本發明涉及燃料電池，尤其涉及一種基于雙向長短時記憶網絡的燃料電池故障診斷方法及裝置。

背景技術：

1、燃料電池作為一種清潔高效的能量轉換裝置，在交通運輸、固定電站和便攜設備等領域有廣泛的應用潛力。燃料電池系統在運行過程中可能會受到各種故障的影響，這些故障可能導致電堆性能下降、電池老化，甚至引發安全問題。為了保障燃料電池系統的安全性和穩定性，故障診斷技術的研究越來越受到重視。故障診斷技術可以及時發現系統中的故障并采取相應的控制措施，以免造成更嚴重的影響。

2、現有的燃料電池故障診斷方法主要分為三類：基于物理/化學檢測技術的方法、基于模型驅動的方法以及基于數據驅動的方法。物理/化學檢測技術方法直接依賴于實際測量，精確但需要大量傳感器支持；模型驅動的方法在準確模擬特定故障機理上有優勢，但對模型的精度要求高；而數據驅動的方法能夠處理復雜、多維度的故障模式，適應性強，但依賴于大量的高質量數據。隨著人工智能和大數據技術的進步，數據驅動的方法在燃料電池故障診斷中的應用越來越廣泛。這些方法可以通過分析海量歷史數據和實時數據，識別復雜的故障模式和趨勢，進一步提高診斷的準確性和實時性。此外，融合多種診斷技術（如數據驅動與模型驅動的結合）也成為故障診斷的發展趨勢，通過多源信息的綜合分析，能夠更全面、準確地判斷系統狀態。

3、如專利公開號cn117388702a記載的一種基于神經網絡的燃料電池故障診斷方法，雖然能夠進行較為準確的故障預警，但其模型基于transformer，相比于其他神經網絡模型，訓練transformer模型所需的時長和計算資源更多，對硬件條件要求更大，模型不適合部署在計算資源有限的邊緣設備上（如車載控制器），診斷效率低，也不適合實時性較長的場景。對于故障類型，所述發明僅對膜干和水淹這兩類水管理故障進行判斷，具有一定局限性。

技術實現思路

1、本發明的目的在于克服現有技術中的不足，提供一種基于雙向長短時記憶網絡的燃料電池故障診斷方法及裝置，相比現有的數據驅動方法，模型參數較少，訓練時間更短，推理實時性強，易于部署在計算資源有限的車載控制器中。

2、為達到上述目的，本發明是采用下述技術方案實現的：

3、第一方面，本發明提供了一種基于雙向長短時記憶網絡的燃料電池故障診斷方法，包括：

4、獲取燃料電池的目標運行參數的時間步數據，并對所述時間步數據進行預處理；

5、構建基于雙向lstm的故障診斷模型，并使用預處理后的時間步數據對所述故障診斷模型進行訓練；

6、采用訓練最終獲取的所述故障診斷模型對燃料電池進行故障診斷。

7、可選的，所述目標運行參數包括：

8、電堆電流、電流密度、空氣過量系數、氫氣進電堆的壓力和溫度、氫氣出電堆的壓力和溫度、空氣進電堆的壓力和溫度、空氣出電堆的壓力和溫度、冷卻水進出電堆的溫度和、電堆最低單體電壓、電堆單體平均電壓、電堆單體電壓均方差、電堆阻抗以及陰極側壓力降。

9、可選的，所述故障診斷模型包括依次連接的雙向lstm模塊、第一全連接層、pointnet編碼器、第二全連接層、平均池化層、投影層以及分類層；

10、所述雙向lstm模塊對輸入的時間步數據分別進行正向特征處理和反向特征處理，得到雙向隱藏狀態：

11、

12、式中，為時間步的正向特征處理和反向特征處理得到的隱藏狀態，，為時間步總數；

13、所述第一全連接層對雙向隱藏狀態進行映射，得到特征向量：

14、

15、式中，為第一全連接層的權重矩陣和偏置；

16、所述pointnet編碼器采用多層感知機對特征向量進行映射，得到特征向量：

17、

18、式中，為多層感知機；

19、所述第二全連接層對特征向量進行映射，得到特征向量：

20、

21、式中，為第二全連接層的權重矩陣和偏置；

22、所述平均池化層對特征向量進行全局平均池化，得到全局特征：

23、

24、式中，為全局平均池化；

25、所述投影層對全局特征進行映射，得到全局特征：

26、

27、式中，為投影層的權重矩陣和偏置；

28、所述分類層采用softmax激活函數對全局特征進行映射，得到各故障類別的概率分布并輸出最終的故障類別的概率分布：

29、

30、式中，為softmax激活函數。

31、可選的，所述雙向lstm模塊基于輸入的當前時間步的時間步數據和上一時間步的隱藏狀態，通過遺忘門、輸入門、記憶細胞和輸出門分別計算遺忘狀態、輸入狀態、單元狀態以及輸出狀態：

32、

33、

34、

35、

36、

37、式中，為sigmoid激活函數，為激活函數，為權重向量，為偏置，為時間步的時間步數據，為矩陣的hadamard積，為中間變量；

38、根據所述單元狀態和所述輸出狀態計算當前時間步的隱藏狀態：

39、。

40、可選的，所述使用預處理后的時間步數據對所述故障診斷模型進行訓練包括：

41、初始化所述故障診斷模型的模型參數，重復一下步驟，直至模型參數收斂或達到預設的迭代次數：

42、將時間步數據輸入所述故障診斷模型中，獲取相應的故障類別的概率分布；

43、根據所述故障類別的概率分布和故障類別的真實標簽使用交叉熵損失函數計算損失；

44、通過反向傳播算法計算所述損失對模型參數的梯度，并通過adam?優化器根據所述梯度更新模型參數。

45、可選的，所述交叉熵損失函數為：

46、

47、式中，為故障診斷模型輸出的故障類別的概率分布，為故障類別總數，為故障類別的真實標簽值。

48、第二方面，本發明提供了一種基于雙向長短時記憶網絡的燃料電池故障診斷裝置，包括：

49、數據獲取處理模塊，被配置為獲取燃料電池的目標運行參數的時間步數據，并對所述時間步數據進行預處理；

50、模型構建訓練模塊，被配置為構建基于雙向lstm的故障診斷模型，并使用預處理后的時間步數據對所述故障診斷模型進行訓練；

51、電池故障診斷模塊，被配置為采用訓練最終獲取的所述故障診斷模型對燃料電池進行故障診斷。

52、第三方面，本發明提供了一種電子設備，包括處理器及存儲介質；

53、所述存儲介質用于存儲指令；

54、所述處理器用于根據所述指令進行操作以執行根據上述方法的步驟。

55、第四方面，本發明提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現上述方法的步驟。

56、第五方面，本發明提供了一種計算機程序產品，包括計算機程序/指令，該計算機程序/指令被處理器執行時實現上述方法的步驟。

57、與現有技術相比，本發明所達到的有益效果：

58、本發明提供的一種基于雙向長短時記憶網絡的燃料電池故障診斷方法及裝置，能夠進行高效準確的故障檢測：利用雙向lstm處理時間序列數據，充分考慮數據的前后關聯性，實現對燃料電池系統各模塊（氫氣供應、空氣供應、水管理）的精確故障檢測，提高診斷精度。能夠進行多種故障類型識別：能夠識別多種燃料電池的常見故障狀態，如膜干、水淹、氫饑渴、氧饑渴等，為系統維護提供全面的信息，提升系統的可靠性；能夠實時監控與預警功能：通過雙向lstm對燃料電池系統進行實時數據分析，可以及時發現異常狀態并觸發預警，有效避免重大故障發生，延長系統運行壽命；具備輕量化設計：通過模型輕量化設計，減少了計算資源的占用，降低了部署和維護成本，使該方案適用于車載控制器等資源有限的場景。綜上所述，本發明能夠顯著提高燃料電池系統的故障檢測能力與運行效率，推動燃料電池汽車及其他燃料電池應用的普及。