CN114429504B - 一种燃料电池汽车氢***微量泄漏诊断方法 - Google Patents
一种燃料电池汽车氢***微量泄漏诊断方法 Download PDFInfo
- Publication number
- CN114429504B CN114429504B CN202210352589.6A CN202210352589A CN114429504B CN 114429504 B CN114429504 B CN 114429504B CN 202210352589 A CN202210352589 A CN 202210352589A CN 114429504 B CN114429504 B CN 114429504B
- Authority
- CN
- China
- Prior art keywords
- data set
- training
- data
- pressure
- leakage
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
- B60L50/70—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by fuel cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
- G01M3/3236—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers
- G01M3/3272—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators by monitoring the interior space of the containers for verifying the internal pressure of closed containers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Fuel Cell (AREA)
Abstract
本发明涉及涉及氢***安全技术领域,特别是涉及一种燃料电池汽车氢***微量泄漏诊断方法,首先获取若干组不同工况和不同状态的训练数据;然后采用限幅值平均滤波法;其次将一维电压数据转化为二维灰度图像数据;在对卷积神经网络进行训练,最后将实时采集的数据区分工况后输入训练好的卷积神经网络就能得到氢***是否发生微量泄露。本发明去除了干扰信号,使电压体现出微量泄漏故障的特征;通过转化为灰度图像数据,将数据特征放大,继而能准确检测氢***的微量泄漏,增加氢***的安全性和可靠性。
Description
技术领域
本发明涉及氢***安全技术领域,特别是涉及一种燃料电池汽车氢***微量泄漏诊断方法。
背景技术
随着工业的发展、社会的进步和人员移动性的增强,全球汽车保有量持续增长,但传统内燃机汽车消耗化石燃料所排放的一氧化碳和碳氢化合物等,不仅加速温室效应,同时对环境造成不可逆的影响;2020年,中国石油消耗的76%需要依赖进口,而内燃机汽车的石油消耗占全国石油总需求的57%。因此,为了增强环境保护,弥补资源短缺,发展新能源汽车是理想途径,特别是燃料电池汽车,其利用氢气和氧气的电化学反应产生电能驱动汽车,产物只有水,具有无污染、动力性能高、充气时间短和续驶里程长等优点。
作为燃料电池汽车核心单元的燃料电池***,其具有结构复杂、性能要求高、运行环境恶劣和动态响应能力差等特点,难免出现各种故障和失效,甚至发生大型事故,因此对燃料电池***进行故障诊断,对提高燃料电池汽车可靠性、安全性和市场接受能力具有重要意义。作为汽车燃料供给的氢***,其安全性主要体现在氢气燃料、氢气***、氢气泄漏三个方面,由于氢气具有无色无味、极易燃烧、氢脆等特性,重点关注对于氢气泄漏故障的准确诊断,以免发生严重安全事故。
目前,现有的燃料电池汽车氢***泄漏诊断方法有:冒泡检测法,将肥皂水尽可能涂在车用燃料电池***可能出现氢气泄漏的部位,若有气泡,则说明该处有氢泄漏。该方法过程繁琐,耗时,难以完全排除氢***的各个角落,难以应用至车载密封环境中;报警检测法,为氢***内部安装氢气报警器(或可燃气报警器),利用氢气密度小的特性和报警器内部高性能可燃气敏感元件所构成的电路来检测泄漏。该方法检测的准确性和可靠性很大程度依赖于传感器的布置,以及燃料电池汽车的使用环境,且泄漏量需达一定阈值才可能检测;传感器检测法,利用压力或流量传感器的相关参数进行测量,根据额定时间内气体压力是否明显下降进行泄漏诊断,显然针对泄漏量微小和泄露缓慢氢***泄露也无法实现诊断。
发明内容
有鉴于此,本发明提供了一种燃料电池汽车氢***微量泄漏诊断方法,以准确检测氢***的微量泄漏,增加氢***的安全性和可靠性。
为实现上述目的,本发明提供了如下方案:
一种燃料电池汽车氢***微量泄漏诊断方法,包括:
获取训练数据集;所述训练数据集包括加速工况数据集和减速工况数据集;
基于限幅值平均滤波方法对所述训练数据集进行滤波,得到训练滤波数据集;
对所述训练滤波数据集中的每个训练滤波数据均转换为训练灰度图像,得到训练灰度图像集;
基于所述训练灰度图像集对卷积神经网络进行训练,得到训练好的所述卷积神经网络;
获取实时区间压力数据,基于所述实时区间压力数据得到压力下降速率曲线;基于所述压力下降速率曲线对所述实时区间压力数据进行分割,得到分割数据集;所述分割数据集包括加速工况分割数据集和减速工况分割数据集;
基于所述分割数据集和训练好的所述卷积神经网络,得到每个分割数据对应的微量泄露结果。
优选地,所述获取训练数据集;所述训练数据集包括加速工况数据集和减速工况数据集,具体为:
依次获取加速工况微量泄露数据集、加速工况正常运行数据集、减速工况微量泄露数据集和减速工况正常运行数据集,得到所述获取训练数据集;
所述加速工况数据集包括所述加速工况微量泄露数据集和所述加速工况正常运行数据集;所述减速工况数据集包括所述减速工况微量泄露数据集和所述减速工况正常运行数据集。
优选地,基于同一燃料电池汽车氢***获取所述训练数据集,所述加速工况微量泄露数据集、所述加速工况正常运行数据集、所述减速工况微量泄露数据集和所述减速工况正常运行数据集的时间跨度相同。
优选地,所述基于限幅值平均滤波方法对所述训练数据集进行滤波,得到训练滤波数据集,包括:
对于所述训练数据集中任意训练数据,将当前时刻的训练压力数据与当前时刻的上一时刻的训练压力数据进行做差后取绝对值,得到绝对差值量;
对所述绝对差值量与压力阈值进行比较,若所述绝对差值量大于或等于所述压力阈值,则将当前时刻的上一时刻的训练压力数据赋值给当前时刻的训练压力数据,若所述绝对差值量小于所述压力阈值,则保留当前时刻的训练压力数据;
遍历所述训练数据,得到所述训练滤波数据;
遍历所述训练数据集,得到所述训练滤波数据集。
优选地,所述对所述训练滤波数据集中的每个训练滤波数据均转换为训练灰度图像,得到训练灰度图像集,包括:
对于所述训练滤波数据集中的任意训练滤波数据,对所述训练滤波数据进行转换,得到训练灰度集;
将所述训练灰度集依次赋值给二维图像中的每个像素点,得到所述训练灰度图像;
遍历所述训练滤波数据集,得到所述训练灰度图像集。
优选地,所述获取实时区间压力数据,基于所述实时区间压力数据得到压力下降速率曲线;基于所述压力下降速率曲线对所述实时区间压力数据进行分割,得到分割数据集;所述分割数据集包括加速工况分割数据集和减速工况分割数据集,包括:
基于压力传感器实时获取设定采集时间内氢瓶的压力数据,得到所述实时区间压力数据;
对所述实时区间压力数据中t+1时刻的压力数据与t时刻的压力数据进行做差后取绝对值,得到压力下降绝对值,遍历所述实时区间压力数据,得到所述压力下降速率曲线;
对所述压力下降绝对值与压力阈值进行比较,若所述压力下降绝对值大于所述压力阈值,则当前所述压力下降绝对值对应的两个时刻的压力数据为加速工况,若所述压力下降绝对值小于或等于所述压力阈值,则当前所述压力下降绝对值对应的两个时刻的压力数据为减速工况;
基于时间序列,对所述实时区间压力数据中相连且为同一工况的压力数据进行分割,得到所述分割数据集。
优选地,所述基于所述分割数据集和训练好的所述卷积神经网络,得到每个分割数据对应的微量泄露结果,包括:
对于所述分割数据集中任意分割数据,依次进行滤波和灰度图像转换,得到实时灰度图像;
将所述实时灰度图像输入训练好的所述卷积神经网络,得到当前所述分割数据对应的所述微量泄露结果;
遍历所述分割数据集,得到每个分割数据对应的所述微量泄露结果。
优选地,基于所述训练灰度图像集对卷积神经网络进行训练,得到训练好的所述卷积神经网络,具体为:
依次设置所述卷积神经网络的输入层、卷积层、池化层、全连接层和输出层;
设置所述输入层;所述输入层用于对灰度图像进行归一化处理,得到归一化图像;
设置所述卷积层的卷积核、卷积步长和卷积填充方式;所述卷积层用于对所述归一化图像进行矩阵元素乘法求和并叠加偏差量,得到第一尺度特征图;
设置所述池化层的池化大小、池化步长和池化填充方式;所述池化层用于对所述第一尺度特征图进行信息筛选和特征选择,得到第二尺度特征图;
设置所述全连接层;所述全连接层用于对所述第一尺度特征图和所述第二尺度特征图进行非线性组合,得到输出量;
设置所述输出层;所述输出层基于归一化指数函数对所述输出量进行处理,得到分类标签;
基于所述训练灰度图像集对所述卷积神经网络进行迭代训练,直至所述卷积神经网络的误差小于误差设定值,得到训练好的所述卷积神经网络。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明涉及涉及氢***安全技术领域,特别是涉及一种燃料电池汽车氢***微量泄漏诊断方法,首先获取若干组不同工况和不同状态的训练数据;然后采用限幅值平均滤波法;其次将一维电压数据转化为二维灰度图像数据;在对卷积神经网络进行训练,最后将实时采集的数据区分工况后输入训练好的卷积神经网络就能得到氢***是否发生微量泄露。本发明去除了干扰信号,使电压体现出微量泄漏故障的特征;通过转化为灰度图像数据,将数据特征放大,继而能准确检测氢***的微量泄漏,增加氢***的安全性和可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明燃料电池汽车氢***微量泄漏诊断方法流程图;
图2为本发明基于限幅值平均滤波方法的滤波流程图;
图3为本发明将一维电压数据转换为二维灰度图像示意图;
图4为本发明转换的灰度图像示意图;
图5为本发明相同工况下微量泄漏和正常运行压力数据分析示意图;
图6为本发明数据分割示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种燃料电池汽车氢***微量泄漏诊断方法,以准确检测氢***的微量泄漏,增加氢***的安全性和可靠性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明燃料电池汽车氢***微量泄漏诊断方法流程图。如图1所示,本发明提供了一种燃料电池汽车氢***微量泄漏诊断方法,包括:
步骤S1,获取训练数据集;所述训练数据集包括加速工况数据集和减速工况数据集。所述训练数据集中各训练数据均为一维数据。
减速工况包括减速、怠速和停车,由于减速、怠速和停车均不消耗氢气,氢瓶压力几乎不变,因此该三种工况可视为同一工况。
具体地,依次获取加速工况微量泄露数据集、加速工况正常运行数据集、减速工况微量泄露数据集和减速工况正常运行数据集,得到所述获取训练数据集;所述加速工况数据集包括所述加速工况微量泄露数据集和所述加速工况正常运行数据集;所述减速工况数据集包括所述减速工况微量泄露数据集和所述减速工况正常运行数据集。
优选地,基于同一燃料电池汽车的氢***获取所述训练数据集,所述加速工况微量泄露数据集、所述加速工况正常运行数据集、所述减速工况微量泄露数据集和所述减速工况正常运行数据集的时间跨度相同。
步骤S2,基于限幅值平均滤波方法对所述训练数据集进行滤波,得到训练滤波数据集。
滤波过程如图2所示,具体地,所述步骤S2包括:
步骤S21,对于所述训练数据集中任意训练数据,将当前时刻的训练压力数据Pm与当前时刻的上一时刻的训练压力数据Pn进行做差后取绝对值,得到绝对差值量a。
步骤S22,对所述绝对差值量a与压力阈值A进行比较,若所述绝对差值量a大于或等于所述压力阈值A,则将当前时刻的上一时刻的训练压力数据Pn赋值给当前时刻的训练压力数据Pm,若所述绝对差值量a小于所述压力阈值A,则保留当前时刻的训练压力数据Pm。
步骤S23,遍历所述训练数据,得到所述训练滤波数据。
步骤S24,遍历所述训练数据集,得到所述训练滤波数据集。
步骤S3,对所述训练滤波数据集中的每个训练滤波数据均转换为训练灰度图像,得到训练灰度图像集。
进一步地,所述步骤S3包括:
步骤S31,对于所述训练滤波数据集中的任意训练滤波数据P=P1,P2,P3,…,Pi,…,PN 2;i∈N2;将其进行转换,得到训练灰度集。转换公式如下:
步骤S32,将所述训练灰度集依次赋值给二维图像中的每个像素点,得到所述训练灰度图像。如图3所示,前N个数据Ti(i=1,2,3,…,N),将其依次放入二维图像第一行中N个像素点内,对于第N+1至2N个数据Ti(i=N+1,N+2,N+3,…,2N),将其依次放入二维图像第二行中N个像素点内,以此类推,得到N×N个像素点组成的灰度图像。针对微量泄露和正常运行两个状态的得到的两个训练灰度图像如图4所示。
步骤S33,遍历所述训练滤波数据集,得到所述训练灰度图像集。
如图5所示,微量泄漏对于燃料电池汽车氢瓶压力毋庸置疑会造成影响,但其影响形式对应于实际具体运行工况暂且未知,分析图4所示不同工况压力数据,在怠速\停车\减速工况时,具有微量泄漏的压力数据会随时间下降,但下降形式是否为一次线性在此只做猜测,而正常运行压力几乎不变;在加速工况时,由于氢气运输管路传输流量增加,压力上升,泄漏量会随之增加,叠加在正常运行压力数据上的形式是否如图示形式在此也仅作猜测,且上述影响形式即我们需要提取的特征。
步骤S4,基于所述训练灰度图像集对卷积神经网络进行训练,得到训练好的所述卷积神经网络。
优选地,所述步骤S4包括:
步骤S41,依次设置所述卷积神经网络的输入层、卷积层、池化层、全连接层和输出层。
步骤S42,设置所述输入层;所述输入层用于对灰度图像进行归一化处理,得到归一化图像。即将各像素点的像素由区间[0,255]归一化为[0,1]区间。
步骤S43,设置所述卷积层的卷积核、卷积步长和卷积填充方式;所述卷积层用于对所述归一化图像进行矩阵元素乘法求和并叠加偏差量,得到第一尺度特征图。
步骤S44,设置所述池化层的池化大小、池化步长和池化填充方式;所述池化层用于对所述第一尺度特征图进行信息筛选和特征选择,得到第二尺度特征图。
步骤S45,设置所述全连接层;所述全连接层用于对所述第一尺度特征图和所述第二尺度特征图进行非线性组合,得到输出量。
步骤S46,设置所述输出层;所述输出层基于归一化指数函数对所述输出量进行处理,得到分类标签。所述分类标签包括微量泄露和正常运行。
步骤S47,基于所述训练灰度图像集以及对应的训练标签对所述卷积神经网络进行迭代训练,直至所述卷积神经网络的误差小于误差设定值,得到训练好的所述卷积神经网络。
步骤S5,获取实时区间压力数据,基于所述实时区间压力数据得到压力下降速率曲线;基于所述压力下降速率曲线对所述实时区间压力数据进行分割,得到分割数据集。所述分割数据集包括加速工况分割数据集和减速工况分割数据集。
具体地,所述步骤S5包括:
步骤S51,基于压力传感器实时获取设定采集时间内氢瓶的压力数据,得到所述实时区间压力数据。
步骤S52,对所述实时区间压力数据中t+1时刻的压力数据Pt+1与t时刻的压力数据Pt进行做差后取绝对值,得到压力下降绝对值,遍历所述实时区间压力数据,得到所述压力下降速率曲线。
步骤S53,对所述压力下降绝对值与所述压力阈值进行比较,若所述压力下降绝对值大于所述压力阈值,即,T为设定采集时间的长度。则当前所述压力下降绝对值对应的两个时刻的压力数据为加速工况,若所述压力下降绝对值小于或等于所述压力阈值,则当前所述压力下降绝对值对应的两个时刻的压力数据为减速工况。
步骤S54,基于时间序列,对所述实时区间压力数据中相连且为同一工况的压力数据进行分割,得到所述分割数据集。
如图6所示,对所述实时区间压力数据进行分割,得到3个分割数据,分别为1、2和3。
步骤S6,基于所述分割数据集和训练好的所述卷积神经网络,得到每个分割数据对应的微量泄露结果。所述微量泄露结果为微量泄露或正常运行。
优选地,同样对所述分割数据集进行滤波和灰度图像转换,得到实时灰度图像。滤波和灰度图像转换与所述训练数据集方法相同,在此不进行赘述。
将所述实时灰度图像输入训练好的所述卷积神经网络,得到当前所述分割数据对应的所述微量泄露结果。
遍历所述分割数据集,得到每个分割数据对应的所述微量泄露结果。
本发明有益效果如下:
1)本发明对获取的燃料电池汽车氢瓶压力数据采用限幅平均滤波法去除偶然出现的脉冲性干扰,让获取的压力数据表现出微量泄漏故障的特征。
2)本发明将压力信号转变为灰度值图像后,由于图像像素值范围更大,对微量泄漏引起的压力扰动放大,易于后续进行特征提取与分类,提高诊断精确性。
3)本发明能够诊断出燃料电池氢***具有的微量泄漏故障,通过不同工况下故障压力数据与正常压力数据分别转化成的灰度图像以及对应的训练标签进行监督学习,训练卷积神经网络,根据实时获得的数据进行分工况微量泄漏诊断,增加燃料电池氢***安全性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种燃料电池汽车氢***微量泄漏诊断方法,其特征在于,包括:
获取训练数据集;所述训练数据集包括加速工况数据集和减速工况数据集;
基于限幅值平均滤波方法对所述训练数据集进行滤波,得到训练滤波数据集;
对所述训练滤波数据集中的每个训练滤波数据均转换为训练灰度图像,得到训练灰度图像集;具体为:对于所述训练滤波数据集中的任意训练滤波数据,对所述训练滤波数据进行转换,得到训练灰度集;将所述训练灰度集依次赋值给二维图像中的每个像素点,得到所述训练灰度图像;遍历所述训练滤波数据集,得到所述训练灰度图像集;
基于所述训练灰度图像集对卷积神经网络进行训练,得到训练好的所述卷积神经网络;
获取实时区间压力数据,基于所述实时区间压力数据得到压力下降速率曲线;基于所述压力下降速率曲线对所述实时区间压力数据进行分割,得到分割数据集;所述分割数据集包括加速工况分割数据集和减速工况分割数据集;
基于所述分割数据集和训练好的所述卷积神经网络,得到每个分割数据对应的微量泄露结果。
2.根据权利要求1所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,所述获取训练数据集;所述训练数据集包括加速工况数据集和减速工况数据集,具体为:
依次获取加速工况微量泄露数据集、加速工况正常运行数据集、减速工况微量泄露数据集和减速工况正常运行数据集,得到所述获取训练数据集;
所述加速工况数据集包括所述加速工况微量泄露数据集和所述加速工况正常运行数据集;所述减速工况数据集包括所述减速工况微量泄露数据集和所述减速工况正常运行数据集。
3.根据权利要求2所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,基于同一燃料电池汽车氢***获取所述训练数据集,所述加速工况微量泄露数据集、所述加速工况正常运行数据集、所述减速工况微量泄露数据集和所述减速工况正常运行数据集的时间跨度相同。
4.根据权利要求1所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,所述基于限幅值平均滤波方法对所述训练数据集进行滤波,得到训练滤波数据集,包括:
对于所述训练数据集中任意训练数据,将当前时刻的训练压力数据与当前时刻的上一时刻的训练压力数据进行做差后取绝对值,得到绝对差值量;
对所述绝对差值量与压力阈值进行比较,若所述绝对差值量大于或等于所述压力阈值,则将当前时刻的上一时刻的训练压力数据赋值给当前时刻的训练压力数据,若所述绝对差值量小于所述压力阈值,则保留当前时刻的训练压力数据;
遍历所述训练数据,得到所述训练滤波数据;
遍历所述训练数据集,得到所述训练滤波数据集。
5.根据权利要求1所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,所述获取实时区间压力数据,基于所述实时区间压力数据得到压力下降速率曲线;基于所述压力下降速率曲线对所述实时区间压力数据进行分割,得到分割数据集;所述分割数据集包括加速工况分割数据集和减速工况分割数据集,包括:
基于压力传感器实时获取设定采集时间内氢瓶的压力数据,得到所述实时区间压力数据;
对所述实时区间压力数据中t+1时刻的压力数据与t时刻的压力数据进行做差后取绝对值,得到压力下降绝对值,遍历所述实时区间压力数据,得到所述压力下降速率曲线;
对所述压力下降绝对值与压力阈值进行比较,若所述压力下降绝对值大于所述压力阈值,则当前所述压力下降绝对值对应的两个时刻的压力数据为加速工况,若所述压力下降绝对值小于或等于所述压力阈值,则当前所述压力下降绝对值对应的两个时刻的压力数据为减速工况;
基于时间序列,对所述实时区间压力数据中相连且为同一工况的压力数据进行分割,得到所述分割数据集。
6.根据权利要求1所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,所述基于所述分割数据集和训练好的所述卷积神经网络,得到每个分割数据对应的微量泄露结果,包括:
对于所述分割数据集中任意分割数据,依次进行滤波和灰度图像转换,得到实时灰度图像;
将所述实时灰度图像输入训练好的所述卷积神经网络,得到当前所述分割数据对应的所述微量泄露结果;
遍历所述分割数据集,得到每个分割数据对应的所述微量泄露结果。
7.根据权利要求1所述的燃料电池汽车氢***微量泄漏诊断方法,其特征在于,基于所述训练灰度图像集对卷积神经网络进行训练,得到训练好的所述卷积神经网络,具体为:
依次设置所述卷积神经网络的输入层、卷积层、池化层、全连接层和输出层;
设置所述输入层;所述输入层用于对灰度图像进行归一化处理,得到归一化图像;
设置所述卷积层的卷积核、卷积步长和卷积填充方式;所述卷积层用于对所述归一化图像进行矩阵元素乘法求和并叠加偏差量,得到第一尺度特征图;
设置所述池化层的池化大小、池化步长和池化填充方式;所述池化层用于对所述第一尺度特征图进行信息筛选和特征选择,得到第二尺度特征图;
设置所述全连接层;所述全连接层用于对所述第一尺度特征图和所述第二尺度特征图进行非线性组合,得到输出量;
设置所述输出层;所述输出层基于归一化指数函数对所述输出量进行处理,得到分类标签;
基于所述训练灰度图像集对所述卷积神经网络进行迭代训练,直至所述卷积神经网络的误差小于误差设定值,得到训练好的所述卷积神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352589.6A CN114429504B (zh) | 2022-04-06 | 2022-04-06 | 一种燃料电池汽车氢***微量泄漏诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352589.6A CN114429504B (zh) | 2022-04-06 | 2022-04-06 | 一种燃料电池汽车氢***微量泄漏诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114429504A CN114429504A (zh) | 2022-05-03 |
CN114429504B true CN114429504B (zh) | 2022-07-05 |
Family
ID=81314355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352589.6A Active CN114429504B (zh) | 2022-04-06 | 2022-04-06 | 一种燃料电池汽车氢***微量泄漏诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429504B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115979548B (zh) * | 2023-03-16 | 2023-07-18 | 北京理工大学 | 车用氢***泄漏诊断方法、***、电子设备及存储介质 |
CN115993207B (zh) * | 2023-03-22 | 2023-06-06 | 北京理工大学 | 一种车载氢***氢泄漏监测方法及*** |
CN117686142B (zh) * | 2023-12-12 | 2024-06-14 | 大连纳思达汽车设备有限公司 | 一种新能源汽车电池包气密检测方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11488010B2 (en) * | 2018-12-29 | 2022-11-01 | Northeastern University | Intelligent analysis system using magnetic flux leakage data in pipeline inner inspection |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN113723189B (zh) * | 2021-07-28 | 2023-08-01 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
-
2022
- 2022-04-06 CN CN202210352589.6A patent/CN114429504B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114429504A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114429504B (zh) | 一种燃料电池汽车氢***微量泄漏诊断方法 | |
CN113436169B (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及*** | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测*** | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN105650482B (zh) | 一种基于频域的液体输送管道泄漏和污堵检测方法 | |
CN109932179A (zh) | 一种基于ds自适应谱重构的滚动轴承故障检测方法 | |
CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断*** | |
CN106197886A (zh) | 液压缸内泄漏故障诊断评估方法 | |
CN114818774A (zh) | 一种基于多通道自校准卷积神经网络的齿轮箱智能故障诊断方法 | |
CN113139278A (zh) | 一种基于深度学习的轴承剩余寿命预测方法及*** | |
CN109375285A (zh) | 一种应用于污染分析的玫瑰图制作方法 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN108008305A (zh) | 一种车用磷酸铁锂动力电池容量衰减检测*** | |
CN111199194A (zh) | 基于机器视觉和深度学习的汽车智能座舱仪表测试方法 | |
CN107490769A (zh) | 一种燃料电池水分布可视化在线检测*** | |
CN106708009A (zh) | 一种基于支持向量机聚类的船舶动力定位测量***多故障诊断方法 | |
CN115248382A (zh) | 一种质子交换膜燃料电池控制方法 | |
CN113486806B (zh) | 基于一维残差神经网络的悬沙监测方法 | |
CN112132088B (zh) | 一种巡检点位漏巡识别方法 | |
CN114330096A (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
CN108106858A (zh) | 一种汽车风噪与油耗及汽车尾气排放的测试***及方法 | |
CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
CN116503354A (zh) | 基于多模态融合的光伏电池热斑检测及评估方法与装置 | |
CN106224067A (zh) | 一种基于数据驱动的汽车三元催化器的故障诊断方法 |
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 |