KR102231155B1 - Method and apparatus for detecting fault of fuel cell system based on subsystem level - Google Patents
Method and apparatus for detecting fault of fuel cell system based on subsystem level Download PDFInfo
- Publication number
- KR102231155B1 KR102231155B1 KR1020190112547A KR20190112547A KR102231155B1 KR 102231155 B1 KR102231155 B1 KR 102231155B1 KR 1020190112547 A KR1020190112547 A KR 1020190112547A KR 20190112547 A KR20190112547 A KR 20190112547A KR 102231155 B1 KR102231155 B1 KR 102231155B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- residual
- stack
- failure
- characteristic
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04664—Failure or abnormal function
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
연료전지 시스템의 고장 검출 방법 및 장치가 개시된다. 연료전지 시스템의 고장 검출 방법은 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 단계, 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값을 산출하는 단계 및 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 서브 시스템들 중 고장이 발생한 서브 시스템을 검출하는 단계를 포함할 수 있다.Disclosed is a method and apparatus for detecting failure of a fuel cell system. A method of detecting a failure of a fuel cell system includes predicting a characteristic value for each of a plurality of subsystems constituting the fuel cell system, calculating a residual value for each of the subsystems based on the characteristic value and the measured value, and It may include the step of detecting a faulty sub-system among the sub-systems using residual values of the sub-systems and a classifier.
Description
아래의 설명은 연료전지 시스템의 고장을 검출하는 기술에 관한 것이다.The following description relates to a technology for detecting a failure of a fuel cell system.
연료전지 시스템은 연료가 가지고 있는 화학 에너지를 전기 에너지로 변환시키는 발전 시스템이다. 연료전지 시스템은 복수의 서브 시스템들로 구성될 수 있는데, 연료전지 시스템을 구성하는 복수의 서브 시스템들은 스택, 공기 공급 장치, 열 관리 장치, 연료 공급 장치, 물 관리 장치 및 전력 변환기와 제어기 등을 포함할 수 있다. 서브 시스템들 중에서 스택을 제외한 서브 시스템들을 주변 운전장치라고도 지칭될 수 있는데, 스택과 주변 운전장치 각각은 연료전지 시스템 내에서의 기능과 역할이 상이하다. 따라서, 연료전지 시스템에서 고장이 발생한 경우, 스택 또는 주변 운전장치 중 어느 것에서 고장이 발생하였는지에 따라 고장에 대한 대처 방법 또한 달라질 수 있다. 그렇기 때문에, 연료전지 시스템을 구성하는 서브 시스템들 중에서 어느 서브 시스템에서 고장이 발생하였는지를 판단하는 기술을 위한 연구가 필요한 실정이다.The fuel cell system is a power generation system that converts chemical energy possessed by fuel into electrical energy. The fuel cell system may be composed of a plurality of subsystems, and the plurality of subsystems constituting the fuel cell system include a stack, an air supply device, a thermal management device, a fuel supply device, a water management device, and a power converter and controller. Can include. Among the subsystems, sub-systems other than the stack may also be referred to as a peripheral driving device. Each of the stack and the peripheral driving device has different functions and roles in the fuel cell system. Accordingly, when a failure occurs in the fuel cell system, a countermeasure method for the failure may also vary depending on whether the failure occurs in the stack or the peripheral driving device. Therefore, it is necessary to research a technology for determining which sub-system has a failure among sub-systems constituting the fuel cell system.
일 실시예에 따른 연료전지 시스템의 고장 검출 방법은 상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 단계; 상기 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값(residual value)을 산출하는 단계; 및 상기 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 검출하는 단계를 포함할 수 있다.A method for detecting a failure of a fuel cell system according to an embodiment includes: predicting a characteristic value for each of a plurality of subsystems constituting the fuel cell system; Calculating a residual value for each of the subsystems based on the characteristic value and the measured value; And detecting a sub-system in which a failure has occurred among the sub-systems using residual values of the sub-systems and a classifier.
상기 검출하는 단계는, 상기 각 서브 시스템들에 대한 잔차 값과 상기 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 상기 서브 시스템들에 대한 잔차 패턴 값을 결정하는 단계를 포함할 수 있다.The detecting may include determining a residual pattern value for the subsystems based on a comparison result between a residual value for each of the subsystems and a threshold value corresponding to each of the subsystems.
상기 검출하는 단계는, 상기 잔차 패턴 값을 입력으로 하는 상기 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하는 단계; 및 상기 획득한 분류 패턴을 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 결정하는 단계를 포함할 수 있다.The detecting may include obtaining a classification pattern value for detecting a failure using the classifier receiving the residual pattern value as an input; And determining a sub-system in which a failure has occurred among the sub-systems by using the obtained classification pattern.
상기 분류기는, 인공 신경망(Artificial Neural Network: ANN), 서포트 벡터 머신(Support Vector Machine: SVM), 선형 회귀식, 일반회귀 신경망(General Regression Neural Network: GRNN) 및 앙상블 회귀의 기계 학습법(Machine Learning) 중 적어도 하나에 기초하여 상기 분류 패턴 값을 획득할 수 있다.The classifier includes an artificial neural network (ANN), a support vector machine (SVM), a linear regression equation, a general regression neural network (GRNN), and a machine learning method of ensemble regression. The classification pattern value may be obtained based on at least one of.
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값에 기초하여 설정될 수 있다.The threshold value may be set based on a standard deviation value of a residual value calculated in a state in which each of the subsystems is normal.
상기 임계 값은, 상기 표준편차 값의 정수 배수의 값을 가질 수 있다.The threshold value may have a value of an integer multiple of the standard deviation value.
상기 특성 값을 예측하는 단계는, 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀의 기계 학습법 중 적어도 하나를 포함하는 기계 학습법을 이용하여 상기 특성 값을 예측하는 단계를 포함할 수 있다.The predicting of the feature value may include predicting the feature value using a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and a machine learning method of ensemble regression. I can.
상기 특성 값을 예측하는 단계는, 상기 연료전지 시스템에 포함된 센서의 측정 값과 제어 신호를 이용하여 상기 특성 값을 예측하는 단계를 포함할 수 있다.The predicting of the characteristic value may include predicting the characteristic value using a measurement value and a control signal of a sensor included in the fuel cell system.
상기 특성 값은, 상기 각 서브 시스템을 대표하는 특성 값으로서 상기 서브 시스템 내의 컴포넌트 및 엘리먼트 중 적어도 하나에서 발생한 고장에 대한 증상이 나타날 수 있는 값이고, 상기 서브 시스템의 출력 변수 및 입출력 변수 중 적어도 하나로 환산된 효율식, 열전달율 및 무차원 계수 중 적어도 하나를 포함할 수 있다.The characteristic value is a characteristic value representing each of the subsystems, and is a value capable of displaying a symptom of a failure occurring in at least one of components and elements in the subsystem, and is at least one of an output variable and an input/output variable of the subsystem. It may include at least one of the converted efficiency formula, heat transfer rate, and dimensionless coefficient.
상기 잔차 값을 산출하는 단계는, 상기 각 서브 시스템들에 대한 잔차 값에 대하여 정규화를 수행하는 단계를 포함할 수 있다.Calculating the residual value may include performing normalization on the residual values for each of the subsystems.
상기 정규화를 수행하는 단계는, 상기 각 서브 시스템들의 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한 잔차 값에서 잔차 최솟값을 뺀 값의 비율을 산출하여 상기 정규화를 수행하는 단계를 포함할 수 있다.The performing of the normalization may include performing the normalization by calculating a ratio of a value obtained by subtracting a minimum residual value from a residual value to a value obtained by subtracting the minimum residual value from the maximum residual value of each of the subsystems.
일 실시예에 따른 연료전지 시스템의 고장 검출 방법을 수행하는 고장 검출 장치는, 상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 예측부; 상기 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값을 산출하는 산출부; 및 상기 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 검출하는 고장 검출부를 포함할 수 있다.A failure detection apparatus for performing a failure detection method of a fuel cell system according to an exemplary embodiment includes: a prediction unit predicting characteristic values for each of a plurality of sub-systems constituting the fuel cell system; A calculation unit that calculates a residual value for each of the subsystems based on the characteristic value and the measured value; And a failure detection unit for detecting a sub-system in which a failure has occurred among the sub-systems by using residual values of the sub-systems and a classifier.
상기 고장 검출부는, 상기 각 서브 시스템들에 대한 잔차 값과 상기 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 상기 서브 시스템들에 대한 잔차 패턴 값을 결정할 수 있다.The failure detection unit may determine a residual pattern value for the subsystems based on a comparison result between a residual value for each of the subsystems and a threshold value corresponding to each of the subsystems.
