一种基于迁移学习的质子交换膜燃料电池故障诊断方法

本发明公开了一种基于迁移学习的质子交换膜燃料电池故障诊断方法，首先基于已有的高维大量PEMFC有标签数据，对应了正常和不同故障种类，将其作为均匀流形逼近与投影算法UMAP输入，提取高维数据中的关键成分，然后将大量降维后的数据作为源数据输入到TimesNet模型诊断框架中预训练模型，然后利用当前目标域PEMFC采集的少量有标签高维数据通过迁移学习方法将TimesNet模型进行微调，得到经过迁移后的最终诊断模型，最后将各传感器采集到的目标域无标签数据输入到经过最终诊断模型中，对新采集的PEMFC特征数据进行诊断。本发明可以解决诊断对象数据量稀缺的问题，可以实现在现有数据集较少时对目标域PEMFC的诊断，提高了PEMFC诊断效率，具有较好的应用前景。