具体实施方式

为使本发明的目的、技术方案和优点更加清楚，以下将结合本发明实施例中的附图，通过具体实施方式，完整地描述本发明的技术方案。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下获得的所有其他实施例，均落入本发明的保护范围之内。

图1为本发明实施例提供的第一种燃料电池的剩余寿命预测方法流程图，适用于燃料电池的剩余寿命预测。燃料电池由多个单体组成，燃料电池的剩余寿命预测方法包括：

S101、获取燃料电池在运行工况期间的参数数据；参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度。

其中，电压指燃料电池当前时刻的实际电压值，燃料电池工作时相当于一直流源，其阳极即为电源负极，阴极即为电源正极，阳极和阴极之间的电压即为本实施中的电压，根据电压值的大小可以确定燃料电池能否继续使用。

电流指电堆电流，具体的，燃料电池由多个单体组成，单体即为一个子电池单元，将多个单体层叠组成就能构成输出电压满足实际负载需要的燃料电池堆，简称电堆。

单体电压指燃料电池中单体当前时刻的电压值，燃料电池单体电压分布的差异性是客观存在的，当燃料电池单体电压长时间处于不均衡状态下会出现某一节或几节单体出现反极，将严重影响燃料电池的耐久性。

空气进气流量是指燃料气体从燃料电池的阳极或阴极进入燃料电池的气体质量流量，例如在燃料电池阳极，氢气从进口流入燃料电池，在燃料电池的阴极，氧气从进口流入燃料电池。

空气进气压力是指燃料气体从燃料电池的阳极或阴极进入燃料电池的气体气压。例如质子交换膜电池工作时，在质子交换膜两侧的反应气体气压要保持相对的平衡，一方面能够将燃料进入质子交换膜的扩散控制在最低限度，另一方面起到保护质子交换膜的作用。

冷却水入口温度是指燃料电池冷却装置入口处的冷却水的温度，具体的，燃料电池在产生电能的过程中也会产生大量热能，因此需要冷却装置吸收燃料电池的热量，例如可以是冷却水泵冷却水入口温度。

具体的，当燃料电池在运行工况期间，可以获取到电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等参数数据。

需要注意的是，上述参数数据均是在燃料电池的运行工况期间测得的，运行工况为燃料电池向外输出功率的情况，示例性的，对于以燃料电池为动力来源的车辆，当车辆启动后或行驶中，即为燃料电池的运行工况期间。

S102、根据参数数据获取融合健康指标；并根据融合健康指标获取燃料电池的健康状态值。

其中，融合健康指标指非单一健康指标，其为由多种不同数据建立的综合健康指标。例如由燃料电池电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等数据综合建立的健康指标，单一健康指标不能完整反应燃料电池的健康状态。

健康状态值指燃料电池根据融合健康指标计算得出的值，不同的健康状态值表征燃料电池的性能不同，例如燃料电池的健康状态值越低，说明燃料电池的性能越差，燃料电池的健康状态值越高，说明燃料电池的性能越好。

具体的，根据获取到电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等参数数据建立融合健康指标，获取燃料电池参数数据的具体值，并根据融合健康指标可以得到其对应的燃料电池的健康状态值。

S103、获取燃料电池在运行工况期间内的行为；行为至少包括启动、停止、变载和故障急停。

具体的，燃料电池在实际工作中，会存在频繁的启动、停止、变载或故障急停等行为，燃料电池在运行工况期间内的行为对燃料电池衰减有不同程度的影响，进而影响燃料电池的使用寿命。

S104、根据时间、健康状态值和行为训练长短期记忆神经网络模型；并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。

其中，时间指燃料电池运行的时间。

长短记忆神经网络模型指一种深度学习方法，用于处理序列数据。

具体的，时间、健康状态值和行为作为输入采用长短记忆神经网络模型进行训练，得到目标精确的训练模型，根据长短期记忆神经网络模型预测燃料电池的剩余寿命时间。

本发明实施例所提供的技术方案，通过获取燃料电池在运行工况期间电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等参数数据，根据参数数据得到融合健康指标，进而得到燃料电池的健康状态值，获取燃料电池在运行工况期间内启动、停止、变载和故障急停等行为，根据时间、健康状态值和行为训练长短期记忆神经网络模型，并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。实现在行车动态工况下，通过融合健康指标和行为对燃料电池的剩余寿命的精准预测。

