CN113136592A - 检测具有电解电池的电解装置中的故障的方法和系统 - Google Patents
检测具有电解电池的电解装置中的故障的方法和系统 Download PDFInfo
- Publication number
- CN113136592A CN113136592A CN202110054019.4A CN202110054019A CN113136592A CN 113136592 A CN113136592 A CN 113136592A CN 202110054019 A CN202110054019 A CN 202110054019A CN 113136592 A CN113136592 A CN 113136592A
- Authority
- CN
- China
- Prior art keywords
- voltage
- cell
- electrolysis
- battery
- fault
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000005868 electrolysis reaction Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 230000015556 catabolic process Effects 0.000 claims abstract description 29
- 238000006731 degradation reaction Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000000592 Artificial Cell Substances 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 239000003513 alkali Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 description 17
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 239000002131 composite material Substances 0.000 description 9
- 239000012528 membrane Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 6
- 239000003518 caustics Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- KWYUFKZDYYNOTN-UHFFFAOYSA-M potassium hydroxide Inorganic materials [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 235000011121 sodium hydroxide Nutrition 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 239000000460 chlorine Substances 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 239000011780 sodium chloride Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000010349 cathodic reaction Methods 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- -1 hydroxide ions Chemical class 0.000 description 1
- 239000003014 ion exchange membrane Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical class O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/34—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis
- C25B1/46—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis in diaphragm cells
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/34—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Organic Chemistry (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Inorganic Chemistry (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
本发明涉及用于检测具有多个电解电池的电解装置中的故障的方法、系统和组件。该方法包括:在所述电解装置的操作期间获得所述电解电池的电压测量值;使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
Description
技术领域
本发明总体上涉及电解装置,更具体地涉及电解装置中的故障检测。
背景技术
氯碱电解是通过施加直流电流将较低价值的化学品(例如NaCl、KCl)分解为较高价值的化学品(例如NaOH、Cl2、KOH)的过程。该反应在电化学电池中进行。在工业设置中,多个电池串联或并联地组合,以进行反应。这种组合被称为电解装置。
