一种氢燃料电池耐久性能分析方法及装置与流程

1.本发明涉及燃料电池技术领域，尤其涉及一种氢燃料电池耐久性能分析方法及装置。


背景技术：

2.现有的整车耐久转鼓试验是按照nedc的城市工况(ece工况)进行预设时长的耐久试验(大约在1500h)，对氢燃料电池整车可靠性能进行验证。
3.虽然，这样的数据能够反应一定时间内的电池衰减规律，但是，对于之后时间段的衰减规律并不能容易得到，如果将该耐久试验的时间延长，继续做试验，那么耗费的时间更长，人力以及物力会更多。
4.因此，如何提高氢燃料电池耐久性分析的效率和准确性是目前亟待解决的技术问题。


技术实现要素：

5.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的氢燃料电池耐久性能分析方法及装置。
6.第一方面，本发明提供了一种氢燃料电池耐久性能分析方法，包括：
7.对整车做第一预设时长的耐久转鼓试验，记录氢燃料电池随时间变化的相关特征数据以及电压数据；
8.基于所述相关特征数据与电压数据，获得在所述第一预设时长内用于预测电压数据的预测模型；
9.基于所述预测模型，对所述第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到所述每一目标时刻所对应的目标电压；
10.基于所述目标电压和所述第一预设时长内随时间变化的电压数据，得到所述氢燃料电池的电压衰退曲线；
11.基于所述电压衰退曲线，对所述氢燃料电池耐久性能分析。
12.进一步地，所述相关特征数据包括：电流、所述氢燃料电池电堆进水口温度、所述氢燃料电池电堆出水口温度、行驶里程。
13.进一步地，所述基于所述相关特征数据与电压数据，获得在所述第一预设时长内用于预测电压数据的预测模型，包括：
14.在所述第一预设时长内，获取对应于每个预设时刻的样本数据；
15.从所述样本数据中提取每个预设时刻对应的相关特征数据以及所述预设时刻的前时刻对应的相关特征数据和电压数据作为输入数据，所述样本数据中的每个预设时刻对应的电压数据作为输出数据；
16.将所述输入数据和所述输出数据输入lstm模型中，以对所述lstm模型进行训练，得到用于预测任一时刻的电压数据的预测模型。
17.进一步地，所述基于所述预测模型，对所述第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到所述每一目标时刻所对应的目标电压，包括：
18.获取所述第一预设时长之后的第二预设时长内第一目标时刻所对应的第一相关特征数据，以及所述第一目标时刻的前时刻所对应的前电压数据和前相关特征数据；
19.将所述第一相关特征数据、前相关特征数据以及前电压数据输入所述预设模型，得到所述第一目标时刻所对应的第一目标电压；
20.依次外推，得到所述第二预设时长内第m目标时刻所对应的第m目标电压，m为所述第二预设时长内的任意一目标时刻所对应的排序号，以得到所述每一目标时刻所对应的目标电压。
21.进一步地，获取所述第一预设时长之后的第二预设时长内第一目标时刻所对应的第一相关特征数据，包括：
22.获取所述第一预设时长内氢燃料电池电堆进水口温度的取值范围；
23.基于所述取值范围，确定所述第一目标时刻所对应的氢燃料电池电堆进水口温度为所述取值范围内的任意值；
24.确定所述第一目标时刻所对应的氢燃料电池电堆出水口温度为超出所述氢燃料电池电堆进水口温度预设温度；
25.基于整车的平均速度以及所述第一目标时刻，确定所述第一目标时刻所对应的行驶里程；
26.确定所述第一目标时刻所对应的电流为预设恒定电流。
27.进一步地，所述基于所述目标电压和所述第一预设时长内随时间变化的电压数据，得到所述氢燃料电池的电压衰退曲线，包括：
28.采用拟合方法对所述目标电压和所述第一预设时长内随时间变化的电压数据进行多项式拟合，得到总时长内所述氢燃料电池的电压衰退曲线，所述总时长为所述第一预设时长加上所述第二预设时长。
29.进一步地，所述基于所述电压衰退曲线，对所述氢燃料电池耐久性能分析，其特征在于，包括：
30.基于所述电压衰退曲线，获得电压的最大值和最小值；
31.基于所述最大值与所述最小值，获得电压衰减率；
32.基于所述电压衰减率，对所述氢燃料电池耐久性能分析。
33.第二方面，本发明还提供了一种氢燃料电池耐久性能分析方法，包括：