可选的，提取燃料电池在运行工况期间的参数数据，可以包括：提取燃料电池在运行工况期间的电压的稳定区间；获取稳定区间内的参数数据。

其中，稳定区间指车辆启动一段时间后的区间。由于车辆刚刚启动时燃料电池输出的电压是不稳定的，提取燃料电池输出电压稳定区间内对应的参数数据，保证数据的可靠性和有效性。

图2为本发明实施例提供的另一种燃料电池的剩余寿命预测方法流程图，如图2所示，在上述实施例的基础上，根据参数数据获取融合健康指标主要包括以下步骤：

S201、获取燃料电池在运行工况期间的参数数据；参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度。

S202、根据参数数据获取燃料电池在运行工况期间内不同时刻的标准电压 V_ek；并计算当前时刻燃料电池的标准电压V_ek与实际电压V_real之间的差值ΔV＝V_ek-V_real。

其中，标准电压是根据燃料电池在稳定区间内的参数数据计算得到的，此时燃料电池具有稳定的输出电压且状态良好。

具体的，根据燃料电池在稳定区间内的参数数据计算得到的不同时刻的标准电压V_ek，获取不同时刻燃料电池的实际电压V_real，并根据当前时刻的标准电压V_ek和实际电压V_real得出差值ΔV，即ΔV＝V_ek-V_real，差值ΔV可能是正值，也可以是负值或零。

可选的，根据参数数据获取燃料电池在运行工况期间内不同时刻的标准电压，包括：获取燃料电池在运行工况期间内不同时刻的标准电压 V_ek＝af(I)+bf(p)+cf(W)+df(T_in)；其中，I为电流，p为空气进气压力，W为空气进气流量，T_in为冷却水入口温度。

其中，a、b、c和d为系数，f(I)、f(p)、f(W)和f(T_in)分别指关于电流I、空气进气压力p、空气进气流量W和冷却水入口温度T_in的函数。

具体的，根据电流I、空气进气压力p、空气进气流量W和冷却水入口温度 T_in可以得到燃料电池不同时刻的标准电压V_ek，当其中任何一个变量值发生变化时，都将影响标准电压V_ek的值，进一步影响ΔV的值，最终导致融合健康指标 HI的值发生变化，将不同的参数数据均考虑在内，保证对燃料电池剩余使用寿命的精确预测。

S203、根据单体电压和燃料电池中的单体个数获取单体电压波动率C_v。

其中，单体个数为燃料电池中单个电池的具体组成个数，具体的，根据燃料电池的单体电压和单体个数计算得出当前时刻的单体电压波动率C_v，由单体电压波动率C_v可知燃料电池单体电压的均衡性，单体电压的均衡性越好则燃料电池的耐久性越好。

可选的，根据单体电压和燃料电池中的单体的个数获取单体电压波动率C_v，包括：获取燃料电池中的单体电压波动率其中，V_i为燃料电池的各个单体的单体电压，为燃料电池中所有单体的单体电压均值， N为燃料电池的单体个数。

其中，单体电压波动率C_v用于评价燃料电池单体电压均衡性，例如单体电压波动率C_v越大，则说明燃料电池的单体电压均衡性越差。

具体的，获取燃料电池的各个单体的单体电压V_i和燃料电池的单体个数N，进而计算得出燃料电池中所有单体的单体电压均值并根据公式得到燃料电池中的单体电压波动率C_v，其中1≤i≤N。将单体电压波动率C_v作为融合健康指标HI的输入，将单体电压均衡性考虑在内，保证对燃料电池剩余使用寿命的预测更加精确。

S204、统计燃料电池不同时刻的最低单体电压的单体数据n。

具体的，根据燃料电池不同时刻的不同单体的单体电压可统计得出不同时刻的最低单体电压的单体数据n。例如可以设定最低单体电压值，获取各单体不同时刻的单体电压，并与最低单体电压值进行比较，若当前时刻存在n个单体的单体电压小于或者等于最低单体电压值，则最低单体电压的单体数据为n。

S205、根据燃料电池的标准电压与实际电压之间的差值ΔV、单体电压波动率C_v和最低单体电压的单体数据n建立融合健康指标HI＝f(ΔV,n,C_v)。

其中，融合健康指标用HI表示，f(ΔV,n,C_v)指由差值ΔV、单体电压波动率 C_v和最低单体电压的单体数据n构成的函数关系式。

具体的，根据差值ΔV、单体电压波动率C_v和最低单体电压的单体数据n 建立融合健康指标HI，换言之，融合健康指标HI是关于差值ΔV、单体电压波动率C_v和最低单体电压的单体数据n的函数，任何一个变量发生变化都将影响融合健康指标HI的值。