氯碱电化学电池由阳极、阴极和分离部组成。氧化反应在阳极处发生,并且还原反应在阴极处发生。在一些情况下,可以使用离子交换膜将阳极反应与阴极反应分开。对于氯碱电化学电池,电解的主要产物是氯、氢以及也被称为“苛性碱”的氢氧化钠或氢氧化钾。
需要用于检测电解电池中的故障的改进方法。
发明内容
根据一个广泛方面,提供了一种用于检测具有多个电解电池的电解装置中的故障的方法。该方法包括:在所述电解装置的操作期间获得所述电解电池的电压测量值;使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
根据另一广泛方面,提供了一种用于检测具有多个电解电池的电解装置中的故障的系统。该系统包括处理单元和存储有程序代码的非暂时性计算机可读介质。程序代码能够由处理单元执行以用于:在所述电解装置的操作期间获得所述电解电池的电压测量值;使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
根据又一广泛方面,提供了一种组件,该组件包括具有多个电解电池的电解装置和可操作地连接至电解装置的至少一个计算设备。至少一个计算设备包括至少一个处理单元和存储有程序指令的非暂时性计算机可读介质。该程序指令能够由至少一个处理单元执行以用于:在所述电解装置的操作期间获得所述电解电池的电压测量值;使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
本文说明的系统、设备和方法的特征可以根据本文说明的实施例以各种组合使用。
附图说明
参考了以下附图。
图1是示例性电解电池的示意图;
图2是用于检测电解装置中的故障的示例性组件的框图;
图3是用于故障检测系统的示例性实施例的框图;
图4是用于检测电解装置中的故障的示例性方法的流程图;和
图5是示例计算机设备的框图。
应注意,在所有附图中,相似的特征由相似的附图标记标识。
具体实施方式
氯碱生产是耗能的过程,因此每个电化学电池的效率是操作期间要考虑的问题。氯碱电化学电池操作中需要考虑的另一个问题是如何防止气体释放、着火和液体泄漏等危害。本文说明了用于及早检测在与电解装置中的其它电池串联工作的氯碱电解装置中出现的故障的方法和系统。该方法包括获取电压并处理代表健康行为的电池测量值。基于编码器-解码器架构构建了神经网络模型,并使用神经网络模型预测电池的电压。将预测电压与测量电压进行比较,以便在考虑正常电池劣化的同时检测异常偏差。
图1是在氯碱工业中使用的示例性膜电池100的示意图。膜电池可以由两个隔室组成。在盐电解(NaCl)的情况下,阳极隔室102充满饱和的盐水溶液(NaCl),而稀释的苛性钠穿过阴极隔室103。在氯碱工厂中,在涂覆的(例如钛(Ti))阳极105处产生氯气(Cl2)104。氢氧根离子106和穿过选择性膜108迁移的钠离子107的组合产生苛性钠(NaOH)和氢气109。阴极110可以是具有催化涂层的镍,以减少用于氢(H2)积累的超电势(over-potential)。
膜电池100中的电压变化可能是电池部件内的物理变化的结果。电池电压降分布在其部件之间:阳极105、阴极110、膜108和电连接部。电池电压的降低或增加可以被认为是两种类型的劣化的前提条件:(1)正常劣化和电池寿命的终止,以及(2)电池寿命期间的异常的/突然的劣化。由于失效的膜108不能适当地将两个隔室102、103分开,因此电池可能会异常劣化,从而导致不期望的化学反应。由于电极105、110失去其活化涂层,电池也可能异常地劣化。由于失效的膜108和电极105、110的组合,电池也可能异常地劣化。各个部件失效的根本原因可能是由于电解装置或电池本身的(外部的)不良的工作条件。这些条件可能是但不限于:不良的入口流量、不良的入口污染物控制、电气危害、不良的温度控制、不良的设备安装等。
为氯碱电解装置中的电池100中的一者或多者计算合成电压,以用于及早地检测到电池的异常劣化。该合成电压是由许多被估计的参数组成的数学函数的计算。这些参数中的一些参数对于在相同操作条件下执行电解的所有电池是特定的、相同的运算。一些参数是特定于电池的参数。该计算可以考虑电池100的随时间变化的正常劣化。下面说明了示例数学函数:
其中,f是任意的线性或非线性函数,I是主整流器电流,T是阴极电解液出口温度,CC是苛性碱浓度,t是时间戳,d是向后时间延迟,g是任意的线性或非线性函数,并且ISU、TSU、CCSU、VSU是启动时的电流、温度、苛性碱浓度和电压。
可在操作期间监测电解装置的各个电池电压,以检测导致严重安全问题的异常变化。然而,如果仅考虑异常劣化,则在电池已经到达不可返回点(point of no return)并需要更换时检测到故障。为了避免此问题,还考虑了正常电池劣化。
电池100的电压降是欧姆性的,因此馈送电流与电池电压之间的关系成比例。基于该比例估计的理论电压可用于表征健康电池。然而,仅使用电流-电压比例的电池表征没有考虑在阳极隔室102和阴极隔室103中发生的潜在复杂效应。因此,还考虑了一些其它参数,例如由龄期、技术和位置引起的电池特异性。
对于相同的操作条件和正常的劣化水平,给定电池的电压可能不同于同一电解装置中的其它电池的电压。这种差异可能是由于制造、安装和难以量化的其它因素的不一致引起的。因此,可以使用特定于电池的参数,例如龄期、技术和位置。
由于其劣化,电池的电压漂移可能随时间缓慢地发生。此外,在电解装置的操作条件的改变与电池的响应之间可能存在延迟。为了解决此延迟,可以通过预测模型来考虑先前时间步骤处的操作条件。
为了及早地预测异常劣化,预测电压与测量电压无关。正因为如此,不将测量电压用作预测模型的输入。
在一些实施例中,使用神经网络建模架构为电解装置的电池计算合成电压。该模型被部署在未预先定义操作条件的生产环境中,并且每个电池具有不同的正常劣化水平。神经网络模型可以基于编码器-解码器架构(encoder-decoder architecture),其中,解码器被预测器(用于预测电池电压的子网络)取代。神经编码器是一种神经架构,其目的是获取输入向量并将其维数减少到期望维数。它可以与解码器配对。解码器接收编码器的输出,并对其转换以最小化目标函数。
