本发明属于燃料电池，特别涉及一种基于迁移学习的质子交换膜燃料电池故障诊断方法。
背景技术：
1、近年来，随着能源危机和环境污染问题日益严重，燃料电池技术得到了快速的发展。而质子交换膜燃料因为其电池能量转换效率高、对环境无污染、噪声小以及与车辆中其他子系统兼容集成性能好等优势具有广阔的应用前景。因此，能够精确快速地对pemfc燃料电池在运行中发生的故障进行检测具有重要的意义。
2、目前国内外主要的故障诊断方法分为两类，第一类是基于模型的故障诊断方法，第二类是基于数据驱动的故障诊断方法，其充分利用了传感器监测的关键参数数据和历史存储的数据，结合人工智能等技术挖掘故障特征信息，实现系统故障的精确诊断。传统的诊断方法有rf、elm和svm等，但传统诊断方法过于依赖数据标签的完整性和数据分布的一致性，还需要大量的故障数据集对故障诊断模型进行训练。在大部分的实际应用场景下，由于数据的标签难以获得或者获得的代价太大，并且pemfc燃料电池在不同负载驱动下会使工作条件多样复杂，因此使用大量传感器会使得许多传感器检测到的数据有所偏差。以上问题造成了传统的数据驱动方法故障诊断结果不理想，精确度不高。因此亟需一种在数据标签不完整和缺少大量的pemfc故障数据的情况下，依然能准确诊断出质子交换膜燃料电池故障的方法。
技术实现思路
1、发明目的：本发明提出一种基于迁移学习的质子交换膜燃料电池故障诊断方法，解决了数据标签难获取和缺少故障数据集导致的故障诊断模型性能表现下降的问题，提高了pemfc诊断效率和适用性。
2、技术方案：本发明所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，包括如下步骤：
3、(1)构建源域高维pemfc数据集，以及当前目标域pemfc有标签数据集，对应pemfc不同的故障状态；
4、(2)将源域高维pemfc数据以及当前目标域pemfc数据分别作为均匀流形逼近与投影算法umap的输入，对高维数据集进行降维，去除冗余信息影响；
5、(3)划分数据集，并构建timesnet模型诊断框架；
6、(4)将降维后的高维pemfc数据作为timesnet模型源域，对其进行预训练；
7、(5)利用当前目标域pemfc少量有标签数据通过迁移学习对timesnet模型的参数进行微调，得到最终的诊断模型；
8、(6)对于待诊断燃料电池无标签数据，采用有标签数据集相同的传感器工作信号采集方法，将当前传感器采集到的pemfc数据集输入到timesnet诊断模型进行分类，得到pemfc的不同工作状态。
9、进一步地，步骤(1)所述源域高维pemfc数据包括质子交换膜燃料电池阴极和阳极的电压、电流、温度、浓度。
10、进一步地，步骤(1)所述源域高维pemfc数据集为ss：
11、ss＝{(xn,i,yn,i),xn,i∈an,yn,i∈bn} (1)
12、其中，an表示有标签数据集ss中燃料电池的工作信号数据样本集合，xn,i表示工作信号数据样本集合an中的第i个工作信号数据样本，bn表示有标签数据集ss中燃料电池的健康状态标签集合，yn,i表示工作信号数据样本xn,i对应的健康状态标签。
13、进一步地，所述步骤(2)实现过程如下：
14、对于输入数据集{x1,…,x1,…,xn}中的每个xi，γ为给定的一个超参数，定义θi和δi：
15、
16、其中，θi的选择要确保至少有一个边缘权值为1的数据点与xi相连，δi为长度尺度参数，xn表示数据集样本数量,d(xi,xj)表示样本点xi和其近邻点xj之间的距离；
17、定义有向加权图利用的对称性质定义无向加权图z；设b为z的加权邻接矩阵，得到一个对称矩阵d：
18、
19、其中，利用邻接矩阵d定义了无向加权邻域图z，是hadamard乘积；
20、umap沿边界和顶点分别施加引力和斥力来演化出一个由点集{fi},i＝1...n构造的等效加权图h；利用交叉熵度量计算加权邻域图z和h之间的差异，使h与z捕获的源数据的拓扑结构相匹配，从而得到数据整体拓扑的低维表示。
21、进一步地，所述步骤(3)实现过程如下：
22、对数据集划分训练集和测试集，其前80％为训练集，后20％为测试集；timesnet由堆叠的timesblock组成，输入序列经过嵌入层得到深度特征，对于第l层的时间块，输入为之后通过2d卷积提取二维时序变化：
23、
24、按照固定的周期将原始的一维时间序列数据x1d按照如下公式进行折叠：
25、
26、式中，是第i个变换后的二维张量，padding(x1d)在序列的尾部补零进行对齐，使得序列长度可以被pi整除,表示将补零后的一维序列数据进行reshape重塑变形，fi表示对应x1d的频率，pi为对应x1d的周期。
27、进一步地，所述时间块具体过程如下：将一维转化为二维：首先对输入的一维时序特征提取周期，并将之转换成为二维张量来表示二维时序变化；
28、提取二维时序变化表征：对于二维张量，由于其具有二维局部性，因此使用了inception模型提取信息，即：
29、
30、将二维变换至一维：对提取的时间特征，将其转化回一维空间以便信息聚合：
31、
32、式中，表示将padding(x1d)操作补充的0去除；
33、自适应融合：将一维表征按对应频率加权求和，得到最终输出：
34、
35、其中，表示对应x1d的幅值，softmax()表示softmax分类器，表示经过softmax分类器后的输出。
36、进一步地，所述步骤(4)实现过程如下：
37、采用timesnet模型对pemfc数据进行傅里叶变换，将时序信号的分析扩展到二维空间，将一维数据重构为二维张量，从而得到时间上的二维变化，选取前，通过傅里叶变换获取输入数据中的谐波信息，包括幅值、频率和周期长度；
38、根据选取的频率和周期长度，采用padding层将时序信号沿着时间维度进行零扩展，将一维时序信号重构为多个二维张量；
39、基于timesnet的timesblock捕获k个不同重构张量的各种时间变化，并进行自适应聚合，有效提取信号特征重构一维时序信号；采用自适应融合学习模型进行状态识别和故障分类；
40、对于故障分类，定义交叉熵损失函数，通过对建立基于timesnet的故障诊断源域模型进行训练，求出网络的最优参数，最小化损失函数误差，其损失函数中p1越低表示诊断效果越好：
41、
42、其中，ρ(x)表示timesnet中softmax的输出结果，其目标值为σ(x)。
43、进一步地，所述步骤(5)实现过程如下：
44、当目标域pemfc数据输入深度迁移学习模型时，timesnet模型首先根据源域数据进行浅层结构的训练，以提取浅层特征，此时，目标域的浅层结构会被冻结；
45、同时将训练timesnet模型的参数与目标域的深层结构进行共享，用于提取深层特征初始化，此时深层结构参数会被调整，以实现输入pemfc数据的最终分类识别；
46、提取目标域数据的深层特征后，深度迁移模型的卷积层对其特征进行运算，以得到信号分类识别结果；
47、将结果输入到timesnet模型的全连接层dense层，并在迁移学习模型全连接层设置损失函数，得到对故障识别能有较高精度的模型。
48、进一步地，所述损失函数为联合最大均值差异jmmd测量源域和目标域之间的分布差异，度量其识别结果与预期结果的误差来控制结果精度；所述jmmd损失函数为：
49、
50、其中，ep和eq分别是源域p和目标域q的期望，表示源域数据在希尔伯特空间的特征映射，为目标域数据在希尔伯特空间的特征映射，|l|表示层数，h1，h2表示源域和目标域生成的激活，hl表示模型第l层的再生核希尔伯特空间，将损失函数嵌入到迁移学习模型，得到模型损失函数为：
51、p0＝p1+λpjmmd (12)
52、其中，p0表示整个迁移学习网络模型的损失函数，p1表示故障数据源域的分类损失函数，λ表示jmmd函数的权衡参数。
53、进一步地，步骤(6)所述pemfc的不同工作状态为pemfc正常、膜干以及水淹
54、有益效果：与现有技术相比，本发明的有益效果：
55、1、针对pemfc有标签故障样本数据集的稀缺，本发明通过将timesnet模型在源域数据集学习，然后将其模型微调并迁移到待诊断工作条件下对目标域数据集进行故障诊断，高效准确地处理无标签的信号数据，解决了pemfc故障数据集稀缺和有标签故障数据难获取的问题；
56、2、本发明首先对源域故障诊断的结果定义了交叉熵损失函数，来更好的训练模型，同时在迁移学习的模型中来设置联合最大均值差异函数测量源域和目标域之间的分布差异，在最终的模型损失函数中结合源域定义的交叉熵损失函数和迁移学习使用的jmmd函数，就可以得到对故障识别能有较高精度和较强适用性的模型；
57、3、本发明针对采集的26维故障数据集数据量大，且复杂度高等特点，利用umap方法对源域以及目标域有标签的高维数据进行降维重构，去除了无效信号对模型精度的影响并有效地降低了输入维度和复杂度。
1.一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(1)所述源域高维pemfc数据包括质子交换膜燃料电池阴极和阳极的电压、电流、温度、浓度。
3.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(1)所述源域高维pemfc数据集为ss：
4.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(2)实现过程如下：
5.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(3)实现过程如下：
6.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述时间块具体过程如下：将一维转化为二维：首先对输入的一维时序特征提取周期，并将之转换成为二维张量来表示二维时序变化；
7.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(4)实现过程如下：
8.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述步骤(5)实现过程如下：
9.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，所述损失函数为联合最大均值差异jmmd测量源域和目标域之间的分布差异，度量其识别结果与预期结果的误差来控制结果精度；所述jmmd损失函数为：
10.根据权利要求1中所述的一种基于迁移学习的质子交换膜燃料电池故障诊断方法，其特征在于，步骤(6)所述pemfc的不同工作状态为pemfc正常、膜干以及水淹。
