一种基于深度学习的燃料电池系统故障诊断方法及系统与流程

本发明涉及故障诊断，具体是涉及一种基于深度学习的燃料电池系统故障诊断方法及系统。

背景技术：

1、燃料电池系统具有结构复杂、耦合度高等特点，电池系统发生故障时可能会造成系统性能衰减缩短电池使用寿命，装备电池系统故障还会造成装备故障，给用户生命财产安全造成威胁。通过电池系统故障诊断及时发现并隔离故障，可以有效提高电池系统的可靠性，延长电池系统的使用寿命，同时降低维修成本。

2、目前，针对燃料电池故障诊断常见的方法有基于解析模型、基于实验验证和基于数据驱动的方法。但是当前对于燃料电池的研究数据集主要来自实验室，电池的运行环境相对稳定。而在实际运行过程中遇到的工况更加复杂多变，用实验室数据训练的模型稳健性和泛化能力比较差。其次，目前研究主要针对燃料电池的不可逆的衰减，对于使用过程中经常出现的可恢复性故障的研究相对较少。所以，目前对于装备燃料电池故障诊断的智能模型的特征提取效率和故障学习分类能力均不能满足实际需要。

技术实现思路

1、(一)要解决的技术问题

2、本发明主要针对以上问题，提出了一种基于深度学习的燃料电池系统故障诊断方法及系统，其目的是解决针对装备采集数据故障分布不均衡、数据噪声干扰大和故障诊断精度低等问题。

3、(二)技术方案

4、为实现上述目的，本发明第一方面提供了一种基于深度学习的燃料电池系统故障诊断方法，包括如下步骤：

5、s100、对收集的燃料电池信号历史数据进行混合采样处理，将混合采样处理后的燃料电池信号历史数据转化为可用于深度学习模型的数据类型，并将转化后的数据划分为训练集和测试集；

6、s200、构建改进的基于卷积神经网络的特征提取模块，通过使用多个一维小卷积层与残差连接组成的结构，在每个卷积层后应用批量标准化和relu激活函数，通过concat层将多尺度时间特征的维度拼接起来，并通过最大池化层输出提取的数据特征，以提取时序数据中的故障特征；

7、s300、利用步骤s200中提取的故障特征，输入至一个含有transformer编码器的分类器中，运用多头注意力机制突出故障特征并保留时序数据的全局信息，用于训练故障诊断模型；

8、s400、采用实时获取的电池系统信号数据，运用步骤s200中定义的数据池化结构提取数据特征，并使用步骤s300中训练好的故障诊断模型来判断当前电池状态，以实现故障的在线诊断。

9、进一步地，在步骤s200中，提取故障特征的具体步骤包括：

10、s201、构造一个基于inception网络结构改进的数据池化层网络，该网络通过采用3个一维小卷积层和残差连接，并在每个卷积层之后使用批量标准化和relu激活函数，以及加入最大池化层来提升故障特征的提取效率和能力；

11、s202、运用所述数据池化层网络对训练集中的数据执行特征提取操作，从而获得用于故障分类的特征集合。

12、进一步地，在步骤s300中，构建故障分类诊断模型的具体步骤包括：

13、s301、基于步骤s201中数据池化层网络的运算结果，搭建transformer模型的简化结构；

14、s302、使用inception数据池化层的运算结果进行特征权重的重新分配，并确定查询、键、值的参数配置；

15、s303、运用transformer编码器处理所述特征集合，并使用注意力机制提取信息，将查询、键、值分割形成各自的向量，并计算特征的注意力矩阵；

16、s304、执行多头注意力计算，将步骤s303中不同特征下的注意力结果合并，从而评估电池参数属性间的关联性并判断故障存在的可能性；

17、s305、利用训练集数据优化transformer分类器模型，并使用测试集数据进行验证，以确保模型达到预设的分类性能标准；

18、s306、若模型的性能未满足预定要求，调整网络结构和参数设置，并重新训练，直至获得满足性能要求的transformer网络模型。

19、进一步地，步骤s303中的计算特征的注意力矩阵为：

20、

21、其中，q为查询向量，它是用来与键向量进行匹配的向量，目的是衡量不同组件之间的相似度；k为键向量，它是与查询向量进行匹配的向量，用于生成每个组件的权重；v为值向量，它是根据键和查询的匹配结果，对应的输入信号的表示；其中dk是键向量的维度；bk是偏置矩阵，针对键向量的一个偏置项；bv是偏置矩阵，针对值向量的一个偏置项。

22、进一步地，步骤s304中，采用如下公式将步骤s303中不同特征下的注意力结果合并:

23、multihead(q,k,v)＝concat(head1,head2,......,headh)w0；

24、其中，multihead为多头注意力机制；concat(.....)表示将所有头得到的向量首尾相连起来；headi是第i个注意力头的输出，是一个子空间内的注意力计算结果；h是头的数量，表示有多少组不同的、并行的注意力机制；w0是最后的线性变换矩阀，它将所有头的拼接结果进行变换，得到最终的输出。

25、进一步地，在所述步骤s100中，所述混合采样方式可以是过采样、欠采样或者是合成少数类过采样技术。

26、为实现上述目的，本发明第二方面提供了一种基于深度学习的燃料电池系统故障诊断系统，包括：

27、数据预处理单元，用于执行步骤s100中描述的数据预处理操作；

28、特征提取单元，用于执行步骤s200中描述的改进inception网络的故障特征提取；

29、分类诊断单元，用于执行步骤s300中描述的基于transformer编码器的分类诊断；

30、实时监测单元，用于实现步骤s400中的在线故障诊断。

31、进一步地，数据预处理单元，用于执行步骤s100中描述的数据预处理操作；

32、特征提取单元，用于执行步骤s200中描述的改进inception网络的故障特征提取；

33、分类诊断单元，用于执行步骤s300中描述的基于transformer编码器的分类诊断；

34、实时监测单元，用于实现步骤s400中的在线故障诊断。

35、进一步地，分类诊断单元包含一个或多个处理器以及存储器，其中处理器执行根据特征提取单元输出的数据池化层网络结果进行的多头注意力计算以及分类模型的训练与优化。

36、(三)有益效果

37、与现有技术相比，本发明提供的一种基于深度学习的燃料电池系统故障诊断方法及系统，该方法针对装备采集数据故障分布不均衡、数据噪声干扰大和故障诊断精度低等问题，使用深度学习模型组合的方法改善数据不均衡问题、提升故障特征提取能力和分类模型识别性能。首先，在特征提取阶段引入多个一维小卷积层和残差连接改进inception模块，提取出了完整的故障时序特征信息，添加池化层在保持特征不损失的基础上去除冗余信息防止过拟合，同时提高了特征提取的效率；在故障分类诊断阶段通过transformer的encoder模块对故障进行分类，利用多头注意力突出故障重要特征，最大化的保留时序数据中的全局信息，提升了模型的诊断精度。