神经编码器可用于发现如下特征,这些特征代表电池在操作周期处的特异性并因此代表正常劣化。预测器可以考虑测量值的时间延迟。预测器不使用测量电压作为输入,尽管使用相同的操作条件作为输入,但预测器仍然能够为每个电池预测不同的电压。它通过将编码器的输出作为输入来完成预测,该输入对于每个电池都是唯一的。因此,电压预测值不会具有由电池的测量电压导致的偏差。
参考图2,示出了包括电解装置214和故障检测系统218的组件200的示例实施例。故障检测系统218由可操作地连接到电解装置214的至少一个计算设备组成。在所示的实施例中,故障检测系统218包括电池数据获取设备252、合成电池电压产生设备272和故障检测设备262。
电池数据获取设备252被配置为在电解装置214的操作期间获得多个电解电池的电压测量值。可以实时或伪实时地获得电压测量值。单个单元或多个单元可以连接到各个电池,以获得电压测量值。在一些实施例中,为电解装置214的每个电池获得电压测量值。
合成电池电压产生设备272被配置为使用神经网络架构来产生特定于电池的合成电池电压。神经网络考虑了基于特定于电池的参数的正常电池劣化,以便估计特定于电池的合成电池电压。在一些实施例中,神经网络包括编码器子网络和预测器子网络。编码器子网络可以被配置为确定基于特定于电池的参数的正常电池劣化。预测器子网络可以被配置为使用由编码器子网络输出的正常电池劣化来预测合成电池电压。在一些实施例中,预测器子网络被进一步配置为在预测合成电池电压时施加时间延迟。
可以使用各种神经网络架构,以便生成特定于电池的合成电池电压。例如,编码器子网络可包括屏蔽层(masking layer)、长短期记忆层(LSTM layer:Long Short-TermMemory layer)和两个密集层(dense layer),并输出表示特定于电池的正常电池劣化的二维向量。预测器子网络可以包括两个长短期记忆层和两个密集层。根据实际的实施,其它实施例也是适用的。
在一些实施例中,使用来自电解装置214的电池的历史数据来训练神经网络。在一些实施例中,使用来自多个电解装置的电池的历史数据来训练神经网络。可以使用各种技术来训练神经网络,以在考虑基于特定于电池的参数的正常电池劣化的同时了解健康电池行为。
故障检测设备262将来自电池数据获取装置252的电压测量值与来自用于相应一个电解电池的合成电池电压产生设备272的合成电池电压进行比较,以获得电压差。例如,可以为每个电解电池分配测量电压和合成电压,并且测量电压和合成电压之间的差值对应于电压差。在一些实施例中,为电解装置214中的电池的子集获得电压测量值。在一些实施例中,以交替的方式为电池的多个子集获得电压测量值。其它实施例也可以适用。
当一个或多个电压差达到阈值时,故障检测设备262检测到故障。在一些实施例中,检测到故障包括发出警报信号(其可以是音频信号、视觉信号或其它信号),以使一个或多个操作员注意到故障。在一些实施例中,检测到故障包括向电解装置214或向被配置为使电解装置214关闭的另一设备或系统发出关闭信号。可以使用警报信号和关闭信号的组合。例如,第一阈值可以与警报信号相关联,并且第二阈值可以与关闭信号相关联。当电压差在第一范围内时,发出警报信号,并且当电压差在大于第一范围的第二范围内时,发出关闭信号。在另一示例中,故障信号的性质可以与表现出已达到阈值的电压差的电池的数量有关。例如,如果第一数量的电池的电压差达到阈值,则发出警报信号,如果大于第一数量的电池的第二数量的电池的电压差达到阈值,则发出关闭信号。其它变形例也可以适用。
参照图3,示出了故障检测系统218的具体而非限制性示例。数据获取和传输单元202以给定的精度(例如,+/-1毫伏或其它精度级别)测量电解装置214中的电池的从阴极到阴极或从阳极到阳极的差分电压。电解装置214可以是由串联连接的膜电池组成的任何可用的工业氯碱电解装置。在一些实施例中,电解装置214包含多达160个电池,但是电池的总数可以变化。受保护的金属线213将数据获取和传输单元202的输入端连接到相邻电池的阴极或阳极端子。在一些实施例中,每个单元202可以测量多达32个电压输入,但是总数可以变化。单元202可以包含模数转换器、数字滤波器、存储器缓冲器和/或微控制器以执行获取和传输例程。单元202可以使用受保护的金属线215由电源203供电。
从单元202发出的数据可以被传输到处理和通信单元204。除了处理去往主计算机服务器单元209的数据传输例程之外,单元204还可以执行紧急停止信号并将其发送到关闭中继单元206。单元204可使用例如4-20mA转换器端子217从单元205接收变压器整流器分流电流测量值。单元204可以将以给定速率(例如,每秒一个采样点)采样的电压和电流数据流广播到单元209。以太网通信单元207可以将不是由单元202和204测量的过程数据流从计算设备208广播到计算机服务器单元209。计算设备208可以是第三方计算机服务器,有时被称为分布式控制系统。一些示例过程数据包括但不限于:阴极电解液出口温度、苛性碱出口浓度以及入口和/或出口pH。单元202、204、209、207和208可以使用光纤线回路216或其它连接材料连接。在一些实施例中,连接中的一个或多个连接是无线的。根据所示的实施例,单元209是主计算机服务器,其接收和处理单个电池电压、电流和过程数据,为一个或多个电解装置存储所有数据,执行一系列步骤,并且如果有的话,向单元204发送电解装置关闭命令。
单元209可以负责历史数据的收集和转换。可以在多个氯碱工厂中操作的多个电解装置214上部署类似的设置。单元209可以存储来自每个电池单元的所有电压数据、电流测量值和过程数据。由于电压测量值和过程数据的采样率可以不同,因此单元209可以将电压观测值下采样到给定的采样率。在一些实施例中,收集的过程数据包括出口苛性碱浓度和电解装置出口阴极电解液温度。单元109可以以列表形式变换和对齐数据,其中,每一行代表观察值的不同时间戳,每一列代表不同的测量变量。单元109可以将来自多个电解装置中的故障检测系统218的数周的部署的所有数据存储在数据库中。
可以处理列表数据以选择操作周期。操作周期是电解装置连续的启动和停止之间的时间间隔。它的长度可能从几个小时到几周不等,具体取决于生产限制、变化的需求、工作班次或维护要求。每个周期可以划分为两个不同长度的阶段:启动阶段和操作阶段。当电流从零增加到每个电池达到在其完全生产条件的情况下所允许的最大值时出现启动阶段。由于工厂运营商决定的操作实践的变化,每次启动时的电流增加速率可能会有所不同。启动阶段的长度可能会有所变化,例如从20分钟到12小时。操作阶段可以包括周期的其余部分。电流可以在此阶段中变化,例如在总范围的50%到100%之间变化。
在一个特定的非限制性示例中,用于检测可能周期的伪代码(pseudo code)如下:
对于数据库中的每次观察n:
Diffn=Timen–Timen-1
如果Diffn>10分钟
则保存Timen-1和Timen
每个可能周期被与以下项相对应的成对的日期包围:
(0,Timen-1),(Timen,Timen+1),(Timen+2,Timen+3)…
在一个特定的非限制性示例中,用于确认周期的伪代码如下:
对于每个长度为k的可能周期n:
如果该周期的任一观察具有“电流>16kA”:
则idx=其中“电流>16kA”的第一次观察如果idx<=12小时:
则启动n=周期[0:idx]
操作n=周期[idx:n]
如果长度(操作)>=长度(启动):
则周期n是有效周期
一旦以周期构造数据,可以将基于单位的归一化缩放方法应用于数据列中的每一个。这将线性地缩放数据,因此各个值在[0,1]的范围内。这种缩放有助于改善用于建立神经网络模型的训练时间。可以使用以下公式缩放数据列:
最小值(min)和最大值(max)可用于缩放测量列。
在一些实施例中,使用经收集和变换的历史数据来建立和训练神经网络模型。编码器子网络在启动阶段中推断如下特征,这些特征用于表征电池电压在某个周期的行为。这些特征说明了电池的特异性和正常劣化。这是一种自我监督方法,因为它不需要标记的劣化数据。该步骤可以被视为执行降维。然而,编码向量(降维向量)不是统计过程的结果,而是使电压预测器子网络的学习变得更加容易的最佳表示。每个启动阶段的长度可能不同,并且可以被限制为上限值,例如12小时的最大值。例如,如果每个时间步(time step)代表一分钟,则提供给该子网络的向量的长度为720个时间步。可以使用三个输入特征:电解装置阴极电解液出口温度、工厂苛性碱浓度以及电池的电流和电压。输入特征可用于将电压标准化为每次启动的特定操作条件。在一些实施例中,输入向量的形状是[720个时间步,4个特征]。如果时间步的所有特征都等于屏蔽值(masked value),且该屏蔽值可以被设置成“-1”以过滤先前在填充(padding)期间添加的时间步,则屏蔽层强迫连续层忽略该时间步。为了说明序列的时间性,下一层可以是长短期记忆(LSTM)层。之后,可以链接两个密集层,以更平滑地过渡到最终的两位置编码结果。输出可以是每个电池和启动的坐标[X,Y]的向量,该向量的形状为(1个时间步,2个特征)。此外,这些坐标可以用图形表示,从而提供对网络采取的决策过程的深入了解。
预测器子网络可以负责预测合成电池电压。在一些实施例中,用于预测的两个输入是来自操作阶段的时间步的窗口(window)以及电池启动阶段的编码表示。根据该实施例,四次观察的窗口足以代表电池响应之后的化学现象的动态特性。编码的电池启动可以重复四次,并与操作特征的窗口连结。可以使用两个LSTM层来查找每个窗口的观察之间的时间相关性。可以跟随两个密集层,以便输出预测的电压。输出层可以具有S形激活函数(Sigmoid activation function),因为输出电压先前可能已被缩放到范围[0,1]。在此步骤中,通过最小化由此子网络预测的电压与测量电压之间的损失来训练整个模型。可以使用亚当优化器和反向传播算法。为了使该子网络在电压预测中获得良好的准确性,编码器应学习电池的特性的忠实表示。
以下伪代码表示针对每次顺推(forwardpass)-逆推(backwardpass)的一次观察的训练循环的特定且非限制性示例:
对于每个周期:
对于电解装置中的每个电池:
定义电池_启动和电池_操作
窗口中的单独电池_操作
对于每个窗口:
操作_条件=窗口(不包括电压)
电池_电压=窗口中最后的电压观察值
#顺推(Forward pass)
编码器_电池_启动=编码器(电池_启动)
预测_电压=预测器(操作_条件,编码_电池_启动)
损失=均方误差(预测_电压,电池_电压)
#反向传播(Backpropagation)
更新_网络_权重(损失)
为了提高该训练循环的计算效率,可以使用小批量训练来并行化计算。在这种训练模式中,许多观察结果可以分组成待并行处理的批次。根据该实施例,在单元209中使用一个或多个图形处理单元(GPU)来执行该操作。另外,可以使用三种操作来使网络有效地收敛:填充(padding)、打乱(shuffling)和窗口跨步(window striding)。并非每个周期的启动都有相同的持续时间。然而,所有被馈送到GPU的批次应具有相同数量的时间步。通过填充序列来解决此问题,即在每次观察的相应启动结束时添加“-1”值。这样,所有启动都具有相同的720分钟的持续时间,这等于启动的最大持续时间。此填充值稍后会被编码器子网络的屏蔽层忽略,因此不会影响结果。为了减少网络收敛到最佳解决方案所需的时间,可以使用打乱程序,其中每个批次具有来自不同电池、周期和电解电池的观测值。推断电池在启动过程中的特征的编码器任务比预测器的任务更为复杂。因此,使用每周期更少的观察值和更多不同的启动序列来训练网络将更加有效。可以增加窗口功能的跨步,以解决此问题。跨步是定义两次连续训练观察之间忽略多少序列窗口的数字。在训练循环结束时,可以将所构建的神经网络预测器存储在文件中,例如存储在单元209中。
在一些实施例中,故障检测系统218被部署在工厂的一个或多个电解装置中。测量多个电池的电压,并且可以获取第三方装置的过程数据。可以在单元209中实时或伪实时执行对准和周期检测例程。重建的神经网络电压预测器可以用于计算电池的合成电压可以计算出测量电压(Vt)与合成电压之间的差值。当一个或多个电池达到阈值时,紧急关闭信号可以被发送到单元204,并然后被发送到单元206。
图4是用于故障检测的示例方法400的流程图。在一些实施例中,方法400由图2的组件200的故障检测系统218执行。在一些实施例中,方法400由多个计算设备执行。
在步骤402中,获得电解电池的电压测量值。在步骤404中,如上文更详细地说明,产生电解电池的合成电压。步骤402和404可以同时执行。在一些实施例中,步骤404可以在步骤402之前执行。在步骤404中,被训练以学习健康电解电池行为的神经网络考虑电解电池的正常劣化。使用特定于电池的参数预测合成电池电压,使得同一电解装置中的两个或多个电池的合成电池电压可以不同。
在步骤406中,将在步骤402中获得的电压测量值与在步骤404中为相应电池产生的合成电池电压进行比较。换句话说,将给定电池的合成电池电压与同一电池的测量电池电压进行比较。该比较是针对电解中包含的任何数量的电池逐个电池进行的。在一些实施例中,该比较是针对电解的所有电池使用任何随机的或预定的顺序同时或连续地进行的。如果在将给定电池的测量电压与合成电压进行比较时获得的一个或多个电压差达到阈值,则在步骤408中检测到故障。
方法400可以以以随机的或预定的间隔重复任意多次。在一些实施例中,方法400被连续执行,直到检测到至少一个故障。其它实施例也可以适用。
图5是用于实现如上所述的用于检测电解装置中的故障的方法400的计算设备500的示例实施例。在一些实施例中,使用一个或多个计算设备500来实现故障检测系统218。计算设备500包括处理单元502和存储计算机可执行指令506的存储器504。处理单元502可以包括任何合适的设备,这些设备被配置为使一系列步骤被执行,使得指令506在被计算设备500或其它可编程装置执行时可以使本文所述方法400中指定的功能/动作/步骤被执行。例如,处理单元502可以包括任何类型的通用微处理器或微控制器、数字信号处理(DSP)处理器、CPU、集成电路、现场可编程门阵列(FPGA)、可重构处理器、其它适当编程的或可编程的逻辑电路或它们的任意组合。
存储器504可以包括任意合适的已知或其它机器可读存储介质。存储器504可以包括非暂时性计算机可读存储介质,例如但不限于电、磁、光、电磁、红外或半导体系统、装置或设备,或它们的任意合适的组合。存储器504可以包括位于设备内部或外部的任何类型的计算机存储器的适当组合,例如随机存取存储器(RAM)、只读存储器(ROM)、电光存储器、磁光存储器、可擦除可编程只读存储器(EPROM)和电可擦除可编程只读存储器(EEPROM)、铁电RAM(FRAM)等。存储器504可以包括适合于可检索地存储可由处理单元502执行的机器可读指令506的任何存储装置(例如,设备)。
应注意,本文说明的技术可以由计算设备500基本上实时地执行。
如本文所述的用于检测电解装置中的故障的方法和系统可以以高级过程或面向对象的编程或脚本语言或其组合来实现,以与计算机系统(例如,计算设备500)通信或协助计算机系统的操作。替代地,用于检测电解装置中的故障的方法和系统可以以组件或机器语言来实现。该语言可以是编译的或解释的语言。用于实现用于检测电解装置中的故障的方法和系统的程序代码可以存储在存储介质或设备上,例如ROM、磁盘、光盘、闪存驱动器或任何其它合适的存储介质或设备。当计算机读取存储介质或设备以执行本文说明的过程时,该程序代码可由通用或专用可编程计算机读取,以配置和操作该计算机。用于检测电解装置中的故障的方法和系统的实施例也可以被认为是通过存储有计算机程序的非暂时性计算机可读存储介质来实现的。该计算机程序可以包括计算机可读指令,该计算机可读指令使计算机或更具体地计算设备500的处理单元502以特定的和预定义的方式操作以执行本文说明的功能。
计算机可执行指令可以具有许多形式,包括由一个或多个计算机或其它设备执行的程序模块。通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、部件、数据结构等。通常,在各种实施例中,程序模块的功能可以根据需要进行组合或分布。
本文说明的实施例提供了本技术的可能实现方式的非限制性示例。在阅读本说明书后,本领域普通技术人员将认识到,可以在不脱离本技术的范围的情况下对这里说明的实施例进行改变。例如,可以以不同的方式组合或分离软件模块以便执行方法400的步骤,或者用于获得电解电池和/或电解装置的各种测量值的特定设备可以变化。鉴于本说明书,本领域普通技术人员可以实现进一步的修改,这些修改将落入本技术的范围内。
Claims (10)
1.一种用于检测具有多个电解电池的电解装置中的故障的方法,所述方法包括:
在所述电解装置的操作期间获得所述电解电池的电压测量值;
使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;
将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且
当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
2.根据权利要求1所述的方法,其中,所述神经网络架构包括编码器子网络和预测器子网络,所述编码器子网络被配置为用于确定基于所述特定于电池的参数的所述正常电池劣化,所述预测器子网络被配置为用于使用由所述编码器子网络输出的所述正常电池劣化来预测所述合成电池电压。
3.根据权利要求2所述的方法,
其中,所述预测器子网络还被配置为用于在预测所述合成电池电压时施加时间延迟,或者
其中,所述编码器子网络包括屏蔽层、长短期记忆层和两个密集层,并且输出用于表示特定于电池的所述正常电池劣化的二维向量,或者
其中,所述预测器子网络包括两个长短期记忆层和两个密集层。
4.根据权利要求1所述的方法,
其中,检测到所述电解装置中的所述故障包括:输出警报信号,或者
其中,检测到所述电解装置中的所述故障包括:输出用于关闭所述电解装置的信号,或者
其中,使用来自多个电解装置的历史数据来训练所述神经网络架构,或者
其中,所述电解电池是氯碱电解电池。
