【技術實現步驟摘要】
本專利技術涉及燃料電池故障診斷，特別是涉及基于先驗知識和多源信息融合的燃料電池故障診斷方法。
技術介紹
1、由于燃料電池系統的故障診斷方法難以適應燃料電池系統的不斷變化，制約著燃料電池汽車的大規模推廣。目前如何識別燃料電池的故障狀態，已逐漸成為該領域研究的重點。
2、對燃料電池進行故障診斷的方法可以分為三類：基于物理/化學檢測技術的方法，基于模型驅動的方法和基于數據驅動的方法。
3、現有技術公開了一種基于阻抗譜的在線質子交換膜燃料電池故障診斷方法包括：建立燃料電池的電化學等效電路模型，測量得到質子交換膜燃料電池的電化學阻抗譜，用電化學阻抗譜擬合求解電化學等效電路模型中的參數，然后選取其中部分參數作為分類特征，并使用基于二叉樹支持向量機的故障診斷算法對質子交換膜燃料電池進行分類處理，對質子交換膜燃料電池內部容易發生的膜干、水淹、空氣饑餓等故障進行診斷。其中，擬合部分采用的是最小二乘法，該方法經過其他學者的驗證，對干擾反應劇烈，在實際車載過程當中無法實現精準的等效電路模型參數的辨識，即求解參數?，且最終得到故障診斷結果的數據來源只有阻抗數據，數據來源單一，在實際車載環境下無法保證阻抗信息可以反映故障的全面理解。
4、現有技術一種針對質子交換膜燃料電池系統的故障檢測方法也是采用最小二乘法完成阻抗信息的參數辨識，僅在分類模型方面采用了較為新穎的分類模型解決故障分類問題，沒有從根本上解決數據來源單一和車載環境下單一數據來源不完全可靠的問題。
技術實現思路
2、為實現上述目的，本專利技術提供了如下方案：
3、基于先驗知識和多源信息融合的燃料電池故障診斷方法，包括：
4、獲取燃料電池在不同電流密度和工作狀態的電壓信息，其中所述工作狀態為正常和故障狀態，故障狀態包括膜干狀態、水淹狀態、氫饑餓狀態、氧饑餓狀態；
5、對所述電壓信息的特征進行提取和特征級融合，獲取先驗知識特征矩陣；
6、獲取所述燃料電池在不同頻率下的交流阻抗；
7、建立所述燃料電池的三階電化學等效電路模型，基于所述三階電化學等效電路模型，獲取阻抗計算模型；
8、基于不同頻率下的所述交流阻抗通過改進的nelder-mead算法對所述阻抗計算模型進行參數辨識，獲取阻抗信息特征矩陣；
9、將所述先驗知識特征矩陣和所述阻抗信息特征矩陣進行特征級融合和歸一化后輸入svm分類器進行訓練，構建燃料電池故障診斷分類器；
10、將待測燃料電池實時狀態信息輸入所述燃料電池故障診斷分類器，獲取所述待測燃料電池故障。
11、可選的，對所述電壓信息的特征進行提取和特征級融合包括：
12、提取所述電壓信息的平均值、峰值、峰谷差、標準差、均方根、裕度作為統計學特征，提取所述電壓信息的頻譜中心頻率和主頻率作為頻譜特征；
13、將所述統計學特征和所述頻譜特征進行特征級融合，獲取所述先驗知識特征矩陣。
14、可選的，所述阻抗計算模型為：
15、
16、其中，為交流阻抗，為歐姆阻抗，為傳質阻抗，為常相位角元件的阻抗， k為第 k個rq電路。
17、可選的，基于不同頻率下的所述交流阻抗通過改進的nelder-mead算法對所述阻抗計算模型進行參數辨識包括：
18、s1、對所述阻抗計算模型的辨識參數賦予初始值并初始化頻率點的權重；
19、s2、采用nelder-mead算法對所述辨識參數進行計算，獲取辨識參數估計值并更新所述頻率點的權重；
20、s3、基于所述辨識參數估計值，獲取預測交流阻抗，計算所述交流阻抗和所述預測交流阻抗均方根誤差后迭代次數加1；
21、s4、判斷所述均方根誤差是否小于均方根誤差預設值或迭代次數是否達到預設迭代次數，若是則輸出最優辨識參數，若否則返回s2。
22、可選的，采用所述nelder-mead算法對所述辨識參數進行計算，獲取辨識參數估計值并更新所述頻率點的權重包括：
23、利用所述nelder-mead算法對賦予初始值的辨識參數進行計算，獲取所述辨識參數估計值；
24、基于所述辨識參數估計值，對所述頻率點的誤差進行計算；
25、基于所述誤差，更新所述頻率點的權重。
26、可選的，更新所述權重的方法為：
27、
28、其中，為頻率點 i的誤差，為一個很小的正數，為權重。
29、可選的，對所述阻抗計算模型的辨識參數賦予初始值并初始化頻率點的權重之前包括：
30、利用加權目標函數對所述交流阻抗和所述預測交流阻抗的每一個頻率點的誤差進行加權，獲取所述交流阻抗和所述預測交流阻抗的總誤差；
31、將所述總誤差作為所述改進的nelder-mead算法的目標函數。
32、可選的，所述每一個頻率點的誤差為：
33、
34、所述總誤差為：
35、
36、其中，為頻率點 i的誤差，為第 i個頻率點的觀測值，為第 i個頻率點的預測值， ω i為權重，為總誤差， n為頻率點總數。
37、本專利技術的有益效果為：①提高了處理阻抗數據離群值的魯棒性：離群值可能會對最小二乘法的結果產生顯著影響，使得參數估計偏離真實值。本專利技術可以通過不斷調整權重，使得在擬合過程中更加平衡地處理離群值，從而得到更加準確的參數估計，提高參數估計的準確性；
38、②收斂到最優解：本專利技術可以通過迭代過程不斷優化權重參數，直至收斂于最優解或提高迭代次數逐漸趨近于最優解。相比之下，普通最小二乘法的參數估計是通過一次性計算得到的，可能無法在短時間內達到最優解。
39、③提高了燃料電池系統故障狀態診斷的精準度：解決了數據來源單一和車載環境下單一數據來源不完全可靠的問題。通過融合阻抗信息和電壓信息，提高了燃料電池系統多源信息的利用率，有利于提高故障狀態診斷的精準度。
本文檔來自技高網...【技術保護點】
1.基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，對所述電壓信息的特征進行提取和特征級融合包括：
3.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，所述阻抗計算模型為：
4.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，基于不同頻率下的所述交流阻抗通過改進的Nelder-Mead算法對所述阻抗計算模型進行參數辨識包括：
5.根據權利要求4所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，采用所述Nelder-Mead算法對所述辨識參數進行計算，獲取辨識參數估計值并更新所述頻率點的權重包括：
6.根據權利要求5所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，更新所述權重的方法為：
7.根據權利要求4所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，對所述阻抗計算模型的辨識參數賦
8.根據權利要求7所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，所述每一個頻率點的誤差為：
...【技術特征摘要】
1.基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，對所述電壓信息的特征進行提取和特征級融合包括：
3.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，所述阻抗計算模型為：
4.根據權利要求1所述的基于先驗知識和多源信息融合的燃料電池故障診斷方法，其特征在于，基于不同頻率下的所述交流阻抗通過改進的nelder-mead算法對所述阻抗計算模型進行參數辨識包括：
5.根據權利要求4所述的基于...
【專利技術屬性】
技術研發人員：趙子亮，申森豪，郭斌，王戰古，于昊藝，趙軍，
申請(專利權)人：山東科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。