JP2019521491A - 人工知能型燃料電池システム - Google Patents

人工知能型燃料電池システム Download PDF

Info

Publication number
JP2019521491A
JP2019521491A JP2019500363A JP2019500363A JP2019521491A JP 2019521491 A JP2019521491 A JP 2019521491A JP 2019500363 A JP2019500363 A JP 2019500363A JP 2019500363 A JP2019500363 A JP 2019500363A JP 2019521491 A JP2019521491 A JP 2019521491A
Authority
JP
Japan
Prior art keywords
fuel cell
state
data
cell stack
unit
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.)
Granted
Application number
JP2019500363A
Other languages
English (en)
Other versions
JP6907300B2 (ja
Inventor
スン コン、チャン
スン コン、チャン
チョーン ヤン、ジェ
チョーン ヤン、ジェ
Original Assignee
エルジー・ケム・リミテッド
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by エルジー・ケム・リミテッド filed Critical エルジー・ケム・リミテッド
Publication of JP2019521491A publication Critical patent/JP2019521491A/ja
Application granted granted Critical
Publication of JP6907300B2 publication Critical patent/JP6907300B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/30—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling fuel cells
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0432—Temperature; Ambient temperature
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/0438—Pressure; Ambient pressure; Flow
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04492—Humidity; Ambient humidity; Water content
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04544—Voltage
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04537—Electric variables
    • H01M8/04574—Current
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
    • H01M8/04664—Failure or abnormal function
    • H01M8/04679—Failure or abnormal function of fuel cell stacks
    • 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
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/40—Application of hydrogen technology to transportation, e.g. using fuel cells

Abstract

本発明の一実施形態による人工知能型燃料電池システムは、電気化学反応により電気エネルギーを生成させるための複数の単位電池が結合された燃料電池スタック、燃料電池スタックを構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定するためのセンサ部、センサ部を介して測定されたデータを一定の時間間隔で収集し、収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成し、生成されたモデルとリアルタイムで測定されたデータを比較して燃料電池スタックの状態を診断し、燃料電池スタックの運転条件を変更するための制御信号を生成する人工知能部、および生成された制御信号に応じて燃料電池スタックの運転条件を変更させる制御部を含む。

Description

本発明は、人工知能型燃料電池システムに関し、より詳しくは、一定の時間間隔で収集されたデータを機械学習および時系列分析を用いて学習し分析して燃料電池の性能予測および制御のためのモデルを生成し、生成されたモデルと測定されたデータを比較して燃料電池スタックの時間に応じた性能変化状態を一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態に各々区別して診断し、診断された燃料電池スタックの状態に応じて燃料電池スタックの運転条件を変更するための制御信号を生成する人工知能型燃料電池システムに関する。
燃料電池（Ｆｕｅｌ ｃｅｌｌ）は、水素と酸素を燃料にして電気化学的に反応させて化学エネルギーを電気エネルギーに直接変換させる発電装置である。よって、燃料電池は、発電の特性上、熱機関のような熱力学的な制限を受けず、石炭、石油などの化石燃料を使用しないため、環境汚染、騒音などが発生する心配が少なくて次世代エネルギー源として脚光を浴びている。
しかし、燃料電池の運転中に発生する電流−電圧、電流−電力間の非線形的、非可逆的な相関関係が作る複雑性は、性能の正確な予測と最適運転のための制御を難しくしている。特に、燃料電池の運転のための従来のモデルベースの制御システムは、最適化されていない運転条件下で発生する一時的な性能低下と長期運転による劣化および耐久性の減少に応じた性能低下を同時に考慮しておらず、その差を区分していないという問題点があった。
すなわち、最適化されていない条件下での運転は燃料電池の内部の水生成に応じたフラッディング（Ｆｌｏｏｄｉｎｇ）、電解質膜の乾燥、反応気体流量の不足などによって一時的な性能の低下を誘発し、その状態が持続する場合には燃料電池システムの劣化および耐久性の減少を加速化させるため、迅速に燃料電池の異常状態を検知し、性能の予測制御が必要である。
また、燃料電池の耐久性を向上させるために、一時的で回復可能な性能低下の診断と共に長期的な性能減少の程度を考慮した運転条件の最適化およびその制御アルゴリズムが求められる。
本発明は、前記のような問題点を解決するために導き出されたものであり、一定の時間間隔で収集されたデータを機械学習および時系列分析を用いて学習し分析して燃料電池の性能予測および制御のためのモデルを生成し、生成されたモデルと測定されたデータを比較して燃料電池スタックの時間に応じた性能変化状態を一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態に各々区別して診断し、診断された燃料電池スタックの状態に応じて燃料電池スタックの運転条件を変更するための制御信号を生成する人工知能型燃料電池システムを提供することにその目的がある。
本発明の一実施形態による人工知能型燃料電池システムは、電気化学反応により電気エネルギーを生成させるための複数の単位電池が結合された燃料電池スタック、燃料電池スタックを構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定するためのセンサ部、センサ部を介して測定されたデータを一定の時間間隔で収集し、収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成し、生成されたモデルとリアルタイムで測定されたデータを比較して燃料電池スタックの状態を診断し、燃料電池スタックの運転条件を変更するための制御信号を生成する人工知能部、および生成された制御信号に応じて燃料電池スタックの運転条件を変更させる制御部を含む。
また、本発明の一実施形態による人工知能部は、センサ部を介してリアルタイムで測定された温度、圧力、湿度、流量、電流、電圧に関するデータを一定の時間間隔で収集するデータ収集部、一定の時間間隔で収集されたデータを機械学習および時系列分析を用いて学習し分析して燃料電池の性能予測および制御のためのモデルを生成するデータ学習およびモデル生成部、および生成されたモデルと測定されたデータを比較して燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断し、診断された燃料電池スタックの状態に応じて燃料電池スタックの運転条件を変更するための制御信号を生成して、制御部に、燃料電池スタックの運転条件を変更させるようにする性能予測および診断部を含み、第１状態は、一時的、短期的な性能低下状態であり、第２状態は、長期的、非可逆的な性能低下状態である。
また、本発明の一実施形態によるデータ学習およびモデル生成部は、一定の時間間隔で収集されたデータを機械学習アルゴリズムを通じて性能予測のためのモデルを生成し、性能予測および診断部に、生成されたモデルからの予測値と測定されたデータの測定値を比較して燃料電池スタックの状態を診断させるようにする機械学習部、および予測値および測定値を用いて時間推移パターンを分析する時系列傾向分析を実行して、性能予測および診断部に、燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断させるようにする時系列分析部を含み、第１状態は、一時的、短期的な性能低下状態であり、第２状態は、長期的、非可逆的な性能低下状態である。
また、本発明の一実施形態による機械学習部は、予測値と測定値の差である分散値（ｖａｒｉａｎｃｅ）をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正し、性能予測および診断部に、補正された予測モデルを用いて燃料電池スタックの時間に応じた性能変化状態を診断させるようにする。
本発明の一実施形態による人工知能型燃料電池システムの制御方法は、燃料電池スタックを構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定するステップ、測定されたデータを一定の時間間隔で収集し、収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成するステップ、生成されたモデルとリアルタイムで測定されたデータを比較して燃料電池スタックの状態を診断するステップ、診断された状態に応じて燃料電池スタックの運転条件を変更するための制御信号を生成するステップ、および生成された制御信号に応じて燃料電池スタックの運転条件を変更するステップを含む。
また、本発明の一実施形態による性能予測および制御のためのモデルを生成するステップは、一定の時間間隔で収集されたデータを機械学習アルゴリズムを通じた機械学習および時系列傾向分析を通じた時系列分析を用いて学習し分析して、燃料電池の性能予測および制御のためのモデルを生成するステップを含み、燃料電池スタックの状態を診断するステップは、生成されたモデルと測定されたデータを比較して燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断するステップを含み、第１状態は、一時的、短期的な性能低下状態であり、第２状態は、長期的、非可逆的な性能低下状態である。
また、本発明の一実施形態による人工知能型燃料電池システムの制御方法において、生成されたモデルの予測値とリアルタイムで測定された測定値の差である分散値（ｖａｒｉａｎｃｅ）をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正するステップ、および補正された予測モデルを用いて燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断するステップをさらに含み、第１状態は、一時的、短期的な性能低下状態であり、第２状態は、長期的、非可逆的な性能低下状態である。
一方、本発明の一実施形態として、前述した方法をコンピュータで実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体が提供される。
本発明の一実施形態による人工知能型燃料電池システムは、機械学習部および時系列分析部を介して一定の時間間隔で収集された燃料電池データを機械学習、時系列傾向分析をすることによって、燃料電池性能予測モデルおよび制御モデルを生成することができる。
また、本発明の一実施形態による人工知能型燃料電池システムは、機械学習部および時系列分析部を介した機械学習および時系列分析をすることによって、現在の燃料電池スタックの状態が正常状態であるかまたは非正常状態であるかを診断することができる。
なお、本発明の一実施形態による人工知能型燃料電池システムは、傾向線を用いた時系列傾向分析を通じて燃料電池スタックの時間に応じた性能低下状態を一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態に各々区別して診断することができる。
さらに、本発明の一実施形態による人工知能型燃料電池システムは、機械学習アルゴリズムおよび時系列分析を通じて生成された予測モデルの予測値と測定値の差を分散値に計算し、分散値を続けてフィードバックすることによって燃料電池性能予測モデルを補正することができるため、燃料電池スタックの時間に応じた性能変化状態をより正確に診断することができ、状態診断に応じた燃料電池の運転条件を最適化することができる。
本発明の一実施形態による人工知能型燃料電池システムの構成を示すブロック図である。 本発明の一実施形態による燃料電池スタックに設けられたセンサ部の構成を概略的に示す図である。 本発明の一実施形態による人工知能部の構成を示すブロック図である。 本発明の一実施形態によるセンサ部から測定されて収集されたデータの構造を行列で示した図である。 本発明の一実施形態による人工知能型燃料電池システムの制御方法を示すフローチャートである。 本発明の一実施形態による機械学習部を介した燃料電池性能予測モデルおよび制御モデルを補正する方法を示すフローチャートである。 本発明の一実施形態による電流密度の時系列データの傾向分析を通じて短期的な性能低下状態と長期的な性能低下状態を示すグラフである。
以下では、添付図面を参照して、本発明が属する技術分野で通常の知識を有した者が容易に実施することができるように本発明の実施形態について詳しく説明する。但し、本発明は、種々の互いに異なる形態に実現できるものであって、ここで説明する実施形態に限定されるものではない。そして、図面上、本発明を明確に説明するために説明と関係ない部分は省略し、明細書の全体にかけて類似した部分に対しては類似した図面符号を付するようにした。
本明細書で用いられる用語については簡略に説明し、本発明については具体的に説明することにする。
本発明で用いられる用語としては本発明での機能を考慮して可能な限り現在広く用いられる一般的な用語を選択したが、これは当分野に携わる技術者の意図または判例、新しい技術の出現などに応じて異なりうる。また、特定の場合は出願人が任意に選定した用語もあり、この場合、該当発明の説明の部分で詳細にその意味を記載することにする。したがって、本発明で用いられる用語は、単純な用語の名称でない、その用語が有する意味と本発明の全般にわたった内容に基づいて定義しなければならない。
明細書の全体にかけて、ある部分がある構成要素を「含む」とする時、これは、特に反する記載がない限り、他の構成要素を除くものではなく、他の構成要素をさらに含んでもよいことを意味する。また、明細書に記載された「...部」、「モジュール」などの用語は少なくとも一つの機能や動作を処理する単位を意味し、これはハードウェアまたはソフトウェアで実現されるか、またはハードウェアとソフトウェアの結合で実現されてもよい。また、明細書の全体にかけて、ある部分が他の部分と「連結」されているとする時、これは「直接に連結」されている場合だけでなく、「その間に他の素子を介在させて」連結されている場合も含む。
以下では、添付図面を参照して本発明について詳しく説明することにする。
図１は、本発明の一実施形態による人工知能型燃料電池システム１０００の構成を示すブロック図であり、図２は、本発明の一実施形態による燃料電池スタック１００に設けられたセンサ部２００の構成を概略的に示す図である。
図１を参照すれば、人工知能型燃料電池システム１０００は、燃料電池スタック１００、センサ部２００、人工知能部３００および制御部４００を含むことができる。
本発明の一実施形態による燃料電池スタック１００は、電気化学反応により電気エネルギーを生成させるための複数の単位電池が結合された装置であって、複数の単位電池が積層して形成されることによって自動車のような装置に必要な電力を供給することができる。ここで、単位電池は、電気化学反応により電気エネルギーを生成しつつ、水と熱を副産物として生産し、アノードセパレータ、カソードセパレータ、ガスケットなどを含むことができる。
本発明の一実施形態によるセンサ部２００は、燃料電池スタック１００を構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータ、および燃料電池の運転中の電流、電圧データをリアルタイムで測定することができる。
図２を参照すれば、センサ部２００は、燃料電池スタック１００に供給される反応気体（燃料）、冷却水および各々の単位電池の温度、圧力、湿度、流量などに関するデータを燃料電池スタックの入口および出口を含む種々の位置でリアルタイムで測定することができる。例えば、単位電池の正極、負極において、または燃料電池スタックの各々の単位電池ごとに、または燃料電池スタック全体に対して、温度、圧力、湿度、流量などに関するデータを測定することができる。
また、センサ部２００は、燃料電池スタック１００の運転中に発生する電流（密度）、電圧データまたは電流、電圧データの変化も各々の単位電池ごとにまたは燃料電池スタック全体に対してリアルタイムで測定することができる。
本発明の一実施形態による人工知能部３００は、センサ部２００を介して測定されたデータを一定の時間間隔で収集し、収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成することができる。例えば、人工知能部３００は、センサ部２００を介して測定された各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データを一定の時間間隔で収集することができ、収集された全てのデータは、時系列データの形で格納することができる。ここで、一定の時間間隔は１秒単位から分、時、日、月、年単位まで燃料電池の運転時間の一部または全部を含むことができる。
また、人工知能部３００は、収集されたデータを機械学習および時系列分析などの方法を用いて学習および分析することによって、燃料電池の性能予測および制御のためのモデルを生成することができ、生成された性能予測および制御のためのモデルをリアルタイムで測定されたデータと比較して燃料電池スタック１００の状態を診断し、燃料電池スタック１００の運転条件を変更するための制御信号を生成することができる。
すなわち、燃料電池の性能（Ｉ−Ｖ）に影響を与えるリアルタイム運転データは複雑性と相互依存性を含むため、それを予測できる性能予測および制御のためのモデルを生成するためには、多数の相関関係を説明できる機械学習ベースのモデリングが適用できる。
また、運転時間が長くなるほど燃料電池の劣化による性能低下が発生しうるし、これは一時的な性能低下現象と区別しなければならないため、単一機械学習アルゴリズムの適用を通じては一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態を区別することが難しい。すなわち、一時的な性能低下現象と長期的な性能低下現象を区別するためには、時系列分析を通じた時系列データのパターン分析を機械学習アルゴリズムと複合的に用いることによって、燃料電池スタック１００の状態を正確に診断して、診断状態に応じた最適化された制御信号を生成することができる。
図３は、本発明の一実施形態による人工知能部３００の構成を示すブロック図である。
図３を参照すれば、人工知能部３００はデータ収集部３２０、データ学習およびモデル生成部３４０および性能予測および診断部３６０を含み、データ学習およびモデル生成部３４０は機械学習部３４２および時系列分析部３４４を含むことができる。
本発明の一実施形態によるデータ収集部３２０は、センサ部２００を介してリアルタイムで測定された各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータ、および燃料電池の運転中の電流、電圧データを一定の時間間隔で収集することができる。データ収集部３２０は、時系列分析のために測定された全てのデータを時系列データの形で時間帯別に格納することができ、１秒単位から年単位までデータの格納時間間隔を調節することができ、燃料電池の運転時間の一部または全部を含むことができる。
データ学習およびモデル生成部３４０は、一定の時間間隔で収集されたデータを用いて燃料電池の性能予測および制御のためのモデルを生成することができ、機械学習部３４２は、多変数の相関関係を通じた機械学習を通じて性能予測および制御のためのモデリングを可能にし、時系列分析部３４４は、時系列データのパターン分析を通じて燃料電池の状態を時系列傾向分析することによって、燃料電池スタック１００の時間に応じた性能予測および制御のためのモデルを生成することができる。
すなわち、本発明の一実施形態による機械学習部３４２は、一定の時間間隔で収集されたデータを機械学習アルゴリズムを通じて性能予測のためのモデルを生成し、性能予測および診断部３６０に、生成されたモデルからの予測値と測定されたデータの測定値を比較して燃料電池スタック１００の状態を診断させるようにすることができる。
例えば、機械学習部３４２は、一定の時間間隔で収集された温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データを行列構造としてデータ構造を生成し、種々の機械学習アルゴリズムを適用して性能予測モデルを生成することができる。また、機械学習部３４２は、性能予測および診断部３６０に、性能予測モデルでの予測値とセンサ部２００を介してリアルタイムで測定された測定値を比較して、予測値と測定値の差により燃料電池スタックの状態が正常状態であるかまたはフラッディング（ｆｌｏｏｄｉｎｇ）、電解質膜の乾燥、反応気体流量の不足などの非正常状態であるかを判断させるようにすることができる。
また、機械学習部３４２は、診断された燃料電池スタック１００の状態が正常状態であるかまたは非正常状態であるかに応じた運転条件変化に対する判断、すなわち、制御部４００を制御する制御信号を維持させるかまたは変化させるかに対する判断を提供することができる。
本発明の一実施形態による時系列分析部３４４は、予測値および測定値を用いて時間推移パターンを分析する時系列傾向分析を実行して、性能予測および診断部３６０に、燃料電池スタック１００の時間に応じた性能変化状態を一時的、短期的な性能低下状態と劣化による長期的、非可逆的な性能低下状態の二つの異なる状態に区別して診断させるようにすることができる。
例えば、時系列分析部３４４は、機械学習部３４２を介して生成された性能予測モデルの予測値およびセンサ部２００を介して測定された測定値を用いて時間推移パターン分析を行うことによって、性能予測および診断部３６０に、時系列的に燃料電池スタック１００に一時的に性能低下が発生する短期的な性能低下状態区間と、劣化による非可逆的な性能低下が発生する長期的な性能低下状態区間を区別させるようにすることができる。ここで、一時的、短期的な性能低下状態区間は、一時的には性能低下が現れるが、制御を通じた運転条件の変更後に所定の時間が流れた後には正常状態に性能が回復できる区間であって、可逆的な性能低下が現れる区間を意味する。
図４は、本発明の一実施形態によるセンサ部２００から測定されて収集されたデータの構造を行列で示した図である。
図４を参照すれば、行列Ｔの各列（ｔ１、ｔ２、…）は時間列を示し、行列Ｘの各列はセンサ部２００によって時間帯別に測定された燃料電池スタック１００の種々の地点の温度、圧力、流量、湿度などのデータを示す。また、行列Ｘの１列は各時間帯別に測定された電流（密度）の時系列データを含むことができる。行列Ｙは、各時間帯別に測定されたセル電圧（Ｖ）、電流密度（Ｉ）、出力密度（ｐｏｗｅｒ ｄｅｎｓｉｔｙ）のいずれか一つの変数の時間帯別の測定を示す。
また、行列ＸとＹで構成されたデータ構造５１０は、機械学習アルゴリズムを通じて予測モデルを作るためのデータ構造を示す。すなわち、行列ＸとＹで構成されたデータ構造５１０は、Ｘ→Ｙ、Ｙ＝ｆ（Ｘ）を作るためのデータ構造を示すことができる。予測モデルＹ＝ｆ（Ｘ）は、適用される機械学習アルゴリズムに応じて、
Figure 2019521491
 のような線形回帰モデルを含めて様々な形態を有することができる。
機械学習予測モデルは次の［数学式１］のように示すことができる。
［数学式１］
Figure 2019521491
また、行列ＸとＹおよびＴで構成されたデータ構造５３０は、時系列分析（ｔｉｍｅ ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ）のためのデータ構造を示し、（Ｔ、Ｘ、Ｙ）または（Ｔ、Ｘ）または（Ｔ、Ｙ）で構成されることができる。
時系列モデルは、次の［数学式２］のように示すことができる。
［数学式２］
Figure 2019521491
また、本発明の一実施形態による機械学習部３４２は、予測値と測定値の差である分散値（ｖａｒｉａｎｃｅ）をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正し、性能予測および診断部３６０に、補正された予測モデルを用いて燃料電池スタック１００の時間に応じた性能変化状態を診断させるようにすることができる。
すなわち、機械学習部３４２は、機械学習アルゴリズムおよび時系列分析を通じて生成された予測モデルの予測値とセンサ部２００を介して測定された測定値の差を分散値に計算し、分散値を続けてフィードバックすることによって燃料電池予測モデルを補正することができる。すなわち、性能予測および診断部３６０が補正された燃料電池予測モデルに従って燃料電池スタック１００の時間に応じた性能変化状態を診断するため、より正確に燃料電池の状態を診断することができる。
本発明の一実施形態による性能予測および診断部３６０は、機械学習部３４２および時系列分析部３４４の学習、分析に応じて生成された燃料電池予測および制御モデルに従って燃料電池スタックの状態を診断することができる。
例えば、性能予測および診断部３６０は、生成された燃料電池予測モデルの予測値とリアルタイムで測定された測定値を比較して、燃料電池スタックの現在状態が正常状態であるか、またはフラッディング（ｆｌｏｏｄｉｎｇ）、電解質膜の乾燥、反応気体流量の不足状態のような非正常状態であるかを区別することができる。
また、性能予測および診断部３６０は、時系列分析部３４４の時系列傾向分析を通じて燃料電池スタック１００の時間に応じた性能変化状態を一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態に各々区別して診断することができる。
また、性能予測および診断部３６０は、診断された燃料電池スタック１００の状態に応じて燃料電池スタック１００の運転条件を変更するための制御信号を生成することができる。
本発明の一実施形態による制御部４００は、人工知能部３００が生成した制御信号に応じて燃料電池スタック１００の運転条件を変更させることができる。
例えば、人工知能部３００は、燃料電池スタック１００の状態診断を通じて、現在の燃料電池スタック１００が長期的、非可逆的な性能低下状態であるか、または一時的、可逆的な性能低下状態であるかを診断することができる。仮に人工知能部３００が可逆的な性能低下状態であると診断したとすれば、燃料電池スタック１００の状態がフラッディング（ｆｌｏｏｄｉｎｇ）、電解質膜の乾燥、反応気体流量の不足状態であるかを判断することができ、一時的な性能低下を回復するために燃料電池の運転条件を変更するための制御信号を生成して制御部４００に転送することができる。すなわち、制御部４００は、人工知能部３００が生成した制御信号に応じて運転条件を変更することによって、フラッディング（ｆｌｏｏｄｉｎｇ）、電解質膜の乾燥、反応気体流量の不足状態である燃料電池スタック１００の性能を回復させることができる。
図５は、本発明の一実施形態による人工知能型燃料電池システム１０００の制御方法を示すフローチャートである。
図５を参照すれば、センサ部２００は、燃料電池スタック１００を構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定することができ（Ｓ１０）、データ収集部３２０は、測定されたデータを一定の時間間隔で収集することができ、データ学習およびモデル生成部３４０は、収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成することができる（Ｓ２０）。
例えば、センサ部２００は、燃料電池スタック１００の入口および出口を含む種々の位置で各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータをリアルタイムで測定することができ、燃料電池の運転中の電流、電圧データおよび電流、電圧データの変化もリアルタイムで測定することができる。また、データ収集部３２０は、測定されたデータを１秒単位から分、時、日、月、年単位まで燃料電池の運転時間の一部または全部を含む時間間隔で収集することができる。データ学習およびモデル生成部３４０は、収集されたデータに対して機械学習アルゴリズムを通じた機械学習および時系列傾向分析を通じた時系列分析を用いて学習し分析して、燃料電池の性能予測および制御のためのモデルを生成することができる。
性能予測および診断部３６０は、データ学習およびモデル生成部３４０を介して生成された予測モデルとリアルタイムで測定されたデータを比較して燃料電池スタック１００の状態を診断することができ（Ｓ３０）、診断された状態に応じて燃料電池スタックの運転条件を変更するための制御信号を生成することができる（Ｓ４０）。制御部４００は、生成された制御信号に応じて燃料電池スタック１００の運転条件を変更することができる（Ｓ５０）。
例えば、性能予測および診断部３６０は、生成された燃料電池性能予測モデルの予測値とリアルタイムで測定された測定値を比較して燃料電池スタックの現在状態が正常状態であるかまたは非正常状態であるかを区別することができる。また、性能予測および診断部３６０は、時系列分析部３４４の時系列傾向分析を通じて燃料電池スタックの時間に応じた性能変化状態を一時的、短期的な性能低下状態と長期的、非可逆的な性能低下状態に各々区別して診断することができる。また、性能予測および診断部３６０は、燃料電池スタック１００の現在状態または時間に応じた性能変化状態に応じて制御信号を生成し、制御部４００は、制御信号に応じて燃料電池スタック１００の運転条件を変更することができる。
図６は、本発明の一実施形態による機械学習部３４２を介した燃料電池性能予測モデルおよび制御モデルを補正する方法を示すフローチャートである。
図６を参照すれば、人工知能型燃料電池システム１０００は、データ収集部３２０を介して一定の時間間隔（ｈｉ）の間の燃料電池スタック１００を構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データを収集し（Ｓ１００）、収集されたデータを用いて燃料電池性能予測モデルおよび制御モデルを生成することができる（Ｓ２００）。ここで、燃料電池性能予測モデルおよび制御モデルは、収集されたデータを用いた機械学習および時系列分析を用いて生成される。
人工知能型燃料電池システム１０００は、生成された燃料電池性能予測モデルから電流、電圧、出力密度などの予測値を算出することができ（Ｓ３００）、センサ部２００を介して実際に測定される測定値を得ることができる（Ｓ４００）。機械学習部３４２は、算出した予測値と実際に測定される測定値を比較して、その差である分散値（ｖａｒｉａｎｃｅ）を計算することができ（Ｓ５００）、分散値をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正することができる（Ｓ６００）。
図７は、本発明の一実施形態による電流密度の時系列データの傾向分析を通じて短期的な性能低下状態と長期的な性能低下状態を示すグラフである。
図７を参照すれば、燃料電池の定電圧運転時における出力電流密度は短期的に小さい範囲内で変動を有するが、これは可逆的に回復されることができ、長期運転に応じた燃料電池の各部品の劣化による非可逆的な性能低下とは区別される。
すなわち、図７の時系列傾向分析を通じて燃料電池の電流密度の時間に応じた傾向線を分析すれば、可逆的に性能回復が可能な一時的、短期的な性能低下区間と燃料電池の部品劣化に応じた長期的、非可逆的な性能低下区間を各々区別することができる。すなわち、時系列初期の傾向（ｔｒｅｎｄ）は一定時間の経過後に予め設定した一定基準以上の変移をもたらし、それに応じた傾向に従う。したがって、燃料電池の性能低下の予測および診断のためには、複数の傾向モデルを構成することができる。
時系列データの傾向モデルは、図７に示すように線形モデルを用いてもよいが、燃料電池の劣化形態に応じて２次、３次または指数関数モデルを適用してもよい。
本発明の一実施形態による人工知能型燃料電池システム１０００の制御方法については、前述した人工知能型燃料電池システム１０００に関する内容が適用できる。したがって、人工知能型燃料電池システム１０００の制御方法と関わり、前述した人工知能型燃料電池システム１０００に関する内容と同一な内容についてはその説明を省略した。
本発明の一実施形態は、コンピュータによって実行されるプログラムモジュールのようなコンピュータによって実行可能な命令語を含む記録媒体の形態に実現されてもよい。コンピュータ読み取り可能媒体は、コンピュータによってアクセスできる任意の可用媒体であってもよく、揮発性および不揮発性媒体、分離型および非分離型媒体を全て含む。また、コンピュータ読み取り可能媒体は、コンピュータ格納媒体を全て含むことができる。コンピュータ格納媒体は、コンピュータ読み取り可能な命令語、データ構造、プログラムモジュールまたはその他のデータのような情報格納のための任意の方法または技術で実現された揮発性および不揮発性、分離型および非分離型媒体を全て含む。
前述した本発明の説明は例示のためのものであり、本発明が属する技術分野の通常の知識を有した者であれば、本発明の技術的思想や必須の特徴を変更しなくても他の具体的な形態に容易に変形が可能であるということを理解することができるであろう。よって、以上で記述した実施形態は全ての面で例示的なものであって、限定的なものではないことを理解しなければならない。例えば、単一型として説明されている各構成要素は分散して実施されてもよく、それと同様に、分散したものとして説明されている構成要素も結合された形態で実施されてもよい。
本発明の範囲は前記詳細な説明よりは後述する特許請求の範囲によって示されるものであり、特許請求の範囲の意味および範囲そしてその均等概念から導き出される全ての変更または変形された形態は本発明の範囲に含まれると解釈しなければならない。
１００ ・・・燃料電池スタック
２００ ・・・センサ部
３００ ・・・人工知能部
３２０ ・・・データ収集部
３４０ ・・・データ学習およびモデル生成部
３４２ ・・・機械学習部
３４４ ・・・時系列分析部
３６０ ・・・性能予測および診断部
４００ ・・・制御部
５１０ ・・・行列ＸとＹで構成されたデータ構造
５３０ ・・・行列ＸとＹおよびＴで構成されたデータ構造
１０００ ・・・人工知能型燃料電池システム

Claims (8)

  1. 人工知能型燃料電池システムであって、
    電気化学反応により電気エネルギーを生成させるための複数の単位電池が結合された燃料電池スタック、
    前記燃料電池スタックを構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定するためのセンサ部、
    前記センサ部を介して測定された前記データを一定の時間間隔で収集し、前記収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成し、前記生成されたモデルとリアルタイムで測定されたデータを比較して前記燃料電池スタックの状態を診断し、前記燃料電池スタックの運転条件を変更するための制御信号を生成する人工知能部、および
    前記生成された制御信号に応じて前記燃料電池スタックの運転条件を変更させる制御部
    を含む人工知能型燃料電池システム。
  2. 前記人工知能部は、
    前記センサ部を介してリアルタイムで測定された温度、圧力、湿度、流量、電流、電圧に関するデータを一定の時間間隔で収集するデータ収集部、
    前記一定の時間間隔で収集されたデータを機械学習および時系列分析を用いて学習し分析して前記燃料電池の性能予測および制御のためのモデルを生成するデータ学習およびモデル生成部、および
    前記生成されたモデルと測定されたデータを比較して前記燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断し、前記診断された燃料電池スタックの状態に応じて前記燃料電池スタックの運転条件を変更するための制御信号を生成して、前記制御部に、前記燃料電池スタックの運転条件を変更させるようにする性能予測および診断部を含み、
    前記第１状態は一時的、短期的な性能低下状態であり、第２状態は長期的、非可逆的な性能低下状態である、請求項１に記載の人工知能型燃料電池システム。
  3. 前記データ学習およびモデル生成部は、
    前記一定の時間間隔で収集されたデータを機械学習アルゴリズムを通じて性能予測のためのモデルを生成し、前記性能予測および診断部に、前記生成されたモデルからの予測値と測定されたデータの測定値を比較して燃料電池スタックの状態を診断させるようにする機械学習部、および
    前記予測値および測定値を用いて時間推移パターンを分析する時系列傾向分析を実行して、前記性能予測および診断部に、前記燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断させるようにする時系列分析部を含み、
    前記第１状態は一時的、短期的な性能低下状態であり、第２状態は長期的、非可逆的な性能低下状態である、請求項２に記載の人工知能型燃料電池システム。
  4. 前記機械学習部は、
    前記予測値と測定値の差である分散値（ｖａｒｉａｎｃｅ）をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正し、前記性能予測および診断部に、前記補正された予測モデルを用いて前記燃料電池スタックの時間に応じた性能変化状態を診断させるようにする、請求項３に記載の人工知能型燃料電池システム。
  5. 人工知能型燃料電池システムの制御方法であって、
    燃料電池スタックを構成する各々の単位電池、反応気体および冷却水の温度、圧力、湿度、流量に関するデータおよび燃料電池の運転中の電流、電圧データをリアルタイムで測定するステップ、
    前記測定されたデータを一定の時間間隔で収集し、前記収集されたデータに対する学習および分析を通じて燃料電池の性能予測および制御のためのモデルを生成するステップ、
    前記生成されたモデルとリアルタイムで測定されたデータを比較して前記燃料電池スタックの状態を診断するステップ、
    前記診断された状態に応じて前記燃料電池スタックの運転条件を変更するための制御信号を生成するステップ、および
    前記生成された制御信号に応じて前記燃料電池スタックの運転条件を変更するステップ
    を含む人工知能型燃料電池システムの制御方法。
  6. 前記性能予測および制御のためのモデルを生成するステップは、
    前記一定の時間間隔で収集されたデータを機械学習アルゴリズムを通じた機械学習および時系列傾向分析を通じた時系列分析を用いて学習し分析して、前記燃料電池の性能予測および制御のためのモデルを生成するステップを含み、
    前記燃料電池スタックの状態を診断するステップは、
    前記生成されたモデルと測定されたデータを比較して前記燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断するステップを含み、
    前記第１状態は一時的、短期的な性能低下状態であり、第２状態は長期的、非可逆的な性能低下状態である、請求項５に記載の人工知能型燃料電池システムの制御方法。
  7. 前記生成されたモデルの予測値とリアルタイムで測定された測定値の差である分散値（ｖａｒｉａｎｃｅ）をフィードバック（ｆｅｅｄｂａｃｋ）して生成された予測モデルを補正するステップ、および
    前記補正された予測モデルを用いて前記燃料電池スタックの時間に応じた性能変化状態を第１状態と第２状態に各々区別して診断するステップをさらに含み、
    前記第１状態は一時的、短期的な性能低下状態であり、第２状態は長期的、非可逆的な性能低下状態である、請求項６に記載の人工知能型燃料電池システムの制御方法。
  8. 請求項５から７のいずれか１項に記載の方法を実現するためのプログラム。
JP2019500363A 2016-09-26 2017-09-14 人工知能型燃料電池システム Active JP6907300B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020160123125A KR102042077B1 (ko) 2016-09-26 2016-09-26 인공지능형 연료전지 시스템
KR10-2016-0123125 2016-09-26
PCT/KR2017/010088 WO2018056639A2 (ko) 2016-09-26 2017-09-14 인공지능형 연료전지 시스템

Publications (2)

Publication Number Publication Date
JP2019521491A true JP2019521491A (ja) 2019-07-25
JP6907300B2 JP6907300B2 (ja) 2021-07-21

Family

ID=61690525

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019500363A Active JP6907300B2 (ja) 2016-09-26 2017-09-14 人工知能型燃料電池システム

Country Status (6)

Country Link
US (1) US10901038B2 (ja)
EP (1) EP3486987B1 (ja)
JP (1) JP6907300B2 (ja)
KR (1) KR102042077B1 (ja)
CN (1) CN109792063B (ja)
WO (1) WO2018056639A2 (ja)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102046536B1 (ko) * 2019-08-01 2019-11-19 서울대학교산학협력단 연료전지 열관리 시스템의 고장 진단 방법
JP2021144637A (ja) * 2020-03-13 2021-09-24 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2021158017A (ja) * 2020-03-27 2021-10-07 東京瓦斯株式会社 燃料電池コージェネレーションシステムの制御装置
WO2023068899A1 (ko) * 2021-10-22 2023-04-27 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법
JP7389727B2 (ja) 2020-09-07 2023-11-30 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404197B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404196B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7472773B2 (ja) 2020-12-18 2024-04-23 トヨタ自動車株式会社 燃料電池の出力電圧予測システムおよび予測方法

Families Citing this family (55)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11508980B2 (en) * 2017-01-06 2022-11-22 Cummins Enterprise Llc Systems and methods for distributed fault management in fuel cell systems
EP3514737A1 (en) * 2018-01-19 2019-07-24 Siemens Aktiengesellschaft System and method for detecting and forecasting the behavior of a system
CN108710099B (zh) * 2018-05-24 2021-08-31 广东电网有限责任公司广州供电局 电容式电压互感器监测告警方法和系统
CN108960428A (zh) * 2018-06-22 2018-12-07 北京易华录信息技术股份有限公司 一种基于人工智能技术的路网运行知识库构建方法
AT522011A3 (de) * 2018-12-20 2021-03-15 Avl List Gmbh Betriebsvorrichtung, Brennstoffzellensystem, Kraftfahrzeug und Verfahren zum Betreiben eines Brennstoffzellensystems
CN109978252B (zh) * 2019-03-22 2023-08-15 广东云韬氢能科技有限公司 一种大功率集成燃料电池系统运行状态预测评估方法
US11029294B2 (en) 2019-04-05 2021-06-08 Honeywell International Inc. Method and apparatus for measuring humidity using an electrochemical gas sensor
US11507861B2 (en) * 2019-05-06 2022-11-22 Sweetsense, Inc. Machine learning techniques for improved water conservation and management
CN112751063B (zh) * 2019-10-31 2022-07-22 长城汽车股份有限公司 燃料电池的控制方法与装置、电池管理系统和车辆
CN110828866B (zh) * 2019-11-15 2023-01-31 上海电气集团股份有限公司 车载燃料电池的冷却循环系统及其控制方法
KR102152020B1 (ko) * 2019-12-05 2020-09-10 (주)프라즈마 사이언스 전류 차단에 기반한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102216849B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 연료 전지를 효율적으로 운용하는 제어 시스템
KR102152219B1 (ko) * 2019-12-05 2020-09-04 (주)프라즈마 사이언스 운전중 출력전류 지령치에 작은 전류 사인파를 혼합하여 이에 따른 출력전압 변동을 이용한 자가 진단에 따라 운전 모드를 제어하는 연료 전지 시스템
KR102216850B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 관리 시스템
KR102219860B1 (ko) * 2019-12-05 2021-02-24 (주)프라즈마 사이언스 자가 진단 모드를 구현하는 연료전지 시스템
KR102216851B1 (ko) * 2019-12-05 2021-02-18 (주)프라즈마 사이언스 Mbop를 제어하는 연료 전지 시스템
JP7314822B2 (ja) 2020-02-06 2023-07-26 トヨタ自動車株式会社 バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
US11394774B2 (en) * 2020-02-10 2022-07-19 Subash Sundaresan System and method of certification for incremental training of machine learning models at edge devices in a peer to peer network
DE102020202878A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zu einer Betriebsüberwachung zumindest einer Brennstoffzellenvorrichtung und Brennstoffzellenvorrichtung
KR102191146B1 (ko) * 2020-04-14 2020-12-15 (주)프라즈마 사이언스 직/병렬 dc-dc 컨버터 장치 및 연료전지 시스템
US20210383200A1 (en) * 2020-06-05 2021-12-09 PassiveLogic, Inc. Neural Network Methods for Defining System Topology
JP7441121B2 (ja) * 2020-06-05 2024-02-29 本田技研工業株式会社 電力調整システム、電力調整方法、及びプログラム
CN114094150B (zh) * 2020-06-29 2023-11-17 中国科学院大连化学物理研究所 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
DE102020208502A1 (de) * 2020-07-07 2022-01-13 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betrieb eines Brennstoffzellensystems
KR102169040B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
CN111816897A (zh) * 2020-07-22 2020-10-23 上海骥翀氢能科技有限公司 一种燃料电池电堆性能检测方法
DE102020210082B4 (de) 2020-08-10 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
DE102020210081A1 (de) 2020-08-10 2022-02-10 Robert Bosch Gesellschaft mit beschränkter Haftung Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines Brennstoffzellensystems
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법
US20220057451A1 (en) * 2020-08-21 2022-02-24 Carnegie Mellon University System and method for estimation of battery state and health
KR102219863B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 이더넷 망을 이용하는 연료 전지 시스템
KR102219866B1 (ko) * 2020-08-31 2021-02-24 (주)프라즈마 사이언스 출력전압에 기반하여 자가 진단을 수행하는 연료전지 시스템
KR102216852B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 인공지능 기반의 연료 전지 시스템
KR102216853B1 (ko) * 2020-08-31 2021-02-18 (주)프라즈마 사이언스 플랜트의 운전 방식을 설정하는 연료 전지 시스템
DE102020124076A1 (de) 2020-09-16 2022-03-17 Audi Aktiengesellschaft Temperatursteuervorrichtung mit Sensorplausibilisierung
CN112363060B (zh) * 2020-11-11 2024-05-03 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN112615030B (zh) * 2020-12-10 2022-04-01 全球能源互联网研究院有限公司 一种固定式发电用燃料电池机组控制系统及控制方法
AT524724A1 (de) * 2021-02-08 2022-08-15 Avl List Gmbh Testverfahren für ein virtuelles Testen einer Brennstoffzelle
CN113002367B (zh) * 2021-02-22 2023-03-21 深兰科技（上海）有限公司 车载燃料电池系统的控制方法及相关装置
CN113064013A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 一种避雷器状态监测方法、装置及系统
DE102021203576A1 (de) 2021-04-12 2022-10-13 Robert Bosch Gesellschaft mit beschränkter Haftung Kombinationsvorrichtung und Verfahren zum Betrieb einer Kombinationsvorrichtung
CN112993345B (zh) * 2021-04-21 2022-05-03 北京氢澜科技有限公司 基于人工智能的燃料电池控制系统及控制方法
DE102021120586A1 (de) * 2021-08-09 2023-02-09 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zur Detektion einer beeinträchtigten Brennstoffzelle
DE102021212618A1 (de) * 2021-11-09 2023-05-11 Rolls-Royce Solutions GmbH Verfahren zur Diagnose eines Brennstoffzellensystems, Systemsteuervorrichtung zur Durchführung eines solchen Verfahrens und Brennstoffzellensystem mit einer solchen Systemsteuervorrichtung
CN114267844B (zh) * 2021-11-09 2024-02-27 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
DE102021214924A1 (de) 2021-12-22 2023-06-22 Robert Bosch Gesellschaft mit beschränkter Haftung Diagnoseverfahren und Diagnosesystem zur Diagnose einer fehlerhaften Brennstoffzelle
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法
EP4227141A1 (en) * 2022-02-09 2023-08-16 Volvo Truck Corporation A method for determining ageing of a fuel cell system
WO2023159364A1 (zh) * 2022-02-22 2023-08-31 苏州潜寻新能源科技有限公司 一种固体氧化物燃料电池系统的智能控制方法
DE102022106806B4 (de) 2022-03-23 2023-11-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt für das Thermomanagement bei einer Traktionsbatterie
DE102022203504A1 (de) * 2022-04-07 2023-10-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Überwachung eines Brennstoffzellensystems und ein Brennstoffzellensystem
DE102022206797A1 (de) 2022-07-04 2024-01-04 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Ermittlung zumindest einer Zellenkenngröße eines Zellensystems, ein Zellensystem und ein Computerprogramm
KR102568359B1 (ko) * 2023-02-07 2023-08-21 주식회사 시너지 연료전지 출력제어 시스템 및 방법
KR102575043B1 (ko) * 2023-02-07 2023-09-07 주식회사 시너지 고효율 연료전지 시스템 및 그 제어 방법
CN116111147B (zh) * 2023-04-13 2023-06-30 北京新研创能科技有限公司 一种用于氢燃料电池的温度管理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0487263A (ja) * 1990-07-27 1992-03-19 Hitachi Ltd 燃料電池発電プラント
JP2004165058A (ja) * 2002-11-14 2004-06-10 Nissan Motor Co Ltd 燃料電池システムの制御装置
CN1680894A (zh) * 2004-04-05 2005-10-12 上海神力科技有限公司 可对燃料电池发电系统运行进行监测与控制的计算机系统
JP2006202555A (ja) * 2005-01-19 2006-08-03 Nissan Motor Co Ltd 燃料電池システム
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2008305647A (ja) * 2007-06-06 2008-12-18 Toshiba Fuel Cell Power Systems Corp 燃料電池発電システム
JP2009021194A (ja) * 2007-07-13 2009-01-29 Toyota Motor Corp 燃料電池システム
JP2009081117A (ja) * 2007-09-27 2009-04-16 Nissan Motor Co Ltd 電流密度分布センサ及びその製造方法並びに燃料電池システム
JP2012074229A (ja) * 2010-09-28 2012-04-12 Toyota Motor Corp 燃料電池システム、燃料電池セルの劣化判定方法、および、燃料電池システムの制御方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001078164A2 (en) * 2000-04-11 2001-10-18 Recherche 2000 Inc. Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers
US7457785B1 (en) 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
JP4352688B2 (ja) * 2002-11-27 2009-10-28 トヨタ自動車株式会社 燃料電池の診断装置および診断方法
US7558655B2 (en) * 2004-09-10 2009-07-07 Ford Global Technologies, Llc Prognostic method and system for hybrid and electric vehicle components
EP1910588B1 (en) * 2005-06-16 2018-05-16 Recherche 2000 Inc. Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization
JP5305119B2 (ja) 2006-05-09 2013-10-02 横河電機株式会社 燃料電池発電監視システム
US7951496B2 (en) * 2006-12-20 2011-05-31 Bloom Energy Corporation Model based real-time optimization of fuel cell clusters
US8577822B2 (en) * 2008-09-25 2013-11-05 University Of Iowa Research Foundation Data-driven approach to modeling sensors wherein optimal time delays are determined for a first set of predictors and stored as a second set of predictors
CN201374016Y (zh) * 2009-03-24 2009-12-30 昆明理工大学 质子交换膜燃料电池的智能综合优化监测与控制器
DE102013213982A1 (de) * 2013-07-17 2015-03-12 Bayer Materialscience Ag Verfahren und System zur Überwachung der Funktionsfähigkeit von Elektrolysezellen
KR101601443B1 (ko) 2014-07-02 2016-03-22 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
KR101592720B1 (ko) 2014-07-02 2016-02-19 현대자동차주식회사 연료전지 시스템의 운전 제어 방법
EP3207389B1 (en) * 2014-10-17 2020-09-02 Stiftelsen Sintef Control of an electrochemical device with integrated diagnostics, prognostics and lifetime management

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0487263A (ja) * 1990-07-27 1992-03-19 Hitachi Ltd 燃料電池発電プラント
JP2004165058A (ja) * 2002-11-14 2004-06-10 Nissan Motor Co Ltd 燃料電池システムの制御装置
CN1680894A (zh) * 2004-04-05 2005-10-12 上海神力科技有限公司 可对燃料电池发电系统运行进行监测与控制的计算机系统
JP2006202555A (ja) * 2005-01-19 2006-08-03 Nissan Motor Co Ltd 燃料電池システム
JP2007123007A (ja) * 2005-10-27 2007-05-17 Hitachi Ltd 燃料電池システムの診断方法および診断装置
JP2008305647A (ja) * 2007-06-06 2008-12-18 Toshiba Fuel Cell Power Systems Corp 燃料電池発電システム
JP2009021194A (ja) * 2007-07-13 2009-01-29 Toyota Motor Corp 燃料電池システム
JP2009081117A (ja) * 2007-09-27 2009-04-16 Nissan Motor Co Ltd 電流密度分布センサ及びその製造方法並びに燃料電池システム
JP2012074229A (ja) * 2010-09-28 2012-04-12 Toyota Motor Corp 燃料電池システム、燃料電池セルの劣化判定方法、および、燃料電池システムの制御方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102046536B1 (ko) * 2019-08-01 2019-11-19 서울대학교산학협력단 연료전지 열관리 시스템의 고장 진단 방법
JP2021144637A (ja) * 2020-03-13 2021-09-24 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP7293156B2 (ja) 2020-03-13 2023-06-19 株式会社東芝 情報処理装置、情報処理方法およびプログラム
JP2021158017A (ja) * 2020-03-27 2021-10-07 東京瓦斯株式会社 燃料電池コージェネレーションシステムの制御装置
JP7389727B2 (ja) 2020-09-07 2023-11-30 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404197B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7404196B2 (ja) 2020-09-07 2023-12-25 東京瓦斯株式会社 故障診断装置、故障診断システム、及び故障診断プログラム
JP7472773B2 (ja) 2020-12-18 2024-04-23 トヨタ自動車株式会社 燃料電池の出力電圧予測システムおよび予測方法
WO2023068899A1 (ko) * 2021-10-22 2023-04-27 주식회사 엘지에너지솔루션 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법

Also Published As

Publication number Publication date
WO2018056639A2 (ko) 2018-03-29
US10901038B2 (en) 2021-01-26
WO2018056639A3 (ko) 2018-05-11
JP6907300B2 (ja) 2021-07-21
KR20180033766A (ko) 2018-04-04
CN109792063B (zh) 2022-03-22
EP3486987A4 (en) 2019-08-14
EP3486987A2 (en) 2019-05-22
KR102042077B1 (ko) 2019-11-07
CN109792063A (zh) 2019-05-21
EP3486987B1 (en) 2021-06-30
US20190018067A1 (en) 2019-01-17

Similar Documents

Publication Publication Date Title
JP6907300B2 (ja) 人工知能型燃料電池システム
Liu et al. Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review
Petrone et al. A review on model-based diagnosis methodologies for PEMFCs
Lebreton et al. Fault Tolerant Control Strategy applied to PEMFC water management
Jouin et al. Joint particle filters prognostics for proton exchange membrane fuel cell power prediction at constant current solicitation
Hissel et al. Diagnostic & health management of fuel cell systems: Issues and solutions
Costamagna et al. Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells
Lee et al. Hierarchical fault diagnostic method for a polymer electrolyte fuel cell system
Yue et al. Degradation identification and prognostics of proton exchange membrane fuel cell under dynamic load
CN110112442B (zh) 一种燃料电池系统控制方法及装置
Gallo et al. Coupling electrochemical impedance spectroscopy and model-based aging estimation for solid oxide fuel cell stacks lifetime prediction
WO2013083872A1 (en) Method and arrangement for indicating solid oxide cell operating conditions
Vijay et al. Adaptive observer based approach for the fault diagnosis in solid oxide fuel cells
Xu et al. Mechanism model-based and data-driven approach for the diagnosis of solid oxide fuel cell stack leakage
KR101315764B1 (ko) 연료전지용 수소 공급 시스템의 고장 진단 방법
Andújar et al. Comprehensive diagnosis methodology for faults detection and identification, and performance improvement of Air-Cooled Polymer Electrolyte Fuel Cells
Peng et al. Generalized spatial–temporal fault location method for solid oxide fuel cells using LSTM and causal inference
Chi et al. Online identification of a link function degradation model for solid oxide fuel cells under varying-load operation
Kim et al. Pre-diagnosis of flooding and drying in proton exchange membrane fuel cells by bagging ensemble deep learning models using long short-term memory and convolutional neural networks
Yang et al. Fault diagnosis of SOFC system based on single cell voltage analysis
WO2013083873A1 (en) Method and arrangement for diagnosis of solid oxide cells operating conditions
Dolenc et al. Online estimation of internal stack temperatures in solid oxide fuel cell power generating units
Nitsche et al. Onboard diagnostics concept for fuel cell vehicles using adaptive modelling
Dolenc et al. Hybrid approach to remaining useful life prediction of solid oxide fuel cell stack
Saha et al. Structural modeling and analysis of fuel cell: a graph-theoretic approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190118

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200225

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200324

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200611

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200929

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201222

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210601

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210630

R150 Certificate of patent or registration of utility model

Ref document number: 6907300

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150