文摘

本文提出了一个面向数据的模型非线性自回归外生模型(NARX)神经网络,其目的是在预测燃料电池堆栈的力学行为在现实中的操作条件下车辆。300小时的振动测试与生殖的高级道路谱在破坏模拟表完成。同时,驱动位移和加速度响应在堆栈的数据采集进行了50个小时。所有收集的数据被用来训练和评估基于NARX模型。结果表明,建立的预测模型精度好,与实际情况一致。

1。介绍

随着技术的发展、经济和人民生活水平,汽车的数量急剧增加,带来了能源短缺和空气污染。氢是一种清洁能源具有高热值是地球丰富。氢燃料电池氢转化为电能直接与效率高,其中质子交换膜燃料电池(PEMFC)是最广泛使用的主要是为他们的广泛的操作温度和高的能量密度。因此,燃料电池汽车是汽车工业的主要方向之一。

作为一个关键组件安装在车辆上,燃料电池堆栈受到道路激励通过车架。暴露在这种恶劣的条件,它要求机械可靠性和耐用性的特点。根据政策被称为中国制造2025和美国能源部(DOE),一生的燃料电池汽车需求到2020年将达到5000 h (1]。然而,现在在实验室里,这一目标仍在路上。因此,研究机械振动的燃料电池的性能是一个重要的研究课题。

自2004年以来,许多学者已经研究燃料电池堆栈的振动特征。实验研究和数值模拟两种常用的方法。Betournay et al。2刚性连接的一个35 W燃料电池堆栈的底盘矿山机器,受振动和冲击的49个h,并测试燃料电池堆栈每日的性能。结果表明,没有明显的机械损伤;然而,其极化曲线在高电流密度波动明显。刘等人。3]研究了质子交换膜燃料电池结构和夹紧力的影响通过有限元分析模式的形状。

上面提到的这两个研究方法中扮演重要角色调查燃料电池堆栈的力学特性。但它仍然是一个艰难的工作建立一个模型精度高和鲁棒性,因为燃料电池系统是一个复杂的非线性系统与许多物理化学参数难以确定。最近,人工神经网络(ANN)模型已广泛应用与计算理论的发展和计算机的性能。ANN模型,也称为“黑盒”模型中,可以通过输入变量时提供相应的输出准确地建立了输入输出映射关系。

Khatir et al ., Tran-Ngoc et al ., Zenzen et al。4- - - - - -8]提出的组合优化算法和机器学习算法,提供安快速收敛和全局搜索的优点,和解决一系列的工程结构损伤识别问题。他们的研究结果扩展了研究人工神经网络优化算法的思想及其在工程应用场景。

小et al。9)采用动态神经网络来构建一个基于时间序列数据的预测模型。前馈延时神经网络(TDNN)、Elman神经网络,和NARX神经网络采用及其预测能力进行了比较。使用了两个真实的数据集,即激光混沌时间序列和可变比特率(VBR)视频流量时间序列。他们报告说,NARX神经网络延迟的反馈回路输出预测做了更好的工作比TDNN和Elman网络。

Devi et al。10]ANN模型的性能相比降雨时间序列数据的预测。等ANN模型前馈反向传播神经网络(症),级联提出反向传播神经网络(CBPN),分布式时间延迟神经网络(DTDNN)和NARX网络,采用预测降雨数据集Nilgiris Coonoor。从观察到的均方误差(MSE)和相关系数(CC)值作为两个性能指标,NARX网络优于所有其他网络。

劳斯(11- - - - - -14)提出了一种新的建模方法对燃料电池堆栈,这是复杂的非线性性质。他们研究了燃料电池堆栈在振动条件下的力学特性在飞机的应用程序从两部分:实验和建模。首先,他们建立了一个振动试验台。然后,他们测试了5细胞燃料电池堆栈为所有三个正交轴使用了正弦信号的频率带宽6到2000赫兹和加速度幅值从1到20克。协议栈的响应加速度测量的三维(3 d)加速度计。之后,进行气密性测试,以确保燃料电池堆栈是在正常的工作条件。建模时,他们提出了一种多输入多输出(MIMO)使用多层感知器神经网络模型。培训和修剪后的ANN模型进行了测试。结果表明,该模型精度好,从而可以进一步扩展到应用程序,如故障诊断。

上述文献验证的优越性NARX神经网络在处理不同的时间序列数据和调查飞机的力学特性以及建模在动态负载下燃料电池堆栈。然而,一个模型,预测一个燃料电池堆栈的力学行为加强道路振动条件下车辆应用程序尚未出现。

本文预测模型基于NARX神经网络的汽车燃料电池堆栈。实际的激励测量和分成训练集和验证集。然后,该模型由训练集训练;然后,预测性能验证从以下三个方面:对网络输出和目标值的对比分析在时域和频域,相关测试和特征值测试。

2。实验

2.1。测试设备

测试设备主要用于这项研究是六经桅杆(15),如图1。在桅杆上是一组伺服液压控制的机械系统由计算机控制。有六个电液伺服作动器在操作,桅杆可以提供six-degree-of-freedom运动,这有助于复制汽车零部件的振动条件。

2.2。测试程序

目标谱将桅杆复制是一个收集的加速度谱在加强公路试验场。道路负载测试传感器是一个3 d加速计的中间位置上表面的堆栈套管。相同的位置点选择安装加速度计。

耐久性试验持续了300 h的三维加速度计安装在燃料电池堆栈,这期间响应的加速度 - - - - - -, - - - - - -,和 - - - - - -定期收集轴方向(1650),分别0 h, h, 100 h, 150 h, 200 h, 250 h和300 h。对于每个方向,3个周期的信号测量256 Hz的采样频率和采样时间是145年代。

3所示。建模方法

3.1。NARX神经网络模型

人工神经网络由静态神经网络和动态神经网络,在当前的输出前一个只与当前的输入,而之后的相关数据计算之前和当前输入由于其反馈回路和记忆功能。因此,动态神经网络具有较强的学习能力和非线性逼近能力,从而更好的处理时间序列问题。

NARX神经网络是一种动态神经网络,使用有限的反馈输出层改善非线性逼近能力没有增加计算成本。与此同时,梯度下降算法非常有效NARX神经网络,它允许网络收敛更快,更好的推广,保留更多的信息比传统的两到三倍(17]。因此,它被广泛使用。NARX神经网络的结构,可以看到在图2,通常是由输入层、隐层、输出层,输入和输出的延迟。NARX模型的定义方程如下: 在哪里网络的输出在时间吗 , 是输入网络的时间吗 , 和分别是输入和输出的延迟,然后呢多层感知器网络的非线性映射。

有两种模式,可以进行训练NARX神经网络:串并联(SP)的模式和并行(P)模式。这两种模式之间的区别是,输出的回归估计网络由真值的SP模式,而网络在P模式包括预测的。SP模式选择训练模式本文以更快的速度和更高的精度。参见图3和4。

NARX神经网络广泛应用于非线性系统识别,特别是对非线性时间序列的预测。在这个实验中,七组数据收集,每个都包含近40000点 - - - - - -, - - - - - -,和 - - - - - -分别轴方向。因此,它适合NARX神经网络建模。

3.2。数据预处理

所收集的数据采集系统一般包含周期性噪音和不规则噪音。这两种噪声需要处理输入数据到NARX神经网络之前,这有助于恢复实际收集的数据在实际振动的条件。

节2堆栈的,响应信号都以三个周期定期的在七个不同的时间点 - - - - - -, - - - - - -,和 - - - - - -轴的方向。确保应变测量数据中存在的排斥,响应信号的平均值的三个时期在每个时间点采集获得的quasi-response信号 - - - - - -, - - - - - -,和 - - - - - -时间点的方向。然而,仍然有许多故障和不规则quasi-response趋势的信号,通常引起的噪音信号和意想不到的干涉测试。五元钞票三重平滑方法是一个简单的算法用于过滤采样点具有良好的效果,基于最小二乘多项式拟合方法(18]。因此,在第二步中,它是用来过滤数据,消除干扰组件不改变原始曲线的特征。

3.3。一致性分析

输入NARX神经网络用于本文的振动激励信号,并输出相应的响应信号。为了避免大错误underfitting引起的神经网络预测模型,训练集的数据应该包括燃料电池堆栈的总体特征尽可能多;即。,the amount of training set data should reach a certain proportion of the total data quantity. By analyzing the coherence of input and output in each direction, whether there is vibration coupling is judged. Thus, the dimension of the input data in each direction is determined.

当测试执行在桅杆板凳上,燃料电池堆栈兴奋在三个方向( , ,和 )同时,收集和响应信号的三维加速度计,这表明燃料电池堆栈是一个三个输入三输出振动系统。根据输入数据的尺寸确定,采用不同策略的输入模型在不同的方向,从而降低计算成本。激励和响应之间的相干函数可以计算如下: 在哪里和分别是,autopower激励和响应的谱密度和是激励和响应之间的互功率谱密度。

激发的相干系数在每个方向和响应 - - - - - -轴方向如图所示5(一个)的相关系数,激励和响应的 - - - - - -轴方向接近0的频带外20赫兹,而部分频带从1到20 Hz小于0.8。因此, - - - - - -方向响应从1到20 Hz应该考虑激励的影响在所有三个方向( , ,和 )。

图5 (b)说明了激发的相干系数在每个方向和响应 - - - - - -轴方向,在激励和响应的相关系数 - - - - - -轴方向接近0的频带外20赫兹,而在从1到20赫兹频段大约是1。另外两个相干系数图也有类似的特点,它们都是相对较小的整个分析频带。因此, - - - - - -方向响应从1到20 Hz主要引起的 - - - - - -激励方向。图5 (c)说明了激发的相干系数在每个方向和响应 - - - - - -轴的方向。同样,这一结论可以 - - - - - -方向响应从1到20 Hz主要引起的 - - - - - -激励方向。

3.4。模型构建和数据分组

合理的提取所需的输入和输出是训练神经网络。结合上面的分析,可以确定。以 - - - - - -方向模型为例,网络的输入结束的振动激发燃料电池堆栈(即。试验台的位移)和前面的输出的回归估计量的 - - - - - -轴方向,而当前网络的输出 - - - - - -方向响应加速度的燃料电池堆栈。类似地,输入和输出的 - - - - - -模型对应的方向 - - - - - -方向数据,而这些的 - - - - - -方向模型对应于数据在所有三个方向。此外,为了更有效地训练神经网络,并提高其泛化能力(19),与Levenberg-Marquardt算法相比,收敛快,本文选择罚函数的贝叶斯正则化算法。这个网络的层数设置为3,隐藏层的激活函数是乙状结肠函数,输出层的激活函数是线性函数,和训练的迭代的数量是200。

为了使模型能充分学习力学特性的变化规律(以加速度)的系统,两套数据从不同的训练集和验证集。延误和隐层神经元的数量取决于试验和错误的方法。具体的数据分组表所示1。

4所示。模型验证

神经网络模型将初始化内部重量和偏见。后输入表的训练集1神经网络的训练算法将调整重量和偏见根据网络输出和期望之间的差异实际产出(即。,目标),不断迭代直到训练集的误差达到预设的范围内。然而,这只表明,网络的训练集的输出是准确的。预测模型主要关注其泛化能力,所以它还需要进行验证。

基于验证集,可以验证神经网络模型的准确性。在本节中,模型的预测性能验证部分中提到的三种方法1。NARX神经网络是由两组训练训练集数据表1。下面将得到预测结果,第一批将为例进行相关测试和特征值测试。

4.1。可视化的预测

振动信号在时域与频域之不同特性。为了观察的准确性预测结果很明显,目标价值和预测中的两组数据的结果 - - - - - -, - - - - - -,和 - - - - - -轴的方向,分别在时域和频域,如图6。

我们可以看到从第一组预测结果图650,数据在0 h, h, 100小时,150小时,200小时,250 h作为训练集的数据来预测在300 h。三个方向的预测结果接近目标值和错误是在可接受的范围之内的。其中,结果 - - - - - -和 - - - - - -方向有最好的预测性能。然而,错误的 - - - - - -方向预测结果略大。通过分析原励磁信号,我们发现它是由一些突然变化的数据 - - - - - -方向振动激励信号。由于增强方法中使用的数据 - - - - - -方向,也得到了合理的结果。第二组的预测结果图6使用数据在0 h,得到50 h, 100 h, 150 h和200 h作为训练集来预测数据在250 h和300 h。同样,三个方向的预测结果精度高。在时域,振幅的预测价值和目标价值相似,和曲线几乎重叠。在频域中,主振动的特征频率的预测是准确的频率范围从1到20 Hz。

综合分析上述预测结果,可以初步判定模型具有较好的精度和泛化能力。

4.2。相关测试

然而,它是不完整的,只有观察预测结果图6。对于时间序列数据的预测模型,相关测试是必需的。验证集的预测误差表示如下: 在哪里预测误差和吗和分别是响应的目标价值和网络输出信号。

一个理想的燃料电池振动模型应该包含所有整个系统的动态信息,有以下两个特点13]:(1)其预测结果的预测误差应该不同时间点之间是不相关的(2)预测误差与输入数据应该是不相关的

可以验证模型的准确性,自相关系数的计算和输入和之间的互关联系数 。在第一组的预测结果的数据表1作为一个例子,上面的两个相关系数进行了分析,结果如图所示7。作为显示在图7的自相关系数的特点在三个方向都是类似的,价值达到最大延迟的值是0时,然后迅速下降到0。它显示了每个数据点的预测误差是相互独立的。此外,置信区间内的互关联系数主要是图中红线所示,这意味着预测误差也独立于输入。这两个特性反映在图像的相关性,分别对应于上述两个特点的理想燃料电池振动模型,验证模型的精度高。

4.3。特征值测试

振动信号有一定的特征值,其中最大和均方根(RMS)值在时域和频域信号的总功率可以全面反映特征。从这五个特征值,误差分析中数据的验证集是一个直观的方式进行。目标价值,网络输出值和特征值的绝对相对误差在300 h - - - - - -, - - - - - -,和 - - - - - -方向给出了表2,可以发现,三个方向的预测结果精度高。网络输出值 - - - - - -方向,除了时域中的最大误差超过10%,其他特征值的精度约为3%。预测性能 - - - - - -方向是最高的精度,与5特征值在3%左右。在 - - - - - -方向,均方根误差在时间域和频率域和总信号功率接近10%,而最大的误差值在时域和频域很小。

4.4。讨论

模型验证了上述三种方法,基于验证集 - - - - - -, - - - - - -,和 - - - - - -的方向。综合分析,结论可以预测表现在不同的方向略有不同,由于自己的加速度响应特性,但都在可接受的范围内, - - - - - -轴数据预测精度最高。同时,该模型良好的稳定性和泛化。

5。结论

在本文中,一个燃料电池堆栈振动根据NARX神经网络建立预测模型。和模型训练和验证了使用两套振动耐久性测试数据。总结全文,可以得出以下结论:(1)燃料电池堆栈的振动预测模型基于NARX神经网络适用于耐久性测试数据具有较强的非线性,可以预测燃料电池堆栈的振动特性的变化(2)该模型具有较高的预测精度。验证的数据集有很高的网络输出和目标之间的一致性值在时域和频域图像相关系数的置信区间内,以及特征值的误差主要是在10%以内(3)的预测模型具有较高的稳定性和泛化能力。时间和频率域预测的结果两个验证集所有反映高一致性 - - - - - -, - - - - - -,和 - - - - - -方向

数据可用性

复制这些结果所需的原始数据也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

财务工作由上海市科学技术委员会(项目编号:19 dz1206401)。