一种燃料电池故障诊断模型构建方法技术

本发明专利技术公开了一种燃料电池故障诊断模型构建方法，本发明专利技术涉及燃料电池技术领域，其中包括：获取燃料电池的父代频率种群，其中，父代频率种群中包括多个父类个体；根据每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对每个父类个体使用燃料电池故障诊断算法的准确率；根据每个父类个体对应的信息采集时间和准确率，计算每个父类个体的适应度；根据每个父类个体的适应度，生成子代频率种群，并将子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；根据最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。本发明专利技术能够提高故障诊断模型的构建效率，简化模型构建过程。建过程。建过程。

【技术实现步骤摘要】
一种燃料电池故障诊断模型构建方法


[0001]本专利技术涉及燃料电池
，具体而言，涉及一种燃料电池故障诊断模型构建方法。

技术介绍

[0002]现阶段的燃料电池仍然存在可靠性不足和耐久性差等问题，在实际运行中一些难以避免的故障，如水淹、膜干等，是导致这些问题的主要原因，如果未能及时排除故障将会降低电堆的使用性能，严重时还会诱发一些致命性故障，造成电堆内部不可逆的损伤，甚至永久性损坏。因此，需要构建故障诊断模型，对燃料电池进行故障诊断，以便及时排除故障。
[0003]目前，使用燃料电池阻抗谱信息作为故障诊断模型的特征的数据驱动方法是一种常用的方法，需要测量大量不同激励频率下的燃料电池阻抗值，计算等效电路模型电器元件的参数。然而，由于这种方式需要采集的频率点数量过多，因此会消耗大量时间，影响故障诊断模型的构建效率，与此同时，这种方式还需要进行参数转换，其无法直接使用频率点对应的阻抗值，由此会导致模型构建过于复杂。

技术实现思路

[0004]本专利技术提供一种燃料电池故障诊断模型构建方法，主要在于能够提高燃料电池故障诊断模型的构建效率，简化模型构建过程。
[0005]根据本专利技术实施例的第一方面，提供一种燃料电池故障诊断模型构建方法，包括：
[0006]获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；
[0007]根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；
[0008]根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；
[0009]根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；
[0010]根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。
[0011]根据本专利技术实施例的第二方面，提供一种燃料电池故障诊断模型构建装置，包括：
[0012]获取单元，用于获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；
[0013]确定单元，用于根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；
[0014]计算单元，用于根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；
[0015]迭代单元，用于根据所述每个父类个体的适应度，生成子代频率种群，并将所述子
代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；
[0016]构建单元，用于根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。
[0017]根据本专利技术实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
[0018]获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；
[0019]根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；
[0020]根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；
[0021]根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；
[0022]根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。
[0023]根据本专利技术实施例的第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
[0024]获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；
[0025]根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；
[0026]根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；
[0027]根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；
[0028]根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。
[0029]本专利技术实施例的创新点包括：
[0030]1、通过进行频率特征筛选，仅需采集部分频率点对应的阻抗值进行模型构建，从能够缩减采集时间，提高燃料电池故障诊断模型的构建效率是本专利技术实施例的创新点之一。
[0031]2、可以直接利用频率点对应的阻抗值构建燃料电池故障诊断模型，不需要进行参数转换，从而能够简化模型构建过程，降低模型的复杂度是本专利技术实施例的创新点之一。
[0032]3、通过将遗传算法与故障诊断算法结合，并基于燃料电池阻抗谱各个频率点间的近似非线性特征，将包裹法中的随机搜索方法改为使用进化算法搜索，能够减少搜索计算量是本专利技术实施例的创新点之一。
[0033]4、对于遗传算法中的适应度函数计算，同时考虑多种故障诊断算法的准确率，从而能够减小某种算法没有训练好造成的准确率较低的影响是本专利技术实施例的创新点之一。
[0034]本专利技术提供的一种燃料电池故障诊断模型构建方法，与现有技术采集所有频率点的阻抗值构建模型的方式相比，能够获取燃料电池的父代频率种群，其中，所述父代频率种
群中包括多个父类个体，每个父类个体由若干频率点组成，之后根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，并根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度，接着根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体，最终根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。由此可知，本专利技术通过使用遗传算法进行频率特征选择，能够减少频率点的采集数量，从而能够缩减采集时间，提高燃料电池故障诊断模型的构建效率，此外，由于本专利技术在模型构建过程中不需要进行参数转换，因此能够简化模型的构建流程，降低模型的复杂度，最终可构建一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃料电池故障诊断模型构建方法，其特征在于，包括：获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：对所述每个父类个体中的若干频率点在不同故障类型下的阻抗值进行二进制编码，得到所述每个父类个体对应的特征数据集；将所述特征数据集划分为训练集和测试集；基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率。3.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊断算法包括故障诊断邻近算法时，所述基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：针对所述测试集中的任意一组特征数据，计算所述任意一组特征数据分别与所述训练集中的多组特征数据之间的距离；根据计算的各个距离，确定所述训练集中与所述任意一组特征数据相邻的多组目标特征数据；根据所述多组目标特征数据分别对应的实际故障类型，确定所述任意一组特征数据对应的预测故障类型；根据所述任意一组特征数据对应的预测故障类型和实际故障类型，确定所述每个父类个体使用所述故障诊断邻近算法的准确率。4.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊断算法包括故障诊断神经网络算法时，所述基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：构建初始神经网络模型；将所述训练集中的多组特征数据分别输入至所述初始神经网络模型中进行故障分类，得到所述训练集中的多组特征数据分别对应的预测故障类型；根据所述训练集中的多组特征数据分别对应的预测故障类型和实际故障类型，得到所述初始神经网络模型对应的误差；基于所述误差，对所述初始神经模型中的初始参数进行更新，得到更新后的神经网络模型，重复对神经网络模型的迭代训练过程，直至满足预设条件时，输出训练好的故障诊断
神经网络模型；根据所述测试集和所述训练好的故障诊断神经网络模型，确定针对所述每个父类个体使用所述故障诊断神经网络算法的准确率。5.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊...

【专利技术属性】
技术研发人员：沈义涛，白雨鑫，纪兆圻，王哲宇，胡婷，张兆营，王彦岩，林波，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：