CN113962259A - 一种燃料电池***多模式双层故障诊断方法 - Google Patents

一种燃料电池***多模式双层故障诊断方法 Download PDF

Info

Publication number
CN113962259A
CN113962259A CN202111181938.4A CN202111181938A CN113962259A CN 113962259 A CN113962259 A CN 113962259A CN 202111181938 A CN202111181938 A CN 202111181938A CN 113962259 A CN113962259 A CN 113962259A
Authority
CN
China
Prior art keywords
fault
data
fuel cell
support vector
vector machine
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
CN202111181938.4A
Other languages
English (en)
Other versions
CN113962259B (zh
Inventor
章仕起
郭小强
魏玉鹏
杨勇
宋柳
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.)
Yanshan University
Original Assignee
Yanshan University
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 Yanshan University filed Critical Yanshan University
Priority to CN202111181938.4A priority Critical patent/CN113962259B/zh
Publication of CN113962259A publication Critical patent/CN113962259A/zh
Application granted granted Critical
Publication of CN113962259B publication Critical patent/CN113962259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种燃料电池***多模式双层故障诊断方法，涉及氢储能电池技术领域，包括采集的燃料电池***运行数据，其包含温度、电压、电流、流量和湿度，之后对运行数据进行筛选和预处理，基于不同工作状态下，通过多元高斯分布故障检测算法对故障进行初步检测，筛选出故障运行时的数据，利用典型故障运行数据训练支持向量机故障诊断算法。之后通过改进的协方差公式提取有效故障数据，再利用训练好的支持向量机算法对故障运行时的有效故障数据进行故障分类，其类型分为低压故障、高压故障、膜干故障和低空气过量系数故障，最后利用交叉验证方法验证模型检测的准确率。本发明能及时、准确对燃料电池***进行定位与诊断。

