[发明专利]氢燃料电池发动机系统特性曲线的分布式机器训练方法

说明书

本发明涉及种氢燃料电池发动机系统特性曲线的分布式机器训练方法，包括以下步骤：步骤1：每个工作节k从各自从服务器下载最新的神经网络模型；步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据；步骤3：将本地持有的数据集划分为多个大小为m的批量样本；步骤4：对于每个参数w_i，对损失函数J(w)求w_i的偏导；步骤5：通过超参数学习率α控制梯度下降的步长；步骤6：每个参与方k重复步骤3‑5，直到达到设定迭代次数；步骤7：每个参与方k发送本地训练后的参数w^k给服务器端；步骤8：重复步骤1‑7，直到循环次数达到设定阈值T，得到最终的神经网络参数w。本发明降低了通信压力和服务器的数据存储处理压力，且降低了车联网的设备成本。

技术领域

本发明属于燃料电池领域，涉及一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，尤其涉及一种实现数据保护的氢燃料电池发动机系统特性曲线分布式机器训练方法。

背景技术

氢燃料电池系统由于涉及到包括电化学、物理学、热力学在内的复杂水热电变化过程，传统机理和经验模型往往不足以准确表征，需要对多个特性曲线进行数据拟合，其包含但不限于包括电压电密曲线，电压压力温度流量湿度曲线等。这就使得以数据驱动为基础的机器训练方法越发重要。

近年来，氢燃料电池车在政府的有序引导下逐渐增多，但仍远远少于传统燃油车和锂电池车。有限的燃料电池车分散于全国各地，分属于多家系统、整车企业，使得各家企业所能获得的数据量和数据的丰富度少之又少。一方面，各家有限的燃料电池车往往局限在有限的几个区域运行，另一方面，运行过程中产生的数据往往被企业认为是核心机密而无法共享，因此，目前行业几乎无法找到公开的、足量的且覆盖多工况的充足氢燃料电池发动机系统运行数据。这严重阻碍了氢燃料电池行业的健康快速发展。

面对上述情况，传统的集中式机器训练方法显得并不合适。一方面，如将所有正在运行的燃料电池车数据汇总后集中训练，则与各个企业对信息保护的初衷相悖，且对数据传输的通信压力以及远程数据中心的数据存储和数据处理的要求也很高，从而带来额外的建设费用。另一方面，各家独自训练则会由于数据的丰富度不足而无法覆盖其他特定工况，从而无法满足长途运输下的跨区域与多工况的需求。

发明内容

为解决上述技术问题，本发明的目的是提供一种氢燃料电池发动机系统特性曲线的分布式机器训练方法。

为实现上述目的，本发明采用如下技术方案：

一种氢燃料电池发动机系统特性曲线的分布式机器训练方法，包括以下步骤：

步骤1：每个工作节k从各自从服务器下载最新的神经网络模型f(x；w)，其中w＝{w₁，...，w_i，...，w_n}为神经网络的参数；

步骤2：每个工作节点采集其本地的车载氢燃料电池发动机系统特性数据，每个时刻下的数据特征记为x，对应的数据标签记为y，将这些数据加入到本地数据集中；

步骤3：将本地持有的数据集划分为多个大小为m的批量样本；

每个批量样本记为对于每个数据特征x⁽ⁱ⁾，通过神经网络前向传播计算出电压的预测值f(x⁽ⁱ⁾；w)，基于实际电压{y⁽¹⁾，...，y⁽ⁱ⁾，...，y^(m)}，计算出均方差损失函数为

步骤4：对于每个参数w_i，对损失函数J(w)求w_i的偏导，得出当前的负梯度即求出w_i对于损失函数下降方向的导数；

步骤5：通过超参数学习率α控制梯度下降的步长，对于每个模型参数w_i，更新为