34.记录模块，用于对整车做第一预设时长的耐久转鼓试验，记录氢燃料电池随时间变化的相关特征数据以及电压数据；
35.模型获得模块，用于基于所述相关特征数据与电压数据，获得在所述第一预设时长内用于预测电压数据的预测模型；
36.外推预测模块，用于基于所述预测模型，对所述第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到所述每一目标时刻所对应的目标电压；
37.曲线获得模块，用于基于所述目标电压和所述第一预设时长内随时间变化的电压数据，得到所述氢燃料电池的电压衰退曲线；
38.分析模块，用于基于所述电压衰退曲线，对所述氢燃料电池耐久性能分析。
39.第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述述的方法步骤。
40.第四方面，本发明还提供了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，该程序被处理器执行时实现上法步骤。
41.本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
42.本发明提供了一种氢燃料电池耐久性能分析方法，包括，通过对整车做第一预设时长的耐久性转鼓试验，从而记录氢燃料电池随时间变化的相关特征数据以及电压数据，基于该相关特征数据与电压数据，获得在第一预设时长内用于预测电压数据的预测模型，基于该预测模型，对第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到每一目标时刻所对应的目标电压，基于该目标电压和第一预设时长内随时间变化的电压数据，得到氢燃料电池的电压衰退曲线，基于该电压衰退曲线，对氢燃料电池耐久性能分析，进而通过整车转鼓试验，得到真实数据的同时，还可以对后期时间内的任意时刻数据进行预测，得到真实的预测数据，进而对氢燃料电池长时间内的电压衰退趋势进行预估，得到准确的预估结果，不仅提高了性能衰退分析的效率，而且，也提高了准确性。
附图说明
43.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：
44.图1示出了本发明实施例中氢燃料电池耐久性能分析方法的步骤流程示意图；
45.图2示出了本发明实施例中ece循环工况的示意图；
46.图3示出了本发明实施例中5000h内的氢燃料电池的电压随时间变化的曲线示意图；
47.图4示出了本发明实施例中电压衰退曲线的示意图；
48.图5示出了本发明实施例中氢燃料电池耐久性能分析装置的结构示意图；
49.图6示出了本发明实施例中实现氢燃料电池耐久性能分析方法的计算机设备的结构示意图。
具体实施方式
50.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
51.实施例一
52.本发明的实施例提供了一种氢燃料电池耐久性能分析方法，如图1所示，包括：
53.s101，对整车做第一预设时长的耐久转鼓试验，记录氢燃料电池随时间变化的相关特征数据以及电压数据；
54.s102，基于相关特征数据与电压数据，获得在第一预设时长内用于预测电压数据
的预测模型；
55.s103，基于预测模型，对第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到每一目标时刻所对应的目标电压；
56.s104，基于目标电压和第一预设时长内随时间变化的电压数据，得到氢燃料电池的电压衰退曲线；
57.s105，基于电压衰退曲线，对氢燃料电池耐久性能分析。
58.首先，s101中，对整车做第一预设时长的耐久转鼓试验，记录氢燃料电池随时间变化的相关特征数据以及电压数据。
59.具体地，通过整车排放试验耐久转鼓按照ece工况进行1500h～1800h耐久试验，按照bg18352
‑
2013中循环nedc第一阶段市区工况(即ece)行驶，对氢燃料电池整车可靠性能进行验证。
60.该nedc是将车辆放在测试台架上，模拟车辆在不同工况下驾驶过程。
61.采用上述的试验，ece循环工况加载如图2所示。
62.由此通过每20ms的周期进行采样的方式，得到氢燃料电池随时间变化的相关特征数据以及电压数据。
63.s101之后，对记录的氢燃料电池随时间变化的相关特征数据以及电压数据进行数据处理。
64.数据处理具体包括：对数据进行填充，对数据进行滤波等。其中，对于有些空数据，需要采用上一条记录进行填充，即认为该空数据保持前一条数据记录状态。对于有些数据突变的情况，采用滑动算法平均滤波方法进行滤波处理。
65.滑动算法平均值滤波，在内存(ram)中建立一个数据缓冲区，依顺序存放n个采样数据，每采集一个新数据，将最早采集的数据丢掉，而后求包括新数据在内的n个数据的算术平均值，这样，每进行一次采样，就可计算出一个新的平均值，从而加快数据处理的速度。
66.接着，执行s102，基于相关特征数据与电压数据，获得在第一预设时长内用于预测电压数据的预测模型。
67.该相关数据具体是：电流、氢燃料电池电堆进水口温度、氢燃料电池电堆出水口温度以及行驶里程。
68.该步骤具体是利用该第一预设时长，即1500h～1800h采集的数据，进行模型训练和模型测试。
69.选择合适的模型，例如，循环神经网络(rnn)模型及其变种(lstm/gru)等模型，均是处理序列的模型，所采用的方式是监督学习，不需要人为的构建时序特征，可以通过深度学习网络拟合时序曲线，捕捉时间先后顺序关系，长期依赖，进行特征学习与预测。
70.虽然，传统的卷积神经网络(cnn)、时间卷积网络(tcn)以及传统时间学了预测方法虽然都能够使用，但是，预测结果并不理想。
71.因此，本发明中采用循环神经网络模型中的lstm模型(长短期记录神经网络模型)，其中，具体是采用many to one的模型结构，这里的many是指多于一个变量特征的特征，one指一个变量特征。
72.在对模型进行训练之前，还需要对s101获得的数据进行处理，包括，数据归一化处理，能够加速训练模型的训练损失和测试损失loss下降。在计算机中具体是采用sklearn工
具包的minmaxscaler()函数及fit_transform()函数对数据进行归一化处理。
73.接着，按照8:2的比例，将归一化处理之后的数据分成两部分，其中占比为80％的数据作为训练数据，占比为20％的数据作为测试数据。
74.其中，该训练数据包括输入数据和输出数据，该测试数据中也包括输入数据和输出数据。
75.具体的训练过程如下：在第一预设时长内，获取对应于每个预设时刻的样本数据；从样本数据中提取每个预设时刻对应的相关特征数据以及预设时刻的前一时刻对应的相关特征数据和电压特征数据作为输入数据，该样本数据汇总的每个预设时刻对应的电压数据作为输出数据；将输入数据和输出数据输入lstm模型中，以对lstm模型进行训练，得到用于预测任一时刻的电压数据的预测模型。
76.输入数据均包括第一时刻所对应的相关特征数据和电压数据以及第二时刻所对应的相关特征数据，该第一时刻为第二时刻之前的时刻。上述的前时刻，可以是前一时刻，也可以是前两时刻，当然，还可以是前n时刻，在此并不作限定。
77.若以1500h为例，以每半个小时的一条记录为例，在输入数据为0.5h对应的相关特征数据和电压数据以及1h所对应的相关特征数据，则输出数据则为0.5h对应的电压数据。直到该输入数据为1199.5h对应的相关特征数据和电压数据以及1200h对应的相关特征数据，该输出数据为1200h所对应的电压数据。由此获得该训练数据。
78.同理，对于1500h的最后300h内的数据，按照上述方式，获得输入数据和输出数据，由此得到测试集。
79.通过采用训练集中的输入数据和输出数据，将该输入数据和输出数据输入lstm模型中，以对lstm模型进行训练，得到用于预测任意时刻的电压数据的预测模型。
80.然后，采用测试集中的输入数据和输出数据对该预测模型进行测试，从而验证该预测模型的准确性和可信度。
81.其中，该训练集中的数据和测试集中的数据均为3d格式数据，3d格式为[样本数，时间步长、特征数]，其中，样本数是用于训练或测试数据集样本数量；时间步长是时间序列预测时，需要考虑当前时刻与之前时刻数据，如果考虑当前时刻及前一时刻数据，则时间步长为1；如果考虑当前时刻及上两时刻数据，则时间步长为2，以此类推。在本发明中只考虑当前时刻与前一时刻数据，即时间步长为1。特征数为输入特征的个数。
[0082]
本发明中所采用的lstm模型，神经元个数初始值为500个，在构建神经网络模型时，选择出最佳的优化器，以便快速收敛并正确学习，同时调整内部参数，最大程度地最小化损失函数，其中的adam在实际应用中效果良好，超过了其他的自适应技术，因此lstm长短期记忆神经网络算法优化器为adam。
[0083]
在对得到的预测模型进行测试时，损失评价指标采用均方差，具体是将预测值与真实值之间作均方差，该均方差越大时，预测的效果越差。训练和测试时，随着迭代次数的增加，训练损失和测试损失均由开始的加速下降，快速到达一个稳定值附近，在该稳定值附近，说明训练过程数据收敛情况较好，符合预期。
[0084]
在得到效果较好的预测模型之后，执行s103，基于该预测模型，对第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到每一目标时刻所对应的目标电压。
[0085]
具体地，获取第一预设时长之后的第二预设时长内第一目标时刻所对应的第一相关特征数据，以及该第一目标时刻的前时刻所对应的前电压数据和前相关特征数据；
[0086]
将第一相关特征数据、前相关特征数据以及前电压数据输入预设模型，得到第一目标时刻所对应的第一目标电压；
[0087]
依次外推，得到第二预设时长内第m目标时刻所对应的第m目标电压，m为第二预设时长内的任一目标时刻所对应的排序号，以得到每一目标时刻所对应的目标电压。
[0088]
在具体的实施方式中，该第一预设时长为1500h，则最后一个时刻即第1500h所对应的相关特征参数以及电压数据都为已知。
[0089]
首先，获得第一预设时长之后的第二预设时长内第一目标时刻所对应的第一相关特征数据，这里第二预设时长为3500h，第一预设时长加上第二预设时长的总时长为5000h。该第二预设时长内的第一目标时刻，即为1500.5h，那么该1500.5h所对应的第一相关特征数据可以通过预估来得到。
[0090]
具体地，该第一相关特征数据包括：电流、氢燃料电池电堆进水口温度、氢燃料电池电堆出水口温度、行驶里程。
[0091]
其中，先获取第一预设时长内氢燃料电池电堆进水口温度的取值范围；然后，基于该取值范围，确定该第一目标时刻所对应的氢燃料电池电堆进水口温度为取值范围内的任意值。这里，可以将该取值范围分段，从分段的结果中随机取值。
[0092]
对于该氢燃料电池电堆出水口温度，将该第一目标时刻所对应的氢燃料电池电堆进水口温度高出预设温度，得到该氢燃料电池电堆出水口温度，该预设温度为1～2℃。
[0093]
对于行驶里程，基于整车的平均行驶速度，以及该第一目标时刻，从而确定该第一目标时刻所对应的行驶里程，比如，平均行驶速度为22km/h，若第一目标时刻为1500.5h，则对应的行驶里程为33011km。
[0094]
对于电流，该电流是预设恒定值，比如可以是26a～28a中随机取的定值。
[0095]
接着，对于第一目标时刻的前时刻所对应的前电压数据和前相关特征数据，为通过该预测模型可以准确预测。
[0096]
在上述这些数据均为已知之后，将该第一相关特征数据、前相关特征数据以及前电压数据输入该预测模型，由此得到该第一目标时刻所对应的第一目标电压。
[0097]
以前一时刻为1500h，第一目标时刻为1500.5h为例，是将1500.5h所对应的第一相关特征数据，以及1500h所对应的前相关特征数据和前电压数据输入预测模型，得到1500.5h所对应的目标电压。
[0098]
然后，再次外推，获得1500.5h所对应的第一相关特征数据和第一目标电压(前面外推预测得到)，以及1501h所对应的第二相关特征数据(按照上述的方法预估得到)，从而将这些数据输入预测模型，以得到1501h所对应的第二目标电压，以此类推，可以到的第二预设时长内第m目标时刻所对应的第m目标电压，该m为第二预设时长内的任意一目标时刻所对应的排序号，以得到每一目标时刻所对应的目标电压。由此，得到1500h之后的3500h内任意一时刻所对应的目标电压。
[0099]
由此，可以外推得到1500h之后的3500h内，每个目标时刻所对应的目标电压，具体如图3所示，由此得到5000h内的氢燃料电池的电压随时间变化的曲线。
[0100]
然后，执行s104，基于目标电压和第一预设时长内随时间变化的电压数据，得到氢
燃料电池的电压衰退曲线。即5000h内随时间变化的电压数据的电压衰退曲线。
[0101]
具体地，由于按照实际数据所得电压衰退的图来看，数据存在浮动较大，使得曲线边部存在毛刺，无法准确对氢燃料电池性能分析，因此，采用拟合方法对该目标电压和第一预设时长内随时间变化的电压数据进行多项式拟合，从而得到总时长内氢燃料电池的电压衰退曲线，该总时长为第一预设时长加上第二预设时长，即5000h的时长。
[0102]
具体可以采用三次多项式拟合，也可以采用五次多项式拟合，在此并不作限定，多项式的次数越多，则拟合的准确度越高。
[0103]
在采用五次多项式时，公式为：y＝1.332e
‑
16
x5‑
1.932e
‑
12
x4 9.512e
‑9x3‑
1.82e
‑5x2 0.009053x 274.5
[0104]
其中，x为0～5000h中的任意时刻，y为对应于任意时刻的电压值。
[0105]
由此得到一条光滑的曲线，即为电压衰退曲线，具体如图4所示，在该电压衰退曲线上得到拐点坐标位置为(324，276)、(2131，269)、(3461，271)、(5691，258)。
[0106]
最后，执行s105，基于该电压衰退曲线，对氢燃料电池耐久性能分析。具体包括：
[0107]
基于该电压衰退曲线，获得电压的最大值和最小值；接着，基于最大值与最小值，获得电压衰减率，基于该电压衰减率，对氢燃料电池耐久性能分析。
[0108]
具体是将最大值和最小值作差，将差值与最大值作商，获得电压衰减率。
[0109]
比如，由此得到的电压衰减率较大，则判定该氢燃料电池耐久性较差；若得到电压衰减率较小，则判定该氢燃料电池耐久性较优。
[0110]
本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：
[0111]
本发明提供了一种氢燃料电池耐久性能分析方法，包括，通过对整车做第一预设时长的耐久性转鼓试验，从而记录氢燃料电池随时间变化的相关特征数据以及电压数据，基于该相关特征数据与电压数据，获得在第一预设时长内用于预测电压数据的预测模型，基于该预测模型，对第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到每一目标时刻所对应的目标电压，基于该目标电压和第一预设时长内随时间变化的电压数据，得到氢燃料电池的电压衰退曲线，基于该电压衰退曲线，对氢燃料电池耐久性能分析，进而通过整车转鼓试验，得到真实数据的同时，还可以对后期时间内的任意时刻数据进行预测，得到真实的预测数据，进而对氢燃料电池长时间内的电压衰退趋势进行预估，得到准确的预估结果，不仅提高了性能衰退分析的效率，而且，也提高了准确性。
[0112]
实施例二
[0113]
基于相同的发明构思，本发明还提供了一种氢燃料电池耐久性能分析装置，如图5所示，包括：
[0114]
记录模块501，用于对整车做第一预设时长的耐久转鼓试验，记录氢燃料电池随时间变化的相关特征数据以及电压数据；
[0115]
模型获得模块502，用于基于所述相关特征数据与电压数据，获得在所述第一预设时长内用于预测电压数据的预测模型；
[0116]
外推预测模块503，用于基于所述预测模型，对所述第一预设时长之后的第二预设时长内每一目标时刻依次做外推预测，以得到所述每一目标时刻所对应的目标电压；
[0117]
曲线获得模块504，用于基于所述目标电压和所述第一预设时长内随时间变化的电压数据，得到所述氢燃料电池的电压衰退曲线；
[0118]
分析模块505，用于基于所述电压衰退曲线，对所述氢燃料电池耐久性能分析。
[0119]
在一种可选的实施方式中，所述相关特征数据包括：电流、所述氢燃料电池电堆进水口温度、所述氢燃料电池电堆出水口温度、行驶里程。
[0120]
在一种可选的实施方式中，所述模型获得模块502，包括：
[0121]
第一获取单元，用于在所述第一预设时长内，获取对应于每个预设时刻的样本数据；
[0122]
提取单元，用于从所述样本数据中提取每个预设时刻对应的相关特征数据以及所述预设时刻的前时刻对应的相关特征数据和电压数据作为输入数据，所述样本数据中的每个预设时刻对应的电压数据作为输出数据；
[0123]
训练单元，用于将所述输入数据和所述输出数据输入lstm模型中，以对所述lstm模型进行训练，得到用于预测任一时刻的电压数据的预测模型。
[0124]
在一种可选的实施方式中，外推预测模块503，包括：
[0125]
第二获取单元，用于获取所述第一预设时长之后的第二预设时长内第一目标时刻所对应的第一相关特征数据，以及所述第一目标时刻的前时刻所对应的前电压数据和前相关特征数据；
[0126]
第一外推预测单元，用于将所述第一相关特征数据、前相关特征数据以及前电压数据输入所述预设模型，得到所述第一目标时刻所对应的第一目标电压；
[0127]
依次外推预测单元，用于依次外推，得到所述第二预设时长内第m目标时刻所对应的第m目标电压，m为所述第二预设时长内的任意一目标时刻所对应的排序号，以得到所述每一目标时刻所对应的目标电压。
[0128]
在一种可选的实施方式中，第一获取单元，包括：
[0129]
第一获取子单元，用于获取所述第一预设时长内氢燃料电池电堆进水口温度的取值范围；
[0130]
第一确定子单元，用于基于所述取值范围，确定所述第一目标时刻所对应的氢燃料电池电堆进水口温度为所述取值范围内的任意值；
[0131]
第二确定子单元，用于确定所述第一目标时刻所对应的氢燃料电池电堆出水口温度为超出所述氢燃料电池电堆进水口温度预设温度；
[0132]
第三确定子单元，用于基于整车的平均速度以及所述第一目标时刻，确定所述第一目标时刻所对应的行驶里程；
[0133]
第四确定子单元，用于确定所述第一目标时刻所对应的电流为预设恒定电流。
[0134]
在一种可选的实施方式中，所述曲线获得模块504，用于：
[0135]
采用拟合方法对所述目标电压和所述第一预设时长内随时间变化的电压数据进行多项式拟合，得到总时长内所述氢燃料电池的电压衰退曲线，所述总时长为所述第一预设时长加上所述第二预设时长。
[0136]
在一种可选的实施方式中，所述分析模块505，包括：
[0137]
第一获得单元，用于基于所述电压衰退曲线，获得电压的最大值和最小值；
[0138]
第二获得单元，用于基于所述最大值与所述最小值，获得电压衰减率；
[0139]
分析单元，用于基于所述电压衰减率，对所述氢燃料电池耐久性能分析。
[0140]
实施例三
[0141]
基于相同的发明构思，本发明实施例三提供了一种计算机设备，如图6所示，包括存储器604、处理器602及存储在存储器604上并可在处理器602上运行的计算机程序，所述处理器602执行所述程序时实现上述氢燃料电池耐久性能分析方法的步骤。
[0142]
其中，在图6中，总线架构(用总线600来代表)，总线600可以包括任意数量的互联的总线和桥，总线600将包括由处理器602代表的一个或多个处理器和存储器604代表的存储器的各种电路链接在一起。总线600还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口606在总线600和接收器601和发送器603之间提供接口。接收器601和发送器603可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器602负责管理总线600和通常的处理，而存储器604可以被用于存储处理器602在执行操作时所使用的数据。
[0143]
实施例四
[0144]
基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述氢燃料电池耐久性能分析方法的步骤。
[0145]
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0146]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0147]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0148]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0149]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围
之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0150]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的氢燃料电池耐久性能分析装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0151]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。