SOFC-GT系统氢气泄漏故障复合诊断方法、装置、设备和存储介质与流程

本申请涉及计算机，具体涉及一种sofc-gt系统氢气泄漏故障复合诊断方法、装置、设备和存储介质。

背景技术：

1、燃料电池中固体氧化物燃料电池（solid oxide fuel cell，sofc）实际工作温度由于工程实际中材料因素，电池通常在850℃，但理论上电池工作温度可达1000℃，乏气温度较高，故为利用高温乏气，燃料电池通常下接燃气轮机组成sofc-gt（gas turbine，燃气轮机，简写为gt）联合循环系统以实现能量的高效利用。

2、sofc-gt因其高发电效率和清洁环保特性，在绿色能源领域具有重要应用前景。然而，sofc-gt在973-1573k（约700-1300℃）高温工况下运行时，易引发多种热管理相关故障，严重影响系统的可靠性及使用寿命，间接导致系统的运维成本增加，造成经济损失，还可能会引发重大安全事故。因此，在sofc-gt系统中及时进行故障诊断以实现更好的热管理，对于降低设备的运维成本、保证工业活动安全尤为重要。

3、目前，可以通过机器学习算法来构建故障诊断模型对sofc-gt系统进行智能诊断，然而由于sofc-gt运行机理复杂，需要记录的关键部位数据很多，再加上后期人为操作，最后形成的数据集是海量的，传统机器学习算法在处理此类数据时，有一定的局限性，且在特征提取能力方面有些欠缺，而sofc-gt系统需要收集的特征变量又特别多，这进一步加重了诊断模型的负担，导致传统诊断模型的诊断性能较差，诊断结果不理想。

技术实现思路

1、有鉴于此，本申请所要解决的技术问题是：面向sofc-gt系统的海量运行数据，如何优化故障特征提取和分类能力，以提高故障诊断的精度、效率和可靠性。

2、为解决上述技术问题，本申请提供如下技术方案。

3、第一方面，本申请提供一种sofc-gt系统氢气泄漏故障复合诊断方法，包括：获取sofc-gt系统的运行数据并通过统一流形近似与投影方法进行降维预处理，得到初始数据集；通过仿生脉冲特征加权算法对所述初始数据集进行特征重要性排序，得到最佳特征子集；通过深度可分离卷积神经网络与梯度提升决策树相结合的复合诊断模型处理所述最佳特征子集，得到混淆矩阵；改变所述复合诊断模型的参数，记录不同参数下采用所述混淆矩阵得到的故障诊断结果并进行比较，得到最佳诊断模型；通过所述最佳诊断模型对所述sofc-gt系统进行故障诊断。

4、在第一方面的一种可选方案中，所述获取sofc-gt系统的运行数据并通过统一流形近似与投影方法进行降维预处理，得到初始数据集，还包括：获取sofc-gt系统的运行数据并进行标准化和归一化：；；式中：表示所述sofc-gt系统的运行数据中的第个特征变量，表示所述特征变量的总个数，表示所述特征变量的均值，表示所述特征变量的标准差，表示第个所述特征变量的标准化值；表示所述特征变量的最大值，表示所述特征变量的最小值，表示第个所述特征变量的归一化值。

5、在第一方面的一种可选方案中，所述sofc-gt系统的运行数据，包括：电堆电压、电堆电流、输出功率、电堆氢气出入口温度、电堆空气出入口温度，换热器氢气出入口温度、换热器空气出入口温度中的至少一种特征变量。

6、在第一方面的一种可选方案中，所述通过深度可分离卷积神经网络与梯度提升决策树相结合的复合诊断模型处理所述最佳特征子集，得到混淆矩阵，包括：通过深度可分离卷积神经网络对所述最佳特征子集进行卷积、批标准化和池化处理，并将处理结果输入全连接层；通过梯度提升决策树对所述全连接层中的处理结果进行分类处理，得到混淆矩阵。

7、在第一方面的一种可选方案中，所述深度可分离卷积神经网络，包括：卷积层、激活函数层、池化层、全连接层和输出层，其中：所述卷积层的卷积核大小为4×4；所述激活函数层采用swish激活函数；所述池化层的类型为平均池化，且大小为2×2；所述全连接层的神经元个数与所述sofc系统的运行数据中特征变量的个数相匹配。

8、在第一方面的一种可选方案中，所述梯度提升决策树采用高斯径向高斯核和网格搜索交叉验证。

9、在第一方面的一种可选方案中，所述改变所述复合诊断模型的参数，记录不同参数下采用所述混淆矩阵得到的故障诊断结果并进行比较，得到最佳诊断模型，包括：改变所述复合诊断模型中所述深度可分离卷积神经网络的超参数，记录不同所述深度可分离卷积神经网络的超参数下采用所述混淆矩阵得到的故障诊断正确率、故障诊断误报率和故障诊断命中率；综合所述故障诊断正确率、所述故障诊断误报率和所述故障诊断命中率进行比较，将比较结果最优的所述混淆矩阵对应的所述复合诊断模型作为最佳诊断模型。

10、第二方面，本申请提供一种sofc-gt系统氢气泄漏故障复合诊断装置，包括：数据获取单元，用于获取sofc-gt系统的运行数据并通过统一流形近似与投影方法进行降维预处理，得到初始数据集；特征选择单元，用于通过仿生脉冲特征加权算法对所述初始数据集进行特征重要性排序，得到最佳特征子集；复合训练单元，用于通过深度可分离卷积神经网络与梯度提升决策树相结合的复合诊断模型处理所述最佳特征子集，得到混淆矩阵；综合优化单元，用于改变所述复合诊断模型的参数，记录不同参数下采用所述混淆矩阵得到的故障诊断结果并进行比较，得到最佳诊断模型；故障诊断单元，用于通过所述最佳诊断模型对所述sofc-gt系统进行故障诊断。

11、第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请第一方面或第一方面的任意一种实现方式提供的方法。

12、第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面或第一方面的任意一种实现方式提供的方法。

13、本申请以sofc-gt系统的多个特征变量作为输入，覆盖面较广；先使用umap方法进行数据降维预处理，再使用snn-relief算法进行特征重要性排序，仅保留关键特征变量，有利于提高故障诊断效率；基于深度可分离卷积神经网络与梯度提升决策树相结合的复合诊断模型进行训练，通过二者的特征提取能力和分类能力之间的充分协同，提高了故障诊断的精度和效率；综合比较不同超参数设置下的故障评价指标，得到超参数的最佳配置，提高了故障诊断的可靠性。

1.一种sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述获取sofc-gt系统的运行数据并通过统一流形近似与投影方法进行降维预处理，得到初始数据集，还包括：

3.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述sofc-gt系统的运行数据，包括：电堆电压、电堆电流、输出功率、电堆氢气出入口温度、电堆空气出入口温度，换热器氢气出入口温度、换热器空气出入口温度中的至少一种特征变量。

4.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述通过深度可分离卷积神经网络与梯度提升决策树相结合的复合诊断模型处理所述最佳特征子集，得到混淆矩阵，包括：

5.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述深度可分离卷积神经网络，包括：卷积层、激活函数层、池化层、全连接层和输出层，其中：

6.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述梯度提升决策树采用高斯径向高斯核和网格搜索交叉验证。

7.根据权利要求1所述的sofc-gt系统氢气泄漏故障复合诊断方法，其特征在于，所述改变所述复合诊断模型的参数，记录不同参数下采用所述混淆矩阵得到的故障诊断结果并进行比较，得到最佳诊断模型，包括：

8.一种sofc-gt系统氢气泄漏故障复合诊断装置，其特征在于，执行权利要求1-7任一项所述的sofc-gt系统氢气泄漏故障复合诊断方法，所述装置包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。