【技术实现步骤摘要】
本专利技术属于燃料电池故障数据扩充及诊断领域，具体涉及一种基于数据扩充的燃料电池故障诊断方法及系统。
技术介绍
1、燃料电池是一种通过电化学反应使氢能转化为电能的绿色环保发电装置，其具有清洁高效、可靠性高、发电效率平稳等突出优点，在新能源领域有广阔的应用前景。然而，燃料电池在面临复杂工况和极端环境时易发生故障且使用寿命短，这些缺陷始终制约着其大规模商用。因此，一个性能优异并且高效及时的故障诊断模型可以提高燃料电池系统的运行稳定性，并延长使用寿命。
2、通常，故障检测和诊断方法分为三类：基于模型的方法，基于知识的方法和基于数据的方法。基于模型的故障诊断方法一般基于反应机理，需对燃料电池整个系统建立多维、非线性的物理模型，其中涉及到机械动力学、流体力学、热力学等方面，虽可真实反映各变量和故障间的因果关系，但由于电堆内部结构复杂、材料特性难以表征等问题，建立考虑故障诊断的燃料电池机理模型具有极大的挑战性。基于知识的方法依赖于操作员的专业知识，这是非常主观的。基于数据的方法利用历史数据来识别燃料电池的运行状态，而不需要复杂而精确的数学模型，常被用于故障检测研究。基于数据的方法通常可分为统计方法和机器学习方法。深度学习作为机器学习的主导分支，具有强大数据处理和特征学习能力，在故障诊断领域有着广泛地应用。
3、目前的故障诊断模型不能充分利用燃料电池数据的故障特征，模型参数设置的不够准确，诊断精度有待提升。现有技术也有通过爱情进化算法(love evolutionalgorithm)算法优化诊断模型，但其未考虑到爱情进
技术实现思路
1、专利技术目的：本专利技术公开了一种基于数据扩充的燃料电池故障诊断方法及系统，提高了对故障信息的利用，有效提高燃料电池运行过程故障诊断效率。
2、技术方案：本专利技术所述的一种基于数据扩充的燃料电池故障诊断方法，包括如下步骤：
3、(1)预先获取燃料电池运行过程中的历史故障数据；
4、(2)将燃料电池历史故障数据输入到改进的生成对抗网络wgan中进行数据扩充，通过利用多维放缩mds对高维度数据集进行特征降维消除冗余数据；
5、(3)构建现代时间卷积网络moderntcn模型，并利用改进的爱情进化算法对moderntcn模型的超参数进行优化；将步骤(2)中处理后的低维数据集输入到优化后的moderntcn模型中训练，得到燃料电池故障诊断模型；
6、(4)利用燃料电池故障诊断模型对燃料电池运行过程中故障进行诊断，得到对应的诊断结果。
7、进一步地，步骤(1)所述历史故障数据包括电堆水淹、质子交换膜干燥、传质故障、氢气泄露。
8、进一步地，步骤(2)所述将燃料电池历史故障数据输入到改进的生成对抗网络wgan中进行数据扩充实现过程如下：
9、改进的生成对抗网络通过生成器g生成假故障数据，生成器g的损失函数：
10、
11、其中，g_loss为生成器的损失函数，e(·)为求期望函数，z是生成器生成的样本数据，pz(z)代表生成器的生成数据分布,d(·)，g(·)分别为生成器和判别器函数；
12、将生成的假数据和真实故障数据都输入判别器中，判别器鉴定输入到判别器的样本是否来自真实样本数据，在判别器中引入at奖励机制：
13、atdata＝ηx+(1-η)z
14、
15、其中，x是真实的故障数据，xat是从奖励空间的数据中提取的数据,atdata是at奖励机制的输入数据，η是奖励空间中真实样本和生成样本的混合比例，ξ表示控制奖励式分配高奖励或低奖励的参数，σ表示奖励的程度，表示atdata数据的概率分布；
16、采用权重的均方误差作为判别器的损失函数，反向优化生成器参数：
17、
18、其中，yψ为判别器d输出的第ψ个数据，xψ为第ψ个真实故障数据，n1为数据的总数；
19、选择梯度惩罚来改善剪裁权重，判别器总的损失函数由自身损失、at奖励机制和梯度惩罚组成；梯度惩罚式和判别器总损失函数分别如下：
20、
21、其中，β代表梯度惩罚力度，是判别器在x处的梯度值，pc代表梯度惩罚空间的分布，pdata为真实样本分布；
22、通过反复优化训练判别器与生成器直到达到纳什均衡，对不平衡数据进行扩充。
23、进一步地，步骤(2)所述利用多维放缩对高维度数据集进行特征降维消除冗余数据实现过程如下：
24、有m个d维样本，样本间的欧式距离定义为：
25、
26、其中，λij为第i个样本和第j个样本间的距离,即：
27、
28、其中，ai,aj分别为第i个样本和第j个样本，rip为第i个p维样本,rjp为第j个p维样本；
29、给指定样本间的距离矩阵寻找一组低维的向量a1,a2,…,am使得：
30、ai-aj|≈λij
31、通过对评价函数的降维处理，降维的过程中将其进行最小化处理：
32、min∑i<j(ai-aj|-λij)2
33、降维后通过对距离阵的双重中心化矩阵进行奇异值分解，得到矩阵q的求解，矩阵的双重中心化矩阵为：
34、
35、其中，e为单位矩阵，表达式为：
36、
37、对矩阵进行奇异值分解：
38、
39、其中，的特征值组成的对角矩阵就是c，的特征向量就是u，对矩阵的特征值从大到小进行排序，选取前k个较大的特征值及其对应的特征向量，再由得到降维后的样本q。
40、进一步地，步骤(3)所述构建现代时间卷积网络moderntcn模型实现过程如下：
41、将样本低维数据集输入到现代时间卷积网络moderntcn模型中；
42、通过使用moderntcn模型的现代卷积模块进行特征提取，将输入数据lτ进行改造送入到dwconv深度卷积层中，因为合并了特征维度和变量维度，因此卷积通道数为m×d：
43、lτ∈rm×o×n
44、其中，m、n、o分别是变量维、时间维和特征维的大小；
45、通过使用convffn1和convffn2两个群卷积层进行进一步卷积，convffn1和convffn2是将convffn中的两个点向卷积层替换为两个组点向卷积层pwconv，组号分别为m和n，convffn1可以独立地学习每个变量的新特征表示，convffn2可以捕获每个特征的跨变量依赖性；
46、将xp输入主干，捕获跨时间和跨变量依赖关系，学习信息表示l：
47、l＝backbone(xp)
48、backbone(·)是堆叠的moderntcn块,xp∈rm×n×o,每个moderntcn块都以残差方式本文档来自技高网...
【技术保护点】
1.一种基于数据扩充的燃料电池故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(1)所述历史故障数据包括电堆水淹、质子交换膜干燥、传质故障、氢气泄露。
3.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(2)所述将燃料电池历史故障数据输入到改进的生成对抗网络WGAN中进行数据扩充实现过程如下：
4.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(2)所述利用多维放缩对高维度数据集进行特征降维消除冗余数据实现过程如下：
5.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(3)所述构建现代时间卷积网络MODERNTCN模型实现过程如下：
6.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(3)所述的利用改进的爱情进化算法对MODERNTCN模型的超参数进行优化,实现过程如下：
7.根据权利要求6所述的一种基于数据扩充的燃料
8.一种采用如权利要求1至7任一所述方法的基于数据扩充的燃料电池故障诊断系统，其特征在于，包括数据采集模块、数据处理模块、模型训练模块、智能优化模块、故障诊断模块和存储模块；其中：
...【技术特征摘要】
1.一种基于数据扩充的燃料电池故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(1)所述历史故障数据包括电堆水淹、质子交换膜干燥、传质故障、氢气泄露。
3.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(2)所述将燃料电池历史故障数据输入到改进的生成对抗网络wgan中进行数据扩充实现过程如下：
4.根据权利要求1所述的一种基于数据扩充的燃料电池故障诊断方法，其特征在于，步骤(2)所述利用多维放缩对高维度数据集进行特征降维消除冗余数据实现过程如下：
5.根据权利要求1...
【专利技术属性】
技术研发人员：裴家勇，王业琴，张万锋，张楚，黄凤芝，张志荣，戴逸波，陶伟叶，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。