CN117818057B - 一种用于燃料电池的质子交换膜制造方法及系统 - Google Patents
一种用于燃料电池的质子交换膜制造方法及系统 Download PDFInfo
- Publication number
- CN117818057B CN117818057B CN202410256344.2A CN202410256344A CN117818057B CN 117818057 B CN117818057 B CN 117818057B CN 202410256344 A CN202410256344 A CN 202410256344A CN 117818057 B CN117818057 B CN 117818057B
- Authority
- CN
- China
- Prior art keywords
- exchange membrane
- proton exchange
- data
- printing
- model
- 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
- 239000012528 membrane Substances 0.000 title claims abstract description 220
- 239000000446 fuel Substances 0.000 title claims abstract description 62
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000007639 printing Methods 0.000 claims abstract description 100
- 230000007547 defect Effects 0.000 claims abstract description 86
- 239000002994 raw material Substances 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 71
- 238000010146 3D printing Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000001303 quality assessment method Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000013441 quality evaluation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000001143 conditioned effect Effects 0.000 claims 1
- 239000000306 component Substances 0.000 description 60
- 230000001276 controlling effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000003054 catalyst Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007641 inkjet printing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Abstract
本发明提出一种用于燃料电池的质子交换膜制造方法及系统,方法包括:获取第一质子交换膜的定制需求数据和所用于的燃料电池的燃料电池数据;根据定制需求数据和燃料电池数据,利用第一预测模型预测第一标准组分和第一结构参数;根据第一标准组分,获取对应的原材料进行预调配;将预调配好的原料打印成型基础质子交换膜;基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的第一质子交换膜;利用深度学习模型对第一质子交换膜进行缺陷检测;根据缺陷检测结果对第一质子交换膜的打印过程进行优化。本发明方案通过智能化、数字化的制造流程,可提高质子交换膜的品质、性能和寿命,并实现个性化制造。
Description
技术领域
本发明涉及新能源技术领域,具体涉及一种用于燃料电池的质子交换膜制造方法及系统。
背景技术
质子交换膜(Proton Exchange Membrane,PEM)是质子交换膜燃料电池(ProtonExchange Membrane Fuel Cell,PEMFC)的核心部件,对燃料电池性能起着关键作用。它不仅具有阻隔反应物的作用,还具有传导质子的作用。在燃料电池内部,质子交换膜为质子的迁移和输送提供通道,使得质子经过膜从阳极到达阴极,与从外电路转移过来的电子构成回路,向外界提供电流,因此质子交换膜的性能对燃料电池起着非常重要的作用,它的好坏直接影响电池的性能和使用寿命。现有的质子交换膜制备方法合成过程复杂、制备周期长、制备过程无法精准控制,导致质子交换膜存在诸多质量问题。
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的质子交换膜制造方法及系统,通过本发明方案可提高质子交换膜的品质、性能和寿命,并实现个性化制造。
有鉴于此,本发明的一方面提出了一种用于燃料电池的质子交换膜制造方法,包括:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配;
将预调配好的原料采用3D打印技术打印成型基础质子交换膜;
制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
可选地,所述根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数的步骤,包括:
收集已有的质子交换膜的第一组分数据、第一结构数据以及第一性能参数作为第一训练数据;
使用机器学习算法建立质子交换膜组分、结构与目标性能参数之间的映射模型;
利用所述第一训练数据对所述映射模型进行训练以得到所述第一预测模型;
根据所述定制需求数据和所述燃料电池数据,确定所述第一质子交换膜的多个候选组分数据、多个候选结构数据以及标准性能指标;
分别将所述候选组分数据和所述候选结构数据输入所述第一预测模型,得到对应的多个第一预测性能参数;
根据所述第一预测性能参数和所述标准性能指标,从所述候选组分数据和所述候选结构数据中搜索出可实现期望目标性能的第一标准组分和第一结构参数。
可选地,所述根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配的步骤,包括:
在原材料储存处安装多个物联网传感器;
将所述物联网传感器连接到所述物联网采集平台;
所述物联网采集平台获取所述物联网传感器采集的传感器数据;
构建原材料管理数据库;
利用云计算技术,对收集的所述传感器数据和所述原材料管理数据库的信息进行汇总分析,得到第一原材料状态数据;
根据所述第一标准组分、所述第一原材料状态数据和所述定制需求数据,判断原材料是否满足生产需求;
若原材料满足生产需求,则根据所述第一标准组分和所述定制需求数据,计算调配所需用量,下达调配指令;
若原材料不满足生产需求,则自动完成采购订单,待新的原材料送达后,继续调配流程;
根据所述调配指令,混合所需原材料,得到混合原料。
可选地,所述将预调配好的原料采用3D打印技术打印成型基础质子交换膜的步骤,包括:
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型;
根据所述第一标准组分、所述第一结构参数和所述第一3D打印模型,确定第一3D打印方式;
根据所述第一标准组分、所述第一结构参数,建立所述第一质子交换膜的第一3D模型;
将预调配好的所述混合原料装入3D打印模块;
按照所述第一3D打印方式和所述第一3D模型,通过层层堆积、固化的方式,打印构建所述基础质子交换膜。
可选地,所述根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型的步骤,包括:
从3D打印产品数据库中获取与质子交换膜在组分和/或结构和/或性能的相似度达到预设的第一相似值的参考产品对应的第一参考产品数据和第一参考产品打印模型;
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数,与第一参考产品数据进行对比分析,根据对比分析结果对所述第一参考产品打印模型进行调整,得到所述第一3D打印模型。
可选地,所述制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜的步骤,包括:
在3D打印成型所述基础质子交换膜后,采用在线检测设备,对所述基础质子交换膜的形态、内部结构进行扫描,得到第一扫描数据;
将所述第一扫描数据作为输入传递给基于深度学习的质子交换膜质量评估模型,所述质子交换膜质量评估模型预测并定位所述基础质子交换膜的潜在缺陷或劣化区域,得到第一质量评估结果;
根据所述第一质量评估结果,利用人工智能算法计算出需要局部优化的第一位置坐标和第一优化参数;
将所述第一位置坐标和所述第一优化参数传递给所述3D打印模块,生成优化打印方案;
根据所述优化打印方案对所述基础质子交换膜进行局部的修复打印;
完成修复打印后,再次进行在线检测与评估,确认质量是否达标;
持续重复质量评估、定位缺陷、生成修复方案、修复打印的循环,直至获得预期的所述第一质子交换膜。
可选地,所述利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测的步骤,包括:
收集已有的质子交换膜的第一历史图像数据,标注正常区域、缺陷区域以及缺陷类别,得到第二历史图像数据;
使用深度学习模型,构建质子交换膜缺陷检测和分类的检测网络模型;
利用已标注的所述第二历史图像数据验证所述检测网络模型的检测效果,并根据所述检测效果迭代优化所述检测网络模型的网络结构和参数,得到缺陷检测模型;
获取所述第一质子交换膜的第一质子交换膜图像数据;
将所述第一质子交换膜图像数据输入所述缺陷检测模型,得到所述第一质子交换膜的整体质量评分;
所述缺陷检测模型同时定位所述第一质子交换膜图像数据中存在的缺陷,输出对应的第一缺陷区域和第一缺陷类别。
可选地,所述根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化的步骤,包括:
获取所述第二历史图像数据对应的历史打印数据,并从所述历史打印数据中提取历史打印参数;
根据所述第二历史图像数据,对检测到的缺陷类型、缺陷位置、严重程度进行分析得到缺陷分析结果;
根据所述历史打印数据和所述缺陷分析结果确定所述缺陷类型、所述缺陷位置、所述严重程度与所述历史打印参数间的第一关联关系;
获取与所述第一质子交换膜打印过程对应的第一打印数据;
从所述第一打印数据中提取第一打印参数;
根据所述第一关联关系、所述第一缺陷区域和所述第一缺陷类别确定所述第一打印参数中导致产生缺陷的第一异常打印参数,并对所述第一异常打印参数进行优化。
可选地,所述使用机器学习算法建立质子交换膜组分、结构与目标性能参数之间的映射模型的步骤,包括:
收集多个质子交换膜样品;
对每个所述质子交换膜样品,确定其样品组分数据、样品结构数据以及测试获得其样品目标性能参数;
将所述样品组分数据和所述样品结构数据作为特征、所述样品目标性能参数作为标签,构建第一样品数据集;
将所述第一样品数据集划分为第一样品训练集、第一样品验证集和第一样品测试集;
利用所述第一样品训练集、所述第一样品验证集和所述第一样品测试集,对多个不同的机器学习算法进行模型训练、验证和测试;
对测试结果进行分析以评估模型表现,选择出评估得分最高的模型作为所述映射模型。
本发明的另一方面提供一种用于燃料电池的质子交换膜制造系统,包括:服务器、物联网采集平台、预调配模块、3D打印模块;其中,
所述服务器被配置为:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,控制所述物联网采集平台实时获取原材料数据,并控制所述预调配模块获取对应的原材料进行预调配;
控制所述3D打印模块将预调配好的原料采用3D打印技术层层打印成型基础质子交换膜;
控制制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
采用本发明的技术方案,用于燃料电池的质子交换膜制造方法包括:获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配;将预调配好的原料采用3D打印技术打印成型基础质子交换膜;制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。本发明方案通过智能化、数字化的制造流程,可提高质子交换膜的品质、性能和寿命,并实现个性化制造。
附图说明
图1是本发明一个实施例提供的用于燃料电池的质子交换膜制造方法的流程图;
图2是本发明一个实施例提供的用于燃料电池的质子交换膜制造系统的示意框图。
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的质子交换膜制造方法及系统。
如图1所示,本发明一个实施例提供一种用于燃料电池的质子交换膜制造方法,包括:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据(包括但不限于如燃料电池整体及双极板、催化剂层、气体扩散层等部件的性能数据、规格数据等);
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配;
将预调配好的原料采用3D打印技术打印成型基础质子交换膜;
制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
采用该实施例的技术方案,通过获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配;将预调配好的原料采用3D打印技术打印成型基础质子交换膜;制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。本发明方案通过智能化、数字化的制造流程,可提高质子交换膜的品质、性能和寿命,并实现个性化制造。
在本发明一些可能的实施方式中,所述根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数的步骤,包括:
收集已有的质子交换膜的第一组分数据、第一结构数据以及第一性能参数作为第一训练数据;
使用机器学习算法(如回归模型、神经网络等)建立质子交换膜组分、结构与目标性能参数(如质子传导率、机械强度等)之间的映射模型;
利用所述第一训练数据对所述映射模型进行训练以得到所述第一预测模型;
根据所述定制需求数据和所述燃料电池数据,确定所述第一质子交换膜的多个候选组分数据、多个候选结构数据以及标准性能指标;
分别将所述候选组分数据和所述候选结构数据输入所述第一预测模型,得到对应的多个第一预测性能参数;
根据所述第一预测性能参数和所述标准性能指标,从所述候选组分数据和所述候选结构数据中搜索出可实现期望目标性能(可以预先设定)的第一标准组分和第一结构参数。
在本实施例中,还可以建立一个知识图谱,收集质子交换膜的相关领域知识,辅助机器学习模型进行更好的预测;可以通过模型解释技术分析结果,获取影响质子交换膜性能的关键组分和结构因素;持续使用新数据扩充训练数据集,进行模型增量学习,提高预测性能。
在本实施例中,可以较好地利用人工智能技术来指导质子交换膜的设计以得到高质量的质子交换膜。
在本发明一些可能的实施方式中,所述根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配的步骤,包括:
在原材料储存处安装多个物联网传感器(如温湿度传感器、质量/流量传感器、摄像模组等);
将所述物联网传感器(通过WIFI、5G等无线网络)连接到所述物联网采集平台;
所述物联网采集平台获取所述物联网传感器采集的传感器数据;
构建原材料管理数据库(存储各原材料的库存、采购、供应商等信息);
利用云计算技术,对收集的所述传感器数据和所述原材料管理数据库的信息进行汇总分析,得到第一原材料状态数据;
根据所述第一标准组分、所述第一原材料状态数据和所述定制需求数据,判断原材料是否满足生产需求(如品质、组份是否都达标);
若原材料满足生产需求,则根据所述第一标准组分和所述定制需求数据,计算调配所需用量,下达调配指令(包括各原材料配比、各原材料的添加时机等);
若原材料不满足生产需求,则自动完成采购订单,待新的原材料送达后,继续调配流程;
根据所述调配指令,混合所需原材料,得到混合原料。
在本实施例中,完成预调配的混合原料,通过RFID等技术标识,进入后续精确制造环节;还可以持续优化原材料采购、存储、调配的智能管理系统。
在本实施例中,通过物联网、云计算、AI技术的融合应用,可以实现质子交换膜智能制造所需的智能原材料管理和预调配。
在本发明一些可能的实施方式中,所述将预调配好的原料采用3D打印技术打印成型基础质子交换膜的步骤,包括:
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型(如微区烧结成形、喷墨打印等);
根据所述第一标准组分、所述第一结构参数和所述第一3D打印模型,确定第一3D打印方式(包括打印流程、打印控制指令等);
根据所述第一标准组分、所述第一结构参数,建立所述第一质子交换膜的第一3D模型;
将预调配好的所述混合原料装入3D打印模块(3D打印模块的打印头或喷嘴可实现多原料同步精确喷射);
按照所述第一3D打印方式和所述第一3D模型,通过层层堆积、固化的方式,打印构建所述基础质子交换膜。
在本实施例中,还包括:实时监控打印过程,并利用质量检测反馈结果调整打印参数;采用后处理技术增强打印质子交换膜的力学及表面性能;利用扫描电镜、X射线断层成像等技术检验打印质子交换膜的微观结构;重复打印调优过程,直至获得优化的基础质子交换膜。
在本实施例中,借助3D打印技术的高精度、高材料利用率的优势,可以实现个性化定制的质子交换膜的智能增材制造。
在本发明一些可能的实施方式中,所述根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型的步骤,包括:
从3D打印产品数据库中获取与质子交换膜在组分和/或结构和/或性能的相似度达到预设的第一相似值的参考产品对应的第一参考产品数据和第一参考产品打印模型;
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数,与第一参考产品数据进行对比分析,根据对比分析结果对所述第一参考产品打印模型进行调整,得到所述第一3D打印模型。
在本发明一些可能的实施方式中,所述制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜的步骤,包括:
在3D打印成型所述基础质子交换膜后,采用在线检测设备(如激光扫描仪、X射线检测仪、摄像头等),对所述基础质子交换膜的形态、内部结构进行扫描,得到第一扫描数据;
将所述第一扫描数据作为输入传递给基于深度学习的质子交换膜质量评估模型,所述质子交换膜质量评估模型预测并定位所述基础质子交换膜的潜在缺陷或劣化区域,得到第一质量评估结果;
在本步骤中,所述质子交换膜质量评估模型是预先根据已有的质子交换膜数据对深度学习算法模型进行训练得到的。
根据所述第一质量评估结果,利用人工智能算法计算出需要局部优化的第一位置坐标和第一优化参数;
将所述第一位置坐标和所述第一优化参数传递给所述3D打印模块,生成优化打印方案;
根据所述优化打印方案对所述基础质子交换膜进行局部的修复打印(如采用精细的喷嘴和少量材料,仅针对差异区域进行细微打印修复);
完成修复打印后,再次进行在线检测与评估,确认质量是否达标;
持续重复质量评估、定位缺陷、生成修复方案、修复打印的循环,直至获得预期的所述第一质子交换膜。
在本实施例中,通过在线检测与人工智能评估指导的闭环式打印优化,可以持续提升打印出的质子交换膜的质量。
在本发明一些可能的实施方式中,所述利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测的步骤,包括:
收集已有的质子交换膜的第一历史图像数据,标注正常区域、缺陷区域以及缺陷类别,得到第二历史图像数据;
使用深度学习模型(如卷积神经网络等),构建质子交换膜缺陷检测和分类的检测网络模型(构建包含卷积层、池化层等的网络结构,训练网络权重参数);
利用已标注的所述第二历史图像数据验证所述检测网络模型的检测效果,并根据所述检测效果迭代优化所述检测网络模型的网络结构和参数,得到缺陷检测模型;
获取所述第一质子交换膜的第一质子交换膜图像数据(如利用光学相机、显微镜等);
将所述第一质子交换膜图像数据输入所述缺陷检测模型,得到所述第一质子交换膜的整体质量评分;
所述缺陷检测模型同时定位所述第一质子交换膜图像数据中存在的缺陷,输出对应的第一缺陷区域和第一缺陷类别;
在本实施例中,还可以包括:评估检测结果,标注模型漏检的区域,进一步扩充训练数据优化模型;将缺陷检测结果反馈给制造系统,关闭质量控制循环。
在本实施例中,因质子交换膜在最终成型后,由于温度、湿度等外部环境的变化以及时间的推移,可能会产生在成型过程中无法监测到的质量问题,故本实施例方案通过深度学习的强大图像分析能力,可以实现自动高效的质子交换膜质检和优化。
在本发明一些可能的实施方式中,所述根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化的步骤,包括:
获取所述第二历史图像数据对应的历史打印数据,并从所述历史打印数据中提取历史打印参数;
根据所述第二历史图像数据,对检测到的缺陷类型、缺陷位置、严重程度进行分析得到缺陷分析结果;
根据所述历史打印数据和所述缺陷分析结果确定所述缺陷类型、所述缺陷位置、所述严重程度与所述历史打印参数间的第一关联关系;
获取与所述第一质子交换膜打印过程对应的第一打印数据;
从所述第一打印数据中提取第一打印参数(可以是通过对3D打印模块的历史工作数据进行分析得到的能反应或导致缺陷的打印参数,如喷嘴温度、打印速度、喷射量等);
根据所述第一关联关系、所述第一缺陷区域和所述第一缺陷类别确定所述第一打印参数中导致产生缺陷的第一异常打印参数,并对所述第一异常打印参数进行优化。
在本实施例中,通过模型分析,确定可能导致质量问题的打印参数,如过高温度等;经优化算法计算,重新确定更优打印参数,如调低喷嘴温度;将优化后的打印参数配置加载到3D打印模块中。通过这种智能化的质量反馈优化机制,可以持续提升质子交换膜打印的稳定性与质量。
在本发明一些可能的实施方式中,所述使用机器学习算法建立质子交换膜组分、结构与目标性能参数之间的映射模型的步骤,包括:
收集多个质子交换膜样品;
对每个所述质子交换膜样品,确定其样品组分数据(如各组分名称、组分比例等)、样品结构数据(如制备参数、膜厚度、微晶参数等)以及测试获得其样品目标性能参数(包括质子传导率、机械强度、使用寿命等);
将所述样品组分数据和所述样品结构数据作为特征、所述样品目标性能参数作为标签,构建第一样品数据集;
将所述第一样品数据集划分为第一样品训练集、第一样品验证集和第一样品测试集;
利用所述第一样品训练集、所述第一样品验证集和所述第一样品测试集,对多个不同的机器学习算法(如线性回归、LASSO回归等)进行模型训练、验证和测试;
对测试结果进行分析以评估模型表现,选择出评估得分最高的模型作为所述映射模型。
在本实施例中,通过大数据与机器学习的融合应用,可以得到质子交换膜组分、结构与性能之间的精确关系模型,指导其优化设计。
请参见图2,本发明另一实施例提供一种用于燃料电池的质子交换膜制造系统,包括:服务器、物联网采集平台、预调配模块、3D打印模块;其中,
所述服务器被配置为:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据(包括但不限于如燃料电池整体及双极板、催化剂层、气体扩散层等部件的性能数据、规格数据等);
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,控制所述物联网采集平台实时获取原材料数据,并控制所述预调配模块获取对应的原材料进行预调配;
控制所述3D打印模块将预调配好的原料采用3D打印技术层层打印成型基础质子交换膜;
控制制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
在本实施例中,通过智能化、数字化的制造流程,可提高质子交换膜的质量和性能,并实现个性化制造。
应当知道的是,图2所示的用于燃料电池的质子交换膜制造方法的框图仅作示意,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 (10)
1.一种用于燃料电池的质子交换膜制造方法,其特征在于,包括:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配;
将预调配好的原料采用3D打印技术打印成型基础质子交换膜;
制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
2.根据权利要求1所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数的步骤,包括:
收集已有的质子交换膜的第一组分数据、第一结构数据以及第一性能参数作为第一训练数据;
使用机器学习算法建立质子交换膜组分、结构与目标性能参数之间的映射模型;
利用所述第一训练数据对所述映射模型进行训练以得到所述第一预测模型;
根据所述定制需求数据和所述燃料电池数据,确定所述第一质子交换膜的多个候选组分数据、多个候选结构数据以及标准性能指标;
分别将所述候选组分数据和所述候选结构数据输入所述第一预测模型,得到对应的多个第一预测性能参数;
根据所述第一预测性能参数和所述标准性能指标,从所述候选组分数据和所述候选结构数据中搜索出可实现期望目标性能的第一标准组分和第一结构参数。
3.根据权利要求2所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述根据所述第一标准组分,由物联网采集平台实时获取原材料数据,并获取对应的原材料进行预调配的步骤,包括:
在原材料储存处安装多个物联网传感器;
将所述物联网传感器连接到所述物联网采集平台;
所述物联网采集平台获取所述物联网传感器采集的传感器数据;
构建原材料管理数据库;
利用云计算技术,对收集的所述传感器数据和所述原材料管理数据库的信息进行汇总分析,得到第一原材料状态数据;
根据所述第一标准组分、所述第一原材料状态数据和所述定制需求数据,判断原材料是否满足生产需求;
若原材料满足生产需求,则根据所述第一标准组分和所述定制需求数据,计算调配所需用量,下达调配指令;
若原材料不满足生产需求,则自动完成采购订单,待新的原材料送达后,继续调配流程;
根据所述调配指令,混合所需原材料,得到混合原料。
4.根据权利要求3所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述将预调配好的原料采用3D打印技术打印成型基础质子交换膜的步骤,包括:
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型;
根据所述第一标准组分、所述第一结构参数和所述第一3D打印模型,确定第一3D打印方式;
根据所述第一标准组分、所述第一结构参数,建立所述第一质子交换膜的第一3D模型;
将预调配好的所述混合原料装入3D打印模块;
按照所述第一3D打印方式和所述第一3D模型,通过层层堆积、固化的方式,打印构建所述基础质子交换膜。
5.根据权利要求4所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述根据所述第一组分数据、所述第一结构数据以及所述第一性能参数选择适合打印质子交换膜的第一3D打印模型的步骤,包括:
从3D打印产品数据库中获取与质子交换膜在组分和/或结构和/或性能的相似度达到预设的第一相似值的参考产品对应的第一参考产品数据和第一参考产品打印模型;
根据所述第一组分数据、所述第一结构数据以及所述第一性能参数,与第一参考产品数据进行对比分析,根据对比分析结果对所述第一参考产品打印模型进行调整,得到所述第一3D打印模型。
6.根据权利要求5所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜的步骤,包括:
在3D打印成型所述基础质子交换膜后,采用在线检测设备,对所述基础质子交换膜的形态、内部结构进行扫描,得到第一扫描数据;
将所述第一扫描数据作为输入传递给基于深度学习的质子交换膜质量评估模型,所述质子交换膜质量评估模型预测并定位所述基础质子交换膜的潜在缺陷或劣化区域,得到第一质量评估结果;
根据所述第一质量评估结果,利用人工智能算法计算出需要局部优化的第一位置坐标和第一优化参数;
将所述第一位置坐标和所述第一优化参数传递给所述3D打印模块,生成优化打印方案;
根据所述优化打印方案对所述基础质子交换膜进行局部的修复打印;
完成修复打印后,再次进行在线检测与评估,确认质量是否达标;
持续重复质量评估、定位缺陷、生成修复方案、修复打印的循环,直至获得预期的所述第一质子交换膜。
7.根据权利要求6所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测的步骤,包括:
收集已有的质子交换膜的第一历史图像数据,标注正常区域、缺陷区域以及缺陷类别,得到第二历史图像数据;
使用深度学习模型,构建质子交换膜缺陷检测和分类的检测网络模型;
利用已标注的所述第二历史图像数据验证所述检测网络模型的检测效果,并根据所述检测效果迭代优化所述检测网络模型的网络结构和参数,得到缺陷检测模型;
获取所述第一质子交换膜的第一质子交换膜图像数据;
将所述第一质子交换膜图像数据输入所述缺陷检测模型,得到所述第一质子交换膜的整体质量评分;
所述缺陷检测模型同时定位所述第一质子交换膜图像数据中存在的缺陷,输出对应的第一缺陷区域和第一缺陷类别。
8.根据权利要求7所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化的步骤,包括:
获取所述第二历史图像数据对应的历史打印数据,并从所述历史打印数据中提取历史打印参数;
根据所述第二历史图像数据,对检测到的缺陷类型、缺陷位置、严重程度进行分析得到缺陷分析结果;
根据所述历史打印数据和所述缺陷分析结果确定所述缺陷类型、所述缺陷位置、所述严重程度与所述历史打印参数间的第一关联关系;
获取与所述第一质子交换膜打印过程对应的第一打印数据;
从所述第一打印数据中提取第一打印参数;
根据所述第一关联关系、所述第一缺陷区域和所述第一缺陷类别确定所述第一打印参数中导致产生缺陷的第一异常打印参数,并对所述第一异常打印参数进行优化。
9.根据权利要求8所述的用于燃料电池的质子交换膜制造方法,其特征在于,所述使用机器学习算法建立质子交换膜组分、结构与目标性能参数之间的映射模型的步骤,包括:
收集多个质子交换膜样品;
对每个所述质子交换膜样品,确定其样品组分数据、样品结构数据以及测试获得其样品目标性能参数;
将所述样品组分数据和所述样品结构数据作为特征、所述样品目标性能参数作为标签,构建第一样品数据集;
将所述第一样品数据集划分为第一样品训练集、第一样品验证集和第一样品测试集;
利用所述第一样品训练集、所述第一样品验证集和所述第一样品测试集,对多个不同的机器学习算法进行模型训练、验证和测试;
对测试结果进行分析以评估模型表现,选择出评估得分最高的模型作为所述映射模型。
10.一种用于燃料电池的质子交换膜制造系统,其特征在于,包括:服务器、物联网采集平台、预调配模块、3D打印模块;其中,
所述服务器被配置为:
获取待制造的第一质子交换膜的定制需求数据和所述第一质子交换膜所用于的燃料电池的燃料电池数据;
根据所述定制需求数据和所述燃料电池数据,利用第一预测模型预测所述第一质子交换膜的第一标准组分和第一结构参数;
根据所述第一标准组分,控制所述物联网采集平台实时获取原材料数据,并控制所述预调配模块获取对应的原材料进行预调配;
控制所述3D打印模块将预调配好的原料采用3D打印技术层层打印成型基础质子交换膜;
控制制成的所述基础质子交换膜经过在线检测和人工智能评估后,利用3D打印技术进行局部优化,得到最终的所述第一质子交换膜;
利用深度学习模型对最终得到的所述第一质子交换膜进行缺陷检测;
根据缺陷检测结果对所述第一质子交换膜的打印过程进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256344.2A CN117818057B (zh) | 2024-03-06 | 一种用于燃料电池的质子交换膜制造方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410256344.2A CN117818057B (zh) | 2024-03-06 | 一种用于燃料电池的质子交换膜制造方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117818057A CN117818057A (zh) | 2024-04-05 |
CN117818057B true CN117818057B (zh) | 2024-05-31 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6149810A (en) * | 1994-11-23 | 2000-11-21 | Lynntech, Inc. | Membrane with supported internal passages |
CN110611113A (zh) * | 2019-06-18 | 2019-12-24 | 上海好世材料科技有限公司 | 一种燃料电池膜电极的连续化制备装置和方法 |
CN111458225A (zh) * | 2020-04-29 | 2020-07-28 | 同济大学 | 一种质子交换膜燃料电池密封材料的寿命预测方法 |
CN113422090A (zh) * | 2021-05-12 | 2021-09-21 | 同济大学 | 一种pemfc氢气渗透电流与漏电电阻的检测方法与装置 |
CN114221001A (zh) * | 2021-11-18 | 2022-03-22 | 四川大学 | 一种燃料电池用膜电极的制备及加速评估其耐久性的方法 |
CN114447378A (zh) * | 2022-02-10 | 2022-05-06 | 温州大学 | 一种质子交换膜燃料电池的参数优化方法 |
CN114677677A (zh) * | 2022-05-30 | 2022-06-28 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 |
CN115856645A (zh) * | 2023-03-01 | 2023-03-28 | 四川能投氢能产业投资有限公司 | 一种质子交换膜燃料电池耐久性分析方法、装置及设备 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6149810A (en) * | 1994-11-23 | 2000-11-21 | Lynntech, Inc. | Membrane with supported internal passages |
CN110611113A (zh) * | 2019-06-18 | 2019-12-24 | 上海好世材料科技有限公司 | 一种燃料电池膜电极的连续化制备装置和方法 |
CN111458225A (zh) * | 2020-04-29 | 2020-07-28 | 同济大学 | 一种质子交换膜燃料电池密封材料的寿命预测方法 |
CN113422090A (zh) * | 2021-05-12 | 2021-09-21 | 同济大学 | 一种pemfc氢气渗透电流与漏电电阻的检测方法与装置 |
CN114221001A (zh) * | 2021-11-18 | 2022-03-22 | 四川大学 | 一种燃料电池用膜电极的制备及加速评估其耐久性的方法 |
CN114447378A (zh) * | 2022-02-10 | 2022-05-06 | 温州大学 | 一种质子交换膜燃料电池的参数优化方法 |
CN114677677A (zh) * | 2022-05-30 | 2022-06-28 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 |
CN115856645A (zh) * | 2023-03-01 | 2023-03-28 | 四川能投氢能产业投资有限公司 | 一种质子交换膜燃料电池耐久性分析方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sing et al. | Perspectives of using machine learning in laser powder bed fusion for metal additive manufacturing | |
Wang et al. | A review on solid oxide fuel cell models | |
Niri et al. | Quantifying key factors for optimised manufacturing of Li-ion battery anode and cathode via artificial intelligence | |
Ao et al. | Diagnosis of proton exchange membrane fuel cell system based on adaptive neural fuzzy inference system and electrochemical impedance spectroscopy | |
US11609549B2 (en) | Transfer learning/dictionary generation and usage for tailored part parameter generation from coupon builds | |
McGregor et al. | Using machine learning to predict dimensions and qualify diverse part designs across multiple additive machines and materials | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
US20230029806A1 (en) | In-situ monitoring system assisted material and parameter development for additive manufacturing | |
CN111352408A (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
CN117818057B (zh) | 一种用于燃料电池的质子交换膜制造方法及系统 | |
Castillo et al. | Scientometric analysis and systematic review of smart manufacturing technologies applied to the 3D printing polymer material extrusion system | |
Piri et al. | 3D-printed fuel-cell bipolar plates for evaluating flow-field performance | |
CN117818057A (zh) | 一种用于燃料电池的质子交换膜制造方法及系统 | |
CN116979078B (zh) | 一种用于金属双极板制造过程的智能控制方法及系统 | |
Xiao et al. | Water management fault diagnosis for proton-exchange membrane fuel cells based on deep learning methods | |
CN111786476A (zh) | 一种无线电能传输系统的接收线圈位置预测方法 | |
Zou et al. | Working zone for a least-squares support vector machine for modeling polymer electrolyte fuel cell voltage | |
CN116341793A (zh) | 基于区块链的产品碳排放量确定方法以及装置 | |
Rohkohl et al. | Multi-criteria and real-time control of continuous battery cell production steps using deep learning | |
Chang et al. | Modeling polarization of a DMFC system via neural network with immune-based particle swarm optimization | |
Headley et al. | Membrane electrolyte assembly health estimation method for proton exchange membrane fuel cells | |
CN110108239B (zh) | 极片质量信息获取方法、系统及设备 | |
CN117236076B (zh) | 一种用于燃料电池双极板的智能制造方法及系统 | |
Gomez-Omella et al. | Optimizing porosity detection in wire laser metal deposition processes through data-driven AI classification techniques | |
Meyer et al. | Design of experiments to generate a fuel cell electro-thermal performance map and optimise transitional pathways |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |