基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明：所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4 %、3.34 %,运算时间分别减少了15.35、0.35 s。     

质子交换膜燃料电池故障诊断方法综述及展望

质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)具有能量转化率高、环境友好、工作温度低和启动速度快等特点,但存在成本高、可靠性差和寿命短等问题,制约其大规模商业化应用。总结了国内外PEMFC故障诊断技术的现状,从模型、数据驱动和实验测试三个方面,归纳PEMFC故障诊断方法的分类;在现有诊断方法优缺点的基础上,提出可进一步研究的重点内容,对PEMFC故障预测与健康管理的研究具有一定参考价值。     

基于SVM的改进二叉树输电线路故障分类器

在研究二叉树多分类的基础上,结合输电线路故障的特点,考虑不同故障的优先级后,设计了基于SVM的改进二叉树输电线路故障分类器的模型,通过实验选择了最小二乘支持向量机LS-SVM算法和线性函数转换表达式的归一化算法,并用小样本模拟短路数据训练了分类器。测试结果表明,在各种输电线路故障情况下,设计的分类器都具有很高的分类正确率,尤其是对两相接地和不接地短路分类的效果显著,另外,该分类器的数据预处理过程简单,分类步骤少,可以实现输电线路故障的快速分类。     

6kW PEMFC发电并网系统孤岛检测方法

随着燃料电池技术的迅速发展,越来越多的大功率级别燃料电池运用到分布式发电中。为了使燃料电池安全稳定运行,燃料电池分布式发电需要准确的检测出孤岛效应。运用主动移频式(AFD)孤岛检测方法对质子交换膜燃料电池(PEMFC)发电并网系统进行了检测,实验结果表明AFD法能有效的检测PEMFC发电并网系统孤岛的发生。     

基于PLC和LabVIEW的燃料电池测试系统设计

针对开展空冷燃料电池多环境变量优化研究的需要,基于西门子S7-1200系列PLC和监控软件设计平台LabVIEW,构建了空冷自增湿质子交换膜燃料电池(PEMFC)测试系统。该系统以PLC为底层控制单元,LabVIEW监控程序为主监控单元,通过ModbusTCP/IP和Modbus串口协议实现设备间数据通信与控制交互,底层控制单元将传感器采集的各项燃料电池运行特征参数上传、分析并记录。在此基础上,充分考虑空冷型PEMFC对时序和控制操作的敏感性要求,实现对燃料电池启停时序控制、阳极排气控制和温度控制等。此外,系统能够根据实际运行状态在线调整运行参数并且图形化的人机交互界面可实时显示并记录系统运行状态,包括故障和报警信息等。经实验验证,该测试系统运行可靠,监控性能良好,实用性强,能够用于空冷自增湿型PEMFC的实验研究。     

基于SVM的改进二叉树输电线路故障分类器

在研究二叉树多分类的基础上,结合输电线路故障的特点,考虑不同故障的优先级后,设计了基于SVM的改进二叉树输电线路故障分类器的模型,通过实验选择了最小二乘支持向量机LS-SVM算法和线性函数转换表达式的归一化算法,并用小样本模拟短路数据训练了分类器.测试结果表明,在各种输电线路故障情况下,设计的分类器都具有很高的分类正确率,尤其是对两相接地和不接地短路分类的效果显著,另外,该分类器的数据预处理过程简单,分类步骤少,可以实现输电线路故障的快速分类.     

PCA和KICA特征提取的变压器故障诊断模型

为了充分利用主元分析(PCA)和核独立主元分析(KICA)特征提取的互补性,提高变压器故障分类正确率,提出了基于PCA和KICA特征提取的变压器故障诊断模型。该模型中,首先,将油中溶解气体分析(DGA)测试样本投影到PCA空间中进行特征提取,采用多核支持向量机(MKSVM)作为分类器进行预分类,采用核密度估计方法估计阈值将测试样本预分类为易识别或难识别样本;对难分类样本则再次投影到KICA空间,采用另一MKSVM作为分类器进行分类识别,实现PCA和KICA双空间特征提取算法;最后,根据故障特征,建立变压器故障诊断模型。实验结果表明,所提出的双空间算法对变压器故障的识别率达到88.61%,比单空间算法和IEC3比值法的识别率分别高10%和24%。     

基于运行数据时空特征和Stacking集成学习的质子交换膜燃料电池故障诊断EI北大核心CSCD

为实现质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)故障诊断的快速性和准确性,提出基于运行数据时空特征和Stacking集成学习的故障诊断方法。首先,采用客观赋权法为反映PEMFC运行状态的电压、电流、温度和压力等变量进行赋权,基于核主成分分析和长短时记忆神经网络提取其空间、时间特征,基于add思想融合空间、时间特征,构建时空特征集。然后,建立以卷积神经网络(convolutional neural network,CNN)、随机森林、K最近邻算法、极端梯度提升树(extreme gradient boosting,XGBoost)为基分类器,XGBoost为元分类器的Stacking集成学习框架,实现了对PEMFC系统正常、水淹、膜干和氢气泄漏四种运行状态的诊断。最后,算例结果表明,所构建的时空特征集在5种单一分类模型的平均诊断准确率为99.23%,相比空间特征集提升2.83%,在Stacking模型的诊断准确率为99.99%。同时,在满足相同损失函数的前提下,使CNN的运算时间减少28s。因此,所提方法能够实现对PEMFC系统故障的快速准确诊断。     

基于EMD和LS-SVM的旋转整流器故障诊断方法研究

介绍了EMD分解的条件、原理及步骤,提出了特征向量构造的方法和步骤,阐述了LS-SVM的原理,说明了LS-SVM用于多类分类问题的算法.以旋转整流器一个和两个功率二极管断路故障为例,通过对励磁电流信号的EMD分解,得到了以能量为基础的特征向量,建立了高斯径向基核函数的LS-SVM故障模式分类器,对分类结果进行了测试、分析和比较,结果表明,所建分类器故障识别率高、用时短,比神经网络分类器更适合用于在线诊断系统.     

质子交换膜燃料电池的电响应研究

通过暂态实测方法,研究了质子交换膜燃料电池(PEMFC)的动态响应及电压建立。通过使用燃料电池测试系统、高精度示波器和自行设计的开关电路,在不同的运行条件下对PEMFC的电响应进行测量,实验结果证明PEMFC的动态响应和电压建立与其运行条件以及单体电池在电堆中的位置有非常紧密的联系。     

基于质子交换膜燃料电池的交直流耦合SQ并网控制方法

针对大功率质子交换膜燃料电池(PEMFC)动态响应较缓慢的特点及燃料电池的固有V-I特性,建立了包括150kW PEMFC系统(HD6)、DC/DC变换器和逆变器在内的并网拓扑,并提出了一种适用于该拓扑的SQ控制方法。该方法通过引入大功率PEMFC控制系统的参考控制信号,有效实现了直流侧与交流侧的耦合控制,在确保快速跟踪网侧功率输出需求的前提下,有效防止了传统PQ控制中由于PEMFC系统响应速度慢导致的系统失稳,并对上述问题及其解决方法进行了分析验证。仿真分析结果表明,该拓扑能够在DC/DC变换器的稳压作用下降低直流母线电压波动对逆变器的影响,增大系统对直流母线电压的灵敏度,从而增强大功率PEMFC的并网安全性与稳定性。     

质子交换膜燃料电池故障诊断

近些年来,对质子交换膜燃料电池(PEMFC)发电系统的研究有了很大的进展.但仍有许多问题尚未解决,特别是故障诊断和系统稳定性问题.针对PEMFC的两种典型故障--电极水淹和质子交换膜脱水进行研究.提出一种适于在线故障诊断的模糊模型,并用蚊群算法对模型参数进行优化.最终通过对模型输出的大小和变化率设定两个阈值,得出了判别两种故障的方法.     

一种新的稀疏分类融合方法及其在机车轴承故障诊断中的应用

针对高速列车轴箱轴承的健康状态监测中存在的故障数据不充分,单个分类器故障识别精度不高的问题,提出基于K-SVD重构残差的稀疏分类融合诊断方法。该方法利用K-SVD分解后的重构误差表征训练样本在每种故障模式下的分类趋势,根据样本的重构残差分布估计各K-SVD分类器的混淆矩阵并计算相应的可靠性矩阵,再结合D-S证据融合理论对测试样本在各K-SVD分类器下的故障识别结果进行融合分析,得到最终诊断结果。该方法在动车轴箱轴承故障试验中的应用结果表明,提出的新的稀疏分类融合方法较单一特征分类器、传统的投票融合法的识别精度有显著提高,即使是在小样本情况下其容错性、稳定性也较好,解决了高速列车轴箱轴承故障诊断中单传感器检测精度低、单一域特征信息不足即证据冲突情况下分类信息难以有效融合的问题。     

车用燃料电池水故障的在线诊断

质子交换膜燃料电池(PEMFC)易发生水淹、膜干等健康故障。合理的水故障诊断有助于对PEMFC内部的工作状态进行实时监测、预警并及时应对。基于气体压力降的水故障诊断方法搭建PEMFC水故障在线诊断测试平台;介绍气体压力降的理论计算方法;针对某款PEMFC堆进行阴、阳极气体压力降和电压的测试研究及分析。由于实验过程中PEMFC内部水量的变化,前1 000 s时,阴极气体压力降快速升高,阳极气体压力降缓慢升高,电压值快速下降;1 500 s后,阴、阳极气体压力降和电压值趋于稳定。该方法能实现PEMFC水故障的在线诊断。     

中温质子交换膜燃料电池系统设计与实验

为了测试中温质子交换膜燃料电池(PEMFC)的性能,基于某中温PEMFC电堆,为其设计辅助系统,搭建试验台架进行试验研究.针对该中温PEMFC系统进行了冷态、热态启动测试,阶跃加载测试,稳态特性测试以及负压环境下的性能测试.结果表明,该燃料电池系统在长时间持续运行时能够保持较好的稳定性;在一定温度范围内,燃料电池的性能能够随着工作温度的上升而提高.对长时间运行后燃料电池性能下降的原因进行了分析.     

质子交换膜燃料电池活化性能快速分析方法

活化可以进一步释放质子交换膜燃料电池(PEMFC)的性能。为评估活化对PEMFC的影响,并确定最优的活化工艺参数,必须进行电化学测试,但步骤繁琐且耗时长。提出一种基于差分进化(DE)算法的PEMFC快速性能分析方法,利用DE算法对PEMFC不同活化节点的J-U数据进行分析,得到活化前后的性能信息,最后,通过电化学阻抗谱(EIS)验证所提分析方法的可行性。该方法能分析PEMFC的活化性能,且平均耗时不超过10 s。     

基于基因表达式编程的变压器故障诊断

提出了1种基于基因表达式编程(GEP)分类算法的变压器故障诊断方法.该方法继承了遗传算法(GA)的线性和遗传程序设计(GP)的普适性,从而达到了简单编码解决复杂问题的目的,具有良好的收敛性和鲁棒性.文中收集能反映各种故障而又不冗余的300组DGA实测数据作为GEP分类器的训练样本和测试样本,并将测试结果与GA分类器、GP分类器进行对比分析.大量诊断实例表明,所提出的自适应多GEP分类方法适用于变压器故障诊断,其性能优于另外2种方法.     

基于DAG-LDM的手写音乐符号分类

光学乐谱识别(optical music recognition,OMR)是将纸质的音乐乐谱转化为计算机可以读取的格式。其中音乐符号分类是乐谱识别的重要一个步骤。本文并提出了一种基于DAG-LDM的手写音乐符号分类方法,该方法利用DAG有向无环图结构将二类分类器LDM拓展到多类,对于N类音乐符号,需要训练N(N-1)/2个分类器,并依照音乐符号的特征合理排序,防止DAG结构的错误累积效应,用这种DAG结构解决多类分类问题效率高,速度快。在分类器方面,相比支持向量机(support vector machine,SVM)只优化了最小间隔,DAG-LDM还优化了间隔的分布,这更符合音乐符号的样本分布特性,并且具有较强的抗噪性能。本文将这种新DAG_LDM音乐符号分类算法与几种主流的方法进行对比测试,测试结果显示本文提出的新算法对手写音乐符号分类具有更高的分类准确率。且本文提出的算法不仅仅适用于音乐符号识别,还可以用于其他的多类分类问题中。     

基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法

油中溶解气体分析(DGA)是电力变压器故障诊断的一种常用方法。然而,基于DGA的传统方法不能建立精确的数学模型,单一智能诊断方法在实际应用中存在分类能力不足等问题,导致诊断结果准确率较低。文中提出一种基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法。首先利用PSO算法对ELM模型进行优化,得到PSO⁃ELM模型,然后利用多分类AdaBoost算法对PSO⁃ELM模型进行重复迭代,得到带有不同权重的弱分类器,通过计算各分类器对测试样本的分错率,不断调整每个弱分类器的权重系数,最终利用所有弱分类器加权投票对监测数据进行故障诊断。实验结果表明,相比于BP神经网络、ELM、支持向量机(SVM),文中算法的诊断准确率分别提高16.02%、9.78%、5.62%。     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。