-
Die
Erfindung betrifft ein Verfahren zur Steuerung und/oder Regelung
eines Brennstoffzellensystems, bei dem das Brennstoffzellensystem
charakterisierende Eingangsgrößen erfasst
und/oder vorgegeben werden, die mittels einer Recheneinheit anhand
eines adaptiven neuronalen Modells zu Ausgangsgrößen verarbeitet werden, wobei
die Eingangsgrößen eine
Eingabeschicht und die Ausgangsgrößen eine Ausgabeschicht des
adaptiven neuronalen Modells bilden.
-
Die
bisherige Grundlage der Steuergeräte in Brennstoffzellensystemen
bilden aufwändige
Interpolationen von Kennfeldern des jeweiligen Brennstoffzellensystems
mittels multivariater nichtlinearer Approximationsfunktionen. Diese
Interpolationen müssen
individuell zu der jeweiligen Aufgabenstellung entwickelt werden,
so dass keine oder nur eine aufwändige
Anpassung an Veränderungen
im System stattfinden kann. Um eine zufrieden stellende Beschreibung
zu ermitteln, muss eine große
Anzahl an Koeffizienten bestimmt werden, die zu einem erheblichen
Speicheraufwand führen.
Zusätzliche Nachteile
der herkömmlichen
Approximation liegen ebenso in dem großen Rechenaufwand und in Ungenauigkeiten.
Gute Ergebnisse können
oft nur dann erzielt werden, wenn ein physikalischer Ansatz zur Komponentenbeschreibung
gewählt
wird, der allerdings in den meisten Fällen nicht bekannt ist. Insbesondere
können
zeitliche Veränderungen
der Eingangs- und Ausgangsgrößen nicht
berücksichtigt werden,
so dass das dynamische Verhalten nicht erfasst wird und folglich
auch in der Regelung nicht beachtet wird. Ausreißer in den zur Kennfeldbeschreibung
zugrunde liegenden Daten werden nicht erkannt und pflanzen sich
in den Ergebnissen fort. Kenntnisse über die Sensitivität der einzelnen
Eingabegrößen müssen vorhanden
sein, um einen geeigneten Ansatz bzw. eine geeignete Skalierung
der Eingaben zu wählen.
-
Aus
der
DE 602 11 520
T2 ist eine Anordnung zur Steuerung des Betriebs eines
physikalischen Systems, wie zum Beispiel einer Brennstoffzelle in
elektrischen Fahrzeugen, bekannt, bei welcher eine Abweichung zwischen
gemessenen Werten und einem Schätzwert
eines Modells zur Ermittlung von Regelparametern berücksichtigt
wird. Dabei werden die Regelparameter anhand eines neuronalen Modells
geschätzt,
wobei anhand des aktuellen Regelungssystem das neuronale Modell
aktualisiert wird, wenn aufgrund der Variation externer und interner
Parameter eines Brennstoffzellenstapels das Modell den Betrieb des
Brennstoffzellensystems nicht mehr genau darstellen kann.
-
Der
Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Steuerung
und/oder Regelung eines Brennstoffzellensystems anzugeben, bei dem der
Einfluss von Eingangsgrößen, Ausgangsgrößen und
dem Brennstoffzellensystem auf die Korrektur des neuronalen Netzwerks
mit möglichst
allen Wirkzusammenhängen
und Wechselwirkungen berücksichtigt
wird.
-
Die
Aufgabe wird erfindungsgemäß gelöst durch
die im Anspruch 1 angegebenen Merkmale. Vorteilhafte Weiterbildungen
der Erfindung sind Gegenstand der Unteransprüche.
-
Beim
erfindungsgemäßen Verfahren
zur Steuerung und/oder Regelung eines Brennstoffzellensystems, bei
dem das Brennstoffzellensystem charakterisierende Eingangsgrößen erfasst
und/oder vorgegeben werden, werden diese Eingangsgrößen mittels
einer Recheneinheit anhand eines adaptiven neuronalen Modells mit
zugehörigen
Eingangs- und Ausgangsneuronen zu Ausgangsgrößen verarbeitet, wobei in einem
Trainingsalgorithmus ein- oder mehrdimensionale Verbindungen zwischen
mindestens einer dynamischen Eingangsgröße und mindestens einer dynamischen
Ausgangsgröße ermittelt
werden und anhand von vorgebbaren Trainingsdaten die Stärke der
jeweiligen Verbindung repräsentierende Gewichte
bestimmt werden, anhand derer die zu der jeweiligen dynamischen
Eingangsgröße zugehörige dynamische
Ausgangsgröße ermittelt
wird und bei Ungleichheit der ermittelten dynamischen Ausgangsgröße mit einem
Trainingswert für
die dynamische Ausgangsgröße das oder
die Gewichte angepasst wird bzw. werden. Durch ein derartiges adaptives neuronales
Modell, welches die Systematik der Wirkzusammenhänge und Wechselwirkungen anhand der
Verbindungen zwischen dynamischen Eingangsgrößen und Ausgangsgrößen des
Brennstoffzellensystems berücksichtigt,
ist es möglich,
z. B. die Systematik und insbesondere die Dynamik der Brennstoffzellenversorgung,
der Erzeugung der elektrischen Leistung des Brennstoffzellensystems
und die Abhängigkeiten
von den dynamischen Eingangsgrößen und
Ausgangsgrößen abzubilden
und zu berücksichtigten.
-
Unter
dynamischen Eingangsgrößen des Brennstoffzellensystems
werden beispielsweise Messsignale, wie Zellentemperatur, Zufuhrströmungsmenge
von zuführbaren
Reaktanden, z. B. Wasserstoff und/oder Sauerstoff, und/oder deren zeitlicher
Verlauf und/oder deren Kennfelder verstanden. Unter dynamischen
Ausgangsgrößen werden beispielsweise
Steuergrößen, wie
z. B. Stellgrößen zur
Einstellung der Zufuhrströmungsmenge
von Reaktanden und/oder zuführbaren
Kühlmedien, und/oder
Komponentenstellgrößen, und/oder
deren zeitlicher Verlauf und/oder deren Kennfelder verstanden. Die
beispielsweise mittels Sensoren erfassten Eingangsgrößen bilden
Eingangsneuronen bzw. Ausgangsneuronen des neuronalen Modells. Dabei wird
die Komplexität
der einem Brennstoffzellensystems zugrunde liegenden Verfahrenstechnik
anhand von Kennfeldbeschreibungen mittels des künstlichen neuronalen Modells
hinterlegt, das als Eingabe die gemessenen Zustandsgrößen erhält. Dabei
werden die zwischen den Eingangs- und den Ausgangsgrößen bestehenden Wirkzusammenhänge und
Wechselwirkungen durch ein- oder mehrdimensionale Verbindungen des
neuronalen Modells (auch neuronales Netzwerk genannt) beschrieben.
Das erfindungsgemäße neuronale
Modell besitzt die Fähigkeit,
sich an Änderungen
des Brennstoffzellensystems anzupassen und die gelernten Zusammenhänge auf
das Modell und somit auf das geänderte
System zu übertragen.
Durch Erfassung des zeitlichen Verlaufs der Eingangs- und Ausgangsgrößen kann
mittels der Ausbildung des neuronalen Modells als dynamisches Modell
zusätzlich
der zeitliche Verlauf der Größen berücksichtigt
und eine optimale Beschreibung des Verhaltens der zu steuernden
Systemkomponente und in Folge dessen auch eine exakte Steuerung
bzw. Regelung realisiert werden. Der Einsatz von Kennfeldbeschreibungen
mittels des dynamischen neuronalen Modells (auch künstliches
neuronales Netz genannt) führt
aufgrund der verbesserten Genauigkeit und schnelleren Berechnung
zur Erhöhung
des dynamischen Systemverhaltens des Brennstoffzellensystems. Die
präzisere
Ermittlung der Ausgangsgrößen, wie
z. B. Stellgröße, führt zudem
zu einer Optimierung des Wirkungsgrades einer zu steuernden/regelnden
Komponente des Brennstoffzellensystems bzw. des zu steuernden/regelnden
Brennstoffzellensystems selbst und somit auch zur Verbesserung des
Gesamtwirkungsgrades des Brennstoffzellensystems. Ein weiterer Vorteil
der Neuerung besteht in der Minimierung des Verbrauchs sowie Erhöhung der
Lebensdauer der Systemkomponenten und/oder des Gesamtsystems u.
a. durch Berücksichtigung
stationärer
und dynamischer Systemvorgänge.
-
Ausführungsbeispiele
der Erfindung werden anhand einer Zeichnung näher erläutert. Dabei zeigen:
-
1 schematisch
eine ein neuronales Modell eines Brennstoffzellensystems aufweisende
Recheneinheit zur Steuerung und/oder Regelung des Brennstoffzellensystems,
-
2 schematisch
ein Ausführungsbeispiel für die Struktur
eines neuronalen Modells und
-
3 schematisch
ein weiteres Ausführungsbeispiel
für die
Struktur eines neuronalen Modells.
-
Einander
entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen
versehen.
-
1 zeigt
eine ein neuronales Modell 1 eines Brennstoffzellensystems 2 aufweisende
Recheneinheit 3 zur Steuerung und/oder Regelung des Brennstoffzellensystems 2.
Das neuronale Modell 1 umfasst eine Eingabeschicht E mit
einer Anzahl von Eingangsneuronen E1 bis Ez und eine Ausgabeschicht
A mit einer Anzahl von Ausgangsneuronen A1 bis Az. Eingangsgrößen EG1
bis EGz des Brennstoffzellensystems 2, z. B. Zellentemperatur
T, Zufuhrströmungsmenge
Q1, Q2 von Arbeitsmedien (auch Reaktanden genannt), sind einem oder
mehreren Eingangsneuronen E1 bis Ez zuführbar. Auch können weitere
Eingangsgrößen EG1
bis EGz, wie Zufuhrströmungsmenge
eines Temperierfluids, insbesondere Kühlfluids, Ausgangsströmungsmenge der
Reaktionsprodukte, Druckwerte, vorgegeben werden. Ausgangsgrößen AG1
bis AGz sind beispielsweise Korrekturmengen dQ1, dQ2 für Zufuhrströmungsmengen,
welche charakteristisch sind für Veränderungen
der Zufuhrströmungsmenge.
Die Eingangsneuronen E1 bis Ez und die Ausgangsneuronen A1 bis Az
des neuronalen Modells 1 sind über Verbindungen V1 bis Vz
verbunden, welche Wechselwirkungen und/oder Wirkzusammenhänge zwischen
den Eingangsneuronen E1 bis Ez und den Ausgangsneuronen A1 bis Az
repräsentieren.
-
Die
Generierung des neuronalen Modells 1 (auch neuronales Netz
oder neuronales Netzwerk des Brennstoffzellensystems 2 genannt)
wird nachfolgend anhand eines in der Recheneinheit 3 (z.
B. ein Steuergerät,
insbesondere ein Brennstoffzellensteuergerät) implementierten Algorithmus
näher beschrieben:
In einem Trainingsalgorithmus (auch Lernalgorithmus genannt) werden
die Verbindungen V1 bis Vz zwischen mindestens einer der dynamischen Eingangsgrößen EG1
bis EGz und mindestens einer der dynamischen Ausgangsgrößen AG1
bis AGz, insbesondere zwischen den diese repräsentierenden Eingangsneuronen
E1 bis Ez und Ausgangsneuronen A1 bis Az ermittelt oder gegebenenfalls
vorgegeben. Der Lern- oder Trainingsalgorithmus kann dabei außerhalb
des Betriebes des Brennstoffzellensystems 2 gegebenenfalls
mittels einer separaten Recheneinheit, insbesondere einer Multiprozessor-Recheneinheit,
ausgeführt
werden, da die im Trainingsalgorithmus zu verarbeitende Datenmenge
zum Anlernen des neuronalen Modells 1 wesentlich größer ist
als die im Betrieb erforderliche und durch den Trainingsalgorithmus
reduzierte bzw. optimierte Datenmenge.
-
Basierend
auf vorgebbare Trainingsdaten (auch Testdatenmenge genannt) werden
die Stärke der
jeweiligen Verbindung V1 bis Vz repräsentierenden Gewichte W1 bis
Wz des neuronalen Modells 1 ermittelt und trainiert, um
die Zusammenhänge,
insbesondere Wirkzusammenhänge
und/oder Wechselwirkungen, zwischen Eingangs- und Ausgangsgrößen EG1
bis EGz bzw. AG1 bis AGz auf Systemgrößen des Brennstoffzellenstapelsystems 2 und
auf die Eingangs- und Ausgangsneuronen E1 bis Ez bzw. A1 bis Az
des neuronalen Modells 1 adaptieren zu können. Anhand
der ermittelten Gewichte W1 bis Wz werden dann die zu der jeweiligen
dynamischen Eingangsgröße EG1 bis
EGz zugehörige
dynamische Ausgangsgröße AG1 bis
AGz ermittelt.
-
Zur
Optimierung des neuronalen Modells 1 werden bei Ungleichheiten
der ermittelten dynamischen Ausgangsgrößen AG1 bis AGz mit Trainingswerten
für die
betreffenden dynamischen Ausgangsgrößen AG1 bis AGz in einen oder
mehreren weiteren Verarbeitungsschritten das oder die Gewichte W1
bis Wz der betreffenden Verbindungen V1 bis Vz angepasst. Die diesem
Anpassungsverfahren zugrunde liegenden Lern- oder Trainingsmuster
basieren auf heuristische Verfahren und/oder Gradientenabstiegsverfahren.
Anhand des Trainingsalgorithmus und des anschließenden Anpassungsverfahrens
wird das neuronale Mo dell 1 aufgebaut und eingelernt. Mit steigender
Anzahl von Eingangs- und Ausgangsneuronen E1 bis Ez bzw. A1 bis
Az und Verbindungen V1 bis Vz steigt einerseits die Genauigkeit
mit der die Ausgangsgröße/n AG1
bis AGz auf Basis der Eingangsgröße/n EG1
bis EGz vorhergesagt werden kann. Andererseits wird das neuronale
Modell 1 hierdurch zunehmend komplexer und die Implementierung
erfordert insbesondere im Trainingsalgorithmus und Anpassungsalgorithmus
mehr Rechenzeit und Rechenkapazität sowie Speicherkapazität.
-
Mittels
des auf das neuronale Modell 1 basierende Verfahrens zur
Steuerung und/oder Regelung eines Brennstoffzellensystems 2 sind
modellprädiktive
Steuerungen bzw. Regelungen sowohl für lineare als auch für nichtlineare
Systeme ermöglicht,
wobei diese für
die Online-Optimierung aufgrund des geringen Rechenaufwandes und
Speicherplatzes besonders geeignet sind. Durch die Verwendung eines neuronalen
Modells 1 (mit künstlichen
neuronale Netzen) werden die Nachteile der herkömmlichen Verfahren vermieden
und eine schnellere und präzisere
Ausgabe der zu regelnden Größen erreicht.
Gerade im Bereich der Echtzeit-Steuerung/-Regelung muss man nicht
wie bisher die Genauigkeit aufgrund des Rechenaufwandes reduzieren.
-
2 zeigt
schematisch ein Ausführungsbeispiel
für die
Struktur eines neuronalen Modells 1. Dabei umfasst das
neuronale Modell 1 die Eingabeschicht E mit Eingangsneuronen
E1 bis Ez und die Ausgabeschicht A mit Ausgangsneuronen A1 bis Az. Dabei
sind bei der dargestellten eindimensionalen Struktur des neuronalen
Modells 1 eine Zwischenschicht E (auch verdichte Schicht
genannt) mit Zwischenneuronen Z1 bis Zz vorgesehen, welche Parameter
und Systemgrößen des
Brennstoffzellensystems 2 repräsentieren. Je nach gewünschter
Komplexität
und Genauigkeitsgrad des nachzubildenden Brennstoffzellensystems 2 kann
das neuronale Modell 1 auch mehrdimensional aufgebaut sein,
d.h. aus mehreren Eingangs-, Ausgangs- und/oder Zwischenschichten E, A bzw.
Z bestehen.
-
Auch
können
als Eingangsgrößen EG1
bis EGz anstelle von Messdaten eines Sensors Kennfelder mit statischen
Messdaten verwendet werden, welche mittels so genannter Feed-forward-Netzen des neuronalen
Modells 1 abgebildet werden, die aus einer oder mehreren
versteckten Verarbeitungs- oder Zwischenschichten Z bestehen, je
nach Komplexität der
abzubildenden Eigenschaften. Lineare Zusammenhänge können bereits mit einer verdeckten
Zwischenschicht Z abgebildet, identifiziert und für unbekannte
Eingaben reproduziert werden. Vergrößert man die Struktur des neuronalen
Modells 1 ergeben sich mehr Freiheitsgrade, die vorzugsweise
in der Lernphase bestimmt werden und erhöht somit die Approximationsfähigkeit.
-
Die
vorhandenen und zu verarbeitenden Daten, wie Eingangsdaten, Zwischendaten
und Ausgangsdaten, werden in zwei Mengen unterteilt, zum einen die
Trainingsdaten, die zur Lern- oder Trainingsphase benötigt werden;
zum anderen in Test- oder Anpassungsdaten, um den so genannten Generalisierungsfehler
des neuronalen Modells 1 während der Anpassungsphase überwachen
zu können.
Mit Hilfe eines nichtlinearen Optimierungsverfahrens zur Bestimmung
globaler Minima werden die Gewichte W1 bis Wz und gegebenenfalls
Schwellenwerte des neuronalen Modells 1 unter Berücksichtigung
von ermittelten Fehlern oder Abweichungen während der Trainings- oder Optimierungsphase
angepasst und geändert,
um die Generalisierungsfähigkeit
des neuronalen Modells 1 zu erhalten. Als besonders geeignet
haben sich Optimierungsalgorithmen herausgestellt, die eine Kombination
aus heuristischen Verfahren und Gradientenabstiegsverfahren darstellen.
-
Die
Lernphase beansprucht einen vergleichsweise höheren Rechenaufwand bei der
Eztwicklung der Steuergerätealgorithmen
und benötigt somit,
bevor das oder die neuronalen Modelle 1 in der Recheneinheit 3 hinterlegt
werden können,
ausreichende Rechenleistung. Nach abgeschlossenem Training hingegen
reduziert sich der Rechenaufwand zur Bestimmung der Ausgangsgrößen AG1
bis AGz (= Stell- bzw. Kenngrößen) im
Vergleich zu den herkömmlichen
Verfahren, so dass dieser Steuerungs- bzw. Regelungsansatz keine Änderung
der Hardware der Recheneinheit 3 im Vergleich zu den herkömmlichen
Steuergerätearchitekturen
erfordert. Auf eine Sensitivitätsanalyse
der Eingabegrößen EG1 bis
EGz und damit verbundene Gewichtung bzw. Skalierung kann verzichtet
werden, da diese Zusammenhänge
erkannt und durch geeignete Modifikationen Gewichte W1 bis Wz (auch
Verbindungsgewichte genannt) und deren Schwellenwerte während der Trainings-
und Optimierungsphase berücksichtigt werden.
Gegenüber
Messfehlern von Systemgrößen, wie
Eingangsgrößen EG1
bis EGz, Ausgangsgrößen AG1
bis AGz, im Brennstoffzellensystem 2 ist das neuronale
Modell 1 robust, da es diese bis zu einem gewissen Grad
erkennt und herausfiltern kann.
-
3 zeigt
ein weiteres Ausführungsbeispiel für die Struktur
eines neuronalen Modells 1. Zur Ermittlung des dynamischen
Verhaltens von Eingangsgrößen EG1
bis EGz und Ausgangsgrößen AG1
bis AGz ist das dargestellte neuronale Modell 1 mehrstufig
mit Rückkopplungen
und/oder mehrdimensional mit mehreren Eingangs-, Ausgangs- und/oder
Zwischenschichten E, A bzw. Z ausgeführt.
-
Dabei
werden beispielsweise die Ausgangsgrößen AG1 bis AGz in einer oder
mehreren weiteren Verarbeitungsschichten ermittelt und an das System als
Stellgröße z. B.
den Eingangsneuronen E1 bis Ez und/oder den Zwischenneuronen Z1
bis Zz zurückgegeben.
-
Darüber hinaus
werden neuronale Modelle 1 mit Rückkopplungen zur Beschreibung
des dynamischen Verhaltens des Brennstoffzellensystems 2 eingesetzt,
so dass die einzelnen Neuronen E1 bis Ez, Z1 bis Zz bzw. A1 bis
Az zur Berechnung der Ausgangsgröße AG1 bis
AGz die Zustände
von Größen, wie
Eingangs-, Ausgangs-, Zwischengrößen, z.
B. Stellgrößen, aus
vorherigen Zeitschritten mitberücksichtigen.
Dabei können
als Eingangsdaten oder Eingangsgrößen EG1 bis EGz nicht nur stationär gemessene
Kenndaten verwendet werden, sondern auch Messdaten, welche das dynamische
Zusammenspiel der verschiedenen Systemkomponenten und -Subsysteme
des Brennstoffzellensystems 2 charakterisieren. Das Trainieren
rückgekoppelter Netze
oder Modelle 1 kann analog mit Modifikationen der Fehlerfunktion
zu den so genannten Feed-Forward-Netzen realisiert werden.
-
- 1
- neuronales
Modell
- 2
- Brennstoffzellensystem
- 3
- Recheneinheit
- A
- Ausgangsschicht
- A1
bis Az
- Ausgangsneuronen
- AG1
bis AGz
- Ausgangsgrößen
- E
- Eingangsschicht
- E1
bis Ez
- Eingangsneuronen
- EG1
bis EGz
- Eingangsgrößen
- V1
bis Vz
- Verbindungen
- Z
- Zwischenschicht
- Z1
bis Zz
- Zwischenneuronen