问题：subjectto:构建无约束的拉格朗日数乘函数：where解得的鞍点值，则获得w1,w2的估计值，即根据约束条件w1+w2+w3＝1获得w3的估计值经过如上步骤得到样本估计后的映射关系：由于采用了上述技术方案，本专利技术提供的一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，该方法应用数据回归和线性约束优化方法解决RGB与灰度间的映射问题，从而获取燃料电池组装力分布情况，通过多次迭代和少量快速分类的方式，以“小步快跑”的方式以便精确过滤背景干扰的同时保证处理过程的效率速度，并且设计了迭代式三叉树算法结构，通过多层迭代和分类的方式逐次进行图像过滤，在提高处理精度的同时，实现了处理方式的计算机程式化，因此该方法可以广泛应用到燃料电池堆组装压力分布检测领域。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术方法的流程图；图2为压力纸的高精度扫描数字图像示意图。图3为在每次迭代中数字图像的像素在颜色空间中的位置分布示意图。图4为在每次迭代中通过机器学习算法对数字图像清洗的结果示意图。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：如图1所示的一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，具体包括如下步骤：S1:收集不同压强、RGB色值和灰度值的对应关系数据。首先，获取0.2m2压力纸的极限压力值Fmax，，记录此时对应的RGB数值向量，并令其对应的灰度值为0，同时，令(255,255,255)对应的灰度值为255；然本文档来自技高网...

【技术保护点】
1.一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，其特征在于包括：/n获取该压力纸的极限压强信息；/n构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w

【技术特征摘要】
1.一种应用机器学习和数据回归的燃料电池堆组装力分布分析方法，其特征在于包括：
获取该压力纸的极限压强信息；
构建压强到灰度值的映射关系以及RGB到灰度的回归优化模型和约束条件，获取该回归优化模型的最优值w1,w2,w3；
获得进入电堆挤压的压力纸的高精度数字图像得到该图像的三维矩阵，将该三维矩阵变形为二维矩阵后初始化定义为争议类数据集，该争议类为初始化的数据集合，同时初始化两类辅助向量即一个类别编号向量和三个行号向量；
对图像进行背景色过滤：采用三叉树循环结构算法在每个循环中通过机器学习方式对争议类执行机器学习三分类处理形成新的争议类、删除类和保留类，对删除类白化处理、用新争议类更新原争议类重复上述操作，直至干扰色被全部过滤获得清洗后图像；
根据获得的RGB到灰度值的映射关系将清洗后图像转换成灰度图像；
计算灰度图像压力纸对应的压强分布，将该压强分布矩阵可视化获取燃料电池堆组装压力分布的均匀程度。


2.根据权利要求1所述的方法，所述对图像进行背景色过滤具体方式为：
初始化争议类数据集、一个类别编号向量和三个行号向量；
调用无监督学习算法对争议数据集进行三分类处理，输出并更新类别编号向量以及删除类、保留类、争议类对应的行号向量...

【专利技术属性】
技术研发人员：张家骏，张宝，苏小明，孙昕，沈鸿娟，
申请(专利权)人：新源动力股份有限公司，
类型：发明
国别省市：辽宁;21