CN115365779B - 燃料电池的装配方法、装配装置及装配设备 - Google Patents
燃料电池的装配方法、装配装置及装配设备 Download PDFInfo
- Publication number
- CN115365779B CN115365779B CN202110540890.5A CN202110540890A CN115365779B CN 115365779 B CN115365779 B CN 115365779B CN 202110540890 A CN202110540890 A CN 202110540890A CN 115365779 B CN115365779 B CN 115365779B
- Authority
- CN
- China
- Prior art keywords
- assembly
- fuel cell
- parameters
- optimal
- digital twin
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004088 simulation Methods 0.000 claims abstract description 71
- 238000013507 mapping Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 276
- 239000012528 membrane Substances 0.000 description 7
- 238000000429 assembly Methods 0.000 description 5
- 230000000712 assembly Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
- B23P19/00—Machines for simply fitting together or separating metal parts or objects, or metal and non-metal parts, whether or not involving some deformation; Tools or devices therefor so far as not provided for in other classes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25B—TOOLS OR BENCH DEVICES NOT OTHERWISE PROVIDED FOR, FOR FASTENING, CONNECTING, DISENGAGING OR HOLDING
- B25B27/00—Hand tools, specially adapted for fitting together or separating parts or objects whether or not involving some deformation, not otherwise provided for
-
- 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
- H01M8/24—Grouping of fuel cells, e.g. stacking of fuel cells
- H01M8/2404—Processes or apparatus for grouping fuel cells
-
- 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)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种燃料电池的装配方法、装配装置及装配设备,属于燃料电池制备技术领域,所述装配方法包括:根据燃料电池以及燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;利用燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数的映射关系;获取目标燃料电池的零部件尺寸误差,利用映射关系确定目标燃料电池的最优装配参数;根据目标燃料电池的最优装配参数,控制装配平台对目标燃料电池进行装配。本发明通过建立燃料电池装配体数字孪生模型,可在装配前确定最优装配参数,在装配过程中还可实时动态模拟实际装配过程并对装配平台进行优化调整。
Description
技术领域
本发明涉及燃料电池制备技术领域,尤其涉及一种燃料电池的装配方法、装配装置及装配设备。
背景技术
质子交换膜燃料电池作为氢能利用的有效装置,通过氢气和氧气的电化学反应实现能源转换而获得电能。因为其具有能量转换效率快、比功率和比能量高、环境友好等突出优点越来越受到关注。目前常见的质子交换膜燃料电池主要采用板框式结构,燃料电池单电池由阳极极板、膜电极组件、阴极极板组成,多个单池依次堆叠构成燃料电池电堆。根据质子交换膜燃料电池的结构特点,零部件的加工误差、形位误差、燃料电池装配压力等因素都会对燃料电池的最终性能造成影响。
目前的燃料电池生产过程中,质子交换膜燃料电池的装配方式主要是通过机械设备进行自动化装配,利用机械装置在燃料电池组装平台上,依次将燃料电池中的相关组件以定位装置为基准进行堆叠,堆叠完成之后,在燃料电池两端施加一次或多次一定的压力,再通过螺栓螺母或绑带等连接机构进行固定以完成装配。现有技术中,燃料电池的装配压力通常是依据经验值进行设置,灵活性差、不能反应燃料电池的特定装配力需求;零部件相关数据、装配环节采集的数据等无法充分利用;并且装配过程中电池零部件以及电堆相关状态无法实时动态高保真的展示。
发明内容
有鉴于此,本发明提供一种燃料电池的装配方法、装配装置及装配设备,用于解决目前燃料电池的装配参数制定不灵活、不能反映不同燃料电池的特定装配力需求,装配相关数据无法充分利用,无法反映实际装配过程的问题。
为解决上述技术问题,第一方面,本发明提供一种燃料电池的装配方法,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配。
可选的,所述根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
可选的,所述利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数包括:
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
可选的,所述根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述装配方法还包括:
采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
