[发明专利]一种基于深度卷积神经网络的燃料电池寿命预测方法

权利要求书

1.一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，包括步骤：

S100,获取实验测试数据集进行预处理；

S200,根据实验测试数据集构建和训练基于深度卷积神经网络的燃料电池寿命预测模型；通过将测试数据输入所述燃料电池寿命预测模型经过训练，输出预测结果；

所述燃料电池寿命预测模型的训练和预测过程，包括步骤：

S201,对实验测试数据集中原始数据选取特征变量作为模型输入数据；

S202,对原始数据进行预处理，进行数据归一化；

S203,根据处理后的原始数据提取样本数据，进行多批次划分；

S204,设置所述燃料电池寿命预测模型的参数包括卷积核数量、卷积核长度和激活函数，之后进入卷积层计算；

S205,当完成一个卷积层的计算后，在进入下一个卷积层之前，对得到的特征映射矩阵作最大值池化处理；

S206,经过多层卷积层计算后，进行全局平均池化，并将单个特征的多层特征映射矩阵作全连接运算；

S207,根据批次划分经过多轮训练，输出预测结果；

其中，选取时间变量参数包括燃料电池电堆进出气口的氢气压力和温度、燃料电池电堆进出气口空气温度、燃料电池电堆进出口冷却水温度和燃料电池电堆电流密度作为输入数据；设定以燃料电池电堆电压和时间作为输出数据，以燃料电池电堆输出电压作为燃料电池电堆的性能退化指标，以预测开始的时间节点至失效阈值时间节点作为实际的剩余使用寿命，从而预测出燃料电池剩余使用寿命。

2.根据权利要求1所述的一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，在预处理过程中，对实验测试数据集原始数据的归一化处理采用进行无量纲化处理；

所述无量纲化处理采用Min-Max标准化计算方法，转换公式为：

其中，x为原始数据，x_std为标准化后的数据，x_max为原始数据中的最大值，x_min为原始数据中的最小值。

3.根据权利要求2所述的一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，在所述提取样本数据过程中，将处理后的原始数据均分为若干段，每一段数据为一个批数据；

对一个批数据完成一次训练为一个批处理过程，对所有批数据完成一次训练称为一轮。

4.根据权利要求3所述的一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，所述燃料电池寿命预测模型包括4个卷积层；其中，前3个卷积层用于特征提取，最后一个卷积层用单个卷积核将得到的特征映射矩阵提取二维特征映射矩阵后得到单个特征的多层特征映射矩阵，将单个特征的多层特征映射矩阵作全连接运算。

5.根据权利要求1所述的一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，在所述燃料电池寿命预测模型中，输入数据通过卷积、非线性激活函数映射以及池化全连接操作，逐层抽象；将输入数据通过前馈运算，将高级特征逐层从原始数据中剥离出来；在经过全连接层后，根据目标任务的不同，选取损失函数，计算输出数据与样本数据之间的误差；并借助反向传播算法将所述误差进行逐层的反向传播，不断的更新每一层的参数；在更新完一轮参数之后，再次进行前馈运算，如此往复，直至网络模型收敛，此时模型训练完毕。

6.根据权利要求5所述的一种基于深度卷积神经网络的燃料电池寿命预测方法，其特征在于，在所述前馈运算中，通过卷积层中卷积核从左至右、从上到下移动遍历输入；卷积核与输入数据中的每个等维度矩阵进行离散卷积，将每次卷积得到的数值通过激活函数进行非线性映射，并存储在特征映射矩阵中，特征映射矩阵的大小取决于遍历整个输入矩阵所需的移动次数；通过多个卷积核，对多个特征映射矩阵叠加，得到多层特征映射矩阵，作为下个卷积层的输入。