一种基于HSMM和经验模型的燃料电池故障预测方法

摘要

本发明公开了一种基于HSMM和经验模型的燃料电池故障预测方法，先采集一组燃料电池的全寿命电压数据，作为训练数据，再通过Welch‑Baum算法利用训练数据训练HSMM模型；再采集一组燃料电池的电压退化数据，作为测试数据；将测试数据输入HSMM中，通过前向算法估计当前健康状态，并根据状态持续时间计算其剩余寿命；根据测试数据建立经验模型，并估计参数及预测未来走势，根据未来电压走势计算其剩余寿命；以训练数据和测试数据的电压梯度值的相似度作为标准，将HSMM得到的剩余寿命和经验模型计算出的剩余寿命结合起来，估算出燃料电池的最终剩余寿命。

说明书

技术领域

本发明属于燃料电池技术领域，更为具体地讲，涉及一种基于HSMM和经验模型的燃料电池故障预测方法。

背景技术

燃料电池是一个通过电化学反应把燃料中化学能量直接转化为电能的装置，它具有环境友好、能量转换率高等优点，然而，可靠性和持久性是阻碍燃料电池发展的一个主要原因。

故障预测技术可以在燃料电池故障早期及时的诊断它的健康状态、预测其剩余可用寿命，使得我们可以及时的对它进行维修，以此延长燃料电池寿命。近几十年来，故障预测技术在解决燃料电池的寿命相对较短的问题上表现出了很大的潜力。

基于隐式半马尔科夫模型(HSMM)的故障预测方法是一种基于数据的预测方法，不需要对燃料电池的内部结构和物理退化过程进行建模，直接对系统的退化数据进行分析即可预测其剩余寿命。然而当燃料电池的电压退化趋势与HSMM全寿命训练数据的电压退化趋势相似度较低时，基于HSMM的预测结果较差。

为了解决这个问题，本发明提出了将HSMM与经验模型相结合的混合故障预测方法，若燃料电池的当前运行电压退化趋势与HSMM训练电压退化趋势相似度较高，则利用HSMM对燃料电池的剩余寿命进行预测；若两者的相似度较低，则利用经验模型估计燃料电池剩余运行寿命。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于HSMM和经验模型的燃料电池故障预测方法，根据燃料电池的退化数据，对燃料电池的剩余寿命进行预测。

为实现上述发明目的，本发明一种基于HSMM和经验模型的燃料电池故障预测方法，其特征在于，包括以下步骤：

(1)、设置初始状态概率矩阵π₀、初始状态转移概率矩阵A₀、初始观测值概率矩阵B₀、初始状态持续时间概率矩阵P₀，以及隐含状态数N和观测值个数M，构建HSMM模型λ₀＝(N,M,A₀,B₀,π₀,P₀)；

(2)、采集一组燃料电池的全寿命电压数据作为训练数据，利用Welch-Baum算法更新HSMM模型中A₀、B₀、π₀和P₀的值，得到更新后的HSMM模型λ＝(N,M,A,B,π,P)；

(3)、采集当前燃料电池的一段电压数据作为测试数据，将测试数据输入至训练好的HSMM模型中，利用前向算法计算当系统处于N种不同隐含状态时的P(O|λ_k),k＝1,2,…,N；其中，λ₁＝(N,M,A,B,π₁,P)，λ₂＝(N,M,A,B,π₂,P)，……，λ_N＝(N,M,A,B,π_N,P)；

α_T(i)＝P(o₁，o₂…o_T，S_t＝i|S_t+1≠i，λ_k)

其中，t＝1，2，…，T，表示T个观测时刻，O＝(o₁,o₂,o₃,…o_T)表示从初始时刻t＝1到T时刻的测试数据，S_t＝i表示在t时刻时系统处于i状态；

(4)、从N个不同的P(O|λ_k)中选出最大值P(O|λ_m)；

P(O|λ_m)＝max(P(O|λ₁),P(O|λ₂),…,P(O|λ_N)),1≤m≤N

将P(O|λ_m)所对应的HSMM模型标记为当前燃料电池的模型λ_m＝(N,M,A,B,π_m,P)，当前燃料电池的健康状态处于隐含状态m；

(5)、从训练数据中提取处于隐含状态m且与测试数据相同长度的观测数据O_n，n表示观测数据组数，将观测数据O_n输入至λ_m＝(N,M,A,B,π_m,P)，通过前向后向算法分别计算出n个不同的P(O_j|λ_m)，j＝1，2，…，n；将P(O|λ_m)分别与P(O_j|λ_m)进行一一比较，选择大小最相近的一组观测数据，以该组观测数据离状态转移点的时间作为当前测试数据距离状态转移点的时间t_transfer；

(6)、利用HSMM算法，计算燃料电池的剩余寿命Rul_hsmm：

其中，a_mμ表示从状态m转移到状态μ的概率；

(7)、根据测试数据建立经验模型：

其中，a,b,c,d为待估计参数，可以通过梯度下降法估算；

(8)、利用经验模型，计算燃料电池剩余寿命Rul_empirial

Rul_empirial＝arg(V_failure(t))-t_current

其中，arg(V_failure(t))表示经验模型到预设电压阈值的时间，t_current为测试数据的当前时间；

(9)、计算训练数据和测试数据的电压梯度值grad_ζ(t)：

grad_ζ(t)＝V_ζ(t)-V_ζ(t-1)

其中，ζ＝1,2，V₁(t)和grad₁(t)分别表示t时刻训练数据的电压值和电压梯度值；V₂(t)和grad₂(t)分别表示t时刻测试数据的电压值和电压梯度值；

(10)、计算指标β：

其中，t_current表示当前时间；T_def为预设值，用来决定用几个单位的电压梯度值来计算相似度；

(11)、估算燃料电池的剩余寿命Rul_final：

Rul_final＝α·Rul_hsmm+(1-α)·Rul_empirial

本发明的发明目的是这样实现的：

本发明基于HSMM和经验模型的燃料电池故障预测方法，先采集一组燃料电池的全寿命电压数据，作为训练数据，再通过Welch-Baum算法利用训练数据训练HSMM模型；再采集一组燃料电池的电压退化数据，作为测试数据；将测试数据输入HSMM中，通过前向算法估计当前健康状态，并根据状态持续时间计算其剩余寿命；根据测试数据建立经验模型，并估计参数及预测未来走势，根据未来电压走势计算其剩余寿命；以训练数据和测试数据的电压梯度值的相似度作为标准，将HSMM得到的剩余寿命和经验模型计算出的剩余寿命结合起来，估算出燃料电池的最终剩余寿命。

同时，本发明基于HSMM和经验模型的燃料电池故障预测方法还具有以下有益效果：

(1)、故障预测所需数据仅为燃料电池的输出电压数据，对燃料电池内部的数据没有要求，因此在采集数据方面成本较低，较方便，也不会在采集过程中对燃料电池的内部结构造成影响。

(2)、该方法相较于基于经验模型的故障预测方法，在预测速度上有很大的提高。

(3)、本发明相较于目前提出的其它燃料电池故障预测方法，有较高的预测精度。

附图说明

图1是本发明基于HSMM和经验模型的燃料电池故障预测方法流程图；

图2是HSMM训练数据状态划分结果；

图3是HSMM健康状态诊断结果；

图4是基于HSMM剩余寿命预测结果；

图5是经验模型各个时刻预测的电压值；

图6是经验模型预测的剩余寿命

图7是基于HSMM和经验模型的燃料电池的预测剩余寿命。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于HSMM和经验模型的燃料电池故障预测方法流程图。

在本实施例中，如图1所示，本发明一种基于HSMM和经验模型的燃料电池故障预测方法，包括以下步骤：

S1、随机设置初始状态概率矩阵π₀、初始状态转移概率矩阵A₀、初始观测值概率矩阵B₀、初始状态持续时间概率矩阵P₀，以及隐含状态数N为3和观测值个数M为10，构建HSMM模型λ₀＝(N,M,A₀,B₀,π₀,P₀)。

PAI₀:[3×1double]

A₀:[3×3double]

B₀:[3×10double]

P₀:[3×300double]

S2、采集一组燃料电池的全寿命电压数据作为训练数据，利用Welch-Baum算法更新HSMM模型中A₀、B₀、π₀和P₀的值，得到更新后的HSMM模型λ＝(N,M,A,B,π,P)；

Welch-Baum算法是极大似然估计的一个应用，它采用了一种多次迭代优化的算法，用已知的训练数据和HSMM模型构造函数，该函数中包括了HSMM中所有的六个参数N,M,A₀,B₀,π₀,P₀，然后令各偏导为零，得到新的HSMM各参数的估计值，用新旧HSMM模型参数之间的函数关系反复进行迭代运算，直到HSMM的各个参数估计都稳定不再发生明显变化为止，得到更新后的HSMM模型λ＝(N,M,A,B,π,P)。其中更新后的模型中，

另外，还有一个3*10的矩阵B和一个3*300的矩阵P，由于矩阵过大在此处就没有展示。

根据状态持续时间概率矩阵P，利用公式：

计算得到各个状态的平均持续时间为：

根据训练结果，可作出如图2所示的状态划分图。

S3、沿用上面的训练结果，采集当前燃料电池的一段电压数据作为测试数据，将测试数据输入至3个不同的HSMM模型：λ₁＝(N,M,A,B,π₁,P)，λ₂＝(N,M,A,B,π₂,P)，λ₃＝(N,M,A,B,π₃,P)，HSMM模型通过前向算法分别计算出3个不同的P(O|λ_k),k＝1,2,3，如表1所示。

表1 是健康状态诊断时各样本的P(O|λ)值。

正常状态退化状态1退化状态2样本1-Inf-Inf-0.2344样本2-0.1860-5.3669-5.2402样本3-Inf-0.1846-5.5593样本4-Inf-Inf-0.2511样本5-Inf-0.1503-4.8085样本6-Inf-Inf-0.1732样本7-0.0700-2.6605-2.5971样本8-Inf-0.1735-5.5482样本9-Inf-Inf-0.1876样本10-Inf-0.1120-4.4118样本11-Inf-Inf-0.1375样本12-0.1001-3.8007-3.7101样本13-Inf-0.0560-2.2059样本14-Inf-Inf-0.0952

表1

S4、以第二个样本为例，P(O|λ₁)为-0.1860，P(O|λ₂)也为-5.3669，P(O|λ₃)为-5.2402。因P(O|λ₁)的值最大，我们认为此时的燃料电池系统处于第一个隐含状态。

在本实施例中，我们取了14组数据来做当前健康状态的估计，估计结果如图3所示，从图3中可以看出，对于实验所选取的14个样本点，HSMM都能精确的估计其健康状态。

S5、以第二个样本为例，该样本处于第一个隐含状态，根据上述发明内容中第五步描述的方法，计算得到的t_transfer为20。

S6、利用HSMM算法，计算燃料电池的剩余寿命Rul_hsmm。以第二个样本为例，该样本处于第一个隐含状态，根据上述式子，可计算得到：

Rul₃＝72h

Rul₂＝44h+1*Rul₃＝116h

Rul_hsmm＝20h+1*Rul₂+0*Rul₃＝136h

根据该方法计算所得的RUL_hsmm如图4所示。图中，横坐标表示的是进行寿命预测时的时刻；纵坐标代表各时刻寿命预测的结果。粗体实线表示的是HSMM对于阳极氯气浓度为的燃料电池寿命预测曲线；粗体虚线为各个时刻所对应的真实寿命值；上侧细虚线为真实寿命值的置信上限；下侧细点线为真实寿命值的置信下限，两者的置信概率均为15％。

S7、在本实施例中，根据测试数据设置50组不同的初始值，限制Voltage(t)是关于时间t的单调递减函数，并且限制在一定时间内电压不会退化到失效，再用梯度下降法分别估计出参数a,b,c,d的值；然后根据估计出的参数值，分别预测燃料电池电压在未来的走势，取这50组不同预测曲线中的中位数所对应的模型，作为我们所求的经验模型。以燃料电池前10个小时运行的电压数据为例，根据梯度下降法训练得到的经验模型模型为：

S8、利用经验模型，计算燃料电池剩余寿命Rul_empirial

Rul_empirial＝arg(V_failure(t))-t_current

其中，arg(V_failure(t))表示经验模型到预设电压阈值的时间，t_current为测试数据的当前时间；以燃料电池前10个小时运行的电压数据为例，我们预设的电压阈值为0.89V，测试数据的当前时间为10小时，根据上述式子计算可得：

Rul_empirial＝144h-10h＝134h

在10、20、……140时刻所选的经验模型电压预测结果如图5所示。经验模型的剩余寿命预测结果如图6所示。

S9、根据上述发明内容中第九步展示的电压梯度计算公式，分别计算HSMM训练数据和当前测试数据的电压梯度值。

S10、同样以燃料电池前10个小时运行的电压数据为例，设置T_def＝10，根据上述发明内容中第十步展示的β计算公式，可得β＝0.26。其中，指标β用来衡量训练数据和测试数据之间的相似度，β值越小，则相似度越高；β值越大，相似度越低。

S11、同样以燃料电池前10个小时运行的电压数据为例，根据上述发明内容中第十一步展示的α计算公式及Rul_final，此时由于β＝0.26，那么α＝1，因此Rul_final＝Rul_hsmm＝136h。

根据该结合方法得到的最终剩余寿命结果如图7所示。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。