一种基于WSBLMA的燃料电池离心式空压机寿命预测方法技术

本发明专利技术涉及一种基于WSBLMA的燃料电池离心式空压机寿命预测方法，包括：S1、搭建燃料电池离心式空压机试验台并开展5000小时燃料电池离心式空压机耐久试验，采集空压机的进出口压力、空气温度和出口流量等时间序列数据；S2、对多变量时间序列数据进行预处理；S3、搭建基于WSBLMA的空压机寿命预测模型，将训练集数据输入预测模型进行训练，并基于测试集数据评估预测模型的预测精度和泛化能力；S4、将最终训练好的基于WSBLMA的燃料电池离心式空压机寿命预测模型保存为H5文件。本发明专利技术提出了具有先进性的燃料电池离心式空压机寿命预测模型，通过多变量时间序列的协同预测，为建立燃料电池离心式空压机高精度和强泛化能力的寿命预测模型提供了一种有效的方法。模型提供了一种有效的方法。模型提供了一种有效的方法。

【技术实现步骤摘要】
一种基于WSBLMA的燃料电池离心式空压机寿命预测方法


[0001]本专利技术应用于燃料电池离心式空压机，属于空压机控制
，特别涉及一种基于WSBLMA的燃料电池离心式空压机寿命预测方法。

技术介绍

[0002]伴随着智能化和网联化的时代到来，汽车工业正经历着百年未有之大变局，混合动力汽车、纯电动汽车和燃料电池汽车等新能源汽车层出不穷。燃料电池混合动力汽车(FCHEV)具有近零排放、能量转换效率高、低噪音等优点，已成为实现节能减排和汽车产业升级的重要工具，得到了众多汽车厂商和研究学者的青睐。空压机通过压缩提升空气的压力，并将空气输送至燃料电池堆中参与电化学反应，是FCHEV的重要部件之一。
[0003]离心式空压机因其响应快和效率高等优点成为了当前车用燃料电池离心式空压机研究的重点，作为燃料电池空气供给系统的核心部件，离心式空压机的寿命直接决定了燃料电池系统的整体性能和可靠性。因此，准确合理预测离心式空压机的寿命对保证部件可靠性、保障驾驶安全性以及提升燃料电池系统的整体性能具有重要的意义。
[0004]传统的离心式空压机寿命预测主要依靠三维计算流体力学(CFD)模型来完成，通过耦合性能衰减机理来实现寿命的准确预测。然而，CFD模型除了需要大量试验数据进行校准之外，其过于复杂的特点导致运算缓慢，使得整个寿命预测过程漫长且需要耗费巨大的人力、财力和计算资源。同时，CFD模型需要准确的性能衰减机理来支撑，而目前存在的机理并不完善，当针对特定空压机时也不能保证完全适用，其准确性和适应性需要进一步提高。<br/>[0005]现有技术中，专利“CN112990542.A
‑
一种用于空压机的寿命预测方法”公开的一种用于空压机的寿命预测方法更偏向于空压机故障诊断，用于预测由于空压机故障引起的寿命问题，对于预测由于空压机老化引起的寿命问题涉及较少。其次，专利“CN112990542.A
‑
一种用于空压机的寿命预测方法”在前期使用了繁杂的数据处理和特征工程，同时仅依靠电流和振动数据进行空压机的寿命预测导致预测结果的可信度不高。最后，专利“CN112990542.A
‑
一种用于空压机的寿命预测方法”中使用了CNN+LSTM的人工智能模型，CNN算法对于数据的格式有一定的需要，对于传统时间序列需要经过一定的维度转换后才能输入模型中，影响了模型的适应性，同时CNN+LSTM模型失去了先进性，预测的准确性不足。

技术实现思路

[0006]本专利技术提供一种基于WSBLMA的燃料电池离心式空压机寿命预测方法，所述基于WSBLMA的燃料电池离心式空压机寿命预测方法包括以下步骤：
[0007]S1、空压机耐久测试并收集多变量时间序列数据；
[0008]所述多变量时间序列数据包括进出口压力、空气温度和出口流量；
[0009]S2、对多变量时间序列数据进行预处理；
[0010]S3、搭建并训练基于WSBLMA的寿命预测模型；
[0011]S4、保存并打包空压机寿命预测模型。
[0012]更近一步地，在步骤2中，还包括以下步骤：
[0013]S21、根据进出口压力和空气温度计算空压机的压比和等熵效率，进行数据的缺失值和异常值处理：
[0014][0015][0016]其中，σ
p
、p、η、T和k分别为压力比、压力、等熵效率、温度和等熵指数，out和in分别代表空压机的出口和进口；
[0017]S22、对数据进行标准化处理：
[0018][0019]其中，x
i
为标准化处理前的数据，为标准化处理后的数据，x
max
和x
min
分别为所有数据的最大值和最小值；
[0020]S23、对标准化后的时间序列数据进行多尺度小波分解，将非稳态时间序列分解为不同频率成分的多维分量。
[0021]更近一步地，在步骤3中，还包括以下步骤：
[0022]S31、构建堆叠双向长短期记忆神经网络；
[0023]S32、构建多头自注意力机制；
[0024]S33、搭建并训练基于WSBLMA的寿命预测模型。
[0025]更近一步地，在步骤31中，双向长短期记忆神经网络包括正向和逆向LSTM的循环单元，分别为t时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的输出，为向量拼接操作，和的计算式为：
[0026][0027][0028][0029]其中，和和和分别为t时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的偏置、输入权重和循环权重，和分别为t
‑
1时刻和t+1时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的输出。
[0030]更近一步地，在步骤31中，所述LSTM循环单元通过三个门控单元来控制历史信息的传递，三个门控单元的取值范围均为(0,1)，计算式为：
[0031]F
t
＝σ(b
f
+ω
f
x
t
+p
f
h
t
‑1)
[0032]I
t
＝σ(b
i
+ω
i
x
t
+p
i
h
t
‑1)
[0033]O
t
＝σ(b
o
+ω
o
x
t
+p
o
h
t
‑1)
[0034]其中，F
t
为遗忘门，I
t
为输入门，O
t
为输出门，x
t
为t时刻的输入，h
t
‑1为t
‑
1时刻LSTM循环单元的输出，b
*
、ω
*
、p
*
(*∈{f,i,o})分别为三个门控单元的偏置、输入权重和循环权重，σ(
·
)为Logistic函数，其输出区间为(0,1)，计算式为：
[0035][0036]LSTM中引入内部状态来进行线性的循环信息传递，同时非线性地输出信息至下一时刻的LSTM循环单元；
[0037]内部状态、当前时刻的LSTM循环单元输出h
t
以及候选状态的计算式为：
[0038][0039][0040][0041]其中，S
t
‑1为t
‑
1时刻的内部状态，为t时刻的候选状态，S
t
为t时刻的内部状态，为向量元素乘积，b
s
、ω
s
、p
s
分别为LSTM循环单元的偏置、输入权重和循环权重，tanh(
·
)为双曲正切函数，其输出区间为(
‑
1,1)，计算式为：
[0042][0043]更近一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于WSBLMA的燃料电池离心式空压机寿命预测方法，其特征在于，所述基于WSBLMA的燃料电池离心式空压机寿命预测方法包括以下步骤：S1、空压机耐久测试并收集多变量时间序列数据；所述多变量时间序列数据包括进出口压力、空气温度和出口流量；S2、对多变量时间序列数据进行预处理；S3、搭建并训练基于WSBLMA的寿命预测模型；S4、保存并打包空压机寿命预测模型。2.根据权利要求1所述基于WSBLMA的燃料电池离心式空压机寿命预测方法，其特征在于，在步骤2中，还包括以下步骤：S21、根据进出口压力和空气温度计算空压机的压比和等熵效率，进行数据的缺失值和异常值处理：异常值处理：其中，σ
p
、p、η、T和k分别为压力比、压力、等熵效率、温度和等熵指数，out和in分别代表空压机的出口和进口；S22、对数据进行标准化处理：其中，x
i
为标准化处理前的数据，为标准化处理后的数据，x
max
和x
min
分别为所有数据的最大值和最小值；S23、对标准化后的时间序列数据进行多尺度小波分解，将非稳态时间序列分解为不同频率成分的多维分量。3.根据权利要求1所述基于WSBLMA的燃料电池离心式空压机寿命预测方法，其特征在于，在步骤3中，还包括以下步骤：S31、构建堆叠双向长短期记忆神经网络；S32、构建多头自注意力机制；S33、搭建并训练基于WSBLMA的寿命预测模型。4.根据权利要求3所述基于WSBLMA的燃料电池离心式空压机寿命预测方法，其特征在于，在步骤31中，双向长短期记忆神经网络包括正向和逆向LSTM的循环单元，分别为t时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的输出，为向量拼接操作，和的计算式为：
其中，和和和分别为t时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的偏置、输入权重和循环权重，和分别为t
‑
1时刻和t+1时刻第d层双向LSTM单元中正向和逆向LSTM循环单元的输出。5.根据权利要求4所述基于WSBLMA的燃料电池离心式空压机寿命预测方法，其特征在于，在步骤31中，所述LSTM循环单元通过三个门控单元来控制历史信息的传递，三个门控单元的取值范围均为(0,1)，计算式为：F
t
＝σ(b
f
+ω
f
x
t
+p
f
h
t
‑1)I
t
＝σ(b
i
+ω
i
x
t
+p
i
h
t
‑1)O
t
＝σ(b
o
+ω
o
x
t
+p
o
h
t
‑1)其中，F
t
为遗忘门，I
t
为输入门，O
t
为输出门，x
t
为t时刻的输入，h
t
‑1为t
‑
1时刻LSTM循环单元的输出，b
*
、ω
*
、p
*
(*∈{f,i,o})分别为三个门控单元的偏置、输入权重和循环权重，σ(
·
)为Logistic函数，其输出区间为(0,1)，计算式为：LSTM中引入内部状态来进行线性的循环信息传递，同时非线性地输出信息至下一时刻的LSTM循环单元；内部状态、当前时刻的LSTM循环单元输出h
t
以及候选状态的计算式为：以及候选状态的计算式为：以及候选状态的计算式为：其中，S
t
‑1为t
‑
1时刻的内部状态，为t时刻的候选状态，S
t
为t时刻的内部状态，为向量元素乘积，b
s
、ω
s
、p

【专利技术属性】
技术研发人员：孙希雷，付建勤，鲍欢欢，罗宝军，刘琦，刘敬平，
申请(专利权)人：湖南大学，
类型：发明
国别省市：