典型文献
基于数据驱动的车用燃料电池故障在线自适应诊断算法
文献摘要：
长短期记忆(LSTM)多分类算法可以有效地实现车用燃料电池的在线智能故障诊断,然而在实际应用中,车用燃料电池随着运行时间的增加,内部特性会发生衰退,初始诊断模型可能不能满足长期故障诊断的精度.针对该问题,本文基于AVLCURISEM软件搭建了PEMFC原始和衰退模型,并使用模型产生故障数据.随后设计了 自适应算法,并使用模型产生的数据进行自适应训练,使得诊断模型能够适应电堆的衰退,保证了车用燃料电池在线智能诊断的精度.在实际燃料电池系统中对该方案进行实测验证,证明了其有效性,该方案可以基于"车端-云端"平台对燃料电池系统进行诊断,算法权重可以自适应更新,以完成对电堆老化的适应,有较好的应用前景.
文献关键词：
车辆工程;LSTM多分类;在线智能诊断;模型参数;自适应
中图分类号：
作者姓名：
王克勇;鲍大同;周苏
作者机构：
同济大学汽车学院,上海201804;上海捷氢科技股份有限公司,上海201804
文献出处：
引用格式：
[1]王克勇;鲍大同;周苏-.基于数据驱动的车用燃料电池故障在线自适应诊断算法)[J].吉林大学学报（工学版）,2022(09):2107-2118
A类：
AVLCURISEM,在线智能诊断,电堆老化
B类：
车用燃料,电池故障,在线自适应,应诊,长短期记忆,多分类,分类算法,智能故障诊断,运行时间,诊断模型,PEMFC,故障数据,自适应算法,自适应训练,燃料电池系统,实测验证,云端,自适应更新,车辆工程
AB值：
0.262581
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
