一种基于图像处理的质子交换膜燃料电池故障诊断方法技术

本发明专利技术公开了一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；将一维数据转化为二维图像；从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；利用K‑means聚类算法对图像特征进行分类诊断。本发明专利技术的有益之处在于：将电压信号转变为图像之后，图像像素值范围大，变化明显，容易提取特征进行区分，故障诊断具有更高精确性；本发明专利技术能够区分不同系统的故障，通过分析不同PEMFC故障电压下降特性，获取不同系统同一故障的共有特性，根据特性自定义两种图像特征，利用两种图像特征诊断不同系统故障，具有良好的鲁棒性。

【技术实现步骤摘要】
一种基于图像处理的质子交换膜燃料电池故障诊断方法
本专利技术属于电池故障诊断
，涉及一种电池故障诊断方法，具体涉及一种基于图像处理的质子交换膜燃料电池故障诊断方法。
技术介绍
近几十年来，随着化石能源等不可再生能源的不断稀缺，清洁能源的开发和利用受到了广泛关注。在这些清洁能源中，氢能和燃料电池技术，尤其是质子交换膜燃料电池(PEMFC)，由于其零污染和高效率等特性在许多领域都实现了应用，包括固定电站，汽车和消费类设备。然而，质子交换膜燃料电池系统有限的耐用性和可靠性仍然限制了它们的广泛商业化。质子交换膜燃料电池是一个复杂的多领域知识系统，典型的质子交换膜燃料电池由电池电堆和辅助系统(包括气体供应系统、水和热管理系统)组成，这使得其在运行过程中会遇到各种故障。例如膜电极组件污染、不良水管理和反应物不足等。因此，需要及时检测不同的PEMFC故障，以便采取有效的缓解策略去提高PEMFC的可靠性和耐久性。目前，现有的PEMFC故障诊断技术主要分为两大类，包括基于模型的诊断方法和基于数据的诊断方法。采用基于模型的故障诊断方法对燃料电池电堆进行诊断时，需要建立燃料电池电堆及其辅助系统的模型，通过分析模型和燃料电池电堆的输出差异确定故障的产生及对应故障类型。然而，由于燃料电池系统的建模涉及多个领域的知识，包括电化学、流体力学、结构力学等，导致燃料电池系统建模复杂，且建模时采用的简化及假设可能导致故障诊断结果不精确，因此基于燃料电池电堆模型的故障诊断研究非常有限。基于数据的故障诊断方法通常采用信号处理技术对燃料电池电堆运行中采集的数据进行分析，通过提取可以表征燃料电池电堆运行状态的特征向量，采用模式识别方法来确定燃料电池电堆的运行状态及对应的故障类型。与基于模型的故障诊断方法相比，采用基于数据的故障诊断方法对燃料电池电堆进行诊断时不需要建立燃料电池电堆模型，因此受到更多的关注。然而，基于数据的燃料电池故障诊断方法都是从一维PEMFC电压故障数据中提取特征，因为电压数据可以直接指出系统性能下降。但是，由于PEMFC故障都可以导致相应的电压下降，因此直接从一维PEMFC电压故障信号中提取特征无法准确地区分不同故障。综上所述，目前在PEMFC故障诊断方法中，通常都是从一维故障电压信号中直接提取特征进行诊断，其故障诊断的准确性和鲁棒性欠佳。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种基于图像处理的质子交换膜燃料电池故障诊断方法。使用从一维PEMFC电压信号转换而来的二维图像数据来识别PEMFC故障，提高在识别PEMFC不良水管理问题方面的准确性。通过对来自不同系统的故障进行准确分类，提高在PEMFC故障诊断方面的鲁棒性。为了实现上述目标，本专利技术采用如下的技术方案：一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括以下步骤：步骤一：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；步骤二：将一维数据转化为二维图像；步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；步骤四：利用K-means聚类算法对图像特征进行分类诊断；优选的、步骤一中所述的PEMFC系统可以是单个系统。优选的、步骤二中所述的将一维数据转化为二维图像的转化过程依据公式为：其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。优选的、步骤三中所述的提取图像灰度下降速率，依据公式为：其中，VD代表电压下降幅度，T代表下降过程对应的时间，GDV代表相应的像素值下降幅度。优选的、步骤三中所述的像素灰度向上波动比率，依据公式为：其中，FFF代表图像中像素值向上波动频率，TFF代表图像中像素值波动总频率。优选的、步骤四中所述的利用K-means聚类算法对图像特征进行分类诊断过程包括以下步骤：步骤一：随机选取k个数据点作为每一类数据的重心；步骤二：计算目标数据点到k个重心的距离，并把其划分给距离最近的类；步骤三：计算每类中所有数据点的均值，并作为该类新的重心；步骤四：计算标准测度函数，当满足条件，则算法终止；如不满足条件则回到步骤二。优选的、步骤四所述的条件为函数收敛。本专利技术的有益之处在于：(1)将电压信号转变为图像之后，图像像素值范围大，变化明显，容易提取特征进行区分，故障诊断具有更高精确性；(2)本专利技术能够区分不同系统的故障，通过分析不同PEMFC故障电压下降特性，获取不同系统同一故障的共有特性，根据特性自定义两种图像特征，利用两种图像特征诊断不同系统故障，具有良好的鲁棒性。附图说明图1是本专利技术申请实施例中提供的基于图像处理的质子交换膜燃料电池故障诊断方法流程图示意图；图2是图1中实施例中的一维信号转二维图像方法图示；图3是图1中实施例中的像素灰度值向上波动和向下波动示意图；图4是图1中实施例中的水淹故障电压随温度变化图；图5是图1中实施例中的脱水故障电压随温度变化图；图6是现有技术中一维电压分段示意图；图7是现有技术中基于一维电压信号故障诊断结果图；图8是图7中前三段电压转化的二维图像；图9是本专利技术基于图像的故障诊断结果图。具体实施方式以下结合附图和具体实施例对本专利技术作具体的介绍。一种基于图像处理的质子交换膜燃料电池故障诊断方法，包括以下步骤：步骤一：从不同PEMFC系统中获取一维水淹和脱水故障电压数据；步骤二：将一维数据方法转化为二维图像；步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；步骤四：利用K-means聚类算法对图像特征进行分类诊断；步骤一中所述的PEMFC系统可以是单个系统。如图1所示，左边坐标系中是一维信号(PEMFC电压信号)，右边是由一维信号转化的二维图像。在转化过程中，原始一维数据按顺序被均分为N段。然后，将这连续的N段数据分别作为图像的第一行像素点到第N行像素点。S(i),i＝1,2,…,N2，代表一维原始数据，F(j,k),j＝1,2,…,N，k＝1,2,…,N，代表图像中的像素点。步骤二中所述的将一维数据方法转化为二维图像的转化过程依据公式为：其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。根据PEMFC水淹、脱水电压下降特性，本专利技术使用了两种自定义图像特征：图像灰度下降速率和像素灰度向上波动比率，如图2所示，图中ForwardFluctuation代表像素灰度值向上波动的情况，DownwardFluctuation代表像素灰度值向下波动的情况。不同的PEMFC故障会导致不同的电压下降速率，但是电压下降速率的区别是非常微小的，以至于很难直接用于诊断不同的故障。如一维数据方法转化为二维图像的转化过本文档来自技高网...

【技术保护点】
1.一种基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，包括以下步骤：/n步骤一：从不同质子交换膜燃料电池系统中获取一维水淹和脱水故障电压数据；/n步骤二：将一维数据转化为二维图像；/n步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；/n步骤四：利用K-means聚类算法对图像特征进行分类诊断。/n

【技术特征摘要】
1.一种基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，包括以下步骤：
步骤一：从不同质子交换膜燃料电池系统中获取一维水淹和脱水故障电压数据；
步骤二：将一维数据转化为二维图像；
步骤三：从二维图像中提取图像灰度下降速率和像素灰度向上波动比率两种图像特征；
步骤四：利用K-means聚类算法对图像特征进行分类诊断。


2.根据权利要求1所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤一中所述的质子交换膜燃料电池系统可以是单个系统。


3.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤二中所述的将一维数据转化为二维图像的转化过程依据公式为：



其中，min代表取最小值函数，max代表取最大值函数，round代表向下取整函数。


4.根据权利要求1或2所述的基于图像处理的质子交换膜燃料电池故障诊断方法，其特征在于，步骤三中所述的提取图像灰度下降速率，依据公式为：

<...

【专利技术属性】
技术研发人员：毛磊，刘忠勇，何清波，吴强，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34