一种燃料电池传感器故障诊断方法、设备及介质

本发明涉及燃料电池，尤其涉及一种燃料电池传感器故障诊断方法、设备及介质。

背景技术：

1、燃料电池汽车凭借无污染、能源来源广、续航里程长的特点成为新能源汽车的发展热点，但是燃料电池由于复杂的电化学机理，同时由于氢气路的高压高气体流速的特点，加之需要与空气路进行配合供气，因此需要完整精确的控制系统，而燃料电池发动机的传感器数量众多，种类繁杂，涉及各个支路以及内部的数据获取，传感器数值的精确与否直接影响到最终的燃料电池发动机的控制效果。另外，在燃料电池健康预测方面，传感器数值的获取也会影响到后续的模式识别、状态监测等一系列过程。并且，传感器数值作为燃料电池最直接的性能表现得到人们的广泛重视，然而燃料电池的复杂工况也会导致传感器的各种不同程度的故障，因此提出一种燃料电池传感器故障诊断方法显得尤为重要。

2、现有技术中的燃料电池传感器故障诊断方法多为针对电压传感器、电流传感器等某一个类型的传感器或某几个类型的传感器，而不适用于其他类型的传感器。例如，现有技术中的一些诊断方法，仅适用于电压传感器的故障诊断，而不适用于除电压传感器之外的其他传感器的故障诊断。即为，现有的燃料电池故障诊断方法适用的传感器类型较少，适用范围较窄。

技术实现思路

1、本发明提供了一种燃料电池传感器故障诊断方法、设备及介质，用以解决现有的燃料电池传感器故障诊断方法适用的传感器类型较少，适用范围窄的技术问题。

2、第一方面，本发明提供了一种燃料电池传感器故障诊断方法，包括：获取燃料电池传感器在预设时间段内采集的目标数据集；通过所述目标数据集对机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数目标值，其中，所述机器学习模型的输入为其他传感器的采集数据，输出为目标传感器的采集数据，所述其他传感器和所述目标传感器组成所述燃料电池传感器；获取所述机器学习模型对应的损失函数初始值；计算所述损失函数目标值与所述损失函数初始值之间的差值，并在所述差值大于第一预设阈值时，确定所述目标传感器发生故障。

3、在一种可行的实施方式中，获取所述机器学习模型对应的损失函数初始值，包括：获取所述燃料电池传感器在正常工作状态下采集的初始数据集；通过所述初始数据集对所述机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数初始值。

4、在一种可行的实施方式中，在计算所述损失函数目标值与所述损失函数初始值之间的差值之后，所述方法还包括：在所述差值小于等于所述第一预设阈值时，确定所述目标传感器处于正常工作状态；将所述损失函数初始值更新为所述损失函数目标值。

5、在一种可行的实施方式中，在确定所述目标传感器发生故障之后，所述方法还包括：获取损失函数故障值，包括：获取所述目标传感器在故障工作状态下采集的数据和所述其他传感器在正常工作状态下采集的数据，并构建故障数据集，通过所述故障数据集对所述机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数故障值；将所述损失函数故障值和所述损失函数初始值之间的差值确定为故障残差，以及，将所述损失函数目标值和所述损失函数初始值之间的差值确定为目标残差；计算所述故障残差与所述目标残差之间的差值，并在所述差值小于第二预设阈值时，确定所述目标传感器发生的故障类型和故障程度与所述故障工作状态相对应。

6、在一种可行的实施方式中，在确定所述目标传感器发生的故障类型和故障程度与所述故障工作状态相对应之后，所述方法还包括：将所述损失函数故障值更新为所述损失函数目标值。

7、在一种可行的实施方式中，所述目标传感器在故障工作状态下采集的数据，包括：所述目标传感器在预设故障类型和预设故障程度下对所述燃料电池采集的数据。

8、在一种可行的实施方式中，在计算训练后的所述机器模型对应的损失函数目标值之后，所述方法还包括：在所述目标数据集中，分析所述目标传感器的采集数据的变化规律，并基于所述变化规律确定所述目标传感器的当前工况；获取当前工况下所述机器学习模型对应的损失函数初始值；计算所述损失函数目标值和所述损失函数初始值之间的差值，并在所述差值大于第一预设阈值时，确定所述目标传感器发生故障。

