[发明专利]一种制氢电解槽剩余寿命预测方法

权利要求书

1.一种制氢电解槽剩余寿命预测方法，其特征在于，包括步骤：

1）采集制氢电解槽的工艺参数数据和电压数据；

2）对采集的制氢电解槽电压数据进行离散小波变换重构，去除其中的低频成分，保留高频成分，小波分解的阶数为M阶；

3）使用去趋势化的方法对离散小波变换重构后的电压数据进行处理，得到去噪的训练样本；

4）采用降维算法，将原高维空间中的数据点映射到低维度的空间中，以去除工艺参数数据中的冗余信息；

5）将经过步骤2）和步骤3）处理的电压数据和经过步骤4）降维的工艺参数数据输入到NARX神经网络模型中进行训练，将上一个时间步的预测电压作为下一个时间步的输入电压，通过迭代预测制氢电解槽的剩余寿命；

所述步骤4）中，将降维算法应用于工艺参数数据的维度筛选时，选取贡献率的累计值大于或者等于90%的前几个特征值，与电压数据一起作为NARX神经网络模型的输入；

所述降维算法的步骤如下：

（1）求解全局散度矩阵S_t：

其中，为整个样本集的均值向量，x_i为输入的第i个样本数据，其中的类内散度矩阵S_w为所有类别矩阵的散度矩阵之和，n为样本数据的总数量；

（2）基于全局散度矩阵，求得类间散度矩阵S_b：

其中，m_j为第j个类别样本总数，为第j个类别的均值向量；

（3）计算一个投影矩阵W，使得类间距离最大和类内距离最小，优化目标为：

根据优化目标可得：

式中，为特征值；

求出S_w^-1S_b的特征值和特征向量后，选取其中的k个最大非零广义特征值对应的特征向量作为投影矩阵W，再将原始数据集矩阵与投影矩阵W相乘，则得到降维后的数据。

2.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，采集的工艺参数数据包括电解槽温度、阴极气体压力、阳极气体压力、阳极气体流速、阴极气体流速、电流和阴极pH值。

3.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤1）中，所述的电压数据为制氢电解槽的端电压。

4.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤2）中，对采集的电压数据进行离散小波变换重构时，每阶分解到的低频成分均置零，高频成分保留，重构电压数据时，使用第M阶的低频成分和所有的高频成分逆向重构数据。

5.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤3）中，针对制氢电解槽电压表现出的非线性衰减趋势，采用log变换消除对时间的依赖性，将复杂的趋势转变为线性趋势。

6.根据权利要求1所述的一种制氢电解槽剩余寿命预测方法，其特征在于，所述步骤5）中，在使用NARX神经网络模型训练的过程中，使用反向学习的灰狼粒子群算法优化NARX神经网络模型的超参数。