5.一种用于检测具有多个电解电池的电解装置中的故障的系统,所述系统包括:
处理单元;和
非暂时性计算机可读介质,在所述非暂时性计算机可读介质上存储有程序代码,所述程序代码能够由所述处理单元执行以用于:
在所述电解装置的操作期间获得所述电解电池的电压测量值;
使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;
将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且
当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
6.根据权利要求5所述的系统,其中,所述神经网络架构包括编码器子网络和预测器子网络,所述编码器子网络被配置为用于确定基于所述特定于电池的参数的所述正常电池劣化,所述预测器子网络被配置为用于使用由所述编码器子网络输出的所述正常电池劣化来预测所述合成电池电压。
7.根据权利要求6所述的系统,
其中,所述预测器子网络还被配置为用于在预测所述合成电池电压时施加时间延迟,或者
其中,所述编码器子网络包括屏蔽层、长短期记忆层和两个密集层,并且输出用于表示特定于电池的所述正常电池劣化的二维向量,或者
其中,所述预测器子网络包括两个长短期记忆层和两个密集层。
8.根据权利要求5所述的系统,
其中,检测到所述电解装置中的所述故障包括:输出警报信号,或者
其中,检测到所述电解装置中的所述故障包括:输出用于关闭所述电解装置的信号,或者
其中,使用来自多个电解装置的历史数据来训练所述神经网络架构,或者
所述电解电池是氯碱电解电池。
9.一种组件,其包括:
具有多个电解装置的电解装置;和
至少一个可操作地连接至所述电解装置的计算设备,所述至少一个计算设备包括至少一个处理单元和存储有程序指令的非暂时性计算机可读介质,所述程序指令能够由所述至少一个处理单元执行以用于:
在所述电解装置的操作期间获得所述电解电池的电压测量值;
使用神经网络架构产生所述电解电池的合成电池电压,所述神经网络架构考虑了基于特定于电池的参数的正常电池劣化;
将所述电解电池中的相应电解电池的所述电压测量值与所述合成电池电压进行比较,以获得电压差;并且
当所述电压差中的至少一者达到阈值时,检测到所述电解装置中的故障。
10.根据权利要求9所述的组件,其中,所述至少一个计算设备包括:
多个数据获取和传输单元,其连接到所述电解电池,以在所述电解装置的操作期间获得所述电压测量值;
处理和通信单元,其连接到所述多个数据获取和传输单元;和
主计算机服务器,其连接到所述处理和通信单元。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202062961773P | 2020-01-16 | 2020-01-16 | |
US62/961,773 | 2020-01-16 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113136592A true CN113136592A (zh) | 2021-07-20 |
Family
ID=74184517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110054019.4A Pending CN113136592A (zh) | 2020-01-16 | 2021-01-15 | 检测具有电解电池的电解装置中的故障的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210222309A1 (zh) |
EP (1) | EP3851560A1 (zh) |
JP (2) | JP2021113357A (zh) |
CN (1) | CN113136592A (zh) |
CA (1) | CA3105842A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113802136A (zh) * | 2021-09-29 | 2021-12-17 | 中国华能集团清洁能源技术研究院有限公司 | 一种电解槽系统及其工作方法 |
CN118153463A (zh) * | 2024-05-11 | 2024-06-07 | 三峡科技有限责任公司 | 电解槽故障在线检测方法、装置、设备和可读存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220112612A1 (en) * | 2020-10-13 | 2022-04-14 | Analog Devices, Inc. | Parallel configuration of electrolysis cells |
CN113604815B (zh) * | 2021-07-29 | 2022-07-26 | 中国船舶重工集团公司第七一八研究所 | 水电解制氢设备电解槽小室电压监测系统和电压采集方法 |
CN115115630B (zh) * | 2022-08-29 | 2022-12-09 | 合肥金星智控科技股份有限公司 | 检测方法、检测装置、电子设备及存储介质 |
EP4335947A1 (en) * | 2022-09-06 | 2024-03-13 | Covestro Deutschland AG | Method and system for operating an electrochemical reactor |
CN115261932B (zh) * | 2022-09-23 | 2022-12-27 | 济宁中银电化有限公司 | 一种用于电解槽故障的预警方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010039481A1 (en) * | 2000-04-11 | 2001-11-08 | Tremblay Gilles J. | Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers |
US20060289312A1 (en) * | 2005-06-16 | 2006-12-28 | Recherche 2000 Inc. | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization |
WO2011130819A1 (en) * | 2010-04-23 | 2011-10-27 | Recherche 2000 Inc. | Method for ensuring and monitoring electrolyzer safety and performances |
TW201324272A (zh) * | 2011-12-15 | 2013-06-16 | Chimei Innolux Corp | 觸控裝置及其驅動方法 |
US20190266475A1 (en) * | 2016-11-04 | 2019-08-29 | Deepmind Technologies Limited | Recurrent environment predictors |
WO2019189501A1 (ja) * | 2018-03-27 | 2019-10-03 | 旭化成株式会社 | 設計装置、方法、プログラム、計画装置、制御装置、および水素製造システム |
CN110438519A (zh) * | 2019-08-20 | 2019-11-12 | 武汉大学 | 一种三电解槽氯碱电解制备体系及氯碱制备方法 |
US20190347523A1 (en) * | 2018-05-14 | 2019-11-14 | Quantum-Si Incorporated | Systems and methods for unifying statistical models for different data modalities |
US20210310134A1 (en) * | 2018-10-10 | 2021-10-07 | Cge Energy Limited | A process and apparatus for the production of hydrogen |
-
2021
- 2021-01-14 EP EP21151676.0A patent/EP3851560A1/en active Pending
- 2021-01-15 CN CN202110054019.4A patent/CN113136592A/zh active Pending
- 2021-01-15 CA CA3105842A patent/CA3105842A1/en active Pending
- 2021-01-15 JP JP2021004658A patent/JP2021113357A/ja not_active Withdrawn
- 2021-01-15 US US17/149,802 patent/US20210222309A1/en active Pending
-
2023
- 2023-04-20 JP JP2023069171A patent/JP2023116434A/ja active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010039481A1 (en) * | 2000-04-11 | 2001-11-08 | Tremblay Gilles J. | Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers |
US20060289312A1 (en) * | 2005-06-16 | 2006-12-28 | Recherche 2000 Inc. | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization |
WO2011130819A1 (en) * | 2010-04-23 | 2011-10-27 | Recherche 2000 Inc. | Method for ensuring and monitoring electrolyzer safety and performances |
TW201324272A (zh) * | 2011-12-15 | 2013-06-16 | Chimei Innolux Corp | 觸控裝置及其驅動方法 |
US20190266475A1 (en) * | 2016-11-04 | 2019-08-29 | Deepmind Technologies Limited | Recurrent environment predictors |
WO2019189501A1 (ja) * | 2018-03-27 | 2019-10-03 | 旭化成株式会社 | 設計装置、方法、プログラム、計画装置、制御装置、および水素製造システム |
US20190347523A1 (en) * | 2018-05-14 | 2019-11-14 | Quantum-Si Incorporated | Systems and methods for unifying statistical models for different data modalities |
US20210310134A1 (en) * | 2018-10-10 | 2021-10-07 | Cge Energy Limited | A process and apparatus for the production of hydrogen |
CN110438519A (zh) * | 2019-08-20 | 2019-11-12 | 武汉大学 | 一种三电解槽氯碱电解制备体系及氯碱制备方法 |
Non-Patent Citations (3)
Title |
---|
JIAWEI LIU: "Sequence Fault Diagnosis for PEMFC Water Management Subsystem Using Deep Learning With t-SNE", IEEE ACCESS, vol. 7, pages 92009 - 92019, XP011736374, DOI: 10.1109/ACCESS.2019.2927092 * |
马浩天;杨友良;马翠红;王禄;: "神经网络遗传算法在氯碱生产过程中的应用", 氯碱工业, no. 02, pages 18 - 21 * |
马浩天;杨友良;马翠红;王禄;: "量子遗传算法优化神经网络的氯碱生产应用", 中国氯碱, no. 11, pages 38 - 43 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113802136A (zh) * | 2021-09-29 | 2021-12-17 | 中国华能集团清洁能源技术研究院有限公司 | 一种电解槽系统及其工作方法 |
WO2023050681A1 (zh) * | 2021-09-29 | 2023-04-06 | 中国华能集团清洁能源技术研究院有限公司 | 一种电解槽系统及其工作方法 |
CN113802136B (zh) * | 2021-09-29 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 一种电解槽系统及其工作方法 |
CN118153463A (zh) * | 2024-05-11 | 2024-06-07 | 三峡科技有限责任公司 | 电解槽故障在线检测方法、装置、设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20210222309A1 (en) | 2021-07-22 |
JP2021113357A (ja) | 2021-08-05 |
CA3105842A1 (en) | 2021-07-16 |
EP3851560A1 (en) | 2021-07-21 |
JP2023116434A (ja) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113136592A (zh) | 检测具有电解电池的电解装置中的故障的方法和系统 | |
EP1910588B1 (en) | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization | |
CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
US8152987B2 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
EP2006418B2 (en) | Efficiency optimization and damage detection of electrolysis cells | |
US7797137B2 (en) | Adaptive method and system of monitoring signals for detecting anomalies | |
EP2226411B1 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
CN114369849B (zh) | 一种电解槽健康度的监控方法、装置及电解槽监控系统 | |
Wei et al. | Remaining useful life estimation based on gamma process considered with measurement error | |
CA2794737C (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
US20220170170A1 (en) | Methods and systems for detecting contamination in electrolysis cells | |
CN109146341A (zh) | 一种基于抽样的冷备系统剩余寿命预测方法 | |
EP4345194A1 (en) | Method, apparatus, computer program and system for monitoring a state of a multi-cell electrolyzer | |
Marcos et al. | Self-Supervised Encoder for Fault Prediction in Electrochemical Cells | |
Sessa | Algorithms development for lifetime estimation of electrochemical devices using long term on-field experimental data | |
Tremblay et al. | Electrode Management Optimisation System | |
WO2024052195A1 (en) | Method and system for operating an electrochemical reactor | |
CN117852885A (zh) | 变电站关键设备的实时可靠性评估-故障定位方法及系统 | |
WO2022096616A1 (en) | Method and system for monitoring and/or operating a power system asset | |
CN117075498A (zh) | 一种电解水制氢能耗监测和仿生优化系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053623 Country of ref document: HK |