1.一种用于燃料电池发动机故障预测的数据融合方法,其特征在于:包括如下步骤,S1,通过试验获取实测故障样本;
S2,获取模拟故障样本;
S3,将实测故障样本模拟故障样本进行特征级融合,得到第一融合样本;
S4,将所述第一融合样本与实测故障样本进行数据级融合,得到第二融合样本;
S5,所述第二融合样本与所述实测故障样本,共同作为燃料电池发动机故障预测模型的训练样本;
步骤S2包括,
S21,搭建仿真模型,并从仿真模型中获取多源信息;其中,所述多源信息包括振动数据、温度数据、电池数据和压力数据;本步骤所使用的模型为:基于系统动力学域、电化学域、流体力学域以及热动态域多物理域建立相应数学模型深入研究燃料电池发动机正常操作状态下运行机理、故障失效机理,考虑系统在不同操作模式、负载扰动、运行参数变化、结构振动因素对燃料电池内、外部状态变量的影响,研究关键部件双极板、催化剂和膜电极的化学耐久性和退化机理,分析燃料电池内、外部关键状态参数的影响,综合正常运行机理、故障失效机理和退化机理分析燃料电池发动机故障演变规律来建立燃料电池发动机的高保真模型;
S22,对多源信息进行特征提取,得到第一特征信号;
S23,对第一特征信号进行特征增强处理,得到第二特征信号;
S24,利用深度卷积神经网络对第二特征信号进行深度融合,得到模拟故障样本;
步骤S3包括,
S31,对实测故障样本和模拟故障样本进行预处理;
S32,构建对抗神经网络,并设置生成器和判别器;
S33,将实测故障样本作为训练数据对判别器进行训练;
S34,将模拟故障样本作为训练数据对生成器进行训练;
S35,利用训练后的生成器生成第一数据样本;将第一数据样本输入到判别器,并将第一数据样本中被所述判别器识别为真的数据,作为第一融合样本中的数据;
S36,重复步骤S35,直到第一融合样本的数据量达到设定值;
步骤S31包括,
S311,对所述实测故障样本和所述模拟故障样本进行降噪处理;
S312,将降噪处理后的所述模拟故障样本和所述实测故障样本按统一的规则进行A/D转换,以将所述故障样本的所述实测故障样本中的数据均转换为数字信号;
S313,提取所述实测故障样本和模拟故障样本的特征向量;
使用该方法的系统包括:
数据采集模块,所述数据采集模块用于获取的实测故障数据,以获取实测故障样本;
仿真模块,用于通过仿真获取燃烧电池发动机的模拟故障样本;
第一数据融合模块,与所述数据采集模块和所述仿真模块电连接,用于将所述实测故障样本和所述模拟故障样本进行特征级融合,以得到第一融合样本;
第二数据融合模块,与所述第一数据融合模块和所述数据采集模块电连接,用于将所述第一融合样本与实测故障样本进行数据融合,以得到第二融合样本;
所述数据采集模块包括振动传感器、温度传感器、压力传感器和电池数据采集器;
所述第二数据融合模块包括对抗神经网络模型;
所述对抗神经网络模型包括生成器和判别器;所述生成器和所述判别器均为6层全连接神经网络,所述生成器的隐藏层节点数为32‑64‑128‑256,所述判别器的隐藏层节点数为
256‑128‑64‑32;所述生成器和所述判别器的激活函数均为SELU函数;
所述生成器由模拟故障样本作为训练数据进行训练;所述判别器由所述实测故障样本作为训练数据进行训练;
所述对抗神经网络模型为Wasserstein GAN网络模型。
2.根据权利要求1所述的用于燃料电池发动机故障预测的数据融合方法,其特征在于:所述生成器和所述判别器均采用6层全连接神经网络;
其中,所述生成器的隐藏层节点数为32‑64‑128‑256,所述判别器的隐藏层节点数为
256‑128‑64‑32;
所述生成器和所述判别器的激活函数均为SELU函数。
3.根据权利要求2所述的用于燃料电池发动机故障预测的数据融合方法,其特征在于:步骤S32中,构建的对抗神经网络模型为Wasserstein GAN网络模型。