该成果提出的燃料电池水故障诊断方法的数据是从燃料电池系统中获取的系统处于正常、不同程度的膜干、水淹（轻微膜干、膜干、轻微水淹、水淹）状态下的一维输出电压数据。

   首先基于先验知识的特征提取涉及到的是：将一维时间序列的电压信号数据进行分割，计算每个时间序列的平均值、标准差、均方根、裕度、峰度、偏度、范围、形状因子八个统计学特征值，得到一个N*8特征矩阵；然后采用格拉姆角场方法，获得时间序列数据的图像表示。

   基于迁移学习的数据驱动特征提取是通过采用深度学习的ResNet-101模型，对燃料电池水状态格拉姆角场图像进行全连接层特征向量的提取，共计2048维。通过PCA算法，保留98%的特征信息，避免数据驱动特征和统计学特征数量的不平衡。特征融合是将降维特征向量矩阵N*Q与统计学特征N*8进行融合，即N*(Q+8),得到融合的特征向量矩阵。

   最后进行离线训练，将经过融合的特征向量矩阵输入至支持向量机（SVM）分类器中进行训练的过程，最终得到一个可以对燃料电池水状态进行分类的SVM分类器。在离线训练过程中，通过交叉验证方法对模型的超参数进行调优，以提高模型的性能和泛化能力。