[发明专利]一种基于HSMM和经验模型的燃料电池故障预测方法

权利要求书

1.一种基于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，Dur_μ表示状态μ的平均持续时间，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

2.根据权利要求1所述的基于HSMM和经验模型的燃料电池故障预测方法，其特征在于，所述的指标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。