[发明专利]一种基于深度学习的燃料电池剩余寿命预测方法

权利要求书

1.一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，基于燃料电池的运行监测数据，利用移动均值滤波MAF对输入原始数据进行滤波降噪处理，减小输入数据中噪声的干扰；通过深度神经网络模型中的卷积神经网络CNN，提取输入数据的空间特征，利用双向门控神经网络BiGRU，提取输入数据的时序信息，从而建立输入数据与目标数据之间的非线性映射关系；最后利用迭代的方法，将神经网络当前时刻的单步预测输出作为模型下一时刻预测的输入，滚动迭代输出预测结果，具体包括以下步骤：

步骤S1：获取燃料电池的运行监测数据，选用滤波算法，对含有噪声的输入数据滤波，得到较为平稳的监测数据的输入信息；

步骤S2：利用神经网络在非线性数据拟合上表现出的优越性，对滤波后的训练集数据进行拟合，建立输入数据与目标数据的非线性映射关系；

步骤S3：基于预测目标值与实际测量数据之间误差，建立损失函数并通过反馈求导的方法，优化神经网络模型参数，得到最优的神经网络模型；

步骤S4：在训练数据使用完毕后，利用最优的神经网络模型得到单步的预测，并将之作为模型下一时刻的输入，滚动迭代输出多步预测结果，从而实现燃料电池RUL预测。

2.根据权利要求1所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S1中，所述的滤波算法采用移动均值滤波方法，同时滤波窗口宽度根据实际的数据量及计算力来决定。

3.根据权利要求1所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S2包括：

步骤S21：选定燃料电池剩余寿命预测的失效阈值点；

步骤S22：对输入的监测数据序列进行前处理后，确定神经网络算法神经元数目、网络层数、学习率；

步骤S23：将数据集划分为训练集和测试集，利用神经网络算法将对多通道的输入训练集数据进行特征提取。

4.根据权利要求3所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S22中，dropout超参数设置以防止过拟合，在训练阶段按照一定的概率舍弃部分神经元。

5.根据权利要求1所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S3包括：

步骤S31：通过输入数据与目标数据之间的误差，建立输出预测数据与实际测量数据的损失函数；

步骤S32：通过链式反馈求导法则对损失函数求导，得到最优的神经网络模型参数；

步骤S33：对给定的监测输入数据，由最优的神经网络模型得到输出的单步预测输出。

6.根据权利要求5所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S31中，所述的损失函数为L2对数损失函数。

7.根据权利要求1所述的一种基于深度学习的燃料电池剩余寿命预测方法，其特征在于，步骤S4包括：

步骤S41：通过训练完毕得到的最优神经网络模型，对给定的输入得到预测单步的预测输出，并将之作为模型预测控制的输入；

步骤S42：迭代地使用神经网络的单步预测输出作为下一次模型预测控制的输入，实现模型的多步滚动预测过程；

步骤S43：计算到达失效点时预测结果与实际测量结果的之间的误差，得到剩余寿命预测准确度计算结果。