上述步骤S202～S205即为“根据参数数据获取融合健康指标”的具体过程，如此将多个健康指标综合考虑，实现准确评价燃料电池当前的健康状态。

S206、根据融合健康指标获取燃料电池的健康状态值。

S207、获取燃料电池在运行工况期间内的行为；行为至少包括启动、停止、变载和故障急停。

S208、根据时间、健康状态值和行为训练长短期记忆神经网络模型；并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。

本实施例对根据参数数据获取融合健康指标的过程进行具体详述，通过燃料电池的标准电压与实际电压之间的差值ΔV、单体电压波动率C_v和最低单体电压的单体数据n建立所述融合健康指标，融合电流I、空气进气压力p、空气进气流量W和冷却水入口温度T_in等各个参数数据，可利于完整体现燃料电池的健康状态。

图3为本发明实施例一提供的又一种燃料电池的剩余寿命预测方法流程图，如图3所示，在上述实施例的基础上，根据融合健康指标获取燃料电池的健康状态值主要包括以下步骤：

S301、获取燃料电池在运行工况期间的参数数据；参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度；

S302、根据参数数据获取燃料电池在运行工况期间内不同时刻的标准电压 V_ek；并计算当前时刻燃料电池的标准电压V_ek与实际电压V_real之间的差值ΔV＝V_ek-V_real。

S303、根据单体电压和燃料电池中的单体个数获取单体电压波动率C_v。

S304、统计燃料电池不同时刻的最低单体电压的单体数据n。

S305、根据燃料电池的标准电压与实际电压之间的差值ΔV、单体电压波动率C_v和最低单体电压的单体数据n建立融合健康指标HI＝f(ΔV,n,C_v)。

S306、获取燃料电池的初始时刻的健康指标值HI₀。

其中，初始时刻指燃料电池出厂设置时的健康指标值。

具体的，获取燃料电池初始时刻t₀时电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等参数数据，根据上述步骤依次计算得到当前时刻单体电压波动率C_v、差值ΔV和最低单体电压的单体数据n，进而根据融合健康指标HI＝f(ΔV,n,C_v)得到燃料电池的初始时刻的健康指标值HI₀。

S307、获取燃料电池从初始时刻开始运行至t时刻的健康指标值HI_t。

t时刻是燃料电池自初始时刻t₀开始，投入使用一定时间段的时刻，例如，车辆使用后半年或一年，具体的，获取燃料电池t时刻时电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度等参数数据，根据上述步骤依次计算得到当前时刻单体电压波动率C_v、差值ΔV和最低单体电压的单体数据n，进而根据融合健康指标HI＝f(ΔV,n,C_v)得到燃料电池的t时刻的健康指标值HI_t。

S308、获取燃料电池的健康状态值ΔHI＝HI₀-HI_t。

具体的，根据步骤S306和步骤S307得到的燃料电池的初始时刻的健康指标值HI₀和t时刻的健康指标值HI_t可以计算得出燃料电池的健康状态值，即ΔHI＝HI₀-HI_t。

上述步骤S306～S308即为“根据融合健康指标获取燃料电池的健康状态值”的具体过程。如此，根据燃料电池的健康状态值具体实现过程可以得到任何时间段内燃料电池的健康状态值，精确预测燃料电池当前的健康状态，实现在行车工况下对燃料电池的实时监测。

S309、获取燃料电池在运行工况期间内的行为；行为至少包括启动、停止、变载和故障急停；

继续参考图3所示，可选的，获取燃料电池在运行工况期间内的行为之后，还包括以下步骤：

S310、将燃料电池在运行工况期间的各个行为采用数据化的方式进行标记；其中，行为被标记的具体数据可根据行为对燃料电池的电压衰减的影响等级进行设定；不同数据表述不同的影响等级。

其中，数据化指一种量化的模式，例如燃料电池在运行工况期间无行为则用二进制数字0000表示，启动用二进制数字0001表示，停止用二进制数字0010 表示，变载用二进制数字0011表示，故障急停用二进制数字0100表示，具体数据化的标记方式，本发明实施例不进行限定。

