[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

说明书

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。

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)