第二方面,本发明还提供一种燃料电池的装配装置,包括:
模型构建模块,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
映射关系模块,用于利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
参数确定模块,用于获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
装配控制模块,用于根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配。
可选的,所述模型构建模块包括:
构建单元,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
整合单元,用于对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
可选的,所述映射关系模块包括:
初始制定单元,用于在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
仿真单元,用于利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
映射关系单元,用于根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述仿真单元包括:
仿真子单元,用于利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
求解子单元,用于根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
可选的,所述映射关系单元包括:
映射关系子单元,用于利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述装配装置还包括:
采集仿真模块,用于采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
调整模块,用于根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
第三方面,本发明还提供一种装配设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现上述任一种燃料电池的装配方法。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种燃料电池的装配方法中的步骤。
本发明的上述技术方案的有益效果如下:
本发明实施例中,通过建立燃料电池装配体数字孪生模型,可充分利用关联装配参数,在装配前确定最优装配参数,在装配过程中还可实时动态模拟实际装配过程并对装配平台进行优化调整,有效提高了燃料电池的装配质量。
附图说明
图1为本发明实施例一中的一种燃料电池的装配方法的流程示意图;
图2为本发明实施例二中的一种燃料电池的装配装置的结构示意图;
图3为本发明实施例三中的一种装配设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种燃料电池的装配方法的流程示意图,该方法包括以下步骤:
步骤11:根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型。
本发明的一些实施例中,用于构建燃料电池装配体数字孪生模型的关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者;其中,所述几何参数具体可以包括燃料电池物理实体的几何参数以及燃料电池中相关零部件物理实体的几何参数;所述材料参数具体可以包括燃料电池相关零部件的材料参数,具体可以通过查询或是进行试验获取;所述装配工况参数可以包括装配过程中的装配压力等。上述的零部件可以包括端板、集流板、双极板、膜电极组件以及密封圈等等,通常,构建燃料电池装配体数字孪生模型时考虑的零部件的数量越多,越能准确反映燃料电池的装配情况。
步骤12:利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
本发明实施例中,在构建了燃料电池装配体数字孪生模型之后,可以利用所述燃料电池装配体数字孪生模型进行仿真实验,对燃料电池的装配参数进行仿真。示例性的,可以根据燃料电池的装配条件、零部件的机械、物理性能等相关参数初步制定装配方案,将装配方案进行参数化处理,得到初始装配参数,然后将初始装配参数和零部件的相关参数作为燃料电池装配体数字孪生模型的输入,对装配方案进行仿真,根据仿真结果即可采用相关评估指标评估燃料电池采用上述装配方案进行仿真装配后的装配效果,接着,根据仿真结果和评估结果对初始装配参数进行优化,直到得到装配效果最好的装配方案,即得到某一确定零部件尺寸误差下的最优装配参数,再对不同零部件尺寸误差的燃料电池的装配方案重复上述步骤,即可得到不同零部件尺寸误差下对应的最优装配参数,从而建立起燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。其中,可选的,装配参数主要包括燃料电池的装配压力。
步骤13:获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数。
在对目标燃料电池进行实际装配之前,可以通过获取目标燃料电池的零部件尺寸误差,利用上述的映射关系确定目标燃料电池的零部件尺寸误差所对应的最优装配参数。
步骤14:根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配。
在确定了目标燃料电池的最优装配参数之后,即可根据得到的最优装配参数转换成装配平台的相应控制代码,从而控制装配平台对目标燃料电池进行装配。由于本发明实施例是根据当前目标燃料电池的零部件尺寸误差来确定最优装配参数,因此反映了当前目标燃料电池的装配压力的需求,装配参数灵活设置,从而可以有效提高目标燃料电池的装配效果。
本发明实施例中,通过建立燃料电池装配体数字孪生模型,可充分利用关联装配参数,在装配前确定最优装配参数,在装配过程中还可实时动态模拟实际装配过程并对装配平台进行优化调整,有效提高了燃料电池的装配质量。
在本发明的一些实施例中,所述根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