Description

一种燃料电池***多模式双层故障诊断方法
技术领域
本发明涉及氢储能电池技术领域，特别是涉及一种燃料电池故障诊断方法。
背景技术
燃料电池作为一种电化学反应装置，可将氢气中蕴含的化学能直接转化为电能供给负载，整个过程不涉及燃烧反应，因此不受卡诺循环限制，具有清洁无污染、功率密度率高、启动速度快及运行噪音小等优势，目前己被广泛应用于交通运载、固定式发电等领域。
目前，针对燃料电池故障诊断方面的研究主要集中在对诊断算法、数据处理算法及锂燃料电池方面。
电池***故障诊断方法可分为四类：基于模型的方法，基于信号处理的方法，数据驱动的方法和基于知识的方法，如图2所示。
在基于模型的故障诊断方法中，使用燃料电池的数学模型获取故障信息参数，这些参数通常是一组残差信号，将其与故障阈值进行比较，以确定***是否存在故障。当发生故障时，残留信号值将偏离其正常范围，并且可以将其与阈值进行比较以确定故障的发生。基于模型的方法主要包括残差生成和残差评估两个步骤，其中残差生成方法有三种：状态估计方法、参数估计方法和奇偶校验空间方法。基于信号处理的方法有小波变换法、概率分布检测法等，当电池故障时，故障信息通过传感器收集，再通过频谱分析，在频域中确定电池***的状态。基于数据驱动的燃料电池故障诊断算法有：信息熵、局部离群因子等。
已有燃料电池故障诊断方法未考虑燃料电池的多种工作模式，同时，现有燃料电池故障诊断模型主要采用单层算法，单层的诊断模型无法满足氢储能***故障诊断快速、稳定、准确的需求。
发明内容
本发明需要解决的技术问题是提供一种燃料电池***多模式双层故障诊断方法，准确实现燃料电池故障的定位与诊断，有效提高燃料电池故障诊断速度，增加燃料电池故障诊断的精确度。
为解决上述技术问题，本发明所采用的技术方案是：
一种燃料电池***多模式双层故障诊断方法，包括以下步骤：
(1)采集燃料电池故障与正常运行数据；
(2)预处理采集到的燃料电池数据，预处理的数据包含温度、电压、电流、流量以及湿度；
(3)对经过预处理的燃料电池运行数据进行初步检测，带入多模式的多元高斯分布故障检测的模型，判读***是否发出故障，并筛选出故障运行数据，将典型的故障数据训练支持向量机算法模型；
(4)利用改进的协方差公式，提取有效故障数据；
(5)利用支持向量机算法对有效故障运行数据进行故障诊断，其故障类型包括低压故障、高压故障、膜干故障以及低空气过量系数故障；
(6)通过交叉验证算法，分别验证多模式的多元高斯分布故障检测的模型和支持向量机算法检测的准确率；
(7)输出燃料电池故障类型和诊断准确率。
本发明技术方案的进一步改进在于：在步骤(2)中，首先将数据进行离散余弦变换，使数据从时域变换到频域，并将高频级的幅频特性数据通过离散余弦逆变换为时域数据，通过设置适合的截止频率，得到相应的滤波后的数据，之后利用小波包分析提取故障特征值。
本发明技术方案的进一步改进在于：在步骤(3)中，构建高、中、低不同负荷状态的燃料电池多元高斯分布故障检测模型，根据设备所处工作状态带入对应的多元高斯分布故障检测模型进行故障检测，并利用典型故障运行数据训练支持向量机故障诊断模型。
本发明技术方案的进一步改进在于：在步骤(4)中，经过多元高斯分布故障检测算法确定的异常值，将异常值导入改进的协方差公式提取有效的故障数据；
标准协方差公式为：
Figure BDA0003297618570000031
其中
Figure BDA0003297618570000032
是x1和x2之间的协方差值，它是一个无单位的值；
燃料电池运行数据的协方差波动值主要包括两个部分，可以表示为：
ΔC＝ΔC1+ΔC2
其中，ΔC1是相对差异，ΔC2是数据差异；因为存在ΔC2，协方差数据变化幅度不明显，为了消除该影响，将每组数据与平均值进行比较，应用改进的协方差公式：
Figure BDA0003297618570000033
Figure BDA0003297618570000034
是单元格i和单元格j之间的第a个未修改的协方差值，
Figure BDA0003297618570000035
是
Figure BDA0003297618570000036
的对应的修改值，k是燃料电池的数量，a表示协方差矩阵的第a秒的值。
本发明技术方案的进一步改进在于：步骤(5)中，将提取出的有效故障数据导入已经训练好的支持向量机模型，通过支持向量机算法实现对故障类型的诊断。
本发明技术方案的进一步改进在于：在步骤(6)中，分别利用交叉验证方法计算并显示多元高斯分布故障检测的模型准确率、支持向量机故障诊断模型准确率和多模式双层故障诊断方法总准确率。
由于采用了上述技术方案，本发明取得的技术进步是：
