[发明专利]一种燃料电池故障诊断模型构建方法

权利要求书

1.一种燃料电池故障诊断模型构建方法，其特征在于，包括：

获取燃料电池的父代频率种群，其中，所述父代频率种群中包括多个父类个体，每个父类个体由若干频率点组成；

根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率；

根据所述每个父类个体对应的信息采集时间，以及针对所述每个父类个体使用燃料电池故障诊断算法的准确率，计算所述每个父类个体的适应度；

根据所述每个父类个体的适应度，生成子代频率种群，并将所述子代频率种群作为新的父代频率种群，继续进行种群迭代，直至达到预设迭代次数时，输出最优子类个体；

根据所述最优子类个体对应的若干频率点，构建燃料电池故障诊断模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述每个父类个体中的若个频率点在不同故障类型下的阻抗值，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：

对所述每个父类个体中的若干频率点在不同故障类型下的阻抗值进行二进制编码，得到所述每个父类个体对应的特征数据集；

将所述特征数据集划分为训练集和测试集；

基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率。

3.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊断算法包括故障诊断邻近算法时，所述基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：

针对所述测试集中的任意一组特征数据，计算所述任意一组特征数据分别与所述训练集中的多组特征数据之间的距离；

根据计算的各个距离，确定所述训练集中与所述任意一组特征数据相邻的多组目标特征数据；

根据所述多组目标特征数据分别对应的实际故障类型，确定所述任意一组特征数据对应的预测故障类型；

根据所述任意一组特征数据对应的预测故障类型和实际故障类型，确定所述每个父类个体使用所述故障诊断邻近算法的准确率。

4.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊断算法包括故障诊断神经网络算法时，所述基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：

构建初始神经网络模型；

将所述训练集中的多组特征数据分别输入至所述初始神经网络模型中进行故障分类，得到所述训练集中的多组特征数据分别对应的预测故障类型；

根据所述训练集中的多组特征数据分别对应的预测故障类型和实际故障类型，得到所述初始神经网络模型对应的误差；

基于所述误差，对所述初始神经模型中的初始参数进行更新，得到更新后的神经网络模型，重复对神经网络模型的迭代训练过程，直至满足预设条件时，输出训练好的故障诊断神经网络模型；

根据所述测试集和所述训练好的故障诊断神经网络模型，确定针对所述每个父类个体使用所述故障诊断神经网络算法的准确率。

5.根据权利要求2所述的方法，其特征在于，当燃料电池故障诊断算法包括故障诊断梯度增强算法时，所述基于所述训练集和所述测试集，确定针对所述每个父类个体使用燃料电池故障诊断算法的准确率，包括：

构建目标损失函数；

基于所述目标损失函数和所述训练集，构建故障诊断梯度增强模型；

基于所述测试集和所述故障诊断梯度增强模型，确定所述每个父类个体使用所述故障诊断梯度增强算法的准确率。