示例性的,可以在计算机建模软件上利用燃料电池以及所述燃料电池的零部件的关联装配参数,例如燃料电池以及相关零部件的几何参数、材料参数、装配工况参数等等,结合燃料电池的相关物理机理和装配行为,构建多个燃料电池装配体数字孪生子模型,所述多个燃料电池装配体数字孪生子模型主要包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型等,上述各燃料电池装配体数字孪生子模型共用上述关联装配参数、并针对不同问题进行构建,例如,燃料电池变形预测子模型主要用于探究关联装配参数对燃料电池变形的影响,零部件变形预测子模型主要用于探究关联装配参数对零部件变形的影响,而燃料电池性能预测子模型则主要用于探究关联装配参数对装配得到的燃料电池的性能的影响。然后,根据各燃料电池装配体数字孪生子模型的功能特点,并考虑各燃料电池装配体数字孪生子模型之间的协调关系,通过计算机软件对燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型进行调用、求解和结果展示,从而构建统一的燃料电池装配体数字孪生模型。
本发明的另一些实施例中,所述利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
具体的,燃料电池的零部件的尺寸误差范围即根据生产过程中燃料电池的零部件所允许的最大误差所确定出的范围,这里考虑的燃料电池的零部件可以是部分关键零部件,例如双极板以及膜电极组件等,也可以考虑更多或更少的零部件。然后,在上述尺寸误差范围内选取若干组零部件尺寸误差,制定出每一组零部件尺寸误差下的初始装配参数,将零部件尺寸误差、初始装配参数等作为燃料电池装配体数字孪生模型的输入,求解出该确定零部件尺寸误差下的最优装配参数,再对其余各组零部件尺寸误差重复上述步骤,即可得到每一组零部件尺寸误差下对应的最优装配参数,从而建立起燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
本发明的一些实施例中,所述利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数包括:
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
其中,将零部件尺寸误差、初始装配参数等作为燃料电池装配体数字孪生模型的输入,利用燃料电池装配体数字孪生模型进行仿真实验后,即可得到确定零部件尺寸误差下的仿真结果,之后即可采用预先制定的装配效果评估指标来评估燃料电池进行仿真装配后的装配效果,接着,可以根据装配效果和评估结果对初始装配参数进行优化,直至求解得到装配效果最好的装配方案,即得到该确定零部件尺寸误差下的最优装配参数。
在一些可选的实施方式中,所述装配效果评估指标可以包括零部件的应力应变指标、零部件的最大变形量、燃料电池的变形指标、燃料电池的关键性能指标等等,其中,燃料电池的关键性能指标主要包括燃料电池的输出电压、输出电流等。结合实际情况,可以为上述各装配效果评估指标设置相应的权重,然后将上述各装配效果评估指标以加权求和的方式计算得到装配效果综合评估指标,利用该装配效果综合评估指标即可综合评估燃料电池的装配效果。
在另一些可选的实施方式中,在根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数时,可以利用遗传算法结合上述的装配效果综合评估指标对零部件尺寸误差确定的情况下燃料电池的装配参数进行优化求解,得到最优装配参数。示例性的,可以将上述的装配效果综合评估指标作为遗传算法的适应度函数,遗传算法每次在计算种群适应度时,通过调用燃料电池装配体数字孪生模型进行求解。
具体的,以装配参数为装配压力为例,利用计算机软件平台的遗传算法工具箱,经过装配压力编码、初始化装配压力种群、计算种群适应度、选择操作、交叉操作、变异操作、迭代等算法过程,直至得到获得装配效果综合评估指标最优的燃料电池装配压力,即最优装配压力。
其中,装配压力编码包括:采用二进制数表示燃料电池的装配压力,每个装配压力值对应遗传算法中的一个染色体,二进制编码中的每一位数对应遗传算法中的一个基因;初始化装配压力种群包括:随机生成多个燃料电池装配压力初始值,所有初始值构成遗传算法的第一代种群;计算种群适应度包括:将装配效果综合评估指标作为遗传算法的适应度函数,求解每个装配压力值的适应度,适应度越高的燃料电池的装配压力越接近最优值;选择操作包括:根据种群适应度,在当前种群中选取若干装配压力值,利用种群适应度对初始种群中的装配压力值进行排序,并选取一定数量的装配压力值;交叉操作包括:根据基因重组的原理,对表示装配压力值的二进制数在特定位进行截断和重组,得到新的装配压力值;变异操作包括根据基因变异的原理,对选择操作和交叉操作步骤中表示装配压力值的二进制数在特定位进行随机的改变,得到新的装配压力值。
其中,经过上述选择操作、交叉操作、变异操作之后便获得了下一代种群;下一代种群中燃料电池的装配压力数值个数与上一代种群一样;选择操作、交叉操作、变异操作对下一代种群的作用程度由遗传算法中的选择算子、交叉算子和变异算子共同决定;多次重复计算种群适应度、选择操作、交叉操作、变异操作,直到预设的迭代次数,便可以获得燃料电池的最优装配压力。
本发明的另一些实施例中,所述根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
在获得每一组零部件尺寸误差和与之对应的最优装配参数之后,即可对这些成对的数据进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。在燃料电池的零部件尺寸误差确定的情况下,可以根据该映射关系,得到相应的最优装配参数。
上述步骤14中,可以利用装配平台的数控系统所配套的传感器实时采集燃料电池的零部件尺寸误差,并通过燃料电池的零部件尺寸误差与最优装配参数之间的映射关系得出最优装配参数;然后利用得到的最优装配参数,根据装配平台所配套的硬件系统,将最优装配参数转换成对应的数控系统的控制代码,从而控制装配平台对燃料电池的零部件进行自动化的堆叠工作,最终装配得到燃料电池。
在本发明的一些实施例中,所述燃料电池的装配方法还包括:
采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
也就是说,还可以在目标燃料电池进行实际装配的过程中,利用数控系统所配备的传感器实时采集相关的装配参数,包括燃料电池的实际装配压力、零部件的变形量等等,然后,将这些实际的装配参数作为燃料电池装配体数字孪生模型的输入,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,即在虚拟空间实时反映燃料电池的实际装配过程,并得到目标燃料电池的仿真结果;再根据所述仿真结果,确定实际装配过程中的动态的最优装配参数,然后将得到的动态的最优装配参数与实际的装配参数进行比较,根据差异值对装配平台进行优化调整,使实际的装配参数实时跟踪动态求解出的最优装配参数,从而使得燃料电池整个装配过程的装配参数最优。
在本申请实施例中,充分采集并利用燃料电池的关联装配参数,通过建立燃料电池装配体数字孪生模型对燃料电池的装配方案进行仿真和优化,可以节省大量的时间和人力物力,并在较短的时间内结合零部件的实际状态制定出较合理的燃料电池装配方案;还可以在虚拟空间中实时动态展示燃料电池的实际装配过程,并根据燃料电池的实际装配情况对装配参数进行动态的优化调整,确保了燃料电池的装配效果。