燃料电池的电压衰减指燃料电池的输出电压减小，例如可以是相同功率下电压的下降、单体的不均衡性或最低单体电压数的增加等，都将影响到燃料电池的电压衰减。

具体的，将燃料电池在运行工况期间的各个行为通过数据化的方式进行标记，被标记的具体数据可根据行为对燃料电池的电压衰减的影响等级进行设定，例如被标记的具体数据值越大，则代表行为对燃料电池的电压衰减的影响越大。如此可根据被标记的具体数据的大小判断行为对燃料电池的电压衰减的影响，便于燃料电池系统根据各个行为被标记的具体数据进行分析处理，进而建立更符合实际情况的训练模型，提高训练模型的目标精确度。

S311、根据时间、健康状态值和行为训练长短期记忆神经网络模型；并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。

可选的，根据长短期记忆神经网络模型预测燃料电池的剩余寿命，包括：根据长短期记忆神经网络模型获取燃料电池的失效阈值；根据长短期记忆神经网络模型确定运行至失效阈值时燃料电池的运行时长，并根据运行时长确定燃料电池的剩余寿命。

其中，失效阈值指燃料电池在运行工况期间最低输出电压值，例如可以是燃料电池的出厂设定值，具体可以为燃料电池额定输出电压的20％。当燃料电池在运行工况期间输出的电压达到失效阈值时，燃料电池将无法继续使用。

运行时长是指燃料电池从出厂后开始启动运行的时刻，运行至燃料电池输出的电压达到失效阈值的时刻所经历的时间。

具体的，根据长短期记忆神经网络模型可获取燃料电池的失效阈值，并可根据长短期记忆神经网络模型计算得出燃料电池运行至失效阈值时的运行时长，进而确定燃料电池的剩余使用寿命。采用长短期记忆神经网络模型进行时间序列数据处理，精确获取失效阈值和运行时长，达到对燃料电池剩余使用寿命的精确预测。

图4为本发明实施例提供的一种基于行为的长短期记忆神经网络模型训练流程图，图5为本发明实施例提供的另一种基于行为的长短期记忆神经网络模型训练流程图，结合如图4和图5所示，根据时间、健康状态值和行为训练长短期记忆神经网络模型，包括以下步骤：

S401、将健康状态值的时间序列以及不同时刻的行为输入至长短期记忆神经网络模型；

具体的，获取融合健康指标HI计算得出燃料电池的健康状态值以及燃料电池在运行工况期间的不同时刻的各个行为，将两者作为长短期记忆神经网络模型的输入，对长短期记忆神经网络模型进行训练。

S402、对长短期记忆神经网络模型进行训练使其模拟燃料电池的运行工况。

具体的，如图5所示，对长短期记忆神经网络模型中的网络参数和权重进行设置，并基于梯度下降法更新权重，直至获得目标精确的训练模型，此时完成网络模型训练。

经过训练后的长短期记忆神经网络模型可以形成燃料电池的模型，其运行工况和工作状态逼近燃料电池实际情况。则根据长短期记忆神经网络模型可获取燃料电池的失效阈值，并可根据长短期记忆神经网络模型计算得出燃料电池运行至失效阈值时的运行时长，进而精准确定燃料电池的剩余使用寿命。

基于同一思路，本发明还提供了一种燃料电池的剩余寿命预测装置，如图 6所示，图6为本发明实施例提供的一种燃料电池的剩余寿命预测装置结构示意图，该装置包括：参数获取模块601，用于获取燃料电池在运行工况期间的参数数据；参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度；指标拟合模块602，用于根据参数数据获取融合健康指标；并根据融合健康指标获取燃料电池的健康状态值；行为获取模块603，用于获取燃料电池在运行工况期间内的行为；行为至少包括启动、停止、变载和故障急停；模型训练模块604，用于根据时间、健康状态值和行为训练长短期记忆神经网络模型；寿命预测模块605，用于根据长短期记忆神经网络模型预测燃料电池的剩余寿命。

本发明实施例中，通过设置参数获取模块获取燃料电池在运行工况期间的参数数据；指标拟合模块根据参数数据获取融合健康指标，并根据融合健康指标获取燃料电池的健康状态值；行为获取模块获取燃料电池在运行工况期间内的行为；模型训练模块根据时间、健康状态值和行为训练长短期记忆神经网络模型；寿命预测模块根据长短期记忆神经网络模型预测燃料电池的剩余寿命。实现在行车动态工况下，基于融合健康指标和行为对燃料电池剩余使用寿命的精准预测。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。