[发明专利]基于BP神经网络的燃料电池故障诊断方法

权利要求书

1.一种基于BP神经网络的燃料电池故障诊断方法，其特征在于，所述的方法将从燃料电池系统传感器中获取的故障数据进行归一化处理后，采用改进的线性判别分析法进行特征提取，进而利用神经网络进行故障诊断，步骤如下：

步骤1：分析燃料电池的故障数据信息和故障类型，对从传感器中获取的燃料电池故障数据进行归一化处理；

步骤2：引入Box-Cox方法对归一化后的数据进行正态转换，使转换后的数据服从正态分布；

步骤3：采用线性判别分析方法，对正态化数据进行降维处理，获得新的特征向量；

步骤4：特征向量作为神经网络输入层的输入变量，燃料电池的故障类型作为输出层的输出变量；

步骤5：引入“试探法”，确定隐含层的最佳节点数，构建BP神经网络；

步骤6：训练BP神经网络，得到以故障类型为输出变量的诊断结果。

2.根据权利要求1所述的基于BP神经网络的燃料电池故障诊断方法，其特征在于所述的步骤1中，对从传感器中获取的燃料电池故障数据进行归一化处理方法如下：

给定维度为n的原始样本集{x₁,x₂,x₃,...,x_n}，数据的离差标准化，是对原始数据的线性变换，使得结果映射到0-1之间，其变换原理如下：

其中，x_max表示原始样本集中数据的最大值，x_min表示原始样本集中数据的最小值，x_i表示第i个维度的样本值，x表示经过离差标准化处理之后的数据。

3.根据权利要求1所述的基于BP神经网络的燃料电池故障诊断方法，其特征在于所述的步骤2中，所述归一化数据正态转换方法如下：

引入BOX-COX方法对归一化后的数据进行正态分布转换；

Box-Cox变换的一般形式为：

式中，y(λ)为经过Box-Cox变换后的新变量，y为原始连续因变量，λ为变换参数；

以上变换要求原始变量y取值为正，若原始变量y的取值为负时，先对所有原始数据同加一个常数a使其(y+a)为正值，然后再进行以上的变换；

Box-Cox变换中的参数λ通常可由极大似然估计给出，构造关于参数β,σ²的似然函数并进行最大似然估计，得到似然函数的最大值为：

式中，L_max(λ)与L表示参数λ的极大似然函数，β,σ²分别表示正态分布的均值和方差，MSE(λ)表示模型均方误差，J为变换的雅克比行列式，n为向量y的维度。