9、在一种可行的实施方式中，在计算训练后的所述机器学习模型对应的损失函数目标值之后，所述方法还包括：获取所述目标传感器在历史预设时间段内的采集数据；通过所述历史预设时间段内的采集数据和所述其他传感器的采集数据对机器学习模型进行训练，并计算训练后的所述机器学习模型对应的损失函数初始值；计算所述损失函数目标值与所述损失函数初始值之间的差值，并在所述差值大于第三预设阈值时，确定所述目标传感器发生故障。

10、第二方面，本发明提供了一种燃料电池传感器故障诊断设备，所述设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施方式所述的一种燃料电池传感器故障诊断方法。

11、第三方面，本发明提供了一种非易失性计算机存储介质，所述存储介质为非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有至少一个程序，每个所述程序包括指令，所述指令当被终端执行时，使所述终端执行上述任一实施方式所述的一种燃料电池传感器故障诊断方法。

12、本发明提供的一种燃料电池传感器故障诊断方法、设备及介质，与现有技术相比，具有以下有益的技术效果：

13、（1）本发明通过使用传感器采集的目标数据集训练后的机器学习模型对应的损失函数的值，即损失函数目标值与损失函数初始值进行比较，来确定目标数据集是否被故障数据污染，从而确定目标传感器是否发生故障，可以适用于燃料电池中任意一种传感器的故障诊断，适用的传感器范围广。

14、（2）本发明在确定目标传感器正常或者故障后，可以将用作判定基准的损失函数初始值或损失函数故障值，更新为损失函数目标值，使得损失函数初始值和损失函数故障值与实际的正常工作状态和故障工作状态更为接近，与燃料电池系统的状态保持一致，提高故障诊断的准确性。

15、（3）本发明在确定目标传感器发生故障后，还可以将损失函数目标值与损失函数故障值进行比较，从而确定目标传感器发生的故障类型和故障程度。

16、（4）本发明还可以根据目标传感器的当前工况，来确定用作判定基准的当前工况下的机器学习模型对应的损失函数初始值，判定基准与目标传感器的工况更为贴合，故障诊断的准确性更高。

技术特征：

1.一种燃料电池传感器故障诊断方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，获取所述机器学习模型对应的损失函数初始值，包括：

3.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算所述损失函数目标值与所述损失函数初始值之间的差值之后，所述方法还包括：

4.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在确定所述目标传感器发生故障之后，所述方法还包括：

5.根据权利要求4所述的一种燃料电池传感器故障诊断方法，其特征在于，在确定所述目标传感器发生的故障类型和故障程度与所述故障工作状态相对应之后，所述方法还包括：

6.根据权利要求4所述的一种燃料电池传感器故障诊断方法，其特征在于，所述目标传感器在故障工作状态下采集的数据，包括：

7.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算训练后的所述机器模型对应的损失函数目标值之后，所述方法还包括：

8.根据权利要求1所述的一种燃料电池传感器故障诊断方法，其特征在于，在计算训练后的所述机器学习模型对应的损失函数目标值之后，所述方法还包括：

9.一种燃料电池传感器故障诊断设备，其特征在于，所述设备包括：

10.一种非易失性计算机存储介质，其特征在于，所述存储介质为非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有至少一个程序，每个所述程序包括指令，所述指令当被终端执行时，使所述终端执行根据权利要求1-8中任一项所述的一种燃料电池传感器故障诊断方法。

技术总结本发明公开了一种燃料电池传感器故障诊断方法、设备及介质，属于燃料电池技术领域，用以解决现有的故障诊断方法适用的传感器类型较少，适用范围窄的技术问题。方法包括：获取燃料电池传感器在预设时间段内采集的目标数据集；通过目标数据集对机器学习模型进行训练，并计算训练后的机器学习模型对应的损失函数目标值，其中，机器学习模型的输入为其他传感器的采集数据，输出为目标传感器的采集数据；获取机器学习模型对应的损失函数初始值；计算损失函数目标值与损失函数初始值之间的差值，并在差值大于第一预设阈值时，确定目标传感器发生故障。本发明通过上述方法实现了对燃料电池中任意一种传感器的故障诊断，适用的传感器范围广。技术研发人员：赵子亮,于昊艺,郭斌,付逸凡,申森豪受保护的技术使用者：山东科技大学技术研发日：技术公布日：2024/8/1