请参阅图2,图2是本发明实施例二提供的一种燃料电池的装配装置的结构示意图,该装配装置20包括:
模型构建模块21,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
映射关系模块22,用于利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
参数确定模块23,用于获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
装配控制模块24,用于根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配。
可选的,所述模型构建模块包括:
构建单元,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
整合单元,用于对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
可选的,所述映射关系模块包括:
初始制定单元,用于在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
仿真单元,用于利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
映射关系单元,用于根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述仿真单元包括:
仿真子单元,用于利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
求解子单元,用于根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
可选的,所述映射关系单元包括:
映射关系子单元,用于利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述装配装置还包括:
采集仿真模块,用于采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
调整模块,用于根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
本发明实施例是与上述方法实施例一对应的产品实施例,故在此不再赘述,详细请参阅上述实施例一。
请参阅图3,图3是本发明实施例三提供的一种装配设备的结构示意图,该装配设备30包括处理器31、存储器32及存储在所述存储器32上并可在所述处理器31上运行的计算机程序;所述处理器31执行所述计算机程序时实现如下步骤:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配。
可选的,所述根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
可选的,所述利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数包括:
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
可选的,所述根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
可选的,所述处理器31执行所述计算机程序时还可实现如下步骤:
采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
本发明实施例的具体工作过程与上述方法实施例一中的一致,故在此不再赘述,详细请参阅上述实施例一中方法步骤的说明。
本发明实施例四提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一中任一种燃料电池的装配方法中的步骤。详细请参阅以上对应实施例中方法步骤的说明。
上述计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种燃料电池的装配方法,其特征在于,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配;
其中,以装配参数作为装配压力,利用计算机软件平台的遗传算法工具箱,经过装配压力编码、初始化装配压力种群、计算种群适应度、选择操作、交叉操作、变异操作、迭代等算法过程,直至得到获得装配效果综合评估指标最优的燃料电池装配压力来作为最优装配压力;变异操作包括根据基因变异的原理,对选择操作和交叉操作步骤中表示装配压力值的二进制数在特定位进行随机的改变,得到新的装配压力值。
2.根据权利要求1所述的装配方法,其特征在于,所述根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型,包括:
根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
3.根据权利要求1所述的装配方法,其特征在于,所述利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
在燃料电池的零部件的尺寸误差范围内选取若干组零部件尺寸误差,制定每一组零部件尺寸误差下的初始装配参数;
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数;
根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
4.根据权利要求3所述的装配方法,其特征在于,所述利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,获取每一组零部件尺寸误差下的最优装配参数包括:
利用所述燃料电池装配体数字孪生模型对所述初始装配参数进行仿真实验,得到仿真结果;
根据所述仿真结果,求解不同零部件尺寸误差下的最优装配参数。
5.根据权利要求3所述的装配方法,其特征在于,所述根据所述若干组零部件尺寸误差和对应的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系包括:
利用神经网络对所述若干组零部件尺寸误差和对应的最优装配参数进行拟合,得到燃料电池的零部件尺寸误差与最优装配参数之间的映射关系。
6.根据权利要求1所述的装配方法,其特征在于,还包括:
采集所述目标燃料电池的实际装配参数,利用所述燃料电池装配体数字孪生模型对所述目标燃料电池的实际装配过程进行仿真,得到所述目标燃料电池的仿真结果;
根据所述目标燃料电池的仿真结果,对所述装配平台进行优化调整。
7.一种燃料电池的装配装置,其特征在于,包括:
模型构建模块,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建燃料电池装配体数字孪生模型;
映射关系模块,用于利用所述燃料电池装配体数字孪生模型进行仿真实验,获取不同零部件尺寸误差下的最优装配参数,建立燃料电池的零部件尺寸误差与最优装配参数之间的映射关系;
参数确定模块,用于获取目标燃料电池的零部件尺寸误差,利用所述映射关系确定所述目标燃料电池的最优装配参数;
装配控制模块,用于根据所述目标燃料电池的最优装配参数,控制装配平台对所述目标燃料电池进行装配;
其中,以装配参数作为装配压力,利用计算机软件平台的遗传算法工具箱,经过装配压力编码、初始化装配压力种群、计算种群适应度、选择操作、交叉操作、变异操作、迭代等算法过程,直至得到获得装配效果综合评估指标最优的燃料电池装配压力来作为最优装配压力;变异操作包括根据基因变异的原理,对选择操作和交叉操作步骤中表示装配压力值的二进制数在特定位进行随机的改变,得到新的装配压力值。
8.根据权利要求7所述的装配装置,其特征在于,所述模型构建模块包括:
构建单元,用于根据燃料电池以及所述燃料电池的零部件的关联装配参数,构建多个燃料电池装配体数字孪生子模型;
整合单元,用于对所述多个燃料电池装配体数字孪生子模型进行整合,构建统一的燃料电池装配体数字孪生模型;
其中,所述关联装配参数包括几何参数、材料参数、装配工况参数中的至少一者,所述多个燃料电池装配体数字孪生子模型包括燃料电池变形预测子模型、零部件变形预测子模型以及燃料电池性能预测子模型。
9.一种装配设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的燃料电池的装配方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6中任一项所述的燃料电池的装配方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540890.5A CN115365779B (zh) | 2021-05-18 | 2021-05-18 | 燃料电池的装配方法、装配装置及装配设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110540890.5A CN115365779B (zh) | 2021-05-18 | 2021-05-18 | 燃料电池的装配方法、装配装置及装配设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115365779A CN115365779A (zh) | 2022-11-22 |
CN115365779B true CN115365779B (zh) | 2024-05-03 |
Family
ID=84058379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110540890.5A Active CN115365779B (zh) | 2021-05-18 | 2021-05-18 | 燃料电池的装配方法、装配装置及装配设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115365779B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992603B (zh) * | 2023-09-27 | 2023-12-01 | 苏州俊煌机械科技有限公司 | 一种精准化机械密封方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
CN105787200A (zh) * | 2016-03-22 | 2016-07-20 | 上海交通大学 | 大型部件自动对接装配方法及系统 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
CN109873185A (zh) * | 2017-12-04 | 2019-06-11 | 通用电气公司 | 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法 |
CN110705882A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 孪生数据驱动的船舶组立产品质量管控系统及配置方法 |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理系统及方法 |
CN111274671A (zh) * | 2019-12-31 | 2020-06-12 | 东南大学 | 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统 |
KR102169047B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
WO2020260623A1 (en) * | 2019-06-28 | 2020-12-30 | Analog Devices International Unlimited Company | Battery fleet monitoring systems |
DE102019118002A1 (de) * | 2019-07-03 | 2021-01-07 | Günther Battenberg | Verfahren und System zur Prüfung und/oder Montage eines Objekts mittels eines Roboters |
CN112699504A (zh) * | 2020-12-24 | 2021-04-23 | 北京理工大学 | 装配体物理数字孪生建模方法、装置、电子设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
CN110989506A (zh) * | 2019-11-02 | 2020-04-10 | 温州大学 | 一种断路器自动化装配数字孪生车间的管理平台 |
-
2021
- 2021-05-18 CN CN202110540890.5A patent/CN115365779B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968056A (zh) * | 2012-12-07 | 2013-03-13 | 上海电机学院 | 质子交换膜燃料电池的建模系统及其智能预测控制方法 |
CN105787200A (zh) * | 2016-03-22 | 2016-07-20 | 上海交通大学 | 大型部件自动对接装配方法及系统 |
CN109873185A (zh) * | 2017-12-04 | 2019-06-11 | 通用电气公司 | 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法 |
CN109445305A (zh) * | 2018-10-26 | 2019-03-08 | 中国电子科技集团公司第三十八研究所 | 一种基于数字孪生的装配精度仿真分析方法与系统 |
WO2020260623A1 (en) * | 2019-06-28 | 2020-12-30 | Analog Devices International Unlimited Company | Battery fleet monitoring systems |
DE102019118002A1 (de) * | 2019-07-03 | 2021-01-07 | Günther Battenberg | Verfahren und System zur Prüfung und/oder Montage eines Objekts mittels eines Roboters |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理系统及方法 |
CN110705882A (zh) * | 2019-09-30 | 2020-01-17 | 江苏科技大学 | 孪生数据驱动的船舶组立产品质量管控系统及配置方法 |
CN111274671A (zh) * | 2019-12-31 | 2020-06-12 | 东南大学 | 一种基于数字孪生的复杂产品装配过程精准修配方法及其运行系统 |
KR102169047B1 (ko) * | 2020-07-14 | 2020-10-22 | 지엘홀딩스 주식회사 | 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 |
CN112699504A (zh) * | 2020-12-24 | 2021-04-23 | 北京理工大学 | 装配体物理数字孪生建模方法、装置、电子设备及介质 |
Non-Patent Citations (4)
Title |
---|
基于BP神经网络和遗传算法的机箱壳注塑工艺参数多目标优化;郝彦琴;龙春光;;工程塑料应用;20180310(03);73-79、115 * |
数字孪生车间在复杂产品装配过程中的应用探索;胡秀琨等;航空制造技术;第64卷(第3期);87-96 * |
胡秀琨等.数字孪生车间在复杂产品装配过程中的应用探索.航空制造技术.2021,第64卷(第3期),87-96. * |
鲍劲松.基于VR/AR的智能制造技术.华中科技大学出版社,2020,(第1版),298-300. * |
Also Published As
Publication number | Publication date |
---|---|
CN115365779A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ohenoja et al. | Validation of genetic algorithm results in a fuel cell model | |
Gong et al. | Parameter identification of an SOFC model with an efficient, adaptive differential evolution algorithm | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN111415061B (zh) | 一种可再生能源电力系统的综合评价方法及装置 | |
CN115365779B (zh) | 燃料电池的装配方法、装配装置及装配设备 | |
CN116011608B (zh) | 光伏功率超短期预测方法及装置、电子设备、存储介质 | |
CN113935225B (zh) | 一种基于机器学习的液流电池电堆优化和性能预测方法 | |
Miao et al. | Metamodel based design optimization approach in promoting the performance of proton exchange membrane fuel cells | |
CN112465271A (zh) | 一种面向储能平抑风电波动场景的储能电池选型方法 | |
CN110688762B (zh) | 一种固体氧化物燃料电池电堆模型构建方法 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
Erlin et al. | Parameter derivation of a proton exchange membrane fuel cell based on coevolutionary ribonucleic acid genetic algorithm | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN113078335B (zh) | 质子交换膜燃料电池的性能分析方法、装置及终端设备 | |
CN114971427A (zh) | 基于熵权-层次分析法的储能电站并网安全评价方法 | |
CN114094150B (zh) | 一种基于机器学习的液流电池电堆最优操作条件预测方法 | |
CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
CN114548762A (zh) | 基于时空图神经网络的电力系统连锁故障风险实时评估方法及系统 | |
Singla et al. | Solid oxide fuel cell parameter estimation using enhanced LSHADE algorithm and Newton Raphson method | |
Ohenoja et al. | Identification of electrochemical model parameters in PEM fuel cells | |
CN112215253A (zh) | 一种基于降噪自编码的锂电池储能系统监测方法及系统 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
CN115545465B (zh) | 一种分布式光伏和储能的多目标联合规划方法及系统 | |
Geng et al. | A Comparative Study of Fuel Cell Prediction Models Based on Relevance Vector Machines with Different Kernel Functions | |
CN118191623B (zh) | 基于aga-svr的燃料电池剩余使用寿命的预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |