CN117217031B - 一种用于燃料电池电堆的智能生产方法及系统 - Google Patents
一种用于燃料电池电堆的智能生产方法及系统 Download PDFInfo
- Publication number
- CN117217031B CN117217031B CN202311489056.3A CN202311489056A CN117217031B CN 117217031 B CN117217031 B CN 117217031B CN 202311489056 A CN202311489056 A CN 202311489056A CN 117217031 B CN117217031 B CN 117217031B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- performance
- pile
- fuel cell
- 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 131
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 109
- 238000013461 design Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 21
- 239000000470 constituent Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000007789 gas Substances 0.000 description 19
- 230000004044 response Effects 0.000 description 14
- 238000009792 diffusion process Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 230000008021 deposition Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000002459 sustained effect Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 230000003245 working effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Fuel Cell (AREA)
Abstract
本发明提出一种用于燃料电池电堆的智能生产方法及系统，包括：根据整体性能需求数据、电堆性能需求数据确定待生产电堆的各个组成部件的第一生产数据；获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据并据此确定样本电堆的各样本组成部件间的第一匹配关系模型和第一影响关系模型；根据第一匹配关系模型和第一影响关系模型对第一生产数据进行修改得到第二生产数据；根据第二生产数据生产出待生产电堆的各个组成部件；将各个组成部件组装成电堆并进行测试。通过本发明方案，不仅可以对电堆的生产进行智能高效地控制，而且充分评估各组成部件间的性能匹配关系、工作影响关系以更精细化地生产电堆的各组成部件，从而得到高质量的电堆。
Description
技术领域
本发明涉及燃料电池技术领域，具体涉及一种用于燃料电池电堆的智能生产方法及系统。
背景技术
现有的电堆生产方法包括：电堆需求定义、电堆整体参数设计、电堆各组成部件的参数设计及生产和测试等、堆叠和预装配、压缩、张紧、泄漏测试、定型装配、活化和测试、成品等。现有的电堆生产方法较为粗放，重点在于对组成部件的组装与电堆整体测试等方面，对于电堆各组成部件的设计与生产缺乏对于各组成部件间的性能匹配关系、工作影响关系等的综合性判断与预估，导致不能提供高性能的电堆。
发明内容
本发明正是基于上述问题，提出了一种用于燃料电池电堆的智能生产方法及系统，通过本发明方案，不仅可以对电堆的生产进行智能高效地控制，而且充分评估各组成部件间的性能匹配关系、工作影响关系以更精细化地生产电堆的各组成部件，从而得到高质量的电堆。
有鉴于此，本发明的一方面提出了一种用于燃料电池电堆的智能生产方法，包括：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
将各个所述第一组成部件组装成第一电堆，并进行测试。
可选地，所述根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据的步骤，包括：
根据所述整体性能需求数据确定所述待生产电堆的总体指标；
根据所述电堆性能需求数据确定所述待生产电堆的关键指标；
根据所述总体指标和所述关键指标确定所述待生产电堆的初步设计方案；
根据所述初步设计方案，确定每个所述第一组成部件的第一设计数据、每个所述第一组成部件的第一数量；
根据各个所述第一组成部件之间的匹配性、功能兼容性、工作环境适应性，以及工艺水平、成本控制、后期维修，修改所述第一设计数据得到各个所述第一组成部件的所述第一生产数据。
可选地，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
从所述各项性能数据和所述属性数据中提取所述样本电堆的所述各样本组成部件的技术参数；
根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系，并结合预设的第一神经网络建立所述第一匹配关系模型。
可选地，所述根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系，并结合预设的第一神经网络建立所述第一匹配关系模型的步骤，还包括：
根据所述样本电堆的工作原理分析各个所述样本组成部件的功能和作用，并结合所述技术参数确定各个所述样本组成部件间相互匹配的关键技术参数；
针对所述关键技术参数，计算其匹配程度，形成匹配数据集；
利用所述匹配数据集，训练经过预训练的第一神经网络，输入为部件的参数，输出为匹配程度值；
调整所述第一神经网络的结构和参数，完成训练，得到匹配关系的神经网络模型；
对所述样本电堆中的部分组合进行验证，评估所述神经网络模型输出的匹配程度与实际情况的偏差；
若偏差过大，收集新的样本电堆数据重新训练网络，再次验证，直至所述神经网络模型输出精度达到第一预设要求，得到所述第一匹配关系模型。
可选地，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系；
获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据；
结合所述第一影响关系和所述影响数据建立部件间的第一影响关系模型。
可选地，所述根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系的步骤，包括：
从所述各项性能数据、所述属性数据和所述历史工作数据中提取所述各样本组成部件的所述部件工作参数；
确定不同工作条件下所述部件工作参数的变化与所述电堆性能指标的第一关联关系；
结合所述第一关联关系，使用回归分析方法，得到所述部件工作参数与电堆性能指标之间的第一关系模型；
结合所述第一关系模型训练所述第二神经网络，学习所述部件工作参数和所述电堆性能参数之间的所述第一关联关系，并确定所述部件工作参数间的第二关联关系；
调整所述第二神经网络，将输入数据设置为所述部件工作参数和所述电堆性能指标，将输出数据设置为所述各样本组成部件间的影响关系；
获取验证数据集，并利用所述验证数据集检验所述第二神经网络的判断效果；
若所述判断效果不符合第一预期值，则优化所述第二神经网络的网络结构和参数；
若所述判断效果符合所述第一预期值，输出所述各样本组成部件间的所述第一影响关系。
可选地，所述获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据的步骤，包括：
根据所述历史故障数据和所述历史检修数据，分类统计所述各样本组成部件中的不同部件的故障次数、故障时间、故障类型、故障原因；
从所述电堆性能指标中确定故障发生前第一预设时段内的第一电堆性能参数和故障发生后第二预设时段内的第二电堆性能参数；
比对分析所述第一电堆性能参数与所述第二电堆性能参数变化的幅度，得到第一比对结果；
结合所述故障次数、所述故障时间、所述故障类型、所述故障原因和所述第一比对结果，通过回归分析方法确定不同部件故障与电堆性能参数变化之间的影响关系、影响程度，得到所述影响数据。
可选地，所述根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据的步骤，包括：
根据所述第一生产数据，利用所述第一影响关系模型确定对所述待生产电堆的性能产生影响的各个所述第一组成部件的关键参数；
调整所述关键参数的值，并利用所述第一匹配关系模型评估各个所述第一组成部件的参数组合的匹配度；
重复上一步骤，直到各个所述第一组成部件的所述匹配度达到阈值要求；
将调整后的所述关键参数替换所述第一生产数据中的对应数据，并添加成本和工艺约束条件，得到所述第二生产数据。
可选地，所述将各个所述第一组成部件组装成第一电堆，并进行测试的步骤，包括：
实时获取各个所述第一组成部件的第一属性数据；
在组装过程的关键工艺环节设置第一检测设备获取第一检测数据；
使用第二检测设备实时监测所述第一电堆的内部组装质量，得到第二检测数据；
在组装系统中设置传感器，得到第三检测数据；
将所述第一属性数据输入预设的标准组装模型，得到第一标准值；
将所述第一检测数据、所述第二检测数据和所述第三检测数据与所述第一标准值进行比对，得到第一组装比对数据；
根据所述第一组装比对数据对所述第一电堆的组装过程进行控制。
本发明的另一方面提供一种用于燃料电池电堆的智能生产系统，包括：服务器、生产子系统、组装子系统；其中，
所述服务器被配置为：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
所述生产子系统被配置为：根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
所述组装子系统被配置为：将各个所述第一组成部件组装成第一电堆，并进行测试。
采用本发明的技术方案，用于燃料电池电堆的智能生产方法包括：获取燃料电池系统的整体性能需求数据和电堆性能需求数据；根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据；获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；将各个所述第一组成部件组装成第一电堆，并进行测试。通过本发明方案，不仅可以对电堆的生产进行智能高效地控制，而且充分评估各组成部件间的性能匹配关系、工作影响关系以更精细化地生产电堆的各组成部件，从而得到高质量的电堆。
附图说明
图1是本发明一个实施例提供的用于燃料电池电堆的智能生产方法的流程图；
图2是本发明一个实施例提供的用于燃料电池电堆的智能生产系统的示意框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。另外，虽然附图中显示了本公开的实施例，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”仅用于描述目的或区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量（或描述特定顺序）。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种用于燃料电池电堆的智能生产方法及系统。
如图1所示，本发明一个实施例提供一种用于燃料电池电堆的智能生产方法，包括：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据（包括但不限于各部件的性能需求、规格、数量、工作参数、工作条件限制等数据）；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
将各个所述第一组成部件组装成第一电堆，并进行测试。
在本发明实施例中，根据人工智能、三维建模等技术，根据样本燃料电池系统的各项性能数据、属性数据及历史工作数据等确定样本电堆的各样本组成部件间的第一匹配关系（如形状、规格、材质、数量等方面的匹配关系）和工作时的第一影响关系（如气体扩散层的厚度、孔隙率、机械强度等与双极板流道内气体控制间的影响关系、气体扩散层与催化层接触面积对催化剂层化学反应的影响等），再根据第一匹配关系和第一影响关系对待生产电堆的各个第一组成部件的生产数据进行修改以智能、高效、准确地生产出合格的电堆。
可以理解的是，在本实施例中，燃料电池系统的整体性能需求数据包括但不限于：电压输出特性（包括燃料电池在不同负载条件下的输出电压范围和稳定性要求）、功率输出特性（包括燃料电池的最大输出功率、最小输出功率、功率响应速度等参数）、效率（包括燃料电池在不同负载条件下的系统效率）、寿命和可靠性（包括要求的工作寿命周期、启动/停机循环次数、正常使用情况下的可靠性指标等）、工作环境（包括允许的工作温度范围、湿度范围、进气质量等参数）、物理参数（包括产品的体积、质量、机械强度和冲击耐受性等）、安全性（对燃料、氧化剂、水的要求以及防爆要求）、环境适应性（对工作环境的适应性要求，如防尘、防水、防盐雾等）、节能和环境影响（如系统效率、污染物排放等指标）等；在具体设计燃料电池系统时，就需要根据这些整体性能指标来确定单元和部件的技术指标，以满足整机的总体需求。
燃料电池的电堆性能需求数据包括但不限于：电压-电流特性（包括开路电压、工作电压范围、极化曲线等参数）、功率密度（单位体积或单位质量下的最大功率输出）、启动和响应特性（评价燃料电池电堆启动和动态响应的快速性）、效率（包括峰值效率、部分负载效率、系统效率等）、寿命（要求电堆在指定条件下的持续正常工作时间）、功率范围（要求电堆能够正常工作的最小功率和最大功率）、工作温度（要求电堆能够适应的温度工作范围）、加湿（对燃料电池供气加湿的要求）、积炭（对电堆在长时间工作后积炭的容限要求）、环保（对污染物排放的限制）、机械强度（要求电堆堆体的抗压、抗震动的机械强度）、安全（要求电堆工作的可靠性和安全性）、成本（对电堆成本的预期）等；这些参数的要求直接影响燃料电池电堆的设计方案选择。
样本燃料电池系统的各项性能数据包括但不限于：功率性能数据（如最大输出功率、最小稳定输出功率、功率响应速率等）、电压性能数据（如开路电压、工作电压范围、电压稳定性能等）、当前性能数据（如最大输出电流、最小输出电流、过载能力等）、效率数据（如最大系统效率、部分负载效率曲线、效率响应特性等）、寿命和可靠性数据（如工作寿命期、目标无故障运行时间、维护周期等）、环境适应性数据（如工作温度范围、工作湿度范围、防尘防水级别等）、热管理数据（如系统热平衡、关键部件的温度数据、冷却系统性能等）、控制性能数据（如启动时间、怠速稳定性、负载跟踪能力等）；获取这些全面的性能数据可以对样本燃料电池系统有一个整体的评估。
样本燃料电池系统的属性数据包括但不限于：系统配置（如单电池、电堆或整体系统等）、电池种类（如所使用的燃料电池的类型）、系统组成（包括燃料电池模块、空气/燃料供应模块、热管理模块、电力调节转换模块等）、工作温度（如系统正常工作的温度范围）、工作压力（如各子系统的工作压力范围）、气体成分（如供给燃料电池的空气/燃料的组成和纯度）、气体流量（如进入燃料电池的空气/燃料流量）、湿度（如空气/燃料的相对湿度）、系统输出电压（如在指定条件下的系统电压输出）、系统输出功率（如在指定条件下的系统功率输出）、效率（如在不同工作条件下的系统效率）、控制方式（如系统的控制策略）、尺寸和重量（如系统的整体尺寸和重量）、适用范围（如系统适用的具体应用领域）等；明确这些属性数据，可以全面评估样本燃料电池系统的工作特性和性能指标。
应当说明的是，样本燃料电池系统的各项性能数据性能数据反映了系统的功能特性，如功率输出、响应速度、效率等，这些都是可以通过测试获得的定量指标。而属性数据主要反映了系统的组成结构、工作原理、设计参数等静态信息，这些信息常在系统说明书中提供。性能数据是与外部条件综合作用的结果，会受负载、温度、压力等影响；属性数据相对稳定。性能数据通常需要通过仪器测试获得，有一定的测试误差；属性数据一般来自设计参数，准确度较高。性能数据可以评估系统的工作效果，是动态的；属性数据描述系统的静态特征。性能数据与系统的控制策略、组装工艺等有关；属性数据主要与设计方案相关。一套属性数据可以衍生出多组性能数据；性能数据可以反推属性参数。性能数据直接关联系统的使用效果；属性数据反映设计构思。总之，性能数据和属性数据都很重要，相互补充可以全面评估样本燃料电池系统以及为燃料电池系统的设计与生产提供参考。
样本燃料电池系统的历史工作数据包括但不限于：工作时间记录（如系统总共的工作时间和各关键组件的工作时间）、启动停机次数（如系统的启动和正常停机次数记录）、怠速时间（系统处于怠速状态的时间记录）、负载工作时间（在不同负载条件下工作的时间记录）、输出电压记录（在不同负载条件下的输出电压数据记录）、输出电流记录（在不同负载条件下的输出电流数据记录）、输出功率记录（在不同负载条件下的输出功率数据记录）、效率记录（在不同负载条件下的系统效率数据记录）、温度记录（关键部件和系统环境的温度记录）、压力记录（气体压力和流量的记录数据）、湿度记录（入口气体湿度的记录数据）、报警和故障记录（系统在运行中报警和故障信息的记录）、维护保养记录（例行维护保养相关信息记录）、性能衰减记录（系统性能衰减数据的记录），以及各子系统（如供氢子系统、电堆子系统、供氧子系统、冷却子系统、加湿子系统等）的历史工作数据等；这些历史工作数据可以帮助评估系统的使用状态，为新燃料电池系统或电堆的设计/生产提供参考。
采用该实施例的技术方案，通过获取燃料电池系统的整体性能需求数据和电堆性能需求数据；根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据；获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；将各个所述第一组成部件组装成第一电堆，并进行测试。通过本发明方案，不仅可以对电堆的生产进行智能高效地控制，而且充分评估各组成部件间的性能匹配关系、工作影响关系以更精细化地生产电堆的各组成部件，从而得到高质量的电堆。
在本发明一些可能的实施方式中，所述根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据的步骤，包括：
根据所述整体性能需求数据确定所述待生产电堆的总体指标（比如功率输出、电压范围、工作温度范围、体积限制、效率要求等）；
根据所述电堆性能需求数据确定所述待生产电堆的关键指标（比如双极板的电阻、气体扩散层的孔隙率、催化剂负载量、质子交换膜的导电性等）；
根据所述总体指标和所述关键指标确定所述待生产电堆的初步设计方案（包括但不限于燃料电池类型、电堆功能和性能要求、电池单元的数目、各部件的规格和材质、组装要求等）；
根据所述初步设计方案，确定每个所述第一组成部件的第一设计数据（包括但不限于具体材料选择、尺寸、性能参数等）、每个所述第一组成部件的第一数量；
根据各个所述第一组成部件之间的匹配性、功能兼容性、工作环境适应性，以及工艺水平、成本控制、后期维修等方面的要求或指定指标，修改所述第一设计数据（如修改各部件的具体规格、工作参数、限制条件等）得到各个所述第一组成部件的所述第一生产数据。
在本实施例中，通过系统化的分析和计算，就可以得到用于指导生产的详细且可行的第一生产数据。
在本发明一些可能的实施方式中，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
从所述各项性能数据和所述属性数据中提取所述样本电堆的所述各样本组成部件的技术参数（比如双极板的电阻率、流场板的厚度、气体扩散层的孔隙率等）；
根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系（如双极板流道和扩散层的孔径匹配以确保气体扩散、气体扩散层与催化剂层间接触面积与接触电阻的匹配与平衡、双极板的厚度与其他部件的匹配、气体扩散层的厚度与其他部件间的匹配等），并结合预设的第一神经网络建立所述第一匹配关系模型。
在本实施例中，可以系统地确定样本电堆内各部件间的匹配关系，为后续电堆的设计与生产提供依据。
在本发明一些可能的实施方式中，所述根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系，并结合预设的第一神经网络建立所述第一匹配关系模型的步骤，还包括：
根据所述样本电堆的工作原理分析各个所述样本组成部件的功能和作用，并结合所述技术参数确定各个所述样本组成部件间相互匹配的关键技术参数；
针对所述关键技术参数，计算其匹配程度（如孔径差值、接触面积比等），形成匹配数据集；
利用所述匹配数据集，训练经过预训练的第一神经网络（如多层前馈神经网络），输入为部件的参数，输出为匹配程度值；
调整所述第一神经网络的结构和参数，完成训练，得到匹配关系的神经网络模型；
对所述样本电堆中的部分组合（如不同规格的部件组合）进行验证，评估所述神经网络模型输出的匹配程度与实际情况的偏差；
若偏差过大，收集新的样本电堆数据重新训练网络，再次验证，直至所述神经网络模型输出精度达到第一预设要求，得到所述第一匹配关系模型。
在本实施例中，可以利用神经网络建立样本部件的匹配关系模型，指导后续的部件优化设计。
在本发明一些可能的实施方式中，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系（在不同工作条件下，比较所述部件工作参数的变化对电堆效率、输出电压的影响，确定所述各样本组成部件间的影响关系）；
获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据（如通过多因素分析确定哪些部件和参数对电堆性能影响最大）；
结合所述第一影响关系和所述影响数据建立部件间的第一影响关系模型。
在本发明一些可能的实施方式中，综合上述分析结果，确定各样本组成部件间在匹配性、兼容性、影响程度等方面的关系；用图像、表格或关系图的形式直观表示不同部件间的匹配关系和影响关系；在确定的关系基础上，分析部件的优化空间，给出改进建议；验证关系模型的正确性，并持续优化更新关系模型。
在本实施例中，可以系统地确定在工作时样本电堆内各部件间的影响关系，为后续电堆的设计与生产提供参考。
在本发明一些可能的实施方式中，所述根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系的步骤，包括：
从所述各项性能数据、所述属性数据和所述历史工作数据中提取所述各样本组成部件的所述部件工作参数（如温度、压力、流量等数据）；
确定不同工作条件下所述部件工作参数的变化与所述电堆性能指标的第一关联关系；
结合所述第一关联关系，使用回归分析方法，得到所述部件工作参数与电堆性能指标之间的第一关系模型；
结合所述第一关系模型训练所述第二神经网络，学习所述部件工作参数和所述电堆性能参数之间的所述第一关联关系，并确定所述部件工作参数间的第二关联关系；
调整所述第二神经网络，将输入数据设置为所述部件工作参数和所述电堆性能指标，将输出数据设置为所述各样本组成部件间的影响关系；
获取验证数据集，并利用所述验证数据集检验所述第二神经网络的判断效果；
若所述判断效果不符合第一预期值，则优化所述第二神经网络的网络结构和参数；
若所述判断效果符合所述第一预期值，输出所述各样本组成部件间的所述第一影响关系。
在本实施例中，可以从所述各项性能数据、所述属性数据和所述历史工作数据中提取电堆性能指标，电堆性能指标包括但不限于：电压-电流特性（包括开路电压、工作电压范围、极化曲线等参数）、功率密度（单位体积或单位质量下的最大功率输出）、启动和响应特性（评价燃料电池电堆启动和动态响应的快速性）、效率（包括峰值效率、部分负载效率、系统效率等）、寿命（要求电堆在指定条件下的持续正常工作时间）、功率范围（要求电堆能够正常工作的最小功率和最大功率）、工作温度（要求电堆能够适应的温度工作范围）、加湿（对燃料电池供气加湿的要求）、积炭（对电堆在长时间工作后积炭的容限要求）、环保（对污染物排放的限制）、机械强度（要求电堆堆体的抗压、抗震动的机械强度）、安全（要求电堆工作的可靠性和安全性）、成本（对电堆成本的预期）、以及各组成部件的性能数据等。
通过本实施例，可以充分利用各种数据建立部件的参数与电堆性能指标之间的关系模型，进而得到各样本组成部件间在工作时的影响关系，以指导后续的改进设计。
在本发明一些可能的实施方式中，所述获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据的步骤，包括：
根据所述历史故障数据和所述历史检修数据，分类统计所述各样本组成部件中的不同部件的故障次数、故障时间、故障类型、故障原因；
从所述电堆性能指标中确定故障发生前第一预设时段内的第一电堆性能参数（比如效率、电压等）和故障发生后第二预设时段内的第二电堆性能参数（比如效率、电压等）；
比对分析所述第一电堆性能参数与所述第二电堆性能参数变化的幅度，得到第一比对结果；
结合所述故障次数、所述故障时间、所述故障类型、所述故障原因和所述第一比对结果，通过回归分析方法确定不同部件故障与电堆性能参数变化之间的影响关系、影响程度，得到所述影响数据。
在本实施例中，通过对历史故障和检修数据的分析，可以评估不同部件故障对系统性能的影响，指导后续的改进措施。
在本发明一些可能的实施方式中，所述根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据的步骤，包括：
根据所述第一生产数据（如各部件的性能指标、尺寸参数等），利用所述第一影响关系模型确定对所述待生产电堆的性能产生影响的各个所述第一组成部件的关键参数；
调整所述关键参数的值，并利用所述第一匹配关系模型评估各个所述第一组成部件的参数组合的匹配度；
重复上一步骤，直到各个所述第一组成部件的所述匹配度达到阈值要求；
将调整后的所述关键参数替换所述第一生产数据中的对应数据，并添加成本和工艺约束条件，得到所述第二生产数据。
在本实施例中，通过多模型联合优化的方式，可以自动修改第一生产数据，使之更符合部件匹配关系和影响关系，以指导电堆的制造。
在本发明一些可能的实施方式中，所述将各个所述第一组成部件组装成第一电堆，并进行测试的步骤，包括：
实时获取各个所述第一组成部件的第一属性数据；
在组装过程的关键工艺环节设置第一检测设备（如气密性检测、扭矩监控等设备）获取第一检测数据（如气密性数据、扭矩数据等）；
使用第二检测设备（如X射线机、B超等无损检测设备）实时监测所述第一电堆的内部组装质量，得到第二检测数据（如厚度数据、形状数据、平整度数据、贴合度数据等）；
在组装系统中设置传感器，得到第三检测数据（如压力、振动、温度等参数）；
将所述第一属性数据输入预设的标准组装模型，得到第一标准值（包括但不限于气密性数据、扭矩数据、厚度数据、形状数据、平整度数据、贴合度数据、压力、振动、温度等参数的标准值）；
将所述第一检测数据、所述第二检测数据和所述第三检测数据与所述第一标准值进行比对，得到第一组装比对数据；
根据所述第一组装比对数据对所述第一电堆的组装过程进行控制。
在本实施例中，通过实时监测与质量评估，可以确保第一电堆的组装质量。
请参见图2，本发明另一实施例提供一种用于燃料电池电堆的智能生产系统，包括：服务器、生产子系统、组装子系统；其中，
所述服务器被配置为：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据（包括但不限于各部件的性能需求、规格、数量、工作参数、工作条件限制等数据）；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
所述生产子系统被配置为：根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
所述组装子系统被配置为：将各个所述第一组成部件组装成第一电堆，并进行测试。
在本发明实施例中，根据人工智能、三维建模等技术，根据样本燃料电池系统的各项性能数据、属性数据及历史工作数据等确定样本电堆的各样本组成部件间的第一匹配关系（如形状、规格、材质、数量等方面的匹配关系）和工作时的第一影响关系（如气体扩散层的厚度、孔隙率、机械强度等与双极板流道内气体控制间的影响关系、气体扩散层与催化层接触面积对催化剂层化学反应的影响等），再根据第一匹配关系和第一影响关系对待生产电堆的各个第一组成部件的生产数据进行修改以智能、高效、准确地生产出合格的电堆。
可以理解的是，在本实施例中，燃料电池系统的整体性能需求数据包括但不限于：电压输出特性（包括燃料电池在不同负载条件下的输出电压范围和稳定性要求）、功率输出特性（包括燃料电池的最大输出功率、最小输出功率、功率响应速度等参数）、效率（包括燃料电池在不同负载条件下的系统效率）、寿命和可靠性（包括要求的工作寿命周期、启动/停机循环次数、正常使用情况下的可靠性指标等）、工作环境（包括允许的工作温度范围、湿度范围、进气质量等参数）、物理参数（包括产品的体积、质量、机械强度和冲击耐受性等）、安全性（对燃料、氧化剂、水的要求以及防爆要求）、环境适应性（对工作环境的适应性要求，如防尘、防水、防盐雾等）、节能和环境影响（如系统效率、污染物排放等指标）等；在具体设计燃料电池系统时，就需要根据这些整体性能指标来确定单元和部件的技术指标，以满足整机的总体需求。
燃料电池的电堆性能需求数据包括但不限于：电压-电流特性（包括开路电压、工作电压范围、极化曲线等参数）、功率密度（单位体积或单位质量下的最大功率输出）、启动和响应特性（评价燃料电池电堆启动和动态响应的快速性）、效率（包括峰值效率、部分负载效率、系统效率等）、寿命（要求电堆在指定条件下的持续正常工作时间）、功率范围（要求电堆能够正常工作的最小功率和最大功率）、工作温度（要求电堆能够适应的温度工作范围）、加湿（对燃料电池供气加湿的要求）、积炭（对电堆在长时间工作后积炭的容限要求）、环保（对污染物排放的限制）、机械强度（要求电堆堆体的抗压、抗震动的机械强度）、安全（要求电堆工作的可靠性和安全性）、成本（对电堆成本的预期）等；这些参数的要求直接影响燃料电池电堆的设计方案选择。
样本燃料电池系统的各项性能数据包括但不限于：功率性能数据（如最大输出功率、最小稳定输出功率、功率响应速率等）、电压性能数据（如开路电压、工作电压范围、电压稳定性能等）、当前性能数据（如最大输出电流、最小输出电流、过载能力等）、效率数据（如最大系统效率、部分负载效率曲线、效率响应特性等）、寿命和可靠性数据（如工作寿命期、目标无故障运行时间、维护周期等）、环境适应性数据（如工作温度范围、工作湿度范围、防尘防水级别等）、热管理数据（如系统热平衡、关键部件的温度数据、冷却系统性能等）、控制性能数据（如启动时间、怠速稳定性、负载跟踪能力等）；获取这些全面的性能数据可以对样本燃料电池系统有一个整体的评估。
样本燃料电池系统的属性数据包括但不限于：系统配置（如单电池、电堆或整体系统等）、电池种类（如所使用的燃料电池的类型）、系统组成（包括燃料电池模块、空气/燃料供应模块、热管理模块、电力调节转换模块等）、工作温度（如系统正常工作的温度范围）、工作压力（如各子系统的工作压力范围）、气体成分（如供给燃料电池的空气/燃料的组成和纯度）、气体流量（如进入燃料电池的空气/燃料流量）、湿度（如空气/燃料的相对湿度）、系统输出电压（如在指定条件下的系统电压输出）、系统输出功率（如在指定条件下的系统功率输出）、效率（如在不同工作条件下的系统效率）、控制方式（如系统的控制策略）、尺寸和重量（如系统的整体尺寸和重量）、适用范围（如系统适用的具体应用领域）等；明确这些属性数据，可以全面评估样本燃料电池系统的工作特性和性能指标。
应当说明的是，样本燃料电池系统的各项性能数据性能数据反映了系统的功能特性，如功率输出、响应速度、效率等，这些都是可以通过测试获得的定量指标。而属性数据主要反映了系统的组成结构、工作原理、设计参数等静态信息，这些信息常在系统说明书中提供。性能数据是与外部条件综合作用的结果，会受负载、温度、压力等影响；属性数据相对稳定。性能数据通常需要通过仪器测试获得，有一定的测试误差；属性数据一般来自设计参数，准确度较高。性能数据可以评估系统的工作效果，是动态的；属性数据描述系统的静态特征。性能数据与系统的控制策略、组装工艺等有关；属性数据主要与设计方案相关。一套属性数据可以衍生出多组性能数据；性能数据可以反推属性参数。性能数据直接关联系统的使用效果；属性数据反映设计构思。总之，性能数据和属性数据都很重要，相互补充可以全面评估样本燃料电池系统以及为燃料电池系统的设计与生产提供参考。
样本燃料电池系统的历史工作数据包括但不限于：工作时间记录（如系统总共的工作时间和各关键组件的工作时间）、启动停机次数（如系统的启动和正常停机次数记录）、怠速时间（系统处于怠速状态的时间记录）、负载工作时间（在不同负载条件下工作的时间记录）、输出电压记录（在不同负载条件下的输出电压数据记录）、输出电流记录（在不同负载条件下的输出电流数据记录）、输出功率记录（在不同负载条件下的输出功率数据记录）、效率记录（在不同负载条件下的系统效率数据记录）、温度记录（关键部件和系统环境的温度记录）、压力记录（气体压力和流量的记录数据）、湿度记录（入口气体湿度的记录数据）、报警和故障记录（系统在运行中报警和故障信息的记录）、维护保养记录（例行维护保养相关信息记录）、性能衰减记录（系统性能衰减数据的记录），以及各子系统（如供氢子系统、电堆子系统、供氧子系统、冷却子系统、加湿子系统等）的历史工作数据等；这些历史工作数据可以帮助评估系统的使用状态，为新燃料电池系统或电堆的设计/生产提供参考。
应当知道的是，图2所示的用于燃料电池电堆的智能生产系统的框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，可轻易想到变化或替换，均可作各种更动与修改，包含上述不同功能、实施步骤的组合，包含软件和硬件的实施方式，均在本发明的保护范围。
Claims (9)
1.一种用于燃料电池电堆的智能生产方法，其特征在于，包括：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
将各个所述第一组成部件组装成第一电堆，并进行测试；
所述根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据的步骤，包括：
根据所述整体性能需求数据确定所述待生产电堆的总体指标；
根据所述电堆性能需求数据确定所述待生产电堆的关键指标；
根据所述总体指标和所述关键指标确定所述待生产电堆的初步设计方案；
根据所述初步设计方案，确定每个所述第一组成部件的第一设计数据、每个所述第一组成部件的第一数量；
根据各个所述第一组成部件之间的匹配性、功能兼容性、工作环境适应性，以及工艺水平、成本控制、后期维修，修改所述第一设计数据得到各个所述第一组成部件的所述第一生产数据。
2.根据权利要求1所述的用于燃料电池电堆的智能生产方法，其特征在于，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
从所述各项性能数据和所述属性数据中提取所述样本电堆的所述各样本组成部件的技术参数；
根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系，并结合预设的第一神经网络建立所述第一匹配关系模型。
3.根据权利要求2所述的用于燃料电池电堆的智能生产方法，其特征在于，所述根据所述技术参数和所述样本电堆的工作原理分析所述样本组成部件间的功能匹配关系，并结合预设的第一神经网络建立所述第一匹配关系模型的步骤，还包括：
根据所述样本电堆的工作原理分析各个所述样本组成部件的功能和作用，并结合所述技术参数确定各个所述样本组成部件间相互匹配的关键技术参数；
针对所述关键技术参数，计算其匹配程度，形成匹配数据集；
利用所述匹配数据集，训练经过预训练的第一神经网络，输入为部件的参数，输出为匹配程度值；
调整所述第一神经网络的结构和参数，完成训练，得到匹配关系的神经网络模型；
对所述样本电堆中的部分组合进行验证，评估所述神经网络模型输出的匹配程度与实际情况的偏差；
若偏差过大，收集新的样本电堆数据重新训练网络，再次验证，直至所述神经网络模型输出精度达到第一预设要求，得到所述第一匹配关系模型。
4.根据权利要求3所述的用于燃料电池电堆的智能生产方法，其特征在于，所述根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型的步骤，包括：
根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系；
获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据；
结合所述第一影响关系和所述影响数据建立部件间的第一影响关系模型。
5.根据权利要求4所述的用于燃料电池电堆的智能生产方法，其特征在于，所述根据所述各项性能数据、所述属性数据和所述历史工作数据，分析所述各样本组成部件的部件工作参数与电堆性能指标的关系，结合预设的第二神经网络建立第一影响关系的步骤，包括：
从所述各项性能数据、所述属性数据和所述历史工作数据中提取所述各样本组成部件的所述部件工作参数；
确定不同工作条件下所述部件工作参数的变化与所述电堆性能指标的第一关联关系；
结合所述第一关联关系，使用回归分析方法，得到所述部件工作参数与电堆性能指标之间的第一关系模型；
结合所述第一关系模型训练所述第二神经网络，学习所述部件工作参数和所述电堆性能参数之间的所述第一关联关系，并确定所述部件工作参数间的第二关联关系；
调整所述第二神经网络，将输入数据设置为所述部件工作参数和所述电堆性能指标，将输出数据设置为所述各样本组成部件间的影响关系；
获取验证数据集，并利用所述验证数据集检验所述第二神经网络的判断效果；
若所述判断效果不符合第一预期值，则优化所述第二神经网络的网络结构和参数；
若所述判断效果符合所述第一预期值，输出所述各样本组成部件间的所述第一影响关系。
6.根据权利要求5所述的用于燃料电池电堆的智能生产方法，其特征在于，所述获取所述样本电堆的历史故障数据和历史检修数据，结合所述历史故障数据和所述历史检修数据分析所述各样本组成部件中不同部件的故障对所述样本燃料电池系统性能的影响数据的步骤，包括：
根据所述历史故障数据和所述历史检修数据，分类统计所述各样本组成部件中的不同部件的故障次数、故障时间、故障类型、故障原因；
从所述电堆性能指标中确定故障发生前第一预设时段内的第一电堆性能参数和故障发生后第二预设时段内的第二电堆性能参数；
比对分析所述第一电堆性能参数与所述第二电堆性能参数变化的幅度，得到第一比对结果；
结合所述故障次数、所述故障时间、所述故障类型、所述故障原因和所述第一比对结果，通过回归分析方法确定不同部件故障与电堆性能参数变化之间的影响关系、影响程度，得到所述影响数据。
7.根据权利要求6所述的用于燃料电池电堆的智能生产方法，其特征在于，所述根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据的步骤，包括：
根据所述第一生产数据，利用所述第一影响关系模型确定对所述待生产电堆的性能产生影响的各个所述第一组成部件的关键参数；
调整所述关键参数的值，并利用所述第一匹配关系模型评估各个所述第一组成部件的参数组合的匹配度；
重复上一步骤，直到各个所述第一组成部件的所述匹配度达到阈值要求；
将调整后的所述关键参数替换所述第一生产数据中的对应数据，并添加成本和工艺约束条件，得到所述第二生产数据。
8.根据权利要求7所述的用于燃料电池电堆的智能生产方法，其特征在于，所述将各个所述第一组成部件组装成第一电堆，并进行测试的步骤，包括：
实时获取各个所述第一组成部件的第一属性数据；
在组装过程的关键工艺环节设置第一检测设备获取第一检测数据；
使用第二检测设备实时监测所述第一电堆的内部组装质量，得到第二检测数据；
在组装系统中设置传感器，得到第三检测数据；
将所述第一属性数据输入预设的标准组装模型，得到第一标准值；
将所述第一检测数据、所述第二检测数据和所述第三检测数据与所述第一标准值进行比对，得到第一组装比对数据；
根据所述第一组装比对数据对所述第一电堆的组装过程进行控制。
9.一种用于燃料电池电堆的智能生产系统，其特征在于，包括：服务器、生产子系统、组装子系统；其中，
所述服务器被配置为：
获取燃料电池系统的整体性能需求数据和电堆性能需求数据；
根据所述整体性能需求数据、所述电堆性能需求数据确定所述燃料电池系统中的待生产电堆的各个第一组成部件的第一生产数据，具体为：根据所述整体性能需求数据确定所述待生产电堆的总体指标；根据所述电堆性能需求数据确定所述待生产电堆的关键指标；根据所述总体指标和所述关键指标确定所述待生产电堆的初步设计方案；根据所述初步设计方案，确定每个所述第一组成部件的第一设计数据、每个所述第一组成部件的第一数量；根据各个所述第一组成部件之间的匹配性、功能兼容性、工作环境适应性，以及工艺水平、成本控制、后期维修，修改所述第一设计数据得到各个所述第一组成部件的所述第一生产数据；
获取样本燃料电池系统的各项性能数据、属性数据及历史工作数据；
根据所述各项性能数据、所述属性数据及所述历史工作数据确定所述样本燃料电池系统中的样本电堆的各样本组成部件间的第一匹配关系模型和所述样本电堆工作时各样本组成部件间的第一影响关系模型；
根据所述第一匹配关系模型和所述第一影响关系模型对所述第一生产数据进行修改，得到第二生产数据；
所述生产子系统被配置为：根据所述第二生产数据分别生产出所述待生产电堆的各个所述第一组成部件；
所述组装子系统被配置为：将各个所述第一组成部件组装成第一电堆，并进行测试。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489056.3A CN117217031B (zh) | 2023-11-09 | 2023-11-09 | 一种用于燃料电池电堆的智能生产方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311489056.3A CN117217031B (zh) | 2023-11-09 | 2023-11-09 | 一种用于燃料电池电堆的智能生产方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217031A CN117217031A (zh) | 2023-12-12 |
| CN117217031B true CN117217031B (zh) | 2024-02-20 |
Family
ID=89044846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311489056.3A Active CN117217031B (zh) | 2023-11-09 | 2023-11-09 | 一种用于燃料电池电堆的智能生产方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217031B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
| CN114267844A (zh) * | 2021-11-09 | 2022-04-01 | 深圳市氢瑞燃料电池科技有限公司 | 一种燃料电池极板生产的系统与方法 |
| CN114880866A (zh) * | 2022-05-24 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种基于液压仿真模型的燃料电池空气系统性能快速匹配优化方法、系统和电子设备 |
| CN116435557A (zh) * | 2023-05-22 | 2023-07-14 | 深圳供电局有限公司 | 一种基于神经网络的燃料电池热管理方法、装置及系统 |
| CN116505034A (zh) * | 2023-06-28 | 2023-07-28 | 北京新研创能科技有限公司 | 一种用于氢燃料电池系统的安全管理方法及系统 |
| CN116525886A (zh) * | 2023-05-23 | 2023-08-01 | 清华大学 | 一种燃料电池优化工况确定方法及装置 |
| CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5310003B2 (ja) * | 2009-01-07 | 2013-10-09 | 新神戸電機株式会社 | 風力発電用鉛蓄電池制御システム |
-
2023
- 2023-11-09 CN CN202311489056.3A patent/CN117217031B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705839A (zh) * | 2021-09-13 | 2021-11-26 | 北京博瑞华通科技有限公司 | 一种燃料电池电堆的预测性维护方法以及维护系统 |
| CN114267844A (zh) * | 2021-11-09 | 2022-04-01 | 深圳市氢瑞燃料电池科技有限公司 | 一种燃料电池极板生产的系统与方法 |
| CN114880866A (zh) * | 2022-05-24 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种基于液压仿真模型的燃料电池空气系统性能快速匹配优化方法、系统和电子设备 |
| CN116435557A (zh) * | 2023-05-22 | 2023-07-14 | 深圳供电局有限公司 | 一种基于神经网络的燃料电池热管理方法、装置及系统 |
| CN116525886A (zh) * | 2023-05-23 | 2023-08-01 | 清华大学 | 一种燃料电池优化工况确定方法及装置 |
| CN116505034A (zh) * | 2023-06-28 | 2023-07-28 | 北京新研创能科技有限公司 | 一种用于氢燃料电池系统的安全管理方法及系统 |
| CN116995276A (zh) * | 2023-09-27 | 2023-11-03 | 爱德曼氢能源装备有限公司 | 燃料电池发电系统冷却方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 燃料电池空气供给系统控制参数的预测及仿真;全书海;卫国爱;潘牧;黄亮;林方鸿;;武汉理工大学学报(19);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217031A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113406505B (zh) | 一种燃料电池的剩余寿命预测方法及装置 | |
| Jouin et al. | Degradations analysis and aging modeling for health assessment and prognostics of PEMFC | |
| CN107180983B (zh) | 一种固体氧化物燃料电池电堆故障诊断方法和系统 | |
| CN111146478B (zh) | 一种用于质子交换膜燃料电池堆剩余使用寿命的预测方法 | |
| Steiner et al. | Diagnosis of polymer electrolyte fuel cells failure modes (flooding & drying out) by neural networks modeling | |
| KR102632527B1 (ko) | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 | |
| CN116231010B (zh) | 一种氢燃料电池系统故障诊断方法及系统 | |
| Zhang et al. | A health management review of proton exchange membrane fuel cell for electric vehicles: Failure mechanisms, diagnosis techniques and mitigation measures | |
| CN116381541A (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN115935659A (zh) | 一种燃料电池电堆寿命预测方法、系统及电子设备 | |
| CN112331888A (zh) | 一种基于仿真模型的燃料电池电堆模拟器 | |
| Ocampo‐Martinez et al. | Data‐driven fault diagnosis and robust control: application to PEM fuel cell systems | |
| CN117217031B (zh) | 一种用于燃料电池电堆的智能生产方法及系统 | |
| CN117117258B (zh) | 一种氢燃料电池系统的故障监测方法及装置 | |
| CN117558942A (zh) | 基于智能网联的燃料电池电堆下线的检测方法和系统 | |
| CN116959634B (zh) | Sofc电堆结构损伤及电化学性能衰减的寿命预测方法 | |
| Wahdame et al. | Analysis of a fuel cell durability test based on design of experiment approach | |
| Jacome et al. | A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling | |
| US6774637B2 (en) | Method of qualifying at least a portion of a fuel cell system and an apparatus employing same | |
| Wu et al. | Methods for estimating the accumulated nitrogen concentration in anode of proton exchange membrane fuel cell stacks based on back propagation neural network | |
| Anghel | Prediction failure for pem fuel cells | |
| Detti et al. | Proton exchange membrane fuel cell model for prognosis | |
| Chavez-Ramirez et al. | Dynamic model of 0 PEM electrolyzer based on artificial neural networks | |
| CN115312809B (zh) | 一种燃料电池一致性预测模型的建立方法 | |
| Salim et al. | Fault diagnosis of a commercial PEM fuel cell system using LMS AMESim |
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 |