상기 고장 검출부는, 상기 잔차 패턴 값을 입력으로 하는 상기 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하고, 상기 획득한 분류 패턴을 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 결정할 수 있다.The failure detection unit may obtain a classification pattern value for failure detection using the classifier that receives the residual pattern value as an input, and determine a sub-system in which a failure has occurred among the sub-systems using the obtained classification pattern. have.
상기 분류기는 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀의 기계 학습법 중 적어도 하나를 포함하는 기계 학습법에 기초하여 상기 분류 패턴 값을 획득할 수 있다.The classifier may obtain the classification pattern value based on a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and a machine learning method of ensemble regression.
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값에 기초하여 설정될 수 있다.The threshold value may be set based on a standard deviation value of a residual value calculated in a state in which each of the subsystems is normal.
상기 임계 값은, 상기 표준편차 값의 정수 배수의 값을 가질 수 있다.The threshold value may have a value of an integer multiple of the standard deviation value.
상기 예측부는, 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀의 기계 학습법 중 적어도 하나를 포함하는 기계 학습법을 이용하여 상기 특성 값을 예측할 수 있다.The predictor may predict the feature value using a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and a machine learning method of ensemble regression.
상기 예측부는, 상기 연료전지 시스템에 포함된 센서의 측정 값을 이용하여 상기 특성 값을 예측할 수 있다.The predictor may predict the characteristic value using a measured value of a sensor included in the fuel cell system.
상기 산출부는, 상기 각 서브 시스템들에 대한 잔차 값에 대하여 정규화를 수행할 수 있다.The calculator may normalize residual values for each of the subsystems.
상기 산출부는, 상기 각 서브 시스템들의 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한 잔차 값에서 잔차 최솟값을 뺀 값의 비율을 산출하여 상기 정규화를 수행할 수 있다.The calculation unit may perform the normalization by calculating a ratio of a value obtained by subtracting the minimum residual value from the maximum residual value of each of the subsystems, by subtracting the minimum residual value from the residual value.
다른 실시예에 따른 연료전지 시스템의 고장 검출 방법을 수행하는 고장 검출 장치는, 해석적 중첩식을 이용하여 상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 예측부; 상기 예측된 특성 값 및 센서들에 의해 측정된 측정 값에 기초하여 각 서브 시스템들에 대응하는 잔차 값을 산출하고, 산출된 잔차 값들을 정규화하는 산출부; 및 상기 정규화된 잔차 값들에 기초하여 고장이 발생한 서브 시스템을 검출하는 고장 검출부를 포함할 수 있다.A fault detection apparatus for performing a fault detection method of a fuel cell system according to another embodiment includes: a prediction unit predicting characteristic values of each of a plurality of subsystems constituting the fuel cell system using an analytical superposition equation; A calculation unit that calculates a residual value corresponding to each of the subsystems based on the predicted characteristic value and a measured value measured by sensors, and normalizes the calculated residual values; And a failure detection unit detecting a subsystem in which a failure has occurred based on the normalized residual values.
일 실시 예에 따르면, 연료전지 시스템 내에서 어느 서브 시스템에서 고장이 발생하였는지를 용이하게 진단할 수 있다.According to an embodiment, it is possible to easily diagnose which subsystem in the fuel cell system has a failure.
일 실시예에 따르면, 연료전지 시스템 내에서 어느 서브 시스템에서 고장이 발생하였는지를 진단할 수 있어, 사용자 또는 관리자가 고장의 발생에 따른 적합한 조치를 취할 수 있다.According to an embodiment, it is possible to diagnose which subsystem in the fuel cell system has a failure, so that a user or an administrator can take appropriate measures according to the occurrence of the failure.
일 실시예에 따르면, 연료전지 시스템의 서브 시스템 별 고장 검출 단계에서 스택의 손상을 초래하는 주변 운전장치의 갑작스러운 고장뿐만 아니라, 당장에 영향이 미미한 초기 고장을 미리 발견하고, 이에 대한 조치를 취함으로써, 연료전지 시스템의 장기 신뢰성을 향상시키는 데에 기여할 수 있다.According to an embodiment, in the step of detecting the failure of each subsystem of the fuel cell system, not only sudden failures of peripheral driving devices that cause damage to the stack, but also initial failures that have little effect immediately are detected in advance, and measures are taken. By doing so, it can contribute to improving the long-term reliability of the fuel cell system.
일 실시예에 따르면 연료전지의 성능 및 내구성의 향상을 도모할 수 있다.According to an embodiment, it is possible to improve performance and durability of a fuel cell.
일 실시예에 따르면 연료전지의 성능 및 내구성의 향상을 도모함으로써, 가정용/건물용 및 자동차용 연료전지 상용화의 필수 요구사항인, 시스템 안정화를 도모할 수 있다.According to an embodiment, by improving the performance and durability of the fuel cell, it is possible to achieve system stabilization, which is an essential requirement for commercialization of fuel cells for home/building and automobiles.
일 실시예에 따르면 연료전지 상용화의 필수 요구사항인, 시스템 안정화를 도모하기 위한 핵심 기술로서, 높은 시장성을 가질 수 있다.According to an embodiment, as a core technology for promoting system stabilization, which is an essential requirement for commercialization of fuel cells, it can have high marketability.
도 1은 일 실시예에 따른 연료전지 시스템에 대한 고장 검출 시스템의 전체적인 개요를 도시하는 도면이다.
도 2는 일 실시예에 따른 연료전지 시스템의 고장 검출 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 연료전지 시스템의 구성을 도시하는 도면이다.
도 4는 일 실시예에 따른 서브 시스템 별 특성 값에 기초하여 잔차 값을 산출하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 잔차 패턴 값 및 분류 패턴 값에 기초하여 연료전지 시스템의 고장 진단 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 고장 검출 장치의 구성을 도시하는 도면이다.1 is a diagram illustrating an overview of a failure detection system for a fuel cell system according to an exemplary embodiment.
2 is a flowchart illustrating a method of detecting a failure of a fuel cell system according to an exemplary embodiment.
3 is a diagram illustrating a configuration of a fuel cell system according to an exemplary embodiment.
4 is a diagram for describing a method of calculating a residual value based on a characteristic value for each subsystem according to an exemplary embodiment.
5 is a diagram illustrating a method for diagnosing a failure of a fuel cell system based on a residual pattern value and a classification pattern value, according to an exemplary embodiment.
6 is a diagram showing the configuration of a failure detection apparatus according to an embodiment.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for the purpose of illustration only, and may be changed and implemented in various forms. Accordingly, the embodiments are not limited to a specific disclosure form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical idea.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 또한, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.Terms such as first or second may be used to describe various components, but these terms should be interpreted only for the purpose of distinguishing one component from other components. In addition, when a component is referred to as being "connected" to another component, it is to be understood that it may be directly connected or connected to the other component, but other components may exist in the middle.
단수의 표현은 달리 명시되지 않는 한 일반적으로 "하나 이상의"를 의미하는 것으로 해석되어야 한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Expressions in the singular are to be construed as meaning "one or more" in general, unless otherwise specified. In the present specification, terms such as "comprise" or "have" are intended to designate that the described features, numbers, steps, actions, components, parts, or combinations thereof exist, but one or more other features or numbers, It is to be understood that the possibility of addition or presence of steps, actions, components, parts, or combinations thereof is not preliminarily excluded.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.In addition, unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the relevant technical field. Terms as defined in a commonly used dictionary should be construed as having a meaning consistent with the meaning of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in the present specification. Does not.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다. Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. In the description with reference to the accompanying drawings, the same reference numerals are assigned to the same components regardless of the reference numerals, and redundant descriptions thereof will be omitted.
도 1은 일 실시예에 따른 연료전지 시스템에 대한 고장 검출 시스템의 전체적인 개요를 도시하는 도면이다.1 is a diagram illustrating an overview of a failure detection system for a fuel cell system according to an exemplary embodiment.
연료전지 시스템에 대한 고장 검출 시스템은 연료전지 시스템(110)의 고장을 검출하고 정확한 고장의 원인을 진단하기 위하여, 연료전지 시스템(110)에서 고장이 발생한 서브 시스템을 검출할 수 있다. 연료전지 시스템에 대한 고장 검출 시스템은 고장이 검출된 서브 시스템을 연료전지 시스템(110)의 고장 원인으로 한정 짓고, 서브 시스템에 포함된 컴포넌트 및 엘리먼트 중 적어도 하나에 대해 탑-다운(top-down) 방식으로 접근하여 세분화된 고장 진단을 수행할 수 있다.The failure detection system for the fuel cell system may detect a subsystem in which a failure occurs in the
도 1을 참조하면 일 실시예에서, 연료전지 시스템에 대한 고장 검출 시스템은 연료전지 시스템(110) 및 고장 검출 장치(120)를 포함할 수 있다. 일 실시예에서 고장 검출 장치(120)는 연료전지 시스템(110)으로부터 측정 값을 수집할 수 있다. 고장 검출 장치(120)는 각 서브 시스템들에 대응하는 측정 값에 기초하여 각 서브 시스템들에 대한 특성 값을 예측할 수 있다. 특성 값은, 각 서브 시스템을 대표하는 특성 값으로서 서브 시스템 내의 컴포넌트 및 엘리먼트 중 적어도 하나에서 발생한 고장에 대한 증상이 나타날 수 있는 값일 수 있다. 예를 들어, 특성 값은 서브 시스템의 출력 변수 및 입출력 변수 중 적어도 하나로 환산된 효율식, 열전달율 및 무차원 계수 중 적어도 하나를 포함할 수 있다.Referring to FIG. 1, in an embodiment, a failure detection system for a fuel cell system may include a
또한, 고장 검출 장치(120)는 측정 값과 특성 값의 차에 대한 절댓값에 기초하여 잔차 값을 산출할 수 있다. 고장 검출 장치(120)는 잔차 값과 임계 값 간의 비교 결과에 기초하여 잔차 패턴 값을 결정할 수 있고, 잔차 패턴 값을 분류기에 입력하여 서브 시스템의 고장 검출을 위한 분류 패턴 값을 획득할 수 있다. 고장 검출 장치(120)는 분류 패턴을 통해 분류 패턴에 대응하는 서브 시스템에 대한 고장 여부를 진단할 수 있다.In addition, the
예를 들어, 고장 검출 장치(120)는 스택의 고장 여부를 판단하기 위하여, 공정 상태에 따른 전압과 전류의 관계를 이용할 수 있다. 또한, 고장 검출 장치(120)는 공기 공급 장치를 통해 예상되는 공기량의 변화로 서브 시스템의 고장을 검출할 수 있다. 고장 검출 장치(120)는 물 관리 장치에 연동된 시스템의 모니터링 변수를 이용하여 물 관리 장치의 고장을 검출할 수 있고, 각 시스템의 제어를 위한 측정 변수, 제어 신호 및 추가되는 모니터링 신호를 통해 연료 공급 장치의 고장을 검출할 수 있다.For example, the
고장 검출 장치(120)는 실시예에 따라, 고장이 발생한 것으로 결정된 서브 시스템에 대하여, 서브 시스템이 포함하는 컴포넌트 또는 컴포넌트 및 엘리먼트에 대하여서도 탑-다운 흐름으로 고장 검출을 수행할 수 있다.According to an embodiment, the
예를 들어, 고장 검출 장치(120)는 고장이 발생한 서브 시스템에 포함되는 컴포넌트들 중에서 고장의 원인이 되는 컴포넌트를 검출할 수 있다. 고장 검출 장치(120)는 측정 값을 이용하여, 고장이 발생한 서브 시스템에 포함되는 상위 컴포넌트들 중에서 고장의 원인이 되는 상위 컴포넌트를 검출할 수 있다. 또한, 실시예에 따라 고장 검출 장치(120)는 고장의 원인이 되는 상위 컴포넌트에 포함된 하나 이상의 하위 컴포넌트 중에서, 고장의 원인이 되는 하위 컴포넌트를 검출할 수도 있다.For example, the
고장 검출 장치(120)는 공기 공급 장치에 고장이 발생한 것으로 판단된 경우에, 공기량, 제어 신호 및 압력 신호 중 적어도 하나를 이용하여, 블로어(blower)(압축기), 센서(sensor), 라인(line)(배관), 필터(filter) 등을 포함하는 컴포넌트의 고장 여부를 결정할 수 있다.When it is determined that a failure has occurred in the air supply device, the
고장 검출 장치(120)는 열 관리 장치에 고장이 발생한 것으로 판단된 경우에, 제어를 위한 구동 펌프와 밸브, 센서 및 열교환기에 대한 고장을 검출할 수 있다.When it is determined that a failure has occurred in the thermal management device, the
고장 검출 장치(120)는 고장의 원인이 되는 상위 컴포넌트 또는 하위 컴포넌트 중 어느 하나에 포함된 하나 이상의 엘리먼트 중에서, 고장의 원인이 되는 엘리먼트를 검출할 수 있다.The
이하에서는, 도면들을 참조하여 연료전지 시스템의 고장 검출 방법을 보다 자세히 설명한다.Hereinafter, a method of detecting a failure of a fuel cell system will be described in more detail with reference to the drawings.
도 2는 일 실시예에 따른 연료전지 시스템의 고장 검출 방법을 설명하기 위한 흐름도이다.2 is a flowchart illustrating a method of detecting a failure of a fuel cell system according to an exemplary embodiment.
도 2를 참조하면, 단계(210)에서 고장 검출 장치는 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측할 수 있다. 일 실시예에서 고장 검출 장치는 해석적 중첩식과 연료전지 시스템에 포함된 센서로부터 획득한 측정 값에 기초하여 특성 값을 예측할 수 있다. 여기서 해석적 중첩식은 특성이나 위치가 다른 센서의 측정 값과 제어 신호에 기초하여 특정 측정 값을 예측할 수 있는 식을 의미할 수 있다. 또한, 해석적 중첩식으로 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 중 적어도 하나를 포함하는 기계 학습법이 사용될 수 있다. 고장 검출 장치는 해석적 중첩식을 통해 다양한 회귀모델식 중 적어도 하나를 이용하여 특성 값을 예측할 수 있다.Referring to FIG. 2, in
단계(220)에서 고장 검출 장치는 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값을 산출할 수 있다.In
일 실시예에서 고장 검출 장치는 특성 값에서부터 측정 값을 뺀 값의 절댓값을 잔차 값으로 산출할 수 있다. 또한, 고장 검출 장치는 각 서브 시스템들에 대한 잔차 값에 대하여 정규화를 수행할 수 있다. 예를 들어, 고장 검출 장치는 각 서브 시스템들에서 정상상태의 운전자료에서 구한 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한, 잔차 값에서 잔차 최솟값을 뺀 값의 비율을 산출하여 정규화를 수행할 수 있다. 잔차 최대값과 최소값은 정상상태에서 구한 표준편차의 배수에 기초하여 계산될 수 있다. 고장 검출 장치는 잔차 값에 대하여 정규화를 수행함으로써, 서로 다른 고장에 대해 상대적으로 같은 크기를 같도록 할 수 있다. 잔차 값에 대한 정규화 방법은 다음과 같이 수학식으로 표현될 수 있다.In an embodiment, the fault detection apparatus may calculate an absolute value of a value obtained by subtracting a measured value from a characteristic value as a residual value. In addition, the fault detection apparatus may normalize residual values for each of the subsystems. For example, the fault detection apparatus may perform normalization by calculating a ratio of a value obtained by subtracting the minimum residual value from the residual value to a value obtained by subtracting the minimum residual value from the maximum residual value obtained from the driver's cost in a steady state in each of the subsystems. . The maximum and minimum residual values can be calculated based on multiples of the standard deviation obtained in the steady state. The fault detection apparatus may normalize the residual values so that different faults may have relatively the same size. The normalization method for the residual value can be expressed as an equation as follows.
수학식 1에서, Rmax는 잔차 최댓값을 나타내고, Rmin은 잔차 최솟값을 나타낸다. R는 잔차 값을 나타내고, 는 정규화된 잔차 값을 나타낸다. 이하 단계에서 설명되는 잔차 값들은 정규화된 잔차 값들을 나타낼 수 있다.In
단계(230)에서 고장 검출 장치는 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 서브 시스템들 중 고장이 발생한 서브 시스템을 검출할 수 있다. 일 실시예에서 고장 검출 장치는 각 서브 시스템들에 대한 잔차 값과 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 서브 시스템들에 대한 잔차 패턴 값을 결정할 수 있다. 여기서, 임계 값은 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값에 기초하여 설정될 수 있다. 예를 들어, 임계 값은 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값의 배수의 값이 될 수 있다.In
위 실시예에서, 고장 검출 장치는 일 서브 시스템에 대한 잔차 값과 임계 값에 대하여 비교를 수행할 수 있다. 고장 검출 장치는 잔차 값이 임계 값에 따른 허용 값을 벗어나는 패턴에 기초하여 잔차 패턴 값을 결정할 수 있다. 이때, 고장 검출 장치는 연료전지 시스템의 특성을 고려하여, 고장 심각도를 잔차 패턴에 반영할 수 있다.In the above embodiment, the fault detection apparatus may perform comparison on a residual value and a threshold value for one subsystem. The failure detection apparatus may determine a residual pattern value based on a pattern in which the residual value deviates from an allowable value according to a threshold value. In this case, the failure detection device may reflect the severity of the failure in the residual pattern in consideration of the characteristics of the fuel cell system.
고장 검출 장치는 잔차 패턴 값을 입력으로 하는 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득할 수 있다. 여기서, 분류기는 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 중 적어도 하나를 포함하는 기계 학습법에 기초하여 분류 패턴 값을 획득할 수 있다. 고장 검출 장치는 획득한 분류 패턴을 이용하여 서브 시스템들 중 고장이 발생한 서브 시스템을 결정할 수 있다.The fault detection apparatus may obtain a classification pattern value for fault detection by using a classifier that receives a residual pattern value as an input. Here, the classifier may obtain a classification pattern value based on a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and an ensemble regression. The failure detection apparatus may determine a sub-system in which a failure has occurred among sub-systems by using the acquired classification pattern.
도 3은 일 실시예에 따른 연료전지 시스템의 구성을 도시하는 도면이다.3 is a diagram illustrating a configuration of a fuel cell system according to an exemplary embodiment.
도 3을 참조하면 연료전지 시스템은 복수의 서브 시스템들(310)을 포함할 수 있다. 또한, 복수의 서브 시스템들(310)은 하나 이상의 컴포넌트(320 및 330)를 포함할 수 있는데, 여기서 컴포넌트는 상위 컴포넌트(320) 및 하위 컴포넌트(330)로 구성될 수 있다. 컴포넌트(320 및 330)가 상위 컴포넌트(320)와 하위 컴포넌트(330)로 구성된 경우, 상위 컴포넌트(320)는 하위 컴포넌트(330)를 포함할 수 있고, 하위 컴포넌트(330)는 하나 이상의 엘리먼트(340)를 포함할 수도 있다.Referring to FIG. 3, the fuel cell system may include a plurality of
일 실시예에서 서브 시스템들(310)은 연료 공급 장치, 스택, 전력 변환기/제어기, 공기 공급 장치, 물 관리 장치 및 열 관리 장치로 구성될 수 있다.In one embodiment, the
연료 공급 장치는 직접 수소를 사용하거나, 화석연료를 사용하여 수소로 변환하여 연료를 공급하는 기능을 수행할 수 있다. 스택은 전력을 생산하는 서브 시스템이고, 전력 변환기/제어기는 전력을 변환하고 제어를 수행하는 서브 시스템일 수 있다. 공기 공급 장치는 스택 부하에 연동하여 공기량을 제어하고, 물 관리 장치는 공기 공급 장치, 연료 공급 장치 또는 열 관리 장치 중 적어도 하나의 일부로, 가습기 중심으로 구성되어 공기나 연료의 습도를 조절할 수 있다. 열 관리 장치는 스택의 온도를 적정하게 유지하는 기능을 수행할 수 있다.The fuel supply device may perform a function of supplying fuel by directly using hydrogen or converting it to hydrogen using fossil fuel. The stack may be a subsystem that generates power, and the power converter/controller may be a subsystem that converts power and performs control. The air supply device controls the amount of air in connection with the stack load, and the water management device is a part of at least one of an air supply device, a fuel supply device, or a heat management device, and is configured as a humidifier to control the humidity of air or fuel. The thermal management device may perform a function of properly maintaining the temperature of the stack.
스택의 고장은 가역적인 경우와 비가역적인 경우로 구분될 수 있다. 스택의 가역적 고장은 드라잉(drying), 플러딩(flooding) 및 연료/공기 부족 등이 있으며 주로 주변 운전 장치에 의해 발생 할 수 있다. 비가역적 스택은 상위 컴포넌트(320)로 n개의 셀을 포함할 수 있고, 각각의 셀은 분리판(separator), MEA(Membrane-Electrode Assembly), GDL(Gas diffusion layer), 및 가스킷(gasket)의 하위 컴포넌트(330)를 포함할 수 있다. MEA는 전극(electrode)과 전해질(electrolyte)을 엘리먼트(340)로 포함할 수 있다.Stack failure can be divided into a reversible case and an irreversible case. The reversible failures of the stack include drying, flooding, and lack of fuel/air, which can be mainly caused by peripheral driving equipment. The irreversible stack may include n cells as the
공기공급장치는 상위 컴포넌트(320)로서 블로어(blower), 필터(filter), 센서(sensor) 및 배관 설비(line)을 포함할 수 있으며, 하위 컴포넌트로서 블로어에서 베어링, 회전장치등의 기계적인 고장과 전기적인 모터 고장을 포함할 수 있다. 열 관리 장치는 상위 컴포넌트(320)로 스택 배관부(stack line), 열교환기 및 열저장조 배관부(reservoir line)을 포함할 수 있다. 스택 배관부와 열저장조 배관부는 하위 컴포넌트(330)로 펌프(pump), 센서, 그리고 배관(pipe) 등을 포함할 수 있다.The air supply device may include a blower, a filter, a sensor, and a piping line as the
도 4는 일 실시예에 따른 서브 시스템 별 특성 값에 기초하여 잔차 값을 산출하는 방법을 설명하기 위한 도면이다.4 is a diagram for describing a method of calculating a residual value based on a characteristic value for each subsystem according to an exemplary embodiment.
도 4를 참조하면, 고장 검출 장치는 각 서브 시스템에 대한 특성 값 및 측정 값에 기초하여 각 서브 시스템에 대한 잔차 값을 산출할 수 있다.Referring to FIG. 4, the apparatus for detecting a failure may calculate a residual value for each subsystem based on a characteristic value and a measured value for each subsystem.
각 서브 시스템의 잔차 값은 서브 시스템내의 컴포넌트나 엘리먼트에서의 모든 고장에 대해 증상이 나타날 수 있는 값으로, 서브 시스템의 출력 변수나 입출력 변수로 환산된 효율식, 열전달율, 그리고 무차원 계수 등을 통해 산출될 수 있다.The residual value of each subsystem is a value that can cause symptoms for all failures in a component or element in the subsystem, through the efficiency equation converted to the output variable or input/output variable of the subsystem, heat transfer rate, and dimensionless coefficient. Can be calculated.
예를 들어, 고장 검출 장치는 스택에 대한 특성 값 및 측정 값에 기초하여 스택에 대한 잔차 값을 산출할 수 있다. 스택의 특성 값은 스택 전압의 특성 값이 될 수 있다. 스택의 특성 값은 스택 부하, 연료나 공기 유량, 온도, 압력 값 및 펌프나 블로어(또는 블로워) 등의 제어 신호를 입력으로 하여 산출될 수 있다. 스택의 잔차 값은 스택의 특성 값에서 스택의 측정 값을 뺀 값의 절댓값으로 할 수 있다.For example, the failure detection apparatus may calculate a residual value for the stack based on a characteristic value and a measured value for the stack. The characteristic value of the stack may be a characteristic value of the stack voltage. The characteristic value of the stack may be calculated by inputting a stack load, a fuel or air flow rate, a temperature, a pressure value, and a control signal such as a pump or a blower (or blower). The residual value of the stack can be the absolute value of the value obtained by subtracting the measured value of the stack from the characteristic value of the stack.
또한, 고장 검출 장치는 공기 공급 장치의 측정 및 제어 신호에 기초하여 공기 공급 장치에 대한 잔차 값을 산출할 수 있다. 공기 공급 장치의 특성 값은 공기 유량이나 압력이 될 수 있다. 공기 공급 장치의 특성 값은 제어 신호와 스택 부하를 입력 받아 산출될 수 있다. 공기 공급 장치의 잔차 값은 공기 공급 장치의 특성 값에서 공기 공급 장치의 측정 값을 뺀 값의 절댓값이 될 수 있다.In addition, the failure detection device may calculate a residual value for the air supply device based on the measurement and control signal of the air supply device. The characteristic value of the air supply can be either the air flow rate or the pressure. The characteristic value of the air supply device may be calculated by receiving a control signal and a stack load. The residual value of the air supply device may be an absolute value obtained by subtracting a measured value of the air supply device from the characteristic value of the air supply device.
물 관리 장치의 특성 값은 가습기 출구(또는 스택 입구)의 공기 온도나 가습기 효율이 될 수 있다. 물 관리 장치의 특성 값은 가습기 입출구의 온도, 공기 유량 및 스택 부하를 입력으로 하여 산출될 수 있다. 물 관리 장치의 잔차 값은 물 관리 장치의 특성 값에서 물 관리 장치의 측정 값을 뺀 값의 절댓값이 될 수 있다.The characteristic value of the water management device can be the air temperature at the outlet (or stack inlet) of the humidifier or the humidifier efficiency. The characteristic value of the water management device may be calculated by inputting the temperature of the humidifier inlet and outlet, the air flow rate, and the stack load. The residual value of the water management device may be an absolute value obtained by subtracting the measured value of the water management device from the characteristic value of the water management device.
열 관리 장치의 특성 값은 스택 라인 또는 냉각조 라인 냉각수 유량이나 열교환기의 열전달율이 될 수 있다. 열 관리 장치의 특성 값이 스택 라인인 경우, 열 관리 장치의 특성 값은 펌프 제어 신호를 입력으로 하여 산출될 수 있다. 열 관리 장치의 특성 값이 냉각조라인의 냉각수 유량인 경우, 열 관리 장치의 특성 값은 열교환기 입출구의 온도 및 스택 열 부하를 입력으로 하여 산출될 수 있다. 열 관리 장치의 특성 값이 열교환기의 열전달율인 경우, 열 관리 장치의 특성 값은 열교환기 입출구의 온도 및 스택 열 부하를 입력으로 하여 산출될 수 있다. 열 관리 장치의 잔차 값은 열 관리 장치의 특성 값에서 열 관리 장치의 측정 값을 뺀 값의 절댓값이 될 수 있다.The characteristic value of the thermal management device may be a flow rate of cooling water in a stack line or a cooling tank line, or a heat transfer rate of a heat exchanger. When the characteristic value of the thermal management device is a stack line, the characteristic value of the thermal management device may be calculated by inputting a pump control signal. When the characteristic value of the thermal management device is the flow rate of the cooling water in the cooling tank line, the characteristic value of the thermal management device may be calculated by inputting the temperature of the heat exchanger inlet and outlet and the stack heat load. When the characteristic value of the thermal management device is the heat transfer rate of the heat exchanger, the characteristic value of the thermal management device may be calculated by inputting the temperature of the inlet and outlet of the heat exchanger and the stack heat load. The residual value of the thermal management device may be an absolute value obtained by subtracting a measured value of the thermal management device from the characteristic value of the thermal management device.
연료 공급 장치의 특성 값은 연료 유량이 될 수 있다. 연료 공급 장치의 특성 값은 제어 신호와 연료 유량을 입력으로 하여 산출될 수 있다. 연료 공급 장치의 잔차 값은 연료 공급 장치의 특성 값에서 측정 값을 뺀 값의 절댓값이 될 수 있다.The characteristic value of the fuel supply device may be the fuel flow rate. The characteristic value of the fuel supply device may be calculated by inputting a control signal and a fuel flow rate. The residual value of the fuel supply device may be an absolute value of a value obtained by subtracting a measured value from the characteristic value of the fuel supply device.
도 5는 일 실시예에 따른 잔차 패턴 값 및 분류 패턴 값에 기초하여 연료전지 시스템의 고장 진단 방법을 설명하기 위한 도면이다.5 is a diagram illustrating a method for diagnosing a failure of a fuel cell system based on a residual pattern value and a classification pattern value, according to an exemplary embodiment.
도 5를 참조하면 연료전지 시스템이 정상인 경우와 각 서브 시스템에 고장이 발생하여 연료전지 시스템에 고장이 발생한 경우가 분류되어, 스택, 공기 공급 장치, 물 공급 장치, 열 공급 장치 및 연료 공급 장치의 잔차 값에 따른 잔차 패턴 값이 산출될 수 있다. 잔차 패턴 값은 분류기에 입력될 수 있고, 분류기는 잔차 패턴 값을 입력받아 연료전지 시스템의 고장이 발생한 서브 시스템을 검출하기 위한 분류 패턴 값을 산출할 수 있다.Referring to FIG. 5, a case in which a fuel cell system is normal and a case in which a failure in the fuel cell system occurs due to a failure in each sub-system is classified, and the stack, air supply device, water supply device, heat supply device, and fuel supply device are classified. A residual pattern value may be calculated according to the residual value. The residual pattern value may be input to a classifier, and the classifier may receive the residual pattern value and calculate a classification pattern value for detecting a subsystem in which a failure of the fuel cell system has occurred.
분류기는 인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 등의 기계 학습법 중 적어도 하나를 포함하는 회귀모델식을 통해 분류 패턴 값을 산출할 수 있다.The classifier may calculate a classification pattern value through a regression model equation including at least one of machine learning methods such as an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and an ensemble regression.
고장 검출 장치는 잔차 패턴 값과 분류기가 산출한 분류 패턴 값 및 기계 학습 분류 패턴 중 적어도 하나에 기초하여 연료전지 시스템에 고장이 발생한 경우, 세분화된 고장 진단을 수행할 수 있다.The failure detection apparatus may perform detailed failure diagnosis when a failure occurs in the fuel cell system based on at least one of a residual pattern value, a classification pattern value calculated by the classifier, and a machine learning classification pattern.
여기서, 잔차 패턴 값은 잔차 값이 임계 값을 벗어나는 패턴에 기초하여 결정될 수 있다. 예를 들어, 잔차 값이 임계 값보다 크거나 같은 경우에는 잔차 패턴 값이 1이 될 수 있고 잔차 값이 임계 값보다 작은 경우에는 잔차 패턴 값이 0이 될 수 있다.Here, the residual pattern value may be determined based on a pattern in which the residual value deviates from a threshold value. For example, when the residual value is greater than or equal to the threshold value, the residual pattern value may be 1, and when the residual value is less than the threshold value, the residual pattern value may be 0.
예를 들어, 서브 시스템들의 잔차 패턴 값은 모두 0으로 산출되고, 잔차 패턴 값을 입력 값으로 하여 분류기가 출력한 값은 '100000'이며, 기계 학습 분류 패턴이 1인 경우 고장 검출 장치는 연료전지 시스템에 고장이 발생하지 않은 정상 상태인 것으로 결정할 수 있다.For example, the residual pattern values of the subsystems are all calculated as 0, the value output by the classifier using the residual pattern value as an input value is '100000', and if the machine learning classification pattern is 1, the fault detection device is the fuel cell. It can be determined that the system is in a normal state where no failure has occurred.
스택의 잔차 패턴 값과 공기 공급 장치의 잔차 패턴 값이 1이고 스택과 공기 공급 장치를 제외한 다른 서브 시스템들의 잔차 패턴 값이 0이며, 잔차 패턴 값에 기초하여 분류기가 분류 패턴 값을 '010000'으로 산출한 경우, 잔차 패턴 값 분류 패턴 값 및 기계 학습 분류 패턴에 기초하여 고장 검출 장치는 스택에 고장이 발생한 것으로 결정할 수 있다. 보다 구체적으로, 고장 검출 장치는 이 경우, 공기 공급 장치와 스택에서 고장이 발생하여 스택에 고장이 발생한 것으로 검출된 것으로 결정할 수 있다.The residual pattern value of the stack and the residual pattern value of the air supply unit are 1, and the residual pattern value of the other subsystems excluding the stack and air supply unit is 0, and the classifier sets the classification pattern value to '010000' based on the residual pattern value. When calculated, the failure detection apparatus may determine that a failure has occurred in the stack based on the residual pattern value classification pattern value and the machine learning classification pattern. More specifically, in this case, the failure detection apparatus may determine that a failure occurred in the air supply apparatus and the stack and thus the failure occurred in the stack.
도 6은 일 실시예에 따른 고장 검출 장치의 구성을 도시하는 도면이다.6 is a diagram showing the configuration of a failure detection apparatus according to an embodiment.
도 6을 참조하면, 고장 검출 장치(600)는 본 명세서에서 설명한, 연료전지 시스템의 고장 검출 방법을 수행하는 고장 검출 장치에 대응할 수 있다. 일 실시예에서 고장 검출 장치(600)는 예측부(610), 산출부(620) 및 고장 검출부(630)를 포함할 수 있다.Referring to FIG. 6, the
예측부(610)는 하나 이상의 회귀모델식을 이용하여 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측할 수 있다. 예측부(610)는 연료전지 시스템에 포함된 센서로부터 측정된 측정 값에 기초하여 특성 값을 예측할 수 있다.The
산출부(620)는 특성 값 및 측정 값에 기초하여 특성 값 및 측정 값에 대응하는 서브 시스템들에 대한 잔차 값을 산출할 수 있다. 또한, 산출부(620)는 각 서브 시스템들의 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한 잔차 값에서 잔차 최솟값을 뺀 값의 비율을 산출하여 잔차 값에 대한 정규화를 수행할 수도 있다.The
고장 검출부(630)는 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 서브 시스템들 중 고장이 발생한 서브 시스템을 검출할 수 있다. 고장 검출부(630)는 고장이 발생한 서브 시스템을 검출하기 위하여, 각 서브 시스템들에 대한 잔차 값과 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 서브 시스템들에 대한 잔차 패턴 값을 결정할 수 있다. 고장 검출부(630)는 여기서 결정한 잔차 패턴 값을 입력으로 하는 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하고, 획득한 분류 패턴을 이용하여 서브 시스템들 중 어느 서브 시스템에서 고장이 발생하였는지를 결정할 수 있다.The
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the devices, methods, and components described in the embodiments are, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications executed on the operating system. Further, the processing device may access, store, manipulate, process, and generate data in response to the execution of software. For the convenience of understanding, although it is sometimes described that one processing device is used, one of ordinary skill in the art, the processing device is a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it may include. For example, the processing device may include a plurality of processors or one processor and one controller. In addition, other processing configurations are possible, such as a parallel processor.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may include a computer program, code, instructions, or a combination of one or more of these, configuring the processing unit to operate as desired or processed independently or collectively. You can command the device. Software and/or data may be interpreted by a processing device or, to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodyed in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operation of the embodiment, and vice versa.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described by the limited drawings, a person of ordinary skill in the art can apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order from the described method, and/or components such as systems, structures, devices, circuits, etc. described are combined or combined in a form different from the described method, or other components Alternatively, even if substituted or substituted by an equivalent, an appropriate result can be achieved.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and those equivalent to the claims also fall within the scope of the claims to be described later.
110: 연료전지 시스템 120, 600: 고장 검출 장치
310: 서브 시스템 320: 상위 컴포넌트
330: 하위 컴포넌트 340: 엘리먼트
610: 예측부 620: 산출부
630: 고장 검출부110:
310: subsystem 320: parent component
330: sub-component 340: element
610: prediction unit 620: calculation unit
630: fault detection unit
Claims (23)
상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 단계;
상기 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값(residual value)을 산출하는 단계; 및
상기 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 검출하는 단계를 포함하고,
상기 검출하는 단계는,
상기 잔차 값들에 기초하여 결정된 잔차 패턴 값을 입력으로 하는 상기 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하는 단계; 및
상기 획득한 분류 패턴 값을 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 결정하는 단계를 포함하고,
상기 고장이 발생한 서브 시스템을 결정하는 단계는, 상기 잔차 패턴 값 및 상기 분류 패턴 값에 특정 값이 포함된 경우, 상기 특정 값에 대응하는 서브 시스템에 고장이 발생한 것으로 결정하는 단계를 포함하고,
상기 검출하는 단계는,
각 서브 시스템들에서 정상상태의 운전자료에서 구한 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한, 상기 잔차 값에서 상기 잔차 최솟값을 뺀 값의 비율에 기초하여 정규화된 잔차 값을 획득하는 단계; 및
상기 정규화된 잔차 값과 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 서브 시스템들에 대한 상기 잔차 패턴 값을 결정하는 단계를 포함하고,
상기 잔차 최댓값과 상기 잔차 최솟값은 상기 정상상태에서 구한 표준편차의 배수에 기초하여 계산되고,
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값의 자연수 배수의 값을 가지고,
상기 잔차 패턴 값은 고장 심각도를 반영하고,
상기 잔차 값을 산출하는 단계는,
스택의 특성 값에서 상기 스택의 측정 값을 뺀 값의 절댓값을 상기 스택의 잔차 값으로 결정하는 단계;
공기 공급 장치의 특성 값에서 상기 공기 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 공기 공급 장치의 잔차 값으로 결정하는 단계;
물 관리 장치의 특성 값에서 상기 물 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 물 관리 장치의 잔차 값으로 결정하는 단계;
열 관리 장치의 특성 값에서 상기 열 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하는 단계; 및
연료 공급 장치의 특성 값에서 상기 연료 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하는 단계를 포함하고,
상기 스택의 특성 값은 상기 스택의 부하에 기초하여 산출된 상기 스택의 전압의 특성 값이고,
상기 공기 공급 장치의 특성 값은 제어 신호 및 상기 스택의 부하에 기초하여 산출된 공기 유량이고,
상기 물 관리 장치의 특성 값은 가습기 입출구의 온도 및 상기 스택의 부하에 기초하여 산출된 가습기 효율이고,
상기 열 관리 장치의 특성 값은 펌프 제어 신호 및 열교환기 입출구의 온도 및 스택의 열 부하에 기초하여 산출된 열교환기 전열계수이고,
상기 연료 공급 장치의 특성 값은 제어 신호에 기초하여 산출된 연료 유량인,
연료전지 시스템의 고장 검출 방법.In the fuel cell system failure detection method,
Predicting a characteristic value for each of a plurality of sub-systems constituting the fuel cell system;
Calculating a residual value for each of the subsystems based on the characteristic value and the measured value; And
Including the step of detecting a faulty sub-system among the sub-systems using residual values of the sub-systems and a classifier,
The detecting step,
Obtaining a classification pattern value for failure detection by using the classifier for inputting a residual pattern value determined based on the residual values; And
Including the step of determining a sub-system in which a failure has occurred among the sub-systems using the obtained classification pattern value,
The determining of the subsystem in which the failure has occurred includes determining that a failure has occurred in the subsystem corresponding to the specific value when a specific value is included in the residual pattern value and the classification pattern value,
The detecting step,
Obtaining a normalized residual value based on a ratio of a value obtained by subtracting the minimum residual value from the maximum residual value obtained from the driver's cost in a steady state in each of the subsystems, and a value obtained by subtracting the minimum residual value from the residual value; And
Determining the residual pattern value for the subsystems based on a comparison result between the normalized residual value and a threshold value corresponding to each subsystem,
The maximum residual value and the minimum residual value are calculated based on a multiple of the standard deviation obtained in the steady state,
The threshold value has a value of a natural multiple of the standard deviation value of the residual value calculated in a state in which each of the subsystems is normal,
The residual pattern value reflects the severity of the failure,
The step of calculating the residual value,
Determining an absolute value of a value obtained by subtracting the measured value of the stack from the characteristic value of the stack as a residual value of the stack;
Determining an absolute value obtained by subtracting the measured value of the air supply device from the characteristic value of the air supply device as a residual value of the air supply device;
Determining an absolute value obtained by subtracting the measured value of the water management device from the characteristic value of the water management device as a residual value of the water management device;
Determining an absolute value obtained by subtracting the measured value of the thermal management device from the characteristic value of the thermal management device as a residual value of the thermal management device; And
And determining an absolute value of a value obtained by subtracting the measured value of the fuel supply device from the characteristic value of the fuel supply device as a residual value of the thermal management device,
The characteristic value of the stack is a characteristic value of the voltage of the stack calculated based on the load of the stack,
The characteristic value of the air supply device is an air flow rate calculated based on a control signal and a load of the stack,
The characteristic value of the water management device is the humidifier efficiency calculated based on the temperature of the humidifier inlet and outlet and the load of the stack,
The characteristic value of the heat management device is a heat exchanger heat transfer coefficient calculated based on a pump control signal, a temperature at the inlet and outlet of the heat exchanger, and a heat load of the stack,
The characteristic value of the fuel supply device is a fuel flow rate calculated based on a control signal,
Fuel cell system failure detection method.
상기 분류기는,
인공 신경망(Artificial Neural Network: ANN), 서포트 벡터 머신(Support Vector Machine: SVM), 선형 회귀식, 일반회귀 신경망(General Regression Neural Network: GRNN) 및 앙상블 회귀 중 적어도 하나를 포함하는 기계 학습법에 기초하여 상기 분류 패턴 값을 획득하는,
연료전지 시스템의 고장 검출 방법.The method of claim 1,
The classifier,
Based on machine learning methods including at least one of Artificial Neural Network (ANN), Support Vector Machine (SVM), Linear Regression, General Regression Neural Network (GRNN), and ensemble regression. Obtaining the classification pattern value,
Fuel cell system failure detection method.
상기 특성 값을 예측하는 단계는,
인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 중 적어도 하나를 이용하여 상기 특성 값을 예측하는 단계
를 포함하는,
연료전지 시스템의 고장 검출 방법.The method of claim 1,
Predicting the characteristic value,
Predicting the feature value using at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and an ensemble regression
Containing,
Fuel cell system failure detection method.
