KR102231155B1 - 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치 - Google Patents

연료전지 시스템의 부위 수준 고장 검출 방법 및 장치 Download PDF

Info

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
Application number
KR1020190112547A
Other languages
English (en)
Other versions
KR20210031062A (ko
Inventor
이원용
오환영
김민진
박석희
김창수
박구곤
양태현
임성대
손영준
배병찬
김승곤
신동원
우승희
이소정
이혜진
최윤영
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020190112547A priority Critical patent/KR102231155B1/ko
Priority to US16/777,492 priority patent/US11489179B2/en
Priority to JP2020056371A priority patent/JP7008098B2/ja
Publication of KR20210031062A publication Critical patent/KR20210031062A/ko
Application granted granted Critical
Publication of KR102231155B1 publication Critical patent/KR102231155B1/ko

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.

Description

연료전지 시스템의 부위 수준 고장 검출 방법 및 장치 {METHOD AND APPARATUS FOR DETECTING FAULT OF FUEL CELL SYSTEM BASED ON SUBSYSTEM LEVEL}
아래의 설명은 연료전지 시스템의 고장을 검출하는 기술에 관한 것이다.
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.
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.
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.
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.
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.
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값에 기초하여 설정될 수 있다.
상기 임계 값은, 상기 표준편차 값의 정수 배수의 값을 가질 수 있다.
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.
상기 특성 값을 예측하는 단계는, 상기 연료전지 시스템에 포함된 센서의 측정 값과 제어 신호를 이용하여 상기 특성 값을 예측하는 단계를 포함할 수 있다.
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.
상기 잔차 값을 산출하는 단계는, 상기 각 서브 시스템들에 대한 잔차 값에 대하여 정규화를 수행하는 단계를 포함할 수 있다.
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.
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.
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.
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.
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.
상기 임계 값은, 각 서브 시스템들이 정상인 상태에서 산출된 잔차 값의 표준편차 값에 기초하여 설정될 수 있다.
상기 임계 값은, 상기 표준편차 값의 정수 배수의 값을 가질 수 있다.
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.
상기 예측부는, 상기 연료전지 시스템에 포함된 센서의 측정 값을 이용하여 상기 특성 값을 예측할 수 있다.
상기 산출부는, 상기 각 서브 시스템들에 대한 잔차 값에 대하여 정규화를 수행할 수 있다.
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.
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.
일 실시 예에 따르면, 연료전지 시스템 내에서 어느 서브 시스템에서 고장이 발생하였는지를 용이하게 진단할 수 있다.
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.
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.
일 실시예에 따르면 연료전지의 성능 및 내구성의 향상을 도모할 수 있다.
일 실시예에 따르면 연료전지의 성능 및 내구성의 향상을 도모함으로써, 가정용/건물용 및 자동차용 연료전지 상용화의 필수 요구사항인, 시스템 안정화를 도모할 수 있다.
일 실시예에 따르면 연료전지 상용화의 필수 요구사항인, 시스템 안정화를 도모하기 위한 핵심 기술로서, 높은 시장성을 가질 수 있다.
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.
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.
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.
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.
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.
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.
도 1은 일 실시예에 따른 연료전지 시스템에 대한 고장 검출 시스템의 전체적인 개요를 도시하는 도면이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
이하에서는, 도면들을 참조하여 연료전지 시스템의 고장 검출 방법을 보다 자세히 설명한다.
도 2는 일 실시예에 따른 연료전지 시스템의 고장 검출 방법을 설명하기 위한 흐름도이다.
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.
단계(220)에서 고장 검출 장치는 특성 값 및 측정 값에 기초하여 각 서브 시스템들에 대한 잔차 값을 산출할 수 있다.
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.
Figure 112019093443704-pat00001
수학식 1에서, Rmax는 잔차 최댓값을 나타내고, Rmin은 잔차 최솟값을 나타낸다. R는 잔차 값을 나타내고,
Figure 112019093443704-pat00002
는 정규화된 잔차 값을 나타낸다. 이하 단계에서 설명되는 잔차 값들은 정규화된 잔차 값들을 나타낼 수 있다.
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.
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.
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.
도 3은 일 실시예에 따른 연료전지 시스템의 구성을 도시하는 도면이다.
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.
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.
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.
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.
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.
도 4는 일 실시예에 따른 서브 시스템 별 특성 값에 기초하여 잔차 값을 산출하는 방법을 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
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.
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.
도 5는 일 실시예에 따른 잔차 패턴 값 및 분류 패턴 값에 기초하여 연료전지 시스템의 고장 진단 방법을 설명하기 위한 도면이다.
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.
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.
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.
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.
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.
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.
도 6은 일 실시예에 따른 고장 검출 장치의 구성을 도시하는 도면이다.
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.
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.
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.
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.
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.
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.
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.
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.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
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 검출부

Claims (23)

  1. 연료전지 시스템의 고장 검출 방법에 있어서,
    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.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    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.
  5. 삭제
  6. 삭제
  7. 제1항에 있어서,
    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.
  8. 제7항에 있어서,
    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.
  9. ◈청구항 9은(는) 설정등록료 납부시 포기되었습니다.◈
    제8항에 있어서,
    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.
  10. 삭제
  11. 삭제
  12. 제1항, 제4항 및 제7항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위한 인스트럭션들을 저장하는 컴퓨터 판독 가능한 저장 매체.
  13. 연료전지 시스템의 고장 검출 방법을 수행하는 고장 검출 장치에 있어서,
    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.
  14. 삭제
  15. 삭제
  16. 제13항에 있어서,
    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.
  17. 삭제
  18. 삭제
  19. 제13항에 있어서,
    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.
  20. 제19항에 있어서,
    상기 예측부는,
    상기 연료전지 시스템에 포함된 센서의 측정 값을 이용하여 상기 특성 값을 예측하는,
    고장 검출 장치.
  21. 삭제
  22. 삭제
  23. 연료전지 시스템의 고장 검출 방법을 수행하는 고장 검출 장치에 있어서,
    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.
KR1020190112547A 2019-09-11 2019-09-11 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치 KR102231155B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190112547A KR102231155B1 (ko) 2019-09-11 2019-09-11 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치
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 (ja) 2019-09-11 2020-03-26 燃料電池システムの多段階故障診断方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190112547A KR102231155B1 (ko) 2019-09-11 2019-09-11 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210031062A KR20210031062A (ko) 2021-03-19
KR102231155B1 true KR102231155B1 (ko) 2021-03-24

Family

ID=75256774

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190112547A KR102231155B1 (ko) 2019-09-11 2019-09-11 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102231155B1 (ko)

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
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 (ko) 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 (zh) 用于估算燃料电池状态的***和方法
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 (zh) 燃料电池车中原位检测水蒸汽传递装置退化的模型基方法
Oh et al. Residual-based fault diagnosis for thermal management systems of proton exchange membrane fuel cells
KR102231125B1 (ko) 연료전지 시스템의 다단계 고장 진단 방법 및 장치
JP7008098B2 (ja) 燃料電池システムの多段階故障診断方法及び装置
KR101315764B1 (ko) 연료전지용 수소 공급 시스템의 고장 진단 방법
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 (zh) 一种燃料电池装置的故障诊断方法、***及存储介质
KR102231155B1 (ko) 연료전지 시스템의 부위 수준 고장 검출 방법 및 장치
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 (zh) 一种燃料电池车辆空气泄露诊断方法及装置
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