CN113547919A - 一种燃料电池车远程故障监测方法及*** - Google Patents

一种燃料电池车远程故障监测方法及*** Download PDF

Info

Publication number
CN113547919A
CN113547919A CN202110993384.1A CN202110993384A CN113547919A CN 113547919 A CN113547919 A CN 113547919A CN 202110993384 A CN202110993384 A CN 202110993384A CN 113547919 A CN113547919 A CN 113547919A
Authority
CN
China
Prior art keywords
fuel cell
cell vehicle
parameter information
power system
tested
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110993384.1A
Other languages
English (en)
Other versions
CN113547919B (zh
Inventor
全琎
胡雄晖
全睿
叶麦克
陈辞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Hyvitech Co ltd
Original Assignee
Wuhan Hyvitech Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Hyvitech Co ltd filed Critical Wuhan Hyvitech Co ltd
Priority to CN202110993384.1A priority Critical patent/CN113547919B/zh
Publication of CN113547919A publication Critical patent/CN113547919A/zh
Application granted granted Critical
Publication of CN113547919B publication Critical patent/CN113547919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Fuel Cell (AREA)

Abstract

本发明涉及一种燃料电池车远程故障监测方法及***，其方法包括：远程获取待测燃料电池车的动力***的多个参数信息；将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。本发明利用深度学习的方法建立了燃料电池发动机的输入输出模型，在实际车载运行中通过各个电堆的电压残差识别燃料电池发动机的故障，并进行远程监控中心和车载监控单元的故障报警，具有实时、高效、可靠性强、数据吞吐量大、传输距离远和故障识别精度高等特点。

Description

一种燃料电池车远程故障监测方法及***
技术领域
本发明属于燃料电池车故障监测技术领域，具体涉及一种燃料电池车远程故障监测方法及***。
背景技术
燃料电池由于其清洁、高效、无污染、无噪声等一系列优点在车辆和交通等领域得到了广泛应用。近年来，随着燃料电池车的示范应用和商业化推广，车辆数量越来越多，示范规模越来越大，为了提高示范运营车辆的可维护性和安全可靠性，有必要对其进行远程状态监测和离线/在线故障诊断，对其运行中可能出现的故障进行提前预警，或在出现故障时及时给出诊断结果以便控制***采取动作或售后人员进行现场检修。目前，燃料电池车远程监控主要基于GPRS或4G平台进行，其通信速度、通信距离和通信稳定性已经越来越不满足大规模燃料电池车远程监控的数据要求。近年来，5G通信技术已成熟并正式进入商业化，且由于其具有传输速度快、数据吞吐量大、抗干扰能力强等一系列优点，因此，将其应用到大规模示范运行的燃料电池车的远程监测和故障监测中十分必要的。
发明内容
为实现燃料电池车故障的远程监测以及预警，在本发明的第一方面提供了一种燃料电池车远程故障监测方法，包括：远程获取待测燃料电池车的动力***的多个参数信息；将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
在本发明的一些实施例中，所述远程获取待测燃料电池车的动力***的多个参数信息包括如下步骤：采集待测燃料电池车的动力***的多个参数信息；通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。
在本发明的一些实施例中，所述训练好的神经网络模型通过如下步骤训练：获取燃料电池车在不同运行状态下的动力***的多个参数信息和对应电堆的电压值，并将其分别作为样本和标签，构建样本集；
对所述多个参数信息进行特征提取，并将其映射到多维向量中；
利用所述多维向量和样本集，训练神经网络模型，直至其误差趋于稳定且低于阈值，得到训练好的神经网络模型。
优选的，所述多个参数信息包括燃料电池发动机的每条空气回路、氢气回路和冷却回路各自的参数和状态信息。
在本发明的一些实施例中，所述根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障包括：
将每个电堆电压的预测值与其对应的电堆实际值进行比较，得到多个电堆电压偏差；若多个电堆电压偏差中的最大值大于阈值，则判断待测燃料电池车出现故障。
在上述的实施例中，还包括根据待测燃料电池车的故障状态对其工作状态进行调节或报警提示。
本发明的第二方面，提供了一种燃料电池车远程故障监测***，包括：
获取模块，用于远程获取待测燃料电池车的动力***的多个参数信息；
预测模块，将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；
判断模块，根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
在本发明的一些实施例中，所述获取模块包括采集模块和通信模块，所述采集模块，用于采集待测燃料电池车的动力***的多个参数信息；所述通信模块，通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的燃料电池车远程故障监测方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的燃料电池车远程故障监测方法。
本发明的有益效果是：
1.由于本发明充分利用了整车动力***各个参数信息的远程传输，同时结合燃料电池车示范运行时的海量正常数据，利用深度学习的方法建立了燃料电池发动机的输入输出模型，在实际车载运行中通过各个电堆的电压残差识别燃料电池发动机的故障；
2.本发明可通过远程监控中心和车载监控单元的故障报警实现对燃料电池车远程故障监测或报警，甚至是状态调整或维护；
3.本发明提供的***由于利用了5G通信功能，通信距离远、实时性强、数据吞吐量大；预测模型由于综合了整车动力***各个参数信息，简化了预测过程，智能化程度高、适合于大规模燃料电池车远程状态监测和故障诊断的需要。
附图说明
图1为本发明的一些实施例中的燃料电池车远程故障监测方法的基本流程示意图；
图2为本发明的一些实施例中的燃料电池车远程故障监测方法的具体流程示意图；
图3为本发明的一些实施例中的燃料电池车的结构示意图；
图4为本发明的一些实施例中的神经网络的工作原理示意图；
图5为本发明的一些实施例中的燃料电池车远程故障监测***的基本结构示意图；
图6为本发明的一些实施例中的燃料电池车远程故障监测***的具体结构示意图；
图7为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1与图2，在本发明的第一方面，提供了一种燃料电池车远程故障监测方法，包括：S100.远程获取待测燃料电池车的动力***的多个参数信息；S200.将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；S300.根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
在本发明的一些实施例的步骤S100中，所述远程获取待测燃料电池车的动力***的多个参数信息包括如下步骤：S101.采集待测燃料电池车的动力***的多个参数信息；S102.通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。可选的，上述5G通信模块还可选用第六代及以上的WiFi模块或其他高可靠高容量通信模块替代，以实现燃料电池车的远程信息交互。
参考图4，在本发明的一些实施例的S200中，所述训练好的神经网络模型通过如下步骤训练：S201.获取燃料电池车在不同运行状态下的动力***的多个参数信息和对应电堆的电压值，并将其分别作为样本和标签，构建样本集；可选的，在步骤S201，为了提高神经网络的训练效率，降低冗余信息，对样本集中的数据进行清洗和标准化，然后对其进行聚类和降维，降维方法至少包括PCA(Principal Component Analysis，主成分分析)、LDA(Linear Discriminant Analysis，线性判别分析)、LLE(Locally linear embedding，局部线性嵌入)或LaplacianEigenmaps(拉普拉斯特征映射)中的一种。
S202.对所述多个参数信息进行特征提取，并将其映射到多维向量中；
S203.利用所述多维向量和样本集，训练神经网络模型，直至其误差趋于稳定且低于阈值，得到训练好的神经网络模型。
参考图3，所述多个参数信息包括燃料电池发动机的每条空气回路、氢气回路和冷却回路各自的参数和状态信息。具体包括：高压氢气压力PH、进堆氢气压力PH＿in、出堆氢气压力PH＿out、进堆空气温度TAir＿in、进堆空气压力PAir＿in、进堆空气流量FAir＿in、进堆循环水温度TCoolant＿in、出堆循环水温度TCoolantL＿out、出堆循环水压力PCoolant＿out、尾气阀开关状态Spurge、比例调节阀开度OWalve、空压机转速Vair、氢气循环泵转速VH＿pump等；可以理解，上述参数信息仅以动力***为例，为例提高预测的准确率，还可包括燃料电池车的其他模块或***中的参数或信息。
在本发明的一些实施例的步骤S300中，所述根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障包括：
S301.将每个电堆电压的预测值与其对应的电堆实际值进行比较，得到多个电堆电压偏差；S302.若多个电堆电压偏差中的最大值大于阈值，则判断待测燃料电池车出现故障。
在上述的实施例中，还包括根据待测燃料电池车的故障状态对其工作状态进行调节或报警提示。
具体地，参考图2至图4，在本发明的一个实施例中，燃料电池车远程故障监测方法包括：
步骤一：远程监控单元通过5G通信获取车载监控终端单元发送过来的高压氢气压力PH、进堆氢气压力PH＿in、出堆氢气压力PH＿out、进堆空气温度TAir＿in、进堆空气压力PAir＿in、进堆空气流量FAir＿in、进堆循环水温度TCoolant＿in、出堆循环水温度TCoolantL＿out、出堆循环水压力PCoolant＿out、尾气阀开关状态Spurge、比例调节阀开度OWalve、空压机转速Vair、氢气循环泵转速VH＿pump、总输出电流I和N个电堆电压值V1～VN；
步骤二：
将高压氢气压力PH、进堆氢气压力PH＿in、出堆氢气压力PH＿out、进堆空气温度TAir＿in、进堆空气压力PAir＿in、进堆空气流量FAir＿in、进堆循环水温度TCoolant＿in、出堆循环水温度TCoolantL＿out、出堆循环水压力PCoolant＿out、尾气阀开关状态Spurge、比例调节阀开度OWalve、空压机转速Vair、氢气循环泵转速VH＿pump、总输出电流I输入到上述保存好的神经网络模型，得出N个电堆的神经网络模型预测电压值V’1～V’N。
步骤三：如图4所示，将N个电堆的神经网络模型预测电压值V’1～V’N依次与N个电堆电压实际值V1～VN进行比较得到各个电堆电压偏差ΔV1～ΔVN，若电压偏差最大值大于设定的最低门槛阈值Vth(即max{ΔV1，ΔV2，…，ΔVN}≥Vth)，则判断燃料电池发动机出现故障，同时在上位机上进行声光报警提示，并将故障判断结果通过5G发送给车载监控终端单元，车载监控终端单元通过CAN总线发送给整车控制器和燃料电池控制器，由它们对燃料电池发动机的工作状态进行调节。
实施例2
参考图5，本发明的第二方面，提供了一种燃料电池车远程故障监测***1，包括：获取模块11，用于远程获取待测燃料电池车的动力***的多个参数信息；预测模块12，将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；判断模块13，根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
参考图6，在本发明的一些实施例中，所述获取模块11包括采集模块和通信模块，所述采集模块，用于采集待测燃料电池车的动力***的多个参数信息；所述通信模块，通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。
具体地，车载监控终端单元通过CAN总线与整车动力通信单元进行通信获取燃料电池车整车动力***各单元的报文信息，然后通过5G通信模块与远程监控单元进行信息交互；远程监控单元首先收集和存储车载监控终端单元发送过来的整车动力***正常运行时的多种参数和状态信息，以燃料电池发动机的各个电堆输出电压值作为输出，以燃料电池发动机的空气回路、氢气回路和冷却回路的参数和状态为输入，通过训练上位机内嵌的神经网络构建燃料电池发动机的输入输出模型，然后通过实时接收车载监控终端单元发送过来的整车动力***参数信息输入给训练好的神经网络模型，得出燃料电池发动机各个电堆电压的预测值，并与车载监控终端单元发送过来的各个电堆电压的实际值进行比较，若偏差大于设定阈值则判断燃料电池发动机运行出现故障，然后进行报警提示，并把故障信息发送给车载监控终端单元进行现场实时显示。
整车动力通信单元通过整车动力CAN网络将燃料电池发动机、升压DC/DC、整车控制器、动力电池组、电机、氢气供给***进行连接和信息交互；
车载监控终端单元通过CAN总线与整车动力***进行通信获取各个部件的CAN报文信息，并通过5G通信模块与远程监控单元进行通信：
远程监控单元如获取车载监控终端单元发送过来的整车动力***所有正常信息和状态，利用上位机建立燃料电池发动机的输入和输出神经网络模型，同时根据接收到的燃料电池发动机参数和状态信息输入到建立好的神经网络模型对燃料电池发动机多个电堆的输出电压进行预测。
车载监控终端单元通过CAN总线与整车动力通信单元的燃料电池控制器、整车控制器、升压DC/DC、电池管理单元、电机控制器和氢气管理单元相连进行通信，远程监控单元通过与车载监控终端单元进行5G通信获取燃料电池发动机正常运行时的高压氢气压力PH、进堆氢气压力PH＿in、出堆氢气压力PH＿out、进堆空气温度TAir＿in、进堆空气压力PAir＿in、进堆空气流量FAir＿in、进堆循环水温度TCoolant＿in、出堆循环水温度TCoolantL＿out、出堆循环水压力PCoolant＿out、尾气阀开关状态Spurge、比例调节阀开度OWalve、空压机转速Vair、氢气循环泵转速VH＿pump、总输出电流I和N个电堆电压值V1～VN，并以获取的每间隔一秒的高压氢气压力PH、进堆氢气压力PH＿in、出堆氢气压力PH＿out、进堆空气温度TAir＿in、进堆空气压力PAir＿in、进堆空气流量FAir＿in、进堆循环水温度TCoolant＿in、出堆循环水温度TCoolantL＿out、出堆循环水压力PCoolant＿out、尾气阀开关状态Spurge、比例调节阀开度OWalve、空压机转速Vair、氢气循环泵转速VH＿pump、总输出电流I为神经网络输入，以N个电堆电压值V1～VN为神经网络输出，利用上位机训练神经网络直至训练误差低于设定值，然后保存训练好的神经网络模型。
实施例3
参考图7，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的燃料电池车远程故障监测方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图7中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD－ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种燃料电池车远程故障监测方法，其特征在于，包括：
远程获取待测燃料电池车的动力***的多个参数信息；
将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；
根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
2.根据权利要求1所述的燃料电池车远程故障监测方法，其特征在于，所述远程获取待测燃料电池车的动力***的多个参数信息包括如下步骤：
采集待测燃料电池车的动力***的多个参数信息；
通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。
3.根据权利要求1所述的燃料电池车远程故障监测方法，其特征在于，所述训练好的神经网络模型通过如下步骤训练：
获取燃料电池车在不同运行状态下的动力***的多个参数信息和对应电堆的电压值，并将其分别作为样本和标签，构建样本集；
对所述多个参数信息进行特征提取，并将其映射到多维向量中；
利用所述多维向量和样本集，训练神经网络模型，直至其误差趋于稳定且低于阈值，得到训练好的神经网络模型。
4.根据权利要求3所述的燃料电池车远程故障监测方法，其特征在于，所述多个参数信息包括燃料电池发动机的每条空气回路、氢气回路和冷却回路各自的参数和状态信息。
5.根据权利要求1所述的燃料电池车远程故障监测方法，其特征在于，所述根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障包括：
将每个电堆电压的预测值与其对应的电堆实际值进行比较，得到多个电堆电压偏差；
若多个电堆电压偏差中的最大值大于阈值，则判断待测燃料电池车出现故障。
6.根据权利要求1至5中任一项所述的燃料电池车远程故障监测方法，其特征在于，还包括根据待测燃料电池车的故障状态对其工作状态进行调节或报警提示。
7.一种燃料电池车远程故障监测***，其特征在于，包括：
获取模块，用于远程获取待测燃料电池车的动力***的多个参数信息；
预测模块，将所述动力***的多个参数信息输入到训练好的神经网络模型中，得到燃料电池发动机内的多个电堆电压的预测值；
判断模块，根据所述燃料电池发动机内的每个电堆电压的预测值判断待测燃料电池车是否出现故障。
8.根据权利要求7所述的燃料电池车远程故障监测***，其特征在于，所述获取模块包括采集模块和通信模块，
所述采集模块，用于采集待测燃料电池车的动力***的多个参数信息；
所述通信模块，通过5G通信模块远程获取待测燃料电池车的动力***的多个参数信息。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的燃料电池车远程故障监测方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的燃料电池车远程故障监测方法。
CN202110993384.1A 2021-08-26 2021-08-26 一种燃料电池车远程故障监测方法及*** Active CN113547919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110993384.1A CN113547919B (zh) 2021-08-26 2021-08-26 一种燃料电池车远程故障监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110993384.1A CN113547919B (zh) 2021-08-26 2021-08-26 一种燃料电池车远程故障监测方法及***

Publications (2)

Publication Number Publication Date
CN113547919A true CN113547919A (zh) 2021-10-26
CN113547919B CN113547919B (zh) 2023-03-24

Family

ID=78134331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110993384.1A Active CN113547919B (zh) 2021-08-26 2021-08-26 一种燃料电池车远程故障监测方法及***

Country Status (1)

Country Link
CN (1) CN113547919B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115000467A (zh) * 2022-06-06 2022-09-02 深圳市氢蓝时代动力科技有限公司 燃料电池***及其空气流量故障的控制方法、存储介质
CN115986172A (zh) * 2023-03-17 2023-04-18 北京新研创能科技有限公司 一种用于氢燃料电池的监测***及方法
CN116544458A (zh) * 2023-07-04 2023-08-04 国家电投集团氢能科技发展有限公司 燃料电池***的故障告警方法及其装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015165453A (ja) * 2014-02-28 2015-09-17 三菱日立パワーシステムズ株式会社 燃料電池の異常検知装置及びその方法並びに燃料電池システム
CN109283469A (zh) * 2018-09-21 2019-01-29 四川长虹电器股份有限公司 电池管理***故障预测方法、装置及可读存储介质
CN110112442A (zh) * 2018-02-01 2019-08-09 郑州宇通客车股份有限公司 一种燃料电池***控制方法及装置
CN110165248A (zh) * 2019-05-27 2019-08-23 湖北工业大学 燃料电池发动机空气供给***容错控制方法
CN112117475A (zh) * 2020-09-30 2020-12-22 国网四川省电力公司经济技术研究院 一种燃料电池水管理子***故障检测装置及方法
CN112505572A (zh) * 2020-11-20 2021-03-16 山东氢探新能源科技有限公司 一种基于单体电压差异性的燃料电池故障诊断装置及方法
CN112563542A (zh) * 2020-12-08 2021-03-26 上海重塑能源科技有限公司 燃料电池在线检测方法及检测***
CN112763929A (zh) * 2020-12-31 2021-05-07 华东理工大学 一种储能电站***电池单体健康预测方法及装置
CN112986827A (zh) * 2021-04-12 2021-06-18 山东凯格瑞森能源科技有限公司 一种基于深度学习的燃料电池剩余寿命预测方法
CN113224355A (zh) * 2021-05-06 2021-08-06 永安行科技股份有限公司 氢燃料电池电堆的在线监测方法、***及使用该监测方法的氢燃料电动车

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015165453A (ja) * 2014-02-28 2015-09-17 三菱日立パワーシステムズ株式会社 燃料電池の異常検知装置及びその方法並びに燃料電池システム
CN110112442A (zh) * 2018-02-01 2019-08-09 郑州宇通客车股份有限公司 一种燃料电池***控制方法及装置
CN109283469A (zh) * 2018-09-21 2019-01-29 四川长虹电器股份有限公司 电池管理***故障预测方法、装置及可读存储介质
CN110165248A (zh) * 2019-05-27 2019-08-23 湖北工业大学 燃料电池发动机空气供给***容错控制方法
CN112117475A (zh) * 2020-09-30 2020-12-22 国网四川省电力公司经济技术研究院 一种燃料电池水管理子***故障检测装置及方法
CN112505572A (zh) * 2020-11-20 2021-03-16 山东氢探新能源科技有限公司 一种基于单体电压差异性的燃料电池故障诊断装置及方法
CN112563542A (zh) * 2020-12-08 2021-03-26 上海重塑能源科技有限公司 燃料电池在线检测方法及检测***
CN112763929A (zh) * 2020-12-31 2021-05-07 华东理工大学 一种储能电站***电池单体健康预测方法及装置
CN112986827A (zh) * 2021-04-12 2021-06-18 山东凯格瑞森能源科技有限公司 一种基于深度学习的燃料电池剩余寿命预测方法
CN113224355A (zh) * 2021-05-06 2021-08-06 永安行科技股份有限公司 氢燃料电池电堆的在线监测方法、***及使用该监测方法的氢燃料电动车

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
全睿 等: "基于模糊神经网络的燃料电池发动机故障诊断", 《华中科技大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115000467A (zh) * 2022-06-06 2022-09-02 深圳市氢蓝时代动力科技有限公司 燃料电池***及其空气流量故障的控制方法、存储介质
CN115986172A (zh) * 2023-03-17 2023-04-18 北京新研创能科技有限公司 一种用于氢燃料电池的监测***及方法
CN116544458A (zh) * 2023-07-04 2023-08-04 国家电投集团氢能科技发展有限公司 燃料电池***的故障告警方法及其装置

Also Published As

Publication number Publication date
CN113547919B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN113547919B (zh) 一种燃料电池车远程故障监测方法及***
CN111653840B (zh) 一种预警方法、装置、设备及存储介质
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
EP4198531A1 (en) Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network
CN114148216B (zh) 电池自放电率异常检测方法、***、设备及存储介质
CN113310647B (zh) 电池包泄露检测的方法、装置、电子设备及存储介质
CN110146817A (zh) 锂电池故障的诊断方法
CN115983084A (zh) 一种燃料电池剩余使用寿命预测方法、***、设备及终端
CN111812518A (zh) 电池状态监控方法、存储介质和***
CN113283491A (zh) 一种基于优化深度置信网络的电动汽车交流充电桩的故障诊断方法
WO2021088216A1 (zh) 电池组荷电状态数据检测方法、装置、介质、终端及汽车
CN114994543A (zh) 储能电站电池故障诊断方法、装置及存储介质
CN106248398B (zh) 一种汽车的诊断方法及装置
Gong et al. Hardware-in-the-loop simulation of uav for fault injection
CN112803581B (zh) 低压联络柜的智能供电控制方法、***及装置
Klass et al. Lifelong performance monitoring of PEM fuel cells using machine learning models
CN114779098B (zh) 一种锂离子电池的状态评估方法及***
CN115933619A (zh) 一种远程诊断方法、***、电子设备及存储介质
CN116031508A (zh) 一种基于深度学习的锂离子电池管理***及方法
CN116706157A (zh) 燃料电池车辆及排氢阀/排水阀故障诊断方法和装置
Salahudin et al. Design of Remote Terminal Unit (RTU) Panel Supply Monitoring Based on IOT Case Study at PLN
Wang Remaining Useful Life Prediction of Proton Exchange Membrane Fuel Cell Based on Deep Learning
CN102073015A (zh) 基于频谱分析的质子交换膜燃料电池的在线故障诊断方法
CN112034355B (zh) 蓄电池状态的评估方法及评估装置
CN117022032B (zh) 基于显示屏的新能源汽车取电方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant