CN117874665B - 一种sofc***多故障的诊断方法及*** - Google Patents

一种sofc***多故障的诊断方法及*** Download PDF

Info

Publication number
CN117874665B
CN117874665B CN202410285491.2A CN202410285491A CN117874665B CN 117874665 B CN117874665 B CN 117874665B CN 202410285491 A CN202410285491 A CN 202410285491A CN 117874665 B CN117874665 B CN 117874665B
Authority
CN
China
Prior art keywords
data set
fault
feature
characteristic
sofc system
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
Application number
CN202410285491.2A
Other languages
English (en)
Other versions
CN117874665A (zh
Inventor
卢丞一
伊文杰
裴毓
王雪飞
李炬晨
李玉涵
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.)
Ningbo Research Institute of Northwestern Polytechnical University
Original Assignee
Ningbo Research Institute of Northwestern Polytechnical 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 Ningbo Research Institute of Northwestern Polytechnical University filed Critical Ningbo Research Institute of Northwestern Polytechnical University
Priority to CN202410285491.2A priority Critical patent/CN117874665B/zh
Publication of CN117874665A publication Critical patent/CN117874665A/zh
Application granted granted Critical
Publication of CN117874665B publication Critical patent/CN117874665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Sustainable Development (AREA)
  • Medical Informatics (AREA)
  • Electrochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Sustainable Energy (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuel Cell (AREA)

Abstract

本申请涉及燃料电池技术领域，提供了一种SOFC***多故障的诊断方法及***，包括，获取SOFC***中的多故障数据，并形成故障数据集；采用LightGBM算法对故障数据集进行预处理，并生成特征数据集；采用多层卷积神经网络对特征数据集进行特征提取，并转换为最终特征数据集；基于最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，并输出故障类型。本申请中将Sigmoid函数作为分类器的非线性激活函数，能够保证输出的每个类别的概率值相互独立，从而起到解耦分类的作用，从而为解决多故障同时发生下面对特征混合难以诊断的问题。

Description

一种SOFC***多故障的诊断方法及***
技术领域
本申请涉及燃料电池技术领域，尤其涉及一种SOFC***多故障的诊断方法及***。
背景技术
随着社会的不断发展，能源对于人类生存和发展的作用越发重要。但是，能源的逐步消耗以及一次能源转化为电能的较低效率给未来可持续发展带来了巨大的挑战性。燃料电池（Fuel Cell，FC）作为一种能够清洁发电的转换器，能够将燃料内的化学能变为电能，并且可以减少污染物的产生。特别是固体氧化物燃料电池（Solid Oxide Fuel Cell，SOFC），其能效高、排放低、噪声小等优点而备受关注。目前，SOFC的材料大多是钙钛矿（La_(0.6)Sr_(0.4) CoO_(3-δ)，LSC）型与氧化锆（Yttria-stabilized zirconia，YSZ）型，其内部工作温度高达600-1000℃，一旦发生故障将带来严重的后果，但由于SOFC的高密闭性，其内部电池材料以及结构的损害很难从外部直接观测到，电堆内部受故障影响的重要状态无法直接测量，严重制约了SOFC故障诊断的研究。
同时SOFC商业化应用主要面临成本高、寿命短的问题，故障诊断能及时发现并隔离***运行中的故障问题，对提高***耐久性、降低维护成本有重要意义。然而，SOFC并不仅存在单故障的发生，更常见于多故障的同时发生，受多故障的耦合影响和混合特征问题，使得故障诊断变得极具挑战性。
发明内容
为了避免现有技术的不足之处，本发明提供一种SOFC***多故障的诊断方法及***，用以解决现有技术中存在SOFC常见于多故障的同时发生，受多故障的耦合影响和混合特征问题。
本申请的目的采用以下技术方案实现：
第一方面，本申请提供了一种SOFC***多故障的诊断方法，包括：
获取SOFC***中的多故障数据，并形成故障数据集；
采用LightGBM算法对所述故障数据集进行预处理，并生成特征数据集；
采用多层卷积神经网络对所述特征数据集进行特征提取，并转换为最终特征数据集；
基于所述最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，并输出故障类型。
在一种可行的实现方式中，所述获取SOFC***中的多故障数据，并形成故障数据集，包括：
获取多个模型的数据，以搭建SOFC结构模型；
分析所述SOFC***的故障发生机理，并选取多个特征参数，以建立所述SOFC的故障数据集。
在一种可行的实现方式中，多个所述模型包括空气压缩机模型、燃料和空气热交换器模型、混合器模型、旁路阀模型、燃烧室模型和电堆模型；
所述多个特征参数包括的电压、连接体、功率以及氢气流量的特征数据。
在一种可行的实现方式中，所述采用LightGBM算法对所述故障数据集进行预处理，并生成特征数据，包括：
基于所述LightGBM算法进行树的特征生成，以使所述多个特征参数形成第一特征数据；
将所述第一特征数据与所述故障数据集进行拼接处理，以形成所述特征数据集。
在一种可行的实现方式中，所述采用多层卷积神经网络对所述特征数据集进行特征提取，并转换为最终特征数据集，包括：
采用卷积层和全局池化层对所述特征数据集进行特征提取，并生成为第二特征数据；
将所述第二特征数据与所述特征数据集进行拼接处理，以形成最终特征数据集。
在一种可行的实现方式中，所述采用卷积层和全局池化层对所述特征数据集进行特征提取，包括：
通过多重所述卷积层和全局池化层相互交替以完成特征提取。
在一种可行的实现方式中，所述基于所述最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，包括：
基于所述最终特征数据集建立诊断分类器；
将Sigmoid函数作为所述诊断分类器的非线性激活函数，以输出对应类别的概率预测值。
在一种可行的实现方式中，所述基于所述最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，还包括：
设定置信度阈值来决定所述诊断分类器的输出，损失函数为边界损失通过设定所述置信度阈值/>来输出对应的故障类型。
在一种可行的实现方式中，所述多故障数据包括电堆故障、风机故障、冷凝器故障、燃料泄漏故障和重整器故障；
其中，所述电堆故障包括电极分层故障、密封故障、阳极硫中毒故障和阴极加湿故障。
第二方面，本申请还提供了一种SOFC***多故障的诊断***，包括：
数据获取模块，用于获取SOFC***中的多故障数据，并形成故障数据集；
数据处理模块，用于采用LightGBM算法对所述故障数据集进行预处理，并生成特征数据集；
特征提取模块，用于采用多层卷积神经网络对所述特征数据集进行特征提取，并转换为最终特征数据集；
解耦分类模块，基于所述最终特征数据集对所述SOFC***多故障进行解耦分类，用于制定解耦分类诊断策略，并输出故障类型。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请采用基于树的方法和基于深度学习方法相结合的混合集成模型，用于固体氧化物燃料电池的故障诊断，该模型使用LightGBM算法进行树的特征生成。与传统的算法相比，所提出的模型有更好的预测性能以及更强的鲁棒性。
另外，将Sigmoid函数作为分类器的非线性激活函数，能够保证输出的每个类别的概率值相互独立，从而起到解耦分类的作用，从而为解决多故障同时发生下面对特征混合难以诊断的问题
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是根据本申请实施例中的SOFC***多故障的诊断方法的流程示意图之一；
图2是根据本申请实施例中的SOFC***多故障的诊断方法的流程示意图之二；
图3是根据本申请实施例中的LightGBM算法示意图；
图4是根据本申请实施例中的SOFC故障诊断网络模型示意图；
图5是根据本申请实施例中的SOFC***多故障的诊断***的框架示意图；
图6是本发明实施例中的一种显示设备的结构示意图；
图7是本发明实施例中的用于界面同步显示方法的程序产品的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本示例实施方式中首先提供了一种SOFC***多故障的诊断方法，请参考图1和图2所示，该诊断方法包括：
步骤S101，获取SOFC***中的多故障数据，并形成故障数据集。
步骤S102，采用LightGBM算法对故障数据集进行预处理，并生成特征数据集。
步骤S103，采用多层卷积神经网络，通过Sigmoid函数对特征数据集进行特征提取，并转换为最终特征数据集。
步骤S104，基于所述最终特征数据集对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，并输出故障类型。
在步骤S101中，固体氧化物燃料电池即SOFC的故障类型较多，在一个示例中，多故障数据包括电堆故障、风机故障、冷凝器故障、燃料泄漏故障和重整器故障；其中，电堆故障包括电极分层故障、密封故障、阳极硫中毒故障和阴极加湿故障。
为获取SOFC***中的多故障数据，本示例可以通过搭建SOFC结构试验模型获得，具体可以是，在步骤S101中，还包括步骤S1011，获取多个模型的数据，以搭建SOFC结构模型；步骤S1012，分析SOFC故障发生机理，并选取多个特征参数，以建立SOFC的故障数据集。
在一些实施例中，多个模型包括空气压缩机模型、燃料和空气热交换器模型、混合器模型、旁路阀模型、燃烧室模型和电堆模型；多个特征参数包括SOFC中的电压、连接体、功率以及氢气流量的特征数据。
需要说明的是，本示例搭建的SOFC结构模型的各个子部件和连接方式与真实的工艺流程一致。获取SOFC中电压、连接体、功率以及氢气流量等特征数据，建立SOFC故障数据集，通过采取这些受故障影响大的状态量来对故障进行描述，可确保故障间的特征差异值最大，最大可能的避免特征混合。
如图3所示，在步骤S102中，LightGBM是多棵决策树的模型，相比于单棵树模型表达能力弱，且不足以表达多个有区分性的特征组合（例如在固体氧化物燃料电池中为连接体与电压的关系），而多棵树的表达能力更强，对残差学习能力更好，误差更小，且能够发现有效的特征和特征组合。
步骤S102包括步骤S1021，基于LightGBM算法进行树的特征生成，以使多个特征参数形成第一特征数据；步骤S1022，将第一特征数据与故障数据集进行拼接处理，以形成特征数据集。
具体的，利用LightGBM算法的梯度单边采样、互斥特征捆绑、直方图、按叶生长来进行树的特征生成，换句话说，将连续特征值划分为离散块，然后使用一个按叶生长的决策树生长策略，挑选具有最大增量损失的叶子节点将每棵单独的树作为一个分类特征，能够将SOFC中电压、连接体、功率、氢气流量等特征按照按叶***的方法准确落到每一个叶子上；对落到叶子上的特征对应的叶子号进行特征编码，形成新的特征数据（第一特征数据）。新生成的数据（第一特征数据）与原始特征数据（故障数据集）/>拼接形成新的特征（特征数据集）/>。
在步骤S103中，将上述得到的数据描述为一个/>维的矩阵：
（1）
式中，为对应故障诊断输入的特征类别大小。
也可以理解为，将输入到卷积模块中，将每个分类特征表示为一个低维的向量，利用one-hot编码将高维稀疏特征映射到矩阵嵌入矩阵（1）中，并把其重构为第一个卷积层的输入矩阵。
步骤S103包括步骤S1031，采用卷积层和全局池化层对所述特征数据集进行特征提取，并生成为第二特征数据；步骤S1032，将所述第二特征数据与所述特征数据集进行拼接处理，以形成最终特征数据集。
具体的，参照图4所示，将上述矩阵（1）作为卷积层的输入经过卷积计算后可以转化为下式所示的特征映射：
（2）
式中，表示第i个卷积核输出的特征映射；符号/>表示卷积运算；/>表示为第i个卷积核(/>)；/>为对应卷积核的偏置项；/>表示第j个卷积核的输入矩阵；/>表示卷积层输出的特征大小。
为保留输入数据的空间维度信息，采用Same卷积的模式，即，在卷积过程中输入数据周围添加适当的零填充，Same卷积的填充大小P可根据卷积核的大小和步长自动计算，可根据下式进行计算，不能整除时向下取整。具体定义如下所示：
（3）
（4）
式中，为输入数据的大小，/>为卷积核的大小，/>为在输入数据周围添加零填充的大小，/>表示为卷积核滑动步长。
当卷积层输出映射特征后，仍存在信息特征冗余的问题，特征数据表现不明显，因此，利用池化层来对上一层的输出进行降维，并选取主要特征。传统的特征提取方法是卷积层通过池化层后再通过多个全连接层进行降维处理，这种做法使得全连接层参数很多，降低了特征提取速度，且容易出现过拟合的情况。故再采用全局平均池化(Global AveragePooling)的方法，极大减少了网络参数，用很小的计算代价实现了降维，公式如下式所示：
（5）
式中，表示与第k个特征映射的全局平均池化输出值；/>表示第k个特征映射在区域/>中位于/>处的输出；/>表示第k个特征映射全部元素的个数。
经过卷积和全局池化操作后，生成新的重要特征（第二特征数据）。经过卷积后的特征不仅能够学习相邻特征间的关系，而且对于非相邻之间的特征也能够学习到（例如在固体氧化物燃料电池中为电堆温度与氢气流量的关系），新生成的数据（第二特征数据）再与上述LightGBM生成的数据（特征数据集）拼接为最终数据（最终特征数据集）。
在一个示例中，通过多重所述卷积层和全局池化层相互交替以完成特征提取。具体的，对SOFC故障数据进行特征提取时需要经过多重卷积层和池化层相互交替来完成特征的提取，且内部参数会通过训练过程中的损失函数根据反向传播自动求取，因此只需要设置好不同层的卷积核数目即可。
在步骤S104中，SOFC故障数据经多层卷积和池化进行提成提取后，将特征提取到的最后一层得到的最终特征数据集描述为的输出，通过维度变换展开为m维的向量
如图4所示，步骤S104包括步骤S1041，基于所述最终特征数据集建立诊断分类器；步骤S1042，将Sigmoid函数作为所述诊断分类器的非线性激活函数，以输出对应类别的概率预测值；步骤S1043，设定置信度阈值来决定所述诊断分类器的输出，损失函数为边界损失通过设定所述置信度阈值/>来输出对应的故障类型。
具体的，SOFC的故障诊断相当于分类问题，但实际情况中往往是多种故障复合出现。因此需要对分类层的非线性激活函数重新选择，以满足最后一层能对复合故障输出多个故障类别标签。Sigmoid函数是一种关于逻辑回归的函数，将其作为诊断分类器的非线性激活函数时，全局池化层输出的特征映射经分类层Sigmoid分类器函数后的输出值会在[0,1]内，且分类层每个神经元输出的概率值相互独立，故而可作为复合故障分类器的激活函数。
（6）
式中，表示为分类层输出故障第k类的概率预测值；/>表示为故障特征提取最后一层第k个输出向量值。
此时，需要设定一个置信度阈值来决定诊断分类器的输出，损失函数为边界损失通过设定置信度阈值/>来输出对应的故障类型。
通过设定置信度阈值来输出故障标签对应的故障类。在此相应的预测输出标签和阈值的关系可用下式进行描述，对应分类诊断策略如下所示：
（7）
式中，为第k类的预测标签；/>即表示为第k个类别存在。
同时，对SOFC复合故障进行解耦分类时采用边界损失函数作为优化目标函数，对应边界损失函数的定义如下所示：
（8）
式中，为相应的指示函数，其表示为当预测样本属于类别k时，/>的取值1，而当预测样本不属于类别k时，/>的取值为0；/>表示为故障类别属于k时，分类器输出预测概率值的下界；/>则对应为预测故障类别不属于类别k时，分类器输出预测概率值的上界；为权重惩罚系数。
至此，完成卷积神经网络SOFC***故障结构诊断模型的构建。
在对上述复合故障诊断模型进行优化时，可通过最小化边界损失函数来执行。边界损失函数不仅能够基于欧式距离扩大类间差异，也能减少类内差异，有助于优化网络模型，提高诊断模型的精度。
本申请的诊断方式可以简单概括为，首先使用LightGBM算法进行特征生成，根据其按叶***的特性，把SOFC运行参数作为初始输入数据，将落在其叶子上的节点作为新的特征进行编码以增强特征相关性，然后将其作为后续模型的输入。再利用卷积神经网络强大的特征提取能力，对故障敏感性大的数据进行特征提取，生成更深层的特征交互，通过卷积、全局平均池化后降低特征稀疏性，让非相邻特征建立更深入的联系。最后利用Sigmoid函数激活的解耦特性，构建了SOFC***故障解耦诊断模型。
本申请通过采用基于树的方法和基于深度学习方法相结合的混合集成模型，用于固体氧化物燃料电池SOFC的故障诊断，该模型使用LightGBM算法进行树的特征生成。与传统的算法相比，所提出的模型有更好的预测性能以及更强的鲁棒性。
另外，将Sigmoid函数作为分类器的非线性激活函数，能够保证输出的每个类别的概率值相互独立，从而起到解耦分类的作用，从而为解决多故障同时发生下面对特征混合难以诊断的问题。
本示例实施方式中还提供了一种SOFC***多故障的诊断***，请参考图5，该诊断***包括：数据获取模块201、数据处理模块202、特征提取模块203和解耦分类模块204。
其中，数据获取模块201用于获取SOFC***中的多故障数据，并形成故障数据集；数据处理模块202用于采用LightGBM算法对故障数据集进行预处理，并生成特征数据集；特征提取模块203用于采用多层卷积神经网络对特征数据集进行特征提取，并转换为最终特征数据集；解耦分类模块204基于所述最终特征数据集对所述SOFC***多故障进行解耦分类，用于制定解耦分类诊断策略，并输出故障类型。
需要指出的是，本示例提供的诊断***的原理，可参照上述诊断方法进行理解，在此不再赘述。
需要说明的是，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。另外，也易于理解的是，这些步骤可以是例如在多个模块/进程/线程中同步或异步执行。
应当注意，尽管在上文详细描述中提及了用于动作执行的***的若干单元及模块，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元或模块的特征和功能可以在一个单元或模块中具体化。反之，上文描述的一个单元或模块的特征和功能可以进一步划分为由多个单元或模块来具体化。作为单元或模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元或模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
参见图6，本发明实施例还提供了一种显示设备300，显示设备300包括至少一个存储器310、至少一个处理器320以及连接不同平台***的总线330。
存储器310可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)311和/或高速缓存存储器312，还可以进一步包括只读存储器(ROM)313。
其中，存储器310还存储有计算机程序，计算机程序可以被处理器320执行，使得处理器320执行本发明任一项实施例中界面同步显示方法的步骤，其具体实现方式与上述界面同步显示方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
存储器310还可以包括具有至少一个程序模块315的实用工具314，这样的程序模块315包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器320可以执行上述计算机程序，以及可以执行实用工具314。
总线330可以表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、***总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
显示设备300也可以与一个或多个外部设备340例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该显示设备300交互的设备通信，和/或与使得该显示设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口350进行。并且，显示设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与显示设备300的其它模块通信。应当明白，尽管图中未示出，可以结合显示设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储平台等。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，该计算机程序被执行时实现本发明实施例中界面同步显示方法的步骤，其具体实现方式与上述界面同步显示方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图7示出了本实施例提供的用于实现上述界面同步显示方法的程序产品400，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品400不限于此，在本发明中，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。程序产品400可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
计算机可读存储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，其中承载了可读程序代码。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。可读存储介质还可以是任何可读介质，该可读介质可以发送、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。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种SOFC***多故障的诊断方法，其特征在于，包括：
获取SOFC***中的多故障数据，并形成故障数据集；
采用LightGBM算法对所述故障数据集进行预处理，并生成特征数据集；具体包括：基于所述LightGBM算法进行树的特征生成，以使所述多个特征参数形成第一特征数据；将所述第一特征数据与所述故障数据集进行拼接处理，以形成所述特征数据集；
采用多层卷积神经网络对所述特征数据集进行特征提取，并转换为最终特征数据集；具体包括：采用卷积层和全局池化层对所述特征数据集进行特征提取，并生成为第二特征数据；将所述第二特征数据与所述特征数据集进行拼接处理，以形成最终特征数据集；
基于所述最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，以制定解耦分类诊断策略，并输出故障类型；具体包括：基于所述最终特征数据集建立诊断分类器；将Sigmoid函数作为所述诊断分类器的非线性激活函数，以输出对应类别的概率预测值；设定置信度阈值来决定所述诊断分类器的输出，损失函数为边界损失通过设定所述置信度阈值/>来输出对应的故障类型。
2.根据权利要求1所述的SOFC***多故障的诊断方法，其特征在于，所述获取SOFC***中的多故障数据，并形成故障数据集，包括：
获取多个模型的数据，以搭建SOFC结构模型；
分析所述SOFC***的故障发生机理，并选取多个特征参数，以建立所述故障数据集。
3.根据权利要求2所述的SOFC***多故障的诊断方法，其特征在于，多个所述模型包括空气压缩机模型、燃料和空气热交换器模型、混合器模型、旁路阀模型、燃烧室模型和电堆模型；
所述多个特征参数包括电压、连接体、功率以及氢气流量的特征数据。
4.根据权利要求3所述的SOFC***多故障的诊断方法，其特征在于，所述采用卷积层和全局池化层对所述特征数据集进行特征提取，包括：
通过多重所述卷积层和全局池化层相互交替以完成特征提取。
5.根据权利要求1-4中任意一项所述的SOFC***多故障的诊断方法，其特征在于，所述多故障数据包括电堆故障、风机故障、冷凝器故障、燃料泄漏故障和重整器故障；
其中，所述电堆故障包括电极分层故障、密封故障、阳极硫中毒故障和阴极加湿故障。
6.一种SOFC***多故障的诊断***，其特征在于，包括：
数据获取模块，用于获取SOFC***中的多故障数据，并形成故障数据集；
数据处理模块，用于采用LightGBM算法对所述故障数据集进行预处理，并生成特征数据集；具体包括：基于所述LightGBM算法进行树的特征生成，以使所述多个特征参数形成第一特征数据；将所述第一特征数据与所述故障数据集进行拼接处理，以形成所述特征数据集；
特征提取模块，用于采用多层卷积神经网络对所述特征数据集进行特征提取，并转换为最终特征数据集；具体包括：采用卷积层和全局池化层对所述特征数据集进行特征提取，并生成为第二特征数据；将所述第二特征数据与所述特征数据集进行拼接处理，以形成最终特征数据集；
解耦分类模块，基于所述最终特征数据集，通过Sigmoid函数对所述SOFC***多故障进行解耦分类，用于制定解耦分类诊断策略，并输出故障类型；具体包括：基于所述最终特征数据集建立诊断分类器；将Sigmoid函数作为所述诊断分类器的非线性激活函数，以输出对应类别的概率预测值；设定置信度阈值来决定所述诊断分类器的输出，损失函数为边界损失通过设定所述置信度阈值/>来输出对应的故障类型。
CN202410285491.2A 2024-03-13 2024-03-13 一种sofc***多故障的诊断方法及*** Active CN117874665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410285491.2A CN117874665B (zh) 2024-03-13 2024-03-13 一种sofc***多故障的诊断方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410285491.2A CN117874665B (zh) 2024-03-13 2024-03-13 一种sofc***多故障的诊断方法及***

Publications (2)

Publication Number Publication Date
CN117874665A CN117874665A (zh) 2024-04-12
CN117874665B true CN117874665B (zh) 2024-05-10

Family

ID=90590512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410285491.2A Active CN117874665B (zh) 2024-03-13 2024-03-13 一种sofc***多故障的诊断方法及***

Country Status (1)

Country Link
CN (1) CN117874665B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN116632295A (zh) * 2023-06-20 2023-08-22 电子科技大学 基于sofc***的多故障诊断方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200113505A1 (en) * 2018-10-11 2020-04-16 Seno Medical Instruments, Inc. Optoacoustic image analysis method and system for automatically estimating lesion traits
CN112710969B (zh) * 2020-12-18 2021-11-09 武汉大学 一种单相半桥五电平逆变器开关管开路故障诊断方法
US20230334365A1 (en) * 2022-04-13 2023-10-19 ExlService Holdings, Inc. Feature engineering and analytics systems and methods

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109655259A (zh) * 2018-11-23 2019-04-19 华南理工大学 基于深度解耦卷积神经网络的复合故障诊断方法及装置
CN116632295A (zh) * 2023-06-20 2023-08-22 电子科技大学 基于sofc***的多故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卷积神经网络在轴承故障识别的应用;颉潭成;陈孟会;徐彦伟;李先锋;;制造业自动化;20200125(01);全文 *

Also Published As

Publication number Publication date
CN117874665A (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
Zhang et al. Intelligent simultaneous fault diagnosis for solid oxide fuel cell system based on deep learning
Li et al. A novel deep autoencoder and hyperparametric adaptive learning for imbalance intelligent fault diagnosis of rotating machinery
Caceres et al. A probabilistic Bayesian recurrent neural network for remaining useful life prognostics considering epistemic and aleatory uncertainties
CN111428073B (zh) 一种深度监督量化哈希的图像检索方法
Zheng et al. Data-driven fault diagnosis method for the safe and stable operation of solid oxide fuel cells system
CN109242033A (zh) 晶片缺陷模式分类方法及装置、存储介质、电子设备
CN109840593B (zh) 诊断固体氧化物燃料电池***故障的方法及设备
Wu et al. A hybrid prognostic model applied to SOFC prognostics
Liu et al. Intelligent fault diagnosis of photovoltaic array based on variable predictive models and I–V curves
CN115935807B (zh) 基于图马尔可夫神经网络的诊断模型的训练方法
Nagulapati et al. Machine learning based fault detection and state of health estimation of proton exchange membrane fuel cells
Zu et al. A simple gated recurrent network for detection of power quality disturbances
CN117874665B (zh) 一种sofc***多故障的诊断方法及***
Xiao et al. Water management fault diagnosis for proton-exchange membrane fuel cells based on deep learning methods
Li et al. Data-driven voltage prognostic for solid oxide fuel cell system based on deep learning
Alshathri et al. Digital twin-based automated fault diagnosis in industrial IoT applications
Sun et al. Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning
WO2024020774A1 (zh) 模型生成方法、物体检测方法、控制器以及电子设备
Guangquan et al. Bearing fault diagnosis from raw vibration signals using multi-layer extreme learning machine
Yang et al. Multi-factor PM2. 5 concentration optimization prediction model based on decomposition and integration
Zhang et al. A general approach for fault identification in SOFC-based power generation systems
Yu et al. Degradation and polarization curve prediction of proton exchange membrane fuel cells: An interpretable model perspective
CN112598186A (zh) 一种基于改进的lstm-mlp的小型发电机故障预测方法
Su et al. Communication-efficient distributed deep metric learning with hybrid synchronization
Xu et al. Fault diagnosis of PEMFC based on fatal and recoverable failures using multi-scale convolutional neural networks

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