本发明准确实现燃料电池故障的定位与诊断，有效提高燃料电池故障诊断速度，增加燃料电池故障诊断的精确度。
本发明采用了基于多元高斯分布和基于支持向量机的双层燃料电池故障诊断算法，有效的提升了燃料电池故障诊断的诊断速度和诊断精度。
本发明通过燃料电池的不同工作模式来构建不同故障诊断模型，从而有效提高诊断精度和诊断速度。本发明分别构建了高、中、低不同负荷状态的燃料电池多元高斯分布故障检测模型，增加了诊断方法的适用性，提高了燃料电池故障诊断的精度。
本发明采用改进的协方差公式提取有效故障数据，提高了故障数据与正常运行状态下数据差别，有利于确定燃料电池当前的工作状态，提高了采集数据的识别度和挖掘能力，改进协方差公式有效提高数据的有效性，同时满足氢储能***故障诊断快速、稳定、准确的需求。
本发明采用双层燃料电池故障诊断算法，不仅可以实现燃料电池故障的识别和定位还可以实现燃料电池故障类型的诊断。
本发明提出一种基于燃料电池不同工作状态的双层燃料电池故障诊断算法，有效提高燃料电池故障诊断速度，增加燃料电池故障诊断的精确度。
本发明中对原始特征矩阵首先进行均值规范化处理，再代入多元高斯分布公式计算训练集概率分布即可，同时对训练集数据做标准化处理，并绘制等高线，便于诊燃料电池故障。
附图说明
图1是本发明的燃料电池***多模式双层故障诊断方法流程图；
图2是燃料电池***故障诊断方法分类图；
图3是标准化训练集等高线图；
图4是多元高斯分布故障检测结果图；
图5是支持向量机算法流程图；
图6是三种故障数据归一后的散点图；
图7是故障分类结果；
图8是故障诊断结果对比图。
具体实施方式
下面结合实施例对本发明做进一步详细说明：
如图1所示，一种燃料电池***多模式双层故障诊断方法，具有很高的研究价值和实际应用价值，包括以下步骤：
1、通过数据集的仿真采集燃料电池故障与正常运行数据
首先通过SIMULINK生成燃料电池不同故障状态下数据集，为了进一步验证燃料电池***多模式双层故障诊断方法的可靠性与稳定性，通过SIMULINK首先构燃料电池模型。通过对燃料电池放电曲线进行特征和参数提取进行建模。选取以下4种类型的故障，分别为：低压故障、高压故障、膜干故障和低空气过量系数故障。
2、数据预处理
目前，燃料电池数据挖掘的研究工作大都集中在算法的探讨而忽视对数据处理的研究。实际上，燃料电池的数据预处理对数据挖掘十分重要，一些成熟的算法对其处理的数据集合都有一定的要求：比如数据的完整性好，冗余性小，属性的相关性小等。
数据预处理是燃料电池数据挖掘的重要一环，而且必不可少。要使挖掘算法挖掘出有效的特征，必须为其提供准确、简洁的数据。然而，实际应用***中收集的数据通常含有大量异常数据。
本发明设计的数据预处理的流程如图3所示。数据预处理主要包含：导入燃料电池***运行数据，温度、电压、电流、流量和适度数据提取，余弦滤波处理，燃料电池故障特征提取和导入到多元高斯分布故障检测算法。
(1)离散余弦滤波
离散余弦变换(DCT)是对实信号定义的一种变换，变换后在频域中得到的也是一个实信号，相比DFT而言，DCT可以减少一半以上的计算。DCT还有一个很重要的性质(能量集中特性)：大多书自然信号(声音、图像)的能量都集中在离散余弦变换后的低频部分，因而DCT在(声音、图像)数据压缩中得到了广泛的使用。应用离散余弦变换可以从收集的数据中提取噪声特征。
长度为N的一维序列的离散余弦变换定义为：
Figure BDA0003297618570000061
其中u＝0，1，2，3…N-1。
Figure BDA0003297618570000062
其中，C(u)是第u个余弦变换系数，u是广义频率变量；N是原始信号数；α(u)是补偿系数，可以使DCT变换矩阵作为正交矩阵。
离散余弦逆变换(IDCT)是DCT的逆变换，可以从DCT系数曲线中获得相应的时域数据曲线。
(2)利用小波包分析提取故障特征值
小波包分析可以实现对不同频段的信号的抑制或者增强。分析各类电池故障的数据参数，当***发生故障时，其幅频特性和相频特性都会有一定的变化。小波包分解是将带分解的信号通过一个高通滤波器和一个低通滤波器进行滤波得到一组低频信号和一组高频信号。而每次分解后的低频和高频信号的长度各为原始信号的一半，两者之和等于信号的长度，也就是说分解的结果没有造成信号的损失。因此，本发明可以用三层小波包分解的第3层各个频段的信号的能量组合作为故障特征向量。
如果假定Si，j表示小波包分解重构后得到的第i层，第j频段的重构信号，其中i＝0，1，2，3…；j＝0，1，2，3，…，2j-1，可得小波包第i层的信号重构Si为:
Figure BDA0003297618570000071
根据巴赛伐尔定理可以得到，信号的能量E可以有以下的公式：
Figure BDA0003297618570000072
由此，可推导出，小波包分析结果第i层，第j频段信号能量Ei，j为：
Figure BDA0003297618570000073
其中，Ci，j为第j个频段上分解后得到的小波包系数；n为小波包的总个数。
3、多元高斯分布故障检测算法
对经过预处理的燃料电池运行数据进行初步检测，带入多模式的多元高斯分布故障检测的模型，判读***是否发出故障，并筛选出故障运行数据，将典型的故障数据训练支持向量机算法模型。
传统基于高斯分布建立的异常检测算法，需要包含假设前提，不同特征之间不存在关联性。本发明选择的温度、电压、电流、流量和湿度是相关的特征参量。为验证五个变量相关性，以温度、电压为例，利用SPSS计算量的皮尔逊相关系数，结果如表1所示。
表1基于SPSS的相关性分析
Figure BDA0003297618570000074
结果表明：其相关性较高。在这种情况下，建立的普通高斯分布模型不能很好的识别异常数据。基于此，建立一种基于多元高斯分布的异常检测算法是十分必要的。
(1)多元高斯分布故障诊断算法理论分析
将数据预处理完成的数据，包含燃料电池单体温度、电压、电流、流量和湿度，在燃料电池单体出现故障的情况，这5种数据分别会出现不同程度的变化，但它们关系并不独立，对此本发明使用多元高斯分布来检测异常。
上述三种数据集均服从高斯分布，各维度之间的关系通过协方差矩阵来描述。对期望向量的估计如下，其中w为滑动窗口宽度，共有N-w+1次历史观测数据残差值，μ为平均值，μ∈Rm；∑∈Rm*n，∑为协方差矩阵，z∈Rm，z代表观测不同样本值的残差值。
Figure BDA0003297618570000081
Figure BDA0003297618570000082
求数据集的标准化残差值z*，使用以上训练得到的多元高斯分布模型计算概率值为p(z*)，m表示输入变量的种数，具体公式如下。
Figure BDA0003297618570000083
将计算出来的概率与阈值ε进行比较，若该概率值小于ε，则认为此时对应燃料电池单体异常。阈值ε利用验证集来获取，这里验证集是有着真实标签的历史燃料电池检测值，通过验证集来获取最优概率阈值，进而通过该阈值，判断是否为异常。其流程如下。
1)对验证集里的每个样本利用p(z*)公式得到概率值。
2)循环遍历所有的验证集计算出来的概率值，让阈值等于其中每一个概率值，做如下处理：
验证集的所有概率值与阈值进行比较，如果大于阈值则判断为正常，小于阈值，则判断为异常。
统计以下几个值：TP(true positive)，模型将标签为正常的监测值判定为正常的数量；FN(false negative)，模型将标签为正常的监测值判定为异常的数量；FP(falsepositive)，模型将标签为异常的监测值判定为正常的数量；FN(false negative)，模型将标签为异常的监测值判定为异常的数量。
计算F1值，公式为：
Figure BDA0003297618570000091
经过以上步骤的遍历，得到最高的F1值，把相应的概率定为最佳阈值ε。
(2)多元高斯分布故障诊断结果
输入已处理好的有效数据(包含一段时间内的温度、电压、电流、流量和湿度)，将其导入多元高斯分布故障检测算法模型，实现对燃料电池运行故障的检测及定位。为了直观展示故障检测结果，所以本发明采用案例为二元高斯分布故障检测模型，导入温度和电压的运行数据后，使用基于多元高斯分布的异常检测模型，此时协方差矩阵需要基于训练集X进行下式计算。
Figure BDA0003297618570000092
对原始特征矩阵，首先进行均值规范化处理，再代入多元高斯分布公式计算训练集概率分布即可，同时对训练集数据做标准化处理，并绘制等高线，便于诊燃料电池故障。如图4所示。
通过将训练集导入多元高斯分布模型，通过方差和均值计算出异常值的取值区间，并且将测试集带入训练完成的多元高斯分布故障检测模型中进行故障检测。其故障检测结果如图5所示，其中标记点为异常值。
在***的第一层多元高斯分布故障检测算法中应用交叉验证的方法，选定2800组数据导入测试集，利用Python交叉验证计算第一层算法的准确率。结果显示准确率为96.5％，运算时间为0.021s，第一层多元高斯分布故障检测算法可以判断故障的发生时间和位置。Python程序交叉验证输出结果如下所示。
Best epsilon found using cross-validation:2.1319e-03
Best F1 on Cross Validation Set:0.117647
#Outliers found:12
(you should see a value epsilon of about 1.38e-18，F1 of about 0.965，and 117outliers)
4、改进的协方差公式提取有效的故障数据
经过多元高斯分布故障检测算法确定的异常值，将异常值导入改进的协方差公式提取有效的故障数据。
标准协方差公式为：
Figure BDA0003297618570000101
其中
Figure BDA0003297618570000102
是x1和x2之间的协方差值，它是一个无单位的值。
燃料电池运行数据的协方差波动值主要包括两个部分，可以表示为：
ΔC＝ΔC1+ΔC2
其中ΔC1是相对差异，是燃料电池故障的主要相关函数，是故障识别的主要参数。ΔC2是数据差异，受到燃料电池功率波动影响。因为存在ΔC2，协方差数据变化幅度不明显，为了消除该影响，将每组数据与平均值进行比较，应用改进的协方差公式：
Figure BDA0003297618570000103
Figure BDA0003297618570000104
单元格i和单元格j之间的第a个未修改的协方差值，
Figure BDA0003297618570000105
是对应的修改值，k表示燃料电池的数量，a是协方差矩阵的第a秒值。
5、利用支持向量机算法对有效故障运行数据进行故障诊断
(1)支持向量机算法理论分析
经过多元高斯分布故障检测算法确定的异常值，将异常值导入已经训练完成的支持向量机算法，通过支持向量机算法实现对故障类型的诊断。图6为支持向量机算法的流程图。
支持向量机算法的机理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化。理论上，支持向量机能够实现对线性可分数据的最优分类。支持向量机算法采用结构风险最小化原则，试图在高维特征空间中找到一个最优超平面，可以将训练样本(xi，yi)，i＝1，2，…，n)准确无误的分开，其中xi为训练样本输入，yi为训练样本输出。该超平面的表达式为：
Figure BDA0003297618570000111
上式中，w为权值矢量；b为阈值；
Figure BDA0003297618570000112
为目标函数。
寻找最优平面问题可以归纳为优化问题，即
Figure BDA0003297618570000113
上式中C为惩罚参数；ξi为非负松弛因子。
为了解决该个约束最优化问题，引入Lagrange函数：
L(w，b，a)＝1/2||w||-a(y((w·x)+b)-1)
式中，ai＞0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化的问题在鞍点处满足w和b的偏导数为0，将该QP的问题转换为相应的对偶问题为：
Figure BDA0003297618570000114
Figure BDA0003297618570000115
解得最优解
Figure BDA0003297618570000116
计算最优权值向量w*和最优解偏置b*，分别为：
Figure BDA0003297618570000121
Figure BDA0003297618570000122
通过一系列求解得到样本最优分类决策函数。
Figure BDA0003297618570000123
上式中
Figure BDA0003297618570000124
为最优拉格朗日乘子；K(xi，xj)是核函数，b*为分类的阈值，并且
Figure BDA0003297618570000125
xj表示不同于xi的样本点。
惩罚因子C和核函数参数σ有两个变量确定故障分类算法的准确性。如果C值太大，则分类器容易产生过度拟合，从而影响算法的泛化能力。如果C值太小，则分类器将不能准确识别错误，从而导致分类精度低。而参数σ是内核函数中的一个基本参数，它影响支持向量机算法的复杂性。综上，C和σ是影响支持向量机算法分类器性能的关键参数。
为了提高支持向量机算法分类器的准确性和适用性，本发明拟使用网格搜索方法来优化其参数。网格搜索算法的主要思路是在待搜索的参数空间内，根据设置的搜索步长将该空间进行网格划分并对网格中每一个节点进行参数组取值，然后将各参数组代入支持向量机算法中，利用参数评价方式对其进行评估，最后将能够使支持向量机算法达到最优性能的参数组确定为最终参数。
(2)支持向量机算法故障诊断结果
将多元高斯分布诊断出的故障数据导入支持向量机故障诊断模型，首先对数据归一化处理，用meshgrid函数画出网格，并将网格点作为测试样本。计算每个测试样本的得分。代码中scores是一个多行三列的向量，每一列代表此种分类的可能性大小。
采用三分类检测支持向量机故障诊断效果，利用MATLAB绘制出归一后的故障散点分布如图6所示，三种颜色的点分别代表三种类型的故障，故障分别是低压故障、高压故障、膜干故障。
本发明利用one-against-all实现三种类型故障的分类。one-against-all原理可理解为有一堆样本，打算分成3类。那么本发明先取第1类训练标记为(1)。其他5类都是(-1)。这样经过一次SVM就可以得到第1类。然后本发明对(-1)中的5类继续做上述操作，分出第2类。再以此类对，逐渐把第3、第4类分出来……直至分完。
故障分类以三种故障类型为例，其中故障分类结果如图7所示，二维显示训练样本和测试样本。其中将不同的预测分类结果用不同的颜色展示。
在***的第二层支持向量机算法中应用交叉验证的方法，选定训练集33.3％的数据组导入测试集(2800组数据)，利用Python交叉验证计算第二层算法的准确率。结果显示准确率为98％，运算时间为0.13s，其运算时间以及准确率满足项目要求，第二层算法向量机算法故障诊断模型可以诊断出不同的故障类型。Python程序交叉验证输出结果如下所示。
overall accuracy:0.98
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
acc_for_each_class:
[1.1.]
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
average accuracy:0.98
6、交叉验证(CV)
分别验证多模式的多元高斯分布故障检测的模型和支持向量机算法检测的准确率。CV是用于验证分类算法性能的一种统计方法。其核心思想是将原始数据分组，一部分作为训练集，另一部分作为验证集。训练集用于训练分类器，然后验证集用于测试训练模型的准确性，该训练模型用于评估分类器的性能。
通常，原始数据分为N组，每组均被验证一次，在验证任意一组的过程中，其余的N-1组用作训练集。以此方式，获得N个模型，将N个模型的最终验证集的分类精度平均值用作分类器的性能指标。该方法可以有效避免出现过度学习和学习不足的状态，其结果具有一定的实用性，本发明将采用此种算法验证模型的准确率。其具体实现流程如下。
(1)从全部的训练数据T中随机选择70％的样本作为训练集Ttrain，剩余的30％作为测试集Tcv。
(2)在Ttrain上训练每一个M，得到模型Fi。
(3)在Tcv上测试每一个Fi，得到相应的预测误差e。
(4)选择具有最小预测误差的作为最佳模型。
本发明采用的这种方法称为hold-outcross validation或者称为简单交叉验证由于测试集是和训练集中是两部分，因此预测误差接近于真实误差(generalizationerror)。本发明测试集的比例占全部数据的33.3％。同时，可以对模型作改进，当选出最佳的模型M后，再在全部数据T上做一次训练，显然训练数据越多，模型的参数越准确。
7、对比分析
为验证多模式双层故障检测算法模型的诊断效果，这里分别采用SVM算法、KNN算法和临近森林算法这三种单层传统机器学习方法与之进行对比，在相同样本数据的基础上对比验证本发明设计的多模式双层故障检测算法模型准确性与及时性。
(1)SVM算法：采用“One VS One”多分类策略，核函数分别选择了“线性(linear)函数”与“高斯径向基(RBF)函数”，并通过网格搜索方法对参数进行了寻优。
(2)KNN算法：利用欧氏距离计算样本间距，并通过网格搜索方法对邻近值进行寻优。
(3)随机森林算法(Random Forest)：随机森林是一种将多个决策树组合在一起的集成方法。随机森林算法采用Bootstrap采样方法从原始样本中提取多个样本，根据每个Bootstrap样本建立决策树模型，然后对多棵决策树的预测进行整合，通过投票得到最终结果。随机森林回归可以看作是一个集成了许多弱预测因子的强预测因子。
表2不同数据集结果对比
Figure BDA0003297618570000151
表2为4种方法的对比结果，结果显示：燃料电池***多模式双层故障诊断方法对于各状态的诊断效果要优于其他单层的机器学习方法。对比结果分析可知，该方法可以实时、准确的对燃料电池进行诊断。
为验证多模式双层故障诊断模型的有效性，在最差工况下，即数据集4中故障分类精度最低部分，将故障分类结果与非多模式双层故障诊断模型对比，对比结果如图8所示。图中红色突出部分为未进过多模式训练的双层故障诊断模型诊断错误部分；对比可见，经过以高、中、低不同负荷模式训练的故障诊断模型，相比于不区分模式的训练模型可以有效提高分类精度但并不会影响诊断速度。

Claims (6)

1.一种燃料电池***多模式双层故障诊断方法，其特征在于：包括以下步骤：
(1)采集燃料电池故障与正常运行数据；
(2)预处理采集到的燃料电池数据，预处理的数据包含温度、电压、电流、流量以及湿度；
(3)对经过预处理的燃料电池运行数据进行初步检测，带入多模式的多元高斯分布故障检测的模型，判读***是否发出故障，并筛选出故障运行数据，将典型的故障数据训练支持向量机算法模型；
(4)利用改进的协方差公式，提取有效故障数据；
(5)利用支持向量机算法对有效故障运行数据进行故障诊断，其故障类型包括低压故障、高压故障、膜干故障以及低空气过量系数故障；
(6)通过交叉验证算法，分别验证多模式的多元高斯分布故障检测的模型和支持向量机算法检测的准确率；
(7)输出燃料电池故障类型和诊断准确率。
2.根据权利要求1所述的一种燃料电池***多模式双层故障诊断方法，其特征在于：在步骤(2)中，首先将数据进行离散余弦变换，使数据从时域变换到频域，并将高频级的幅频特性数据通过离散余弦逆变换为时域数据，通过设置适合的截止频率，得到相应的滤波后的数据，之后利用小波包分析提取故障特征值。
3.根据权利要求1所述的一种燃料电池***多模式双层故障诊断方法，其特征在于：在步骤(3)中，构建高、中、低不同负荷状态的燃料电池多元高斯分布故障检测模型，根据设备所处工作状态带入对应的多元高斯分布故障检测模型进行故障检测，并利用典型故障运行数据训练支持向量机故障诊断模型。
4.根据权利要求1所述的一种燃料电池***多模式双层故障诊断方法，其特征在于：在步骤(4)中，经过多元高斯分布故障检测算法确定的异常值，将异常值导入改进的协方差公式提取有效的故障数据；
标准协方差公式为：
Figure FDA0003297618560000021
其中
Figure FDA0003297618560000022
是x1和x2之间的协方差值，它是一个无单位的值；
燃料电池运行数据的协方差波动值主要包括两个部分，可以表示为：
ΔC＝ΔC1+ΔC2
其中，ΔC1是相对差异，ΔC2是数据差异；因为存在ΔC2，协方差数据变化幅度不明显，为了消除该影响，将每组数据与平均值进行比较，应用改进的协方差公式：
Figure FDA0003297618560000023
Figure FDA0003297618560000024
是单元格i和单元格j之间的第a个未修改的协方差值，
Figure FDA0003297618560000025
是
Figure FDA0003297618560000026
的对应的修改值，k是燃料电池的数量，a表示协方差矩阵的第a秒的值。
5.根据权利要求1所述的一种燃料电池***多模式双层故障诊断方法，其特征在于：步骤(5)中，将提取出的有效故障数据导入已经训练好的支持向量机模型，通过支持向量机算法实现对故障类型的诊断。
6.根据权利要求1所述的一种燃料电池***多模式双层故障诊断方法，其特征在于：在步骤(6)中，分别利用交叉验证方法计算并显示多元高斯分布故障检测的模型准确率、支持向量机故障诊断模型准确率和多模式双层故障诊断方法总准确率。
CN202111181938.4A 2021-10-11 2021-10-11 一种燃料电池***多模式双层故障诊断方法 Active CN113962259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181938.4A CN113962259B (zh) 2021-10-11 2021-10-11 一种燃料电池***多模式双层故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181938.4A CN113962259B (zh) 2021-10-11 2021-10-11 一种燃料电池***多模式双层故障诊断方法

Publications (2)

Publication Number Publication Date
CN113962259A true CN113962259A (zh) 2022-01-21
CN113962259B CN113962259B (zh) 2022-06-03

Family

ID=79463785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181938.4A Active CN113962259B (zh) 2021-10-11 2021-10-11 一种燃料电池***多模式双层故障诊断方法

Country Status (1)

Country Link
CN (1) CN113962259B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868236A (zh) * 2021-09-29 2021-12-31 东风汽车有限公司东风日产乘用车公司 电动交通工具故障监测方法、设备及计算机可读存储介质
CN115308631A (zh) * 2022-10-09 2022-11-08 湖北工业大学 一种新能源汽车动力电池组故障诊断方法及***
CN115825756A (zh) * 2023-02-16 2023-03-21 中国华能集团清洁能源技术研究院有限公司 分散式储能电站故障多级诊断方法及***
CN116451142A (zh) * 2023-06-09 2023-07-18 山东云泷水务环境科技有限公司 一种基于机器学习算法的水质传感器故障检测方法
CN116972914A (zh) * 2023-09-22 2023-10-31 华夏天信智能物联股份有限公司 变频一体机智能测试方法和***
CN117113264A (zh) * 2023-10-24 2023-11-24 上海昊沧***控制技术有限责任公司 一种实时在线的污水厂溶解氧仪表异常检测的方法
FR3135786A1 (fr) * 2022-05-20 2023-11-24 Psa Automobiles Sa Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme
CN117233645A (zh) * 2023-11-15 2023-12-15 深圳鹏城新能科技有限公司 一种储能逆变器电池异常判定方法、***及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025338A (zh) * 2017-03-27 2017-08-08 北京工业大学 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
CN107360416A (zh) * 2017-07-12 2017-11-17 天津大学 基于局部多元高斯描述子的立体图像质量评价方法
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107025338A (zh) * 2017-03-27 2017-08-08 北京工业大学 一种基于递归rbf神经网络的污泥膨胀故障辨识方法
CN107360416A (zh) * 2017-07-12 2017-11-17 天津大学 基于局部多元高斯描述子的立体图像质量评价方法
CN109165687A (zh) * 2018-08-28 2019-01-08 哈尔滨理工大学 基于多分类支持向量机算法的车用锂电池故障诊断方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868236A (zh) * 2021-09-29 2021-12-31 东风汽车有限公司东风日产乘用车公司 电动交通工具故障监测方法、设备及计算机可读存储介质
FR3135786A1 (fr) * 2022-05-20 2023-11-24 Psa Automobiles Sa Systeme de prediction d’etat de sante ou de duree de vie restante d’une batterie de vehicule automobile, procede et programme sur la base d’un tel systeme
CN115308631A (zh) * 2022-10-09 2022-11-08 湖北工业大学 一种新能源汽车动力电池组故障诊断方法及***
CN115825756A (zh) * 2023-02-16 2023-03-21 中国华能集团清洁能源技术研究院有限公司 分散式储能电站故障多级诊断方法及***
CN116451142A (zh) * 2023-06-09 2023-07-18 山东云泷水务环境科技有限公司 一种基于机器学习算法的水质传感器故障检测方法
CN116972914A (zh) * 2023-09-22 2023-10-31 华夏天信智能物联股份有限公司 变频一体机智能测试方法和***
CN116972914B (zh) * 2023-09-22 2023-12-26 华夏天信智能物联股份有限公司 变频一体机智能测试方法和***
CN117113264A (zh) * 2023-10-24 2023-11-24 上海昊沧***控制技术有限责任公司 一种实时在线的污水厂溶解氧仪表异常检测的方法
CN117113264B (zh) * 2023-10-24 2024-02-09 上海昊沧***控制技术有限责任公司 一种实时在线的污水厂溶解氧仪表异常检测的方法
CN117233645A (zh) * 2023-11-15 2023-12-15 深圳鹏城新能科技有限公司 一种储能逆变器电池异常判定方法、***及介质
CN117233645B (zh) * 2023-11-15 2024-01-26 深圳鹏城新能科技有限公司 一种储能逆变器电池异常判定方法、***及介质

Also Published As

Publication number Publication date
CN113962259B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN113962259B (zh) 一种燃料电池***多模式双层故障诊断方法
CN102696025B (zh) 检测电化学装置缺陷的方法
CN102291392B (zh) 一种基于Bagging算法的复合式入侵检测方法
CN113807570B (zh) 基于XGBoost的水库大坝风险等级评估方法及***
CN111273623A (zh) 基于Stacked LSTM的故障诊断方法
CN111738309A (zh) 多尺度分析和集成学习的气敏传感器故障模式识别方法
CN114676742A (zh) 一种基于注意力机制和残差网络的电网异常用电检测方法
CN110765587A (zh) 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法
Gu et al. An improved sensor fault diagnosis scheme based on TA-LSSVM and ECOC-SVM
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN114091504A (zh) 一种基于生成对抗网络的旋转机械小样本故障诊断方法
Cheng et al. Slow feature analysis-aided detection and diagnosis of incipient faults for running gear systems of high-speed trains
CN116562114A (zh) 一种基于图卷积神经网络的电力变压器故障诊断方法
CN113255591A (zh) 一种基于随机森林和融合特征的轴承故障诊断方法
CN113707175B (zh) 基于特征分解分类器与自适应后处理的声学事件检测***
CN113627358A (zh) 一种多特征融合的道岔智能故障诊断方法及***和设备
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及***
CN116127398B (zh) 一种基于机理模型与多源数据融合的液压泵故障诊断方法
CN112287979A (zh) 一种基于互信息的储能电池状态判定方法
CN115564075B (zh) 一种城市电网主配一体故障协同诊断方法、***
CN113705920B (zh) 火电厂用水数据样本集的生成方法和终端设备
CN113988161B (zh) 一种用户用电行为模式识别方法
CN115456013A (zh) 基于运行数据的风电机组变流器功率模块故障诊断方法
CN113723835B (zh) 火电厂用水评估方法和终端设备
CN115084593B (zh) 一种基于非线性阻抗谱的燃料电池故障诊断方法

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