상기 특성 값을 예측하는 단계는,
상기 연료전지 시스템에 포함된 센서의 측정 값과 제어 신호를 이용하여 상기 특성 값을 예측하는 단계
를 포함하는,
연료전지 시스템의 고장 검출 방법.The method of claim 7,
Predicting the characteristic value,
Predicting the characteristic value using a measurement value and a control signal of a sensor included in the fuel cell system
Containing,
Fuel cell system failure detection method.
상기 특성 값은,
각 서브 시스템을 대표하는 특성 값으로서 서브 시스템 내의 컴포넌트 및 엘리먼트 중 적어도 하나에서 발생한 고장에 대한 증상이 나타날 수 있는 값이고,
상기 서브 시스템의 출력 변수 및 입출력 변수 중 적어도 하나로 환산된 효율식, 열전달율 및 무차원 계수 중 적어도 하나를 포함하는,
연료전지 시스템의 고장 검출 방법.The method of claim 8,
The characteristic value is,
As a characteristic value representing each subsystem, it is a value that can cause symptoms of a failure occurring in at least one of the components and elements in the subsystem,
Including at least one of an efficiency equation converted to at least one of an output variable and an input/output variable of the subsystem, a heat transfer rate, and a dimensionless coefficient,
Fuel cell system failure detection method.
상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 예측부;
상기 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값을 산출하는 산출부; 및
상기 서브 시스템들에 대한 잔차 값들과 분류기를 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 검출하는 고장 검출부를 포함하고,
상기 고장 검출부는, 상기 잔차 값들에 기초하여 결정된 잔차 패턴 값을 입력으로 하는 상기 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하고, 상기 획득한 분류 패턴 값을 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 결정하고,상기 잔차 패턴 값 및 상기 분류 패턴 값에 특정 값이 포함된 경우, 상기 특정 값에 대응하는 서브 시스템에 고장이 발생한 것으로 결정하고,
상기 고장 검출부는, 각 서브 시스템들에서 정상상태의 운전자료에서 구한 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한, 상기 잔차 값에서 상기 잔차 최솟값을 뺀 값의 비율에 기초하여 정규화된 잔차 값을 획득하고, 상기 정규화된 잔차 값과 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 서브 시스템들에 대한 상기 잔차 패턴 값을 결정하고,
상기 잔차 최댓값과 상기 잔차 최솟값은 상기 정상상태에서 구한 표준편차의 배수에 기초하여 계산되고,
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값의 자연수 배수의 값을 가지고,
상기 잔차 패턴 값은 고장 심각도를 반영하고,
상기 산출부는,
스택의 특성 값에서 상기 스택의 측정 값을 뺀 값의 절댓값을 상기 스택의 잔차 값으로 결정하고,
공기 공급 장치의 특성 값에서 상기 공기 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 공기 공급 장치의 잔차 값으로 결정하고,
물 관리 장치의 특성 값에서 상기 물 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 물 관리 장치의 잔차 값으로 결정하고,
열 관리 장치의 특성 값에서 상기 열 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하고,
연료 공급 장치의 특성 값에서 상기 연료 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하고,
상기 스택의 특성 값은 상기 스택의 부하에 기초하여 산출된 상기 스택의 전압의 특성 값이고,
상기 공기 공급 장치의 특성 값은 제어 신호 및 상기 스택의 부하에 기초하여 산출된 공기 유량이고,
상기 물 관리 장치의 특성 값은 가습기 입출구의 온도 및 상기 스택의 부하에 기초하여 산출된 가습기 효율이고,
상기 열 관리 장치의 특성 값은 펌프 제어 신호 및 열교환기 입출구의 온도 및 스택의 열 부하에 기초하여 산출된 열교환기 전열계수이고,
상기 연료 공급 장치의 특성 값은 제어 신호에 기초하여 산출된 연료 유량인,
고장 검출 장치.In the fault detection apparatus for performing a fault detection method of a fuel cell system,
A prediction unit that predicts a characteristic value of each of a plurality of sub-systems constituting the fuel cell system;
A calculation unit that calculates a residual value for each of the subsystems based on the characteristic value and the measured value; And
A failure detection unit for detecting a sub-system in which a failure has occurred among the sub-systems by using residual values of the sub-systems and a classifier,
The failure detection unit acquires a classification pattern value for failure detection using the classifier that inputs a residual pattern value determined based on the residual values, and uses the obtained classification pattern value to obtain a failure among the subsystems. Determining the sub-system where this has occurred, and if a specific value is included in the residual pattern value and the classification pattern value, it is determined that a failure has occurred in the sub-system corresponding to the specific value,
The failure detection unit obtains a normalized residual value based on a ratio of a value obtained by subtracting the minimum residual value from the maximum residual value obtained from the driver's cost in a steady state in each of the subsystems, and a value obtained by subtracting the minimum residual value from the residual value. , Determining the residual pattern value for the subsystems based on a comparison result between the normalized residual value and a threshold value corresponding to each subsystem,
The maximum residual value and the minimum residual value are calculated based on a multiple of the standard deviation obtained in the steady state,
The threshold value has a value of a natural multiple of the standard deviation value of the residual value calculated in a state in which each of the subsystems is normal,
The residual pattern value reflects the severity of the failure,
The calculation unit,
The absolute value of the value obtained by subtracting the measured value of the stack from the characteristic value of the stack is determined as the residual value of the stack,
The absolute value of the value obtained by subtracting the measured value of the air supply device from the characteristic value of the air supply device is determined as the residual value of the air supply device,
An absolute value of a value obtained by subtracting the measured value of the water management device from the characteristic value of the water management device is determined as a residual value of the water management device,
An absolute value of a value obtained by subtracting the measured value of the thermal management device from the characteristic value of the thermal management device is determined as a residual value of the thermal management device,
An absolute value of a value obtained by subtracting the measured value of the fuel supply device from the characteristic value of the fuel supply device is determined as a residual value of the thermal management device,
The characteristic value of the stack is a characteristic value of the voltage of the stack calculated based on the load of the stack,
The characteristic value of the air supply device is an air flow rate calculated based on a control signal and a load of the stack,
The characteristic value of the water management device is the humidifier efficiency calculated based on the temperature of the humidifier inlet and outlet and the load of the stack,
The characteristic value of the heat management device is a heat exchanger heat transfer coefficient calculated based on a pump control signal, a temperature at the inlet and outlet of the heat exchanger, and a heat load of the stack,
The characteristic value of the fuel supply device is a fuel flow rate calculated based on a control signal,
Fault detection device.
상기 분류기는,
인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 중 적어도 하나를 포함하는 기계 학습법에 기초하여 상기 분류 패턴 값을 획득하는,
고장 검출 장치.The method of claim 13,
The classifier,
Obtaining the classification pattern value based on a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and an ensemble regression,
Fault detection device.
상기 예측부는,
인공 신경망, 서포트 벡터 머신, 선형 회귀식, 일반회귀 신경망 및 앙상블 회귀 중 적어도 하나를 포함하는 기계 학습법을 이용하여 상기 특성 값을 예측하는,
고장 검출 장치.The method of claim 13,
The prediction unit,
Predicting the feature value using a machine learning method including at least one of an artificial neural network, a support vector machine, a linear regression equation, a general regression neural network, and an ensemble regression,
Fault detection device.
상기 예측부는,
상기 연료전지 시스템에 포함된 센서의 측정 값을 이용하여 상기 특성 값을 예측하는,
고장 검출 장치.The method of claim 19,
The prediction unit,
Predicting the characteristic value using the measured value of the sensor included in the fuel cell system,
Fault detection device.
해석적 중첩식을 이용하여 상기 연료전지 시스템을 구성하는 복수의 서브 시스템들 각각에 대한 특성 값을 예측하는 예측부;
상기 예측된 특성 값 및 센서들에 의해 측정된 측정 값에 기초하여 각 서브 시스템들에 대응하는 잔차 값을 산출하고, 산출된 잔차 값들을 정규화하는 산출부; 및
상기 정규화된 잔차 값들에 기초하여 고장이 발생한 서브 시스템을 검출하는 고장 검출부를 포함하고,
상기 고장 검출부는, 상기 잔차 값들에 기초하여 결정된 잔차 패턴 값을 입력으로 하는 분류기를 이용하여 고장 검출을 위한 분류 패턴 값을 획득하고, 상기 획득한 분류 패턴 값을 이용하여 상기 서브 시스템들 중 고장이 발생한 서브 시스템을 결정하고, 상기 잔차 패턴 값 및 상기 분류 패턴 값에 특정 값이 포함된 경우, 상기 특정 값에 대응하는 서브 시스템에 고장이 발생한 것으로 결정하고,
상기 고장 검출부는, 각 서브 시스템들에서 정상상태의 운전자료에서 구한 잔차 최댓값에서 잔차 최솟값을 뺀 값에 대한, 상기 잔차 값에서 상기 잔차 최솟값을 뺀 값의 비율에 기초하여 정규화된 잔차 값을 획득하고, 상기 정규화된 잔차 값과 각 서브 시스템에 대응하는 임계 값 간의 비교 결과에 기초하여 서브 시스템들에 대한 상기 잔차 패턴 값을 결정하고,
상기 잔차 최댓값과 상기 잔차 최솟값은 상기 정상상태에서 구한 표준편차의 배수에 기초하여 계산되고,
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값의 자연수 배수의 값을 가지고,
상기 잔차 패턴 값은 고장 심각도를 반영하고,
상기 산출부는,
스택의 특성 값에서 상기 스택의 측정 값을 뺀 값의 절댓값을 상기 스택의 잔차 값으로 결정하고,
공기 공급 장치의 특성 값에서 상기 공기 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 공기 공급 장치의 잔차 값으로 결정하고,
물 관리 장치의 특성 값에서 상기 물 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 물 관리 장치의 잔차 값으로 결정하고,
열 관리 장치의 특성 값에서 상기 열 관리 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하고,
연료 공급 장치의 특성 값에서 상기 연료 공급 장치의 측정 값을 뺀 값의 절댓값을 상기 열 관리 장치의 잔차 값으로 결정하고,
상기 스택의 특성 값은 상기 스택의 부하에 기초하여 산출된 상기 스택의 전압의 특성 값이고,
상기 공기 공급 장치의 특성 값은 제어 신호 및 상기 스택의 부하에 기초하여 산출된 공기 유량이고,
상기 물 관리 장치의 특성 값은 가습기 입출구의 온도 및 상기 스택의 부하에 기초하여 산출된 가습기 효율이고,
상기 열 관리 장치의 특성 값은 펌프 제어 신호 및 열교환기 입출구의 온도 및 스택의 열 부하에 기초하여 산출된 열교환기 전열계수이고,
상기 연료 공급 장치의 특성 값은 제어 신호에 기초하여 산출된 연료 유량인,
고장 검출 장치.In the fault detection apparatus for performing a fault detection method of a fuel cell system,
A prediction unit that predicts a characteristic value for each of a plurality of subsystems constituting the fuel cell system using an analytic superposition equation;
A calculation unit that calculates a residual value corresponding to each of the subsystems based on the predicted characteristic value and a measured value measured by sensors, and normalizes the calculated residual values; And
A failure detection unit for detecting a subsystem in which a failure has occurred based on the normalized residual values,
The failure detection unit acquires a classification pattern value for failure detection using a classifier that inputs a residual pattern value determined based on the residual values, and a failure among the subsystems is detected using the obtained classification pattern value. Determine the generated subsystem, and when a specific value is included in the residual pattern value and the classification pattern value, it is determined that a failure has occurred in the subsystem corresponding to the specific value,
The failure detection unit obtains a normalized residual value based on a ratio of a value obtained by subtracting the minimum residual value from the maximum residual value obtained from the driver's cost in a steady state in each of the subsystems, and a value obtained by subtracting the minimum residual value from the residual value. , Determining the residual pattern value for the subsystems based on a comparison result between the normalized residual value and a threshold value corresponding to each subsystem,
The maximum residual value and the minimum residual value are calculated based on a multiple of the standard deviation obtained in the steady state,
The threshold value has a value of a natural multiple of the standard deviation value of the residual value calculated in a state in which each of the subsystems is normal,
The residual pattern value reflects the severity of the failure,
The calculation unit,
The absolute value of the value obtained by subtracting the measured value of the stack from the characteristic value of the stack is determined as the residual value of the stack,
The absolute value of the value obtained by subtracting the measured value of the air supply device from the characteristic value of the air supply device is determined as the residual value of the air supply device,
An absolute value of a value obtained by subtracting the measured value of the water management device from the characteristic value of the water management device is determined as a residual value of the water management device,
An absolute value of a value obtained by subtracting the measured value of the thermal management device from the characteristic value of the thermal management device is determined as a residual value of the thermal management device,
An absolute value of a value obtained by subtracting the measured value of the fuel supply device from the characteristic value of the fuel supply device is determined as a residual value of the thermal management device,
The characteristic value of the stack is a characteristic value of the voltage of the stack calculated based on the load of the stack,
The characteristic value of the air supply device is an air flow rate calculated based on a control signal and a load of the stack,
The characteristic value of the water management device is the humidifier efficiency calculated based on the temperature of the humidifier inlet and outlet and the load of the stack,
The characteristic value of the heat management device is a heat exchanger heat transfer coefficient calculated based on a pump control signal, a temperature at the inlet and outlet of the heat exchanger, and a heat load of the stack,
The characteristic value of the fuel supply device is a fuel flow rate calculated based on a control signal,
Fault detection device.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190112547A KR102231155B1 (en) | 2019-09-11 | 2019-09-11 | Method and apparatus for detecting fault of fuel cell system based on subsystem level |
US16/777,492 US11489179B2 (en) | 2019-09-11 | 2020-01-30 | Method and apparatus for multi-stage fault diagnosis of fuel cell systems |
JP2020056371A JP7008098B2 (en) | 2019-09-11 | 2020-03-26 | Multi-stage failure diagnosis method and equipment for fuel cell system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190112547A KR102231155B1 (en) | 2019-09-11 | 2019-09-11 | Method and apparatus for detecting fault of fuel cell system based on subsystem level |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210031062A KR20210031062A (en) | 2021-03-19 |
KR102231155B1 true KR102231155B1 (en) | 2021-03-24 |
Family
ID=75256774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190112547A KR102231155B1 (en) | 2019-09-11 | 2019-09-11 | Method and apparatus for detecting fault of fuel cell system based on subsystem level |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102231155B1 (en) |
-
2019
- 2019-09-11 KR KR1020190112547A patent/KR102231155B1/en active IP Right Grant
Non-Patent Citations (1)
Title |
---|
TRANS. OF KOREAN HYDROGEN AND NEW ENERGY SOCIETY, VOL. 28, NO. 3, 2017, PP. 252~272* |
Also Published As
Publication number | Publication date |
---|---|
KR20210031062A (en) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Online implementation of SVM based fault diagnosis strategy for PEMFC systems | |
Lee et al. | Hierarchical fault diagnostic method for a polymer electrolyte fuel cell system | |
Zhao et al. | Faults diagnosis for PEM fuel cell system based on multi-sensor signals and principle component analysis method | |
CN104143647B (en) | For estimating the system and method for fuel cell condition | |
US9929418B2 (en) | System and method for diagnosing state of fuel cell stack and controlling fuel cell system | |
US20140272654A1 (en) | Remedial actions for air flow errors in a fuel cell system | |
CN103326047B (en) | Fuel-cell vehicle situ detects the model-based approach that water vapor transmission device is degenerated | |
Oh et al. | Residual-based fault diagnosis for thermal management systems of proton exchange membrane fuel cells | |
KR102231125B1 (en) | Method and apparatus for multi-stage fault diagnosis of fuel cell systems | |
JP7008098B2 (en) | Multi-stage failure diagnosis method and equipment for fuel cell system | |
KR101315764B1 (en) | Method for detecting fail of hydrogen supply system for fuel cell | |
Won et al. | Hybrid diagnosis method for initial faults of air supply systems in proton exchange membrane fuel cells | |
Park et al. | Severity-based fault diagnostic method for polymer electrolyte membrane fuel cell systems | |
CN114048772A (en) | Fault diagnosis method, system and storage medium for fuel cell device | |
KR102231155B1 (en) | Method and apparatus for detecting fault of fuel cell system based on subsystem level | |
Quan et al. | Fault diagnosis in a current sensor and its application to fault-tolerant control for an air supply subsystem of a 50 kW-Grade fuel cell engine | |
Aitouche et al. | A survey of diagnostic of fuel cell stack systems | |
US9401521B2 (en) | Method and apparatus for diagnosing state of fuel cell system | |
Zhou et al. | Features selection and substitution in PEM fuel cell water management failures diagnosis | |
US9153828B2 (en) | Method to diagnose fuel cell humidification problems | |
Salim et al. | A review on fault diagnosis tools of the proton exchange membrane fuel cell | |
CN113937324B (en) | Fuel cell vehicle air leakage diagnosis method and device | |
Kahia et al. | Neural network based diagnostic of PEM fuel cell | |
US20140356750A1 (en) | Systems and methods to determine cathode inlet pressure limits in a fuel cell system | |
Chatti et al. | Merging bond graph and signed directed graph to improve fdi procedure |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |