一种基于云平台的PEMFC故障诊断方法及系统与流程

一种基于云平台的pemfc故障诊断方法及系统
技术领域
1.本发明涉及车载设备故障诊断领域，尤其涉及一种基于云平台的pemfc故障诊断方法及系统。


背景技术：

2.车载pemfc在运行过程中会遇到大量水淹、干燥等可恢复故障的情形，由于产生的水无法及时排出造成的水淹等故障可通过及时的识别和处理排除掉，使电堆恢复正常的运行状态，因此故障的实时诊断和排除十分重要。现有氢燃料电池故障诊断技术中存在故障模型不能实时扩充、故障类型匹配不够丰富、故障诊断不够精确的问题，


技术实现要素：

3.为了解决上述技术问题，本发明的目的是提供一种基于云平台的pemfc故障诊断方法及系统，对车载pemfc进行实时故障诊断。
4.本发明所采用的第一技术方案是：一种基于云平台的pemfc故障诊断方法，包括以下步骤：
5.采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型；
6.采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据；
7.将预处理数据输入到故障诊断模型，得到待诊断车辆的故障诊断结果。
8.进一步，还包括：
9.根据待诊断车辆的故障诊断结果和预设的控制策略对待诊断车辆进行故障修复；
10.检测待诊断车辆的故障情况并根据检测结果对故障诊断模型进行调整。
11.进一步，所述采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型这一步骤，其具体还包括：
12.选取运行参数与待诊断车辆相似编队内闲置车辆为测试车辆；
13.采集测试车辆pemfc的运行数据，得到测试数据；
14.基于预设的分类器对测试数据进行处理，建立温度与故障模型的映射关系，生成故障诊断模型。
15.进一步，所述采集测试车辆pemfc的运行数据，得到测试数据这一步骤，其具体包括：
16.采集测试车辆pemfc的运行数据并上传至云平台；
17.将运行数据分区段存储至数据库；
18.选择平稳区段的运行数据作为测试数据。
19.进一步，所述基于预设的分类器对测试数据进行处理，建立温度与故障模型的映射关系，生成故障诊断模型这一步骤，其具体包括：
20.以测试数据中的电信号指标作为故障判别阈值；
21.采用不同的分类算法对故障进行识别，得到识别精度；
22.将各个故障对应识别精度最高的分类算法设置故障标签；
23.根据测试数据中温度与电信号指标的关系、故障标签建立温度与故障模型的映射关系，得到故障诊断模型。
24.进一步，所述采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据这一步骤，其具体包括：
25.采集待诊断车辆pemfc的运行数据并上传至云平台；
26.将待诊断车辆pemfc的运行数据进行抽样、平滑和滤波的预处理，得到预处理数据。
27.进一步，所述故障诊断结果包括电压电流过载、进气端缺气、质子交换膜水淹、质子交换膜干燥和温度过高，所述预设的控制策略包括功率控制、进气流量控制、进气湿度控制和冷却控制。
28.进一步，所述检测待诊断车辆的故障情况并根据检测结果对故障诊断模型进行调整这一步骤，其具体包括：
29.判断到修复操作后故障未排除，更换故障标签并根据识别精度重新选择故障诊断模型；
30.判断到修复操作后故障已排除，继续使用该故障诊断模型。
31.本发明所采用的第二技术方案是：一种基于云平台的pemfc故障诊断系统，包括：
32.模型建立模块，用于采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型；
33.数据预处理模块，用于采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据；
34.故障诊断模块，用于将预处理数据输入到故障诊断模型，得到待诊断车辆的故障诊断结果。
35.本发明方法及系统的有益效果是：本发明通过基于云平台的诊断匹配，数据源是具有相似应用场景下的编队内多车的包含全生命周期的大量数据，使得数据驱动模型更加准确，通过将故障诊断模型训练过程和诊断过程放到云端，可以实现多个算法间寻优，从而建立更加精确的故障诊断模型。
附图说明
36.图1是本发明具体实施例基于云平台的pemfc故障诊断方法的流程图；
37.图2是本发明具体实施例生成故障诊断模型的步骤流程图；
38.图3是本发明一种基于云平台的pemfc故障诊断系统的结构框图。
具体实施方式
39.下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
40.参照图1，本发明提供了一种基于云平台的pemfc故障诊断方法，该方法包括以下步骤：
41.采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型；
42.采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据；
43.将预处理数据输入到故障诊断模型，得到待诊断车辆的故障诊断结果。
44.具体地，运行数据包括采集pemfc和储能电池包的健康参数，采集pemfc的健康参数，包括但不限于电池出厂参数、实时采集的电压、电流、温度、阳极电势、压力、张力、进气流量，以及eis数据等。采集储能电池包的健康参数，储能电池包一般指锂电池模组，包括但不限于电池出厂参数，实时采集的电压、电流、温度，以及eis数据等。
45.不断上传的数据为相似工况的编队内多台车辆数据，而非单车数据，可以极大地扩充数据集。
46.进一步作为本方法的优选实施例，还包括：
47.根据待诊断车辆的故障诊断结果和预设的控制策略对待诊断车辆进行故障修复；
48.检测待诊断车辆的故障情况并根据检测结果对故障诊断模型进行调整。
49.进一步作为本方法的优选实施例，所述采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型这一步骤，其具体还包括：
50.选取运行参数与待诊断车辆相似编队内闲置车辆为测试车辆；
51.采集测试车辆pemfc的运行数据，得到测试数据；
52.基于预设的分类器对测试数据进行处理，建立温度等健康指标与故障模型的映射关系，生成故障诊断模型。
53.在匹配诊断过程中，通过目标车辆的实时数据采集，调用与目标pemfc的使用小时数或使用里程数(等维度)相近的已有数据样本训练的模型，优先进行匹配诊断，再根据上述svm支持向量机等优选诊断模型的方法进行进一步的匹配，从而保证在多维度下进行准确诊断。
54.进一步作为本方法的优选实施例，所述采集测试车辆pemfc的运行数据，得到测试数据这一步骤，其具体包括：
55.采集测试车辆pemfc的运行数据并上传至云平台；
56.通过lte
‑
v、5g等车联网通信技术，将收集的相关数据上传至云平台，并导入数据库中。收集的数据有两方面作用：一方面是充当数据驱动模型的训练集数据，如使用神经网络、贝叶斯深度学习方法来训练模型，使得模型的精确度提高；另一方面是充当模型的测试集数据，通过支持向量机、最小二乘法等方法进行模型比对来诊断运行中的车载pemfc是否发生故障。
57.将运行数据分区段存储至数据库；
58.选择平稳区段的运行数据作为测试数据。
59.具体地，通过车端监测运行过程中的pemfc相关状态参数，如通过电压传感器实时测量单个和堆栈pemfc电压，通过电流传感器实时测量单个和堆栈pemfc电流，并通过检测电路进行数据采集和校准；通过压力传感器实时测量pemfc进气端和出口端压力。在驻车状态下，通过场站eis设备对pemfc进行扫描，获取pemfc的eis数据。并收集其他数据，如车辆行驶里程、行驶过程中辅助动力电池输出功率、车辆输出总功率、pemfc运行时间等。
60.进一步作为本方法优选实施例，所述基于预设的分类器对测试数据进行处理，建立温度等健康指标与故障模型的映射关系，生成故障诊断模型这一步骤，其具体包括：
61.以测试数据中的电信号指标作为故障判别阈值；
62.采用不同的分类算法对故障进行识别，得到识别精度；
63.将各个故障对应识别精度最高的分类算法设置故障标签；
64.根据测试数据中温度等健康指标与电信号指标的关系、故障温度等健康指标与故障模型的映射关系，得到故障诊断模型。
65.具体地，参照图2，通过测试车辆采集的温度与电信号数据并对采集的信号进行抽样和平滑等的预处理，以电信号为故障判别阈值(如电压降5％可认为发生轻度水淹故障)，运用不同算法对某一故障进行诊断，得到不同算法对这一故障的识别精度(通常分类算法都会有一个score，如二分类问题中判断为故障score为0.6、判断为正常的score为0.4，则将该情况分类为故障)，可直接比较该score(如score不为0
‑
1之间数值则正则化为[0，1]区间内数值)，从而将该情况下的算法种类贴上标签tag1，至此转化为一个温度等健康指标与算法种类之间的新的分类问题，再使用一次机器学习算法(如svm)进行训练，得到故障诊断模型。
[0066]
另外，温度与故障模型的映射关系中的温度可以包括堆栈温度、加湿水箱温度和气体伴热带温度，还可以构建其他健康指标的关系，如(阳极/阴极)进气/出气压力、(阳极/阴极)相对湿度。
[0067]
进一步作为本方法优选实施例，所述采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据这一步骤，其具体包括：
[0068]
采集待诊断车辆pemfc的运行数据并上传至云平台；
[0069]
将待诊断车辆pemfc的运行数据进行抽样、平滑和滤波的预处理，得到预处理数据。
[0070]
进一步作为本方法优选实施例，所述故障诊断结果包括电压电流过载、进气端缺气、质子交换膜水淹、质子交换膜干燥和温度过高，所述预设的控制策略包括功率控制、进气流量控制、进气湿度控制和冷却控制。
[0071]
进一步作为本方法优选实施例，所述检测待诊断车辆的故障情况并根据检测结果对故障诊断模型进行调整这一步骤，其具体包括：
[0072]
判断到修复操作后故障未排除，更换故障标签并根据识别精度重新选择故障诊断模型；
[0073]
判断到修复操作后故障已排除，继续使用该故障诊断模型。
[0074]
如图3所示，一种基于云平台的pemfc故障诊断系统，包括：
[0075]
模型建立模块，用于采集测试车辆pemfc的运行数据并训练预设的分类器，得到故障诊断模型；
[0076]
数据预处理模块，用于采集待诊断车辆pemfc的运行数据并进行数据预处理，得到预处理数据；
[0077]
故障诊断模块，用于将预处理数据输入到故障诊断模型，得到待诊断车辆的故障诊断结果。
[0078]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0079]
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。