1.一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,包括步骤:
S100,将机车运行过程中采集来的多传感器数据输入到一个全连接的反向传播神经网络,以抽取高维抽象特征并用向量表示;
S200,将向量表示的抽象特征重构成张量特征图,以获得抽象特征的集成化表示;
S300,将特征图输入到基于InceptionNet的卷积网络来对特征图进行分类,获得故障类别,进而实现机车质子交换膜燃料电池系统的故障诊断。
2.根据权利要求1所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,在所述步骤S100中,将机车运行过程中采集来的多传感器数据输入到一个全连接的反向传播神经网络,以抽取高维抽象特征并用向量表示,包括步骤:S101,采集机车运行过程中质子交换膜燃料电池系统的多传感器数据以及当前系统状态类;
S102,将所获得数据输入一个全连接的反向传播神经网络,用以抽取高维抽象特征;所述全连接的反向传播神经网包括输入层、隐藏层、输出层三层神经元结构,并以同层内神经元互不连接、相邻层神经元之间全连接的形式连接;
S103,设置全连接的反向传播神经网络参数,根据设置输入层结点数,以匹配采集到的多传感器数据维度数;设置隐藏层结点数;设置输出层结点数,以得到一个高维抽象特征的向量表示。
3.根据权利要求2所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,所述全连接的反向传播神经网包括输入层、隐藏层、输出层三层神经元结构,并以同层内神经元互不连接、相邻层神经元之间全连接的形式连接;
隐藏层神经元和输出层神经元的输出值分别按如下公式计算:
式中:h(j)代表隐藏层的第j个神经元结点的输出;relu是一个整流线性单元,它能令负值为0,而令正值保持输出,通过这个非线性函数能增加网络的非线性表示能力;wij表示输入层第i个神经元与隐藏层第j个神经元之间的权值参数;bj表示隐藏层第j个神经元结点(k)的偏置项;M是输入层结点数;y 表示输出层第k个神经元结点的输出值;wjk表示隐藏层第j个神经元与输出层第k个神经元之间的权值参数;bk表示输出层第k个神经元结点的偏置项;N是隐藏层结点数。
4.根据权利要求3所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,设置全连接的反向传播神经网络的参数,输入层结点数设置为12个,用以匹配采集到的多传感器数据维度数;隐藏层结点数设置为512;输出层结点数设置为1024,用以得到一个高维抽象特征的向量表示。
5.根据权利要求1所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,在所述步骤S200中,将向量表示的抽象特征重构成张量特征图,以获得抽象特征的集成化表示,包括步骤:S201,将所获得的向量表示的抽象特征按顺序依次排列;
S202,根据排列,将向量表示的抽象特征重构成的集成化的张量表示的特征图,进而实现了特征级信息融合过程。
6.根据权利要求5所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,在步骤S202中,将向量表示的抽象特征重构成尺寸为32*32*1的集成化的张量表示的特征图;其中第一个和第二个32代表了特征图长宽像素值,1表示特征图的通道数为1。
7.根据权利要求6所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,在所述步骤S300中,将特征图输入到基于InceptionNet的卷积网络来对特征图进行分类,获得故障类别,进而实现机车质子交换膜燃料电池系统的故障诊断,包括步骤:S3011,输入的所述特征图依次经过一个2D卷积层、BN层和一个Relu层进行处理;在2D卷积层内利用了卷积核对输入特征图进行局部连接抽取特征的特点,随着卷积核的移动将抽取全部输入特征图信息并得到输出特征图,卷积核大小设置为3×3;BN层实现内部协变量转移;Relu层增强卷积网络的非线性化表达能力;
S3012,在步骤S3011处理后输出的特征图将通过一个并联处理结构块,并联处理结构块一包括四条并联支路来同时对由步骤S3011输入的特征图进行抽取特征;有两条支路使用步骤S3011所述三层结构,有一条支路串联两个步骤S3011所述的三层结构,一条支路由一个最大池化层串联一个步骤S3011所述的三层结构组成;在并联处理结构块一中的所有
2D卷积层内,卷积核个数都设置为16,最后每个支路会输出一个通道数为16的特征图;
S3013,利用一个Concat层将步骤S3012的四条并联支路分别输出的四个通道数为16的特征图进行尺度拼接,形成一个通道数为64的特征图实现信息的进一步深度抽取;
S3014,将步骤S3013处理后输出的特征图输入一个结构块二,其具有与步骤S3012所述相同的并联结构以及卷积核参数设置;
S3015,利用一个Concat层将步骤S3014所述的结构块二的输出进行尺度拼接形成一个通道数为64的特征图实现信息的进一步深度抽取;
S3016,将步骤S3015处理后输出的特征图输入一个结构块三,其具有与步骤S3012所述相同的并联结构,并将卷积核个数设置为32;
S3017,利用一个Concat层将步骤S3016所述的Block3结构的输出进行尺度拼接形成一个通道数为128(=32×4)的特征图实现信息的进一步深度抽取。
S3018,将步骤S3017处理后输出的特征图输入一个结构块四,其具有与步骤S3012所述相同的并联结构,并将卷积核个数设置为32;
S3019,利用一个Concat层将步骤S3018所述的结构块四的输出进行尺度拼接形成一个通道数为128的特征图实现信息的进一步深度抽取;
S3020,利用一个全局最大池化层从通过步骤S3019得到的一个128通道的特征图中提取特征,将会得到一个128维向量;
S3021,利用一个全连接层使得网络最后输出端有6个要识别的状态类神经元;每个神经元对应着1到6的序号,神经元输出值最大的那个神经元的序号将用以表示网络对步骤S301输入的多传感器数据的诊断结果,也即对应着这组数据,机车质子交换膜系统的状态类。
8.根据权利要求7所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,所述BN层的计算逻辑表示为公式如下:其中, 是一个x值的小批量集,μB是小批量平均值, 是小批量方差,
是将xi标准化为期望为0方差为1的结果,∈是一个为了保证数值稳定性的常数,γ和β是可学习参数用来调整 从而得到输出yi。
9.根据权利要求7所述的一种机车质子交换膜燃料电池系统的快速故障诊断方法,其特征在于,在所述步骤S3021中,利用一个全连接层使得网络最后输出端有6个要识别的状态类神经元;每个神经元对应着1到6的序号,神经元输出值最大的那个神经元的序号将用以表示网络对步骤S301输入的多传感器数据的诊断结果,也即对应着这组数据,机车质子交换膜系统的状态类;实现这一过程是通过一个argmax函数,计算过程表示如下:其中x或y表示了神经元序数,f(x)是第x个神经元得到的输出值,f(y)是第y个神经元得到的输出值。