JP2021113357A - 電解セルを有する電解装置内の障害を検出するための方法およびシステム - Google Patents
電解セルを有する電解装置内の障害を検出するための方法およびシステム Download PDFInfo
- Publication number
- JP2021113357A JP2021113357A JP2021004658A JP2021004658A JP2021113357A JP 2021113357 A JP2021113357 A JP 2021113357A JP 2021004658 A JP2021004658 A JP 2021004658A JP 2021004658 A JP2021004658 A JP 2021004658A JP 2021113357 A JP2021113357 A JP 2021113357A
- Authority
- JP
- Japan
- Prior art keywords
- cell
- voltage
- electrolyzer
- electrolytic
- subnet
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 230000015556 catabolic process Effects 0.000 claims abstract description 29
- 238000006731 degradation reaction Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 21
- 239000003513 alkali Substances 0.000 claims description 13
- 239000002131 composite material Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005868 electrolysis reaction Methods 0.000 abstract description 8
- 210000004027 cell Anatomy 0.000 description 152
- 238000001514 detection method Methods 0.000 description 16
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 11
- 239000000592 Artificial Cell Substances 0.000 description 8
- 239000012528 membrane Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 6
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 6
- 239000003518 caustics Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 235000011121 sodium hydroxide Nutrition 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 239000011780 sodium chloride Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- KZBUYRJDOAKODT-UHFFFAOYSA-N Chlorine Chemical compound ClCl KZBUYRJDOAKODT-UHFFFAOYSA-N 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000000460 chlorine Substances 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006722 reduction reaction Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000010936 titanium Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003014 ion exchange membrane Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical class O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012109 statistical procedure Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
- C25B15/023—Measuring, analysing or testing during electrolytic production
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/34—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis
- C25B1/46—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis in diaphragm cells
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/34—Simultaneous production of alkali metal hydroxides and chlorine, oxyacids or salts of chlorine, e.g. by chlor-alkali electrolysis
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B15/00—Operating or servicing cells
- C25B15/02—Process control or regulation
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Organic Chemistry (AREA)
- Metallurgy (AREA)
- Materials Engineering (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Inorganic Chemistry (AREA)
- Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)
Abstract
【課題】電解セルを有する電解装置内の障害を検出するための方法およびシステムを提供する。【解決手段】複数の電解セルを有する電解装置内の障害を検出するための方法、システムおよびアセンブリ。該方法は、電解装置の動作中、電解セルの電圧測定値を得ることと、セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて電解セルについての合成セル電圧を生成することと、電圧測定値を電解セルのうちの対応するものについての合成セル電圧と比較して、電圧差を得ることと、電圧差のうちの少なくとも１つが閾値に達した場合に電解装置内の障害を検出することと、を含む。【選択図】図４
Description
本開示は、概して電解装置に関し、より詳細には電解装置セル内の障害検出に関する。
塩素アルカリ電解は、直流電流を印加することによって比較的価値の低い化学物質（例えばＮａＣｌ、ＫＣｌ）をより価値の高い化学物質（例えばＮａＯＨ、Ｃｌ２、ＫＯＨ）へと分解するプロセスである。この反応は、電気化学セル内で行なわれる。工業的環境においては、反応を達成するべく複数のセルが直列または並列に組合わされる。この組合せは電解装置と呼ばれる。
塩素アルカリ電気化学セルは、アノード、カソードおよびセパレータで構成されている。酸化反応はアノードで発生し、還元反応はカソードで発生する。いくつかの事例においては、イオン交換膜を用いてカソード反応とアノード反応を分離することができる。塩素アルカリ電気化学セルについては、電解一次生成物は塩素、水素および「苛性」とも呼ばれる水酸化ナトリウムまたは水酸化カリウムである。
電解装置セル内の障害を検出する改良された方法に対するニーズが存在する。
広範な態様によると、複数の電解セルを有する電解装置内の障害を検出するための方法が提供される。該方法は、電解装置の動作中、電解セルの電圧測定値を得ることと、セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて電解セルについての合成セル電圧（synthetic cell voltage）を生成することと、電圧差を得るため電解セルのうちの対応する電解セルについての合成セル電圧と電圧測定値を比較することと、電圧差のうちの少なくとも１つが閾値に達した場合に電解装置内の障害を検出することと、を含む。
別の広範な態様によると、複数の電解セルを有する電解装置内の障害を検出するためのシステムが提供される。該システムは、処理ユニットと、プログラムコードをその上に記憶している非一時的コンピュータ可読媒体とを含む。プログラムコードは、電解装置の動作中、電解セルの電圧測定値を得、セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて電解セルについての合成セル電圧を生成し、電圧差を得るため電解セルのうちの対応する電解セルについての合成セル電圧と電圧測定値を比較し、電圧差のうちの少なくとも１つが閾値に達した場合に電解装置内の障害を検出するために、処理ユニットにより実行可能である。
さらに別の広範な態様によると、複数の電解セルを有する電解装置と、電解装置に作動的に結合された少なくとも１つのコンピューティングデバイスを含むアセンブリが提供される。該少なくとも１つのコンピューティングデバイスは、少なくとも１つの処理ユニットとプログラム命令をその上に記憶している非一時的コンピュータ可読媒体を含む。該プログラム命令は、電解装置の動作中、電解セルの電圧測定値を得、セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて電解セルについての合成セル電圧を生成し、電圧差を得るため電解セルのうちの対応する電解セルについての合成セル電圧と電圧測定値を比較し、電圧差のうちの少なくとも１つが閾値に達した場合に電解装置内の障害を検出するために少なくとも１つの処理ユニットにより実行可能である。
本明細書中に記載のシステム、デバイスおよび方法の特徴を、本明細書中に記載の実施形態にしたがってさまざまな組合せで使用することが可能である。
ここで以下の添付図を参照する。
添付図面全体を通して、同様の特徴は同様の参照番号によって識別されているということが指摘される。
塩素アルカリ生産は、エネルギを消費するプロセスであり、したがって各電気化学セルの効率は動作中に考慮すべき問題である。塩素アルカリ電気化学セルの動作において考慮する別の問題は、気体の放出、火災および液体の漏出などの危険の防止である。本明細書では、電解装置内の他のセルと直列で機能する塩素アルカリ電解セル内で発生する障害の早期検出のための方法およびシステムが記載されている。該方法は、電圧を取得することおよび健全な挙動を表わすセルの測定値を処理することを含む。エンコーダ・デコーダアーキテクチャに基づいてニューラルネットワークモデルが構築され、セルの電圧は、このニューラルネットワークモデルを用いて予測される。予測された電圧は、通常のセル劣化を考慮に入れながら異常な偏差を検出する目的で、測定された電圧と比較される。
図１は、塩素アルカリ産業において使用される例示的膜セル１００の概略的表現である。これは、２つの区画で構成され得る。塩電解（ＮａＣｌ）の場合、アノード区画１０２に飽和ブライン溶液（ＮａＣｌ）が充填され、その間希釈苛性ソーダがカソード区画１０３を通過する。塩素アルカリ工場では、被覆された（例えばチタン（Ｔｉ））アノード１０５で塩素（Ｃｌ２）１０４が生成される。選択膜１０８を横断する移動ナトリウムイオン１０７と水酸化物イオン１０６の組合せは、苛性ソーダ（ＮａＯＨ）と水素ガス１０９を生成する。カソード１１０は、水素（Ｈ２）蓄積による過電位を削減するため触媒被覆を伴うニッケルであり得る。
膜セル１００内の電圧変動は、セル構成要素内部の物理的変化の結果である。セル電圧の降下は、その構成要素すなわちアノード１０５、カソード１１０、膜１０８および電気接続部の間で分散される。セル電圧の降下または上昇が、２つのタイプの劣化、すなわち（１）通常劣化およびセル寿命の終了および（２）その寿命中の異常な／突然の劣化への前提とみなされ得る。セルは、膜１０８の機能不全により２つの区画１０４、１０９が適切に分離されずこうして望ましくない化学反応を可能にしてしまうために、異常に劣化する可能性がある。セルは同様に、電極１０５、１１０がその活性化被覆を喪失することに起因しても異常に劣化し得る。セルは同様に、機能不全の膜１０８と電極１０５、１１０の組合せに起因しても異常に劣化し得る。構成要素の機能不全の根本的原因は、電解装置またはセル自体の（外部）動作条件の不良に起因し得る。これらの条件は、非限定的に、入口流量の不足、入口汚染物質の制御不良、電気的危険、温度制御不良、機器組付け不良などである。
セルの異常な劣化を早期検出するため塩素アルカリ電解装置内のセル１００のうち１つ以上について合成電圧が計算される。この合成電圧は、推定される多くのパラメータで構成された数学関数の計算である。これらのパラメータのいくつかは、同じ動作条件について電解を行なう全てのセルにとって同一であり、動作特異的なものである。いくつかのパラメータはセル特異的なパラメータである。計算には、経時的に変化するセル１００の通常劣化が考慮に入れられてよい。例示的な数学関数が、以下に記されている：
式中ｆは、任意の線形または非線形関数であり、Ｉは主整流電流、Ｔはカソライト出口温度、ＣＣは苛性濃度、ｔはタイムスタンプ、ｄは後方時間遅延、ｇは任意の線形または非線形関数、そしてＩｓｕ、Ｔｓｕ、ＣＣｓｕ、Ｖｓｕは、始動時点の電流、温度、苛性濃度および電圧である。
重大な安全性の問題に導く異常な変動を検出するため、動作中、電解装置の個別のセル電圧を監視することができる。しかしながら、異常な劣化のみが考慮される場合には、セルがすでに回復不能点に達し交換が必要とされた場合に障害が検出される。この問題を回避する目的で、通常のセル劣化も同様に考慮される。
セル１００の電圧降下は、オームの法則に従うものであり、したがって、供給電流とセルの電圧との間の関係は正比例する。この比例性に基づいて推定される理論電圧を用いて、健全なセルを特徴付けすることができる。しかしながら、電流−電圧比例性のみを用いたセルの特徴付けは、アノードおよびカソード区画１０４、１０９内で発生する根源的で複雑な効果を考慮に入れていない。したがって、年数、技術および位置に起因するセルの特異性などの他の複数のパラメータも同様に考慮される。
同じ動作条件および通常の劣化レベルについて、所与のセルの電圧は、同じ電解装置内の他のセルの電圧と異なる場合がある。この差異は、製造、設置および特定し難い他の要因の格差によって誘発され得る。したがって年数、技術および位置などのセル特異的パラメータを使用することができる。
セルの電圧ドリフトは、セルの劣化のため経時的に緩慢に発生し得る。さらに、電解装置の動作条件の変化とセルの応答の間には遅延が存在し得る。この遅延に対処する目的で、予測モデルによって先行するタイムステップにおける動作条件が考慮され得る。
異常な劣化を早期に予測する目的で、予測された電圧は、測定された電圧から独立している。したがって、測定電圧は予測モデルに対する入力として使用されない。
いくつかの実施形態においては、ニューラルネットワークモデリングアーキテクチャを用いて電解装置のセルについて合成電圧が計算される。このモデルは、動作条件が予め定義されておらず、セルの各々が異なる通常劣化レベルを有する生産環境内において展開される。ニューラルネットワークモデルは、エンコーダ・デコーダアーキテクチャに基づいていてよく、ここでデコーダは、セルの電圧を予測するサブネットワークである予測子で置換されている。ニューラルエンコーダは、入力ベクトルを取り上げその次元性を所望される次元まで削減することを目的とするニューラルアーキテクチャの１つのタイプである。それはデコーダと対にされ得る。デコーダはエンコーダの出力を受信し、それを変換して目的関数を最小化する。
ニューラルエンコーダは、動作サイクルにおけるセルの特異性ひいては通常劣化を表わす特徴量（feature）を発見するために使用され得る。予測子は、測定値の時間的遅延を考慮に入れることができる。予測子は、入力として測定電圧を使用しないが、それでもなお、入力として同じ動作条件を使用するにも関わらず、各セルについて異なる電圧を予測することができる。予測子は、各セルについて一意的な入力としてエンコーダの出力を取り上げることによって、これを達成する。したがって、電圧予測は、セルの測定電圧によって偏向されることがない。
図２を参照すると、電解装置２１４および障害検出システム２１８を含むアセンブリ２００の例示的実施形態が示されている。障害検出システム２１８は、電解装置２１４に対して作動的に結合された少なくとも１つのコンピューティングデバイスで構成されている。例示されている実施形態において、障害検出システム２１８は、セルデータ取得デバイス２５２、合成セル電圧生成デバイス２７２および障害検出デバイス２６２を含む。
セルデータ取得デバイス２５２は、電解装置２１４の動作中に複数の電解セルの電圧測定値を得るために構成されている。電圧測定値は、実時間かまたは擬似実時間で得ることができる。電圧測定値を得るために、さまざまなセルに対して単一のユニットまたは多数のユニットを接続することができる。いくつかの実施形態においては、電解装置２１４の各セルについて電圧測定値が得られる。
合成セル電圧生成デバイス２７２は、ニューラルネットワークアーキテクチャを用いてセル特異的合成セル電圧を生成するために構成されている。ニューラルネットワークは、セル特異的合成セル電圧を推定する目的で、セル特異的パラメータに基づいて通常のセル劣化を考慮に入れる。いくつかの実施形態において、ニューラルネットワークはエンコーダサブネットワークと予測子サブネットワークとを含む。エンコーダサブネットワークは、セル特異的パラメータに基づいて通常のセル劣化を決定するために構成され得る。予測子サブネットワークは、エンコーダサブネットワークにより出力された通常のセル劣化を用いて合成セル電圧を予測するために構成され得る。いくつかの実施形態において、予測子サブネットワークはさらに、合成セル電圧を予測するときに時間的遅延を適用するために構成される。
セル特異的合成セル電圧を生成するために、さまざまなニューラルネットワークアーキテクチャを使用することができる。例えば、エンコーダサブネットワークは、マスキング層、長短期記憶層および２つの全結合層（dense layer）を含み、セル特異的な通常のセル劣化を表わす２次元ベクトルを出力することができる。予測子サブネットワークは、２つの長短期記憶層および２つの全結合層を含み得る。実用的な実装に応じて他の実施形態も同様に適用可能である。
いくつかの実施形態において、ニューラルネットワークは、電解装置２１４のセル由来の履歴データ（historical data）を用いて訓練される。いくつかの実施形態において、ニューラルネットワークは、複数の電解装置のセル由来の履歴データを用いて訓練される。セル特異的パラメータに基づいて通常のセル劣化を考慮に入れながら健全なセル挙動を理解するべく、ニューラルネットワークを訓練するためのさまざまな技術を使用することができる。
障害検出デバイス２６２は、電圧差を得るため電解セルのうちの対応する電解セルについての合成セル電圧生成デバイス２７２からの合成セル電圧とセルデータ取得デバイス２５２からの電圧測定値を比較する。例えば、各電解セルに測定電圧および合成電圧を割り当てることができ、測定電圧と合成電圧の間の差が電圧差に対応する。いくつかの実施形態においては、電解装置２１４内のセルの１つのサブセットについて電圧測定値が得られる。いくつかの実施形態においては、複数のセルサブセットについて交互に電圧測定値が得られる。他の実施形態も同様にあてはまり得る。
電圧差の１つ以上が閾値に達した時点で、障害検出デバイス２６２によって障害が検出される。いくつかの実施形態において、障害を検出することは、１人以上のオペレータの注意を障害に向けるため、音声信号、視覚信号または他の信号でありうるアラート信号を発出することを含む。いくつかの実施形態において、障害を検出することは、電解装置２１４に対してかまたは電解装置２１４をシャットダウンさせるために構成された別のデバイスまたはシステムに対してシャットダウン信号を発出することを含む。アラート信号とシャットダウン信号の組合せを使用してよい。例えば、第１の閾値をアラート信号と結び付け、第２の閾値をシャットダウン信号と結び付けることができる。電圧差が第１の範囲内にある場合、アラート信号が発出され、電圧差が第１の範囲よりも大きい第２の範囲内にある場合、シャットダウン信号が発出される。別の実施例においては、障害信号の特質を、閾値に達した電圧差を示すセルの数に関連付けることができる。例えば電圧差が第１のセル数についての閾値に達した場合、アラート信号が発出され、電圧差が第１のセル数より大きい第２のセル数についての閾値に達した場合、シャットダウン信号が発出される。他の変形形態も同様にあてはまる。
図３を参照すると、障害検出システム２１８についての具体的かつ非限定的な実施例が示されている。データ取得および伝送ユニット２０２が、＋／−１ミリボルトといった所与の正確性または他の精度レベルで電解装置２１４内のカソードからカソードまたはアノードからアノードへのセルの差動電圧を測定する。電解装置２１４は、直列に接続された膜セルで構成された任意の入手可能な工業的塩素アルカリ電解装置であり得る。いくつかの実施形態において、電解装置２１４は最高１６０個のセルを格納するが、セルの総数は変動してよい。保護された金属ワイヤ２１３がデータ取得および伝送ユニット２０２の入力端を隣接するセル内のカソードまたはアノード端子に接続する。いくつかの実施形態において、各ユニット２０２は最高３２個の電力入力を測定し得るが、総数は変動してよい。ユニット２０２は、取得および伝送ルーチンを実行するため、アナログ・デジタル変換器、デジタルフィルタ、メモリバッファおよび／またはマイクロコントローラを格納し得る。ユニット２０２は、保護された金属ワイヤ２１５を用いて電源２０３によって給電され得る。
ユニット２０２から発出されたデータは、処理および通信ユニット２０４に伝送され得る。メインコンピュータサーバユニット２０９に対するデータ伝送ルーチンの処理に加えて、ユニット２０４は、シャットダウンリレーユニット２０６に対する緊急停止信号を実行し送ることができる。ユニット２０４は、例えば、４〜２０ｍＡの変換器端子２１７を用いてユニット２０５から変圧器整流器シャント電流測定値を受信し得る。ユニット２０４は、ユニット２０９に対して、所与のレート、例えば毎秒１ポイントのレートでサンプリングされた電圧および電流データストリームを同報通信し得る。イーサネット通信ユニット２０７は、ユニット２０２および２０４によって測定されず、コンピューティングデバイス２０８に由来するプロセスデータストリームを、コンピュータサーバユニット２０９に対して同報通信し得る。コンピューティングデバイス２０８は、時として分散型制御システムと呼ばれるサードパーティー・コンピュータサーバであり得る。いくつかの例示的プロセスデータとしては、非限定的に、カソライト出口温度、出口苛性濃度および入口および／または出口ｐＨ、が含まれる。ユニット２０２、２０４、２０９、２０７および２０８は、光ファイバワイヤループ２１６または他の接続材料を用いて接続され得る。いくつかの実施形態において、接続の１つ以上は無線である。例示された実施形態によると、ユニット２０９は、単一セルの電圧、電流およびプロセスデータを受信し処理し、１つまたは複数の電解装置についての全データを記憶し、一連のステップを実行し、存在する場合には電解装置シャットダウン指令をユニット２０４に送るメインコンピュータサーバである。
ユニット２０９は、履歴データの収集および変換を担うものであり得る。複数の塩素アルカリ工場で動作する複数の電解装置２１４でも、類似のセットアップを展開することができる。ユニット２０９は、各々のセル由来の全ての電圧データ、電流測定値およびプロセスデータを記憶することができる。電圧測定値およびプロセスデータのサンプリングレートは異なる可能性があるため、ユニット２０９は、電圧観察結果をダウンサンプリングすることができる。いくつかの実施形態において、収集されたプロセスデータは、出口苛性濃度および電解装置出口カソライト温度を含む。ユニット１０９は、各行が観察結果の異なるタイムスタンプを表わし、各列が異なる測定変数を表わす表形態にデータを変換し整列させることができる。ユニット１０９は、データベース内に複数の電解装置からの障害検出システム２１８の数週間の展開に由来する全てのデータを記憶することができる。
表形式のデータを処理して動作サイクルを選択することができる。動作サイクルとは、電解装置の連続する始動と停止の間の時間的間隔である。その長さは、生産上の制約、変化する需要、作業シフトまたはメンテナンスの要件に応じて、数時間から数週間の範囲にあり得る。各サイクルは、始動および動作段階という異なる長さの２つの段階に分割可能である。始動段階は、電流がゼロから各セルがその最大生産条件に達する許容最大値まで上昇するときに起こる。電流が上昇する速度は、工場の運営者によって決定される動作実践の変化に起因して、各始動毎に異なる可能性がある。始動段階の長さは、例えば２０分から１２時間まで変動し得る。動作段階は、サイクルの残りを構成する。電流はこの段階において、例えば全範囲の５０〜１００％の間で変動し得る。
１つの具体的かつ非限定的な実施例において、考えられるサイクルを検出するための擬似コードは以下の通りである：
データベース内の各々の観察結果ｎについて（ＦＯＲ）：
Ｄｉｆｆｎ＝Ｔｉｍｅｎ−Ｔｉｍｅｎ−１
Ｄｉｆｆｎ＞１０分である場合（ＩＦ）：
Ｔｉｍｅｎ−１およびＴｉｍｅｎをセーブする。
各々の考えられるサイクルは、
（０，Ｔｉｍｅｎ−１）、（Ｔｉｍｅｎ，Ｔｉｍｅｎ＋１）、（Ｔｉｍｅｎ＋２，Ｔｉｍｅｎ＋３）・・・
に対応する日付対の括弧で囲まれる。
データベース内の各々の観察結果ｎについて（ＦＯＲ）：
Ｄｉｆｆｎ＝Ｔｉｍｅｎ−Ｔｉｍｅｎ−１
Ｄｉｆｆｎ＞１０分である場合（ＩＦ）：
Ｔｉｍｅｎ−１およびＴｉｍｅｎをセーブする。
各々の考えられるサイクルは、
（０，Ｔｉｍｅｎ−１）、（Ｔｉｍｅｎ，Ｔｉｍｅｎ＋１）、（Ｔｉｍｅｎ＋２，Ｔｉｍｅｎ＋３）・・・
に対応する日付対の括弧で囲まれる。
１つの具体的かつ非限定的な実施例において、サイクルを確認するための擬似コードは以下の通りである：
長さｋの考えられる各々のｃｙｃｌｅｎについて（ＦＯＲ）：
サイクルの任意の観察結果が”ｃｕｒｒｅｎｔ＞１６ｋＶ”を有する場合（ＩＦ）：
ｉｄｘ＝”ｃｕｒｒｅｎｔ＞１６ｋＶ”である場合の第１の観察結果
ｉｄｘ≦１２時間である場合（ＩＦ）：
ｓｔａｒｔｕｐｎ＝ｃｙｃｌｅ［０：ｉｄｘ］
ｏｐｅｒａｔｉｏｎｎ＝ｃｙｃｌｅ［ｉｄｘ：ｎ］
ｌｅｎｇｔｈ（ｏｐｅｒａｔｉｏｎ）≧ｌｅｎｇｔｈ（ｓｔａｒｔｕｐ）である場合（ＩＦ）：
ｃｙｃｌｅｎは有効なサイクルである。
長さｋの考えられる各々のｃｙｃｌｅｎについて（ＦＯＲ）：
サイクルの任意の観察結果が”ｃｕｒｒｅｎｔ＞１６ｋＶ”を有する場合（ＩＦ）：
ｉｄｘ＝”ｃｕｒｒｅｎｔ＞１６ｋＶ”である場合の第１の観察結果
ｉｄｘ≦１２時間である場合（ＩＦ）：
ｓｔａｒｔｕｐｎ＝ｃｙｃｌｅ［０：ｉｄｘ］
ｏｐｅｒａｔｉｏｎｎ＝ｃｙｃｌｅ［ｉｄｘ：ｎ］
ｌｅｎｇｔｈ（ｏｐｅｒａｔｉｏｎ）≧ｌｅｎｇｔｈ（ｓｔａｒｔｕｐ）である場合（ＩＦ）：
ｃｙｃｌｅｎは有効なサイクルである。
ひとたびデータがサイクルで構造化されたならば、データ列の各々に対してユニティベースの正規化スケーリング方法を適用することができる。これはデータを線形的にスケーリングし、したがって値は［０，１］の範囲内にある。スケールは、ニューラルネットワークモデルを構築するための訓練時間を改善する一助となる。データ列は、以下の等式を用いてスケーリングされる：
最小（ｍｉｎ）および最大（ｍａｘ）値は、測定値列をスケーリングするために使用され得る。
いくつかの実施形態においては、収集され変換された履歴データを用いてニューラルネットワークモデルが構築され訓練される。エンコーダサブネットワークは、始動段階における一定のサイクルでのセル電圧の挙動を特徴付ける特徴量を暗示する。これらの特徴量はセルの特異性および通常劣化の両方を考慮に入れる。それはラベル付き劣化データを必要としないことから、自己監督型の方法である。このステップは、次元削減を行なうことと見ることができる。しかしながら、エンコードされたベクトル（次元削減されたベクトル）は統計的手順の結果ではなく、電圧予測子サブネットワークの学習を容易にする最適な表現である。各始動段階の長さは異なるものであり得、例えば最大１２時間などの上位値に制限され得る。例えば、各々のタイムステップが１分を表わす場合、このサブネットワークに与えられたベクトルは、７２０タイムステップの長さを有する。電解装置カソライト出口温度、工場苛性濃度およびセルの電流と電圧という３つの入力特徴量を使用することができる。入力特徴量は、各始動の具体的動作条件に電圧を標準化するために使用され得る。いくつかの実施形態において、入力ベクトルの形状は［７２０タイムステップ、４特徴量］である。タイムステップの全特徴量がマスキングされた値に等しい場合に、そのタイムステップを無視するように連続する層をマスキング層が強制し、ここでこのマスキングされた値はパディング中に先に付加されるタイムステップをフィルタリングするために「−１」に設定され得る。シーケンスの一時性を考慮に入れるため、次の層は長短期記憶（ＬＳＴＭ）であり得る。その後、２つの全結合層を連鎖させて、最終的な２位置のエンコード済み結果へとより円滑に移行することができる。出力は、（１タイムステップ、２特徴量）の形状をもつ、各セルおよび始動についての座標［Ｘ、Ｙ］のベクトルであり得る。さらに、これらの座標を１つのグラフに表わして、ネットワークが行なう決定プロセスへの洞察を提供することができる。
予測子サブネットワークは、合成セル電圧を予測することを担う可能性がある。いくつかの実施形態において、予測のために使用される２つの入力は、動作段階からのタイムステップのウィンドウおよびセルの始動段階のエンコードされた表現である。この実施形態によると、セルの応答の背後にある化学的現象の動態を表現するには、４つの観察結果のウィンドウで充分である。エンコードされたセルの始動は４回反復され、動作特徴量のウィンドウと連結され得る。各ウィンドウの観察結果間の時間的相関関係を見い出すために、２つのＬＳＴＭ層を使用することができる。予測された電圧を出力するために、２つの全結合層が後続し得る。出力電圧は予め範囲［０，１］にスケーリングされている可能性があるため、出力層はシグモイド活性化関数を有し得る。このステップにおいて、このサブネットワークにより予測された電圧と測定された電圧との間の損失を最小限に抑えることによって、モデル全体が訓練される。Ａｄａｍオプティマイザおよびバックプロパゲーションアルゴリズムを使用することができる。このサブネットワークが電圧予測において優れた正確性を得るためには、エンコーダはセルの特徴付けの忠実な表現を学習しなければならない。
以下の擬似コードは、１回の順方向−逆方向パスあたり１つの観察結果についての訓練ループの具体的かつ非限定的な実施例を表わす：
各サイクルについて（ＦＯＲ）：
ｃｅｌｌ＿ｓｔａｒｔｕｐとｃｅｌｌ＿ｏｐｅｒａｔｉｏｎを定義する（Ｄｅｆｉｎｅ）。
ｗｉｎｄｏｗ内のｃｅｌｌ＿ｏｐｅｒａｔｉｏｎを分離する（Ｓｅｐａｒａｔｅ）。
各ｗｉｎｄｏｗについて（ＦＯＲ）：
ｏｐｅｒａｔｉｎｇ＿ｃｏｎｄｉｔｉｏｎｓ＝ｗｉｎｄｏｗ（電圧含まず）
ｃｅｌｌ＿ｖｏｌｔａｇｅ＝ｗｉｎｄｏｗ内の最終電圧観察結果
＃順方向パス
ｅｎｃｏｄｅｄ＿ｃｅｌｌ＿ｓｔａｒｔｕｐ＝ｅｎｃｏｄｅｒ（ｃｅｌｌ＿ｓｔａｒｔｕｐ）
ｐｒｅｄｉｃｔｅｄ＿ｖｏｌｔａｇｅ＝ｐｒｅｄｉｃｔｏｒ（ｏｐｅｒａｔｉｎｇ＿ｃｏｎｄｉｔｉｏｎｓ，ｅｎｃｏｄｅｄ＿ｃｅｌｌ＿ｓｔａｒｔｕｐ）
ｌｏｓｓ＝ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ（ｐｒｅｄｉｃｔｅｄ＿ｖｏｌｔａｇｅ，ｃｅｌｌ＿ｖｏｌｔａｇｅ）
＃バックプロパゲーション
ｕｐｄａｔｅ＿ｎｅｔｗｏｒｋ＿ｗｅｉｇｈｔｓ（ｌｏｓｓ）
各サイクルについて（ＦＯＲ）：
ｃｅｌｌ＿ｓｔａｒｔｕｐとｃｅｌｌ＿ｏｐｅｒａｔｉｏｎを定義する（Ｄｅｆｉｎｅ）。
ｗｉｎｄｏｗ内のｃｅｌｌ＿ｏｐｅｒａｔｉｏｎを分離する（Ｓｅｐａｒａｔｅ）。
各ｗｉｎｄｏｗについて（ＦＯＲ）：
ｏｐｅｒａｔｉｎｇ＿ｃｏｎｄｉｔｉｏｎｓ＝ｗｉｎｄｏｗ（電圧含まず）
ｃｅｌｌ＿ｖｏｌｔａｇｅ＝ｗｉｎｄｏｗ内の最終電圧観察結果
＃順方向パス
ｅｎｃｏｄｅｄ＿ｃｅｌｌ＿ｓｔａｒｔｕｐ＝ｅｎｃｏｄｅｒ（ｃｅｌｌ＿ｓｔａｒｔｕｐ）
ｐｒｅｄｉｃｔｅｄ＿ｖｏｌｔａｇｅ＝ｐｒｅｄｉｃｔｏｒ（ｏｐｅｒａｔｉｎｇ＿ｃｏｎｄｉｔｉｏｎｓ，ｅｎｃｏｄｅｄ＿ｃｅｌｌ＿ｓｔａｒｔｕｐ）
ｌｏｓｓ＝ｍｅａｎ＿ｓｑｕａｒｅｄ＿ｅｒｒｏｒ（ｐｒｅｄｉｃｔｅｄ＿ｖｏｌｔａｇｅ，ｃｅｌｌ＿ｖｏｌｔａｇｅ）
＃バックプロパゲーション
ｕｐｄａｔｅ＿ｎｅｔｗｏｒｋ＿ｗｅｉｇｈｔｓ（ｌｏｓｓ）
この訓練ループの計算効率を改善する目的で、計算を並列化するためにミニバッチ訓練を使用することができる。この訓練様式では、多くの観察結果を並列処理されるようにバッチの形にまとめることができる。この実施形態によると、このオペレーションを行なうためにユニット２０９内で１つまたは複数の図形処理ユニット（ＧＰＵ）が使用される。さらに、ネットワークを効率良く収束させるために、パッディング、シャッフリングおよびウィンドウストライディングという３つのオペレーションが使用され得る。全てのサイクルの始動が同じ持続時間を有するわけではない。しかしながら、ＧＰＵにフィードされる全てのパッチは、同数のタイムステップを有していなければならない。この問題はシーケンスをパディングすること、すなわち各観察結果の対応する始動の終りで「−１」値を加算することによって対処される。このようにして、全ての始動は、一始動の最大持続時間に等しい７２０分という同じ持続時間を有する。このパディング値は、後で、エンコーダサブネットワークのマスキング層によって無視され、したがってそれが結果に影響を及ぼすことはない。ネットワークが最適な解まで収束するのに必要な時間を短縮するために、各バッチが異なるセル、サイクルおよび電解装置からの観察結果を有するシャッフリング手順を使用することができる。始動中のセルの特徴量を暗示するエンコーダのタスクは、予測子のタスクよりもさらに複雑である。したがって、サイクルあたりより少数の観察結果そしてより多くの異なる始動シーケンスでネットワークを訓練するのが、より効率的である。この問題に対処するためには、ウィンドウ関数のストライドを増大させることができる。ストライドは、２つの連続的訓練観察結果間でどれだけのシーケンスウィンドウを無視するかを定義する数字である。訓練ループの終りで、ファイル内、例えばユニット２０９内に、構築されたニューラルネットワーク予測子を記憶することができる。
いくつかの実施形態において、障害検出システム２１８は、工場内の１つまたは複数の電解装置内で展開される。複数のセルからの電圧が測定され、サードパーティー・デバイスからのプロセスデータが取得され得る。整列およびサイクル検出のルーチンが、ユニット２０９内において実時間でまたは擬似実時間で実行され得る。予備構築されたニューラルネットワーク電圧予測子を使用して、セルの
を計算することができる。測定された電圧（Ｖｔ）と
の間で差異を計算することができる。１つ以上のセルについて閾値に達した時点で、緊急シャットダウン信号をユニット２０４に送り、その後ユニット２０６に送ることができる。
図４は、障害検出のための例示的方法４００の流れ図である。いくつかの実施形態において、方法４００は、図２のアセンブリ２００の障害検出システム２１８によって行なわれる。いくつかの実施形態において、方法４００は複数のコンピューティングデバイスによって行なわれる。
ステップ４０２において、電解セルの電圧測定値を得る。ステップ４０４において、以上でより詳しく説明されているように電解セルについての合成電圧が生成される。ステップ４０２および４０４を同時に行なうことができる。いくつかの実施形態において、ステップ４０４をステップ４０２の前に行なうことができる。ステップ４０４では、健全な電解セルの挙動を学習するように訓練されているニューラルネットワークによって、電解セルの通常劣化が考慮に入れられる。合成セル電圧は、セル特異的パラメータを用いて予測され、したがって、同じ電解装置内の２つ以上のセルの合成セル電圧は異なるものであり得る。
ステップ４０６において、ステップ４０２で得た電圧測定値を、対応するセルについてステップ４０４で生成された合成セル電圧と比較する。換言すると、所与のセルの合成セル電圧は、同じセルの測定されたセル電圧と比較される。比較は、電解において格納された任意の数のセルについて、セル毎に行なわれる。いくつかの実施形態において、比較は、電解の全てのセルについて、任意の無作為のまたは既定の順序で、同時にまたは連続してのいずれかで行なわれる。所与のセルについて合成電圧と測定電圧を比較した場合に得られる１つ以上の電圧差が閾値に達した場合、ステップ４０８において障害が検出される。
方法４００は、無作為のまたは既定の間隔で任意の回数反復され得る。いくつかの実施形態において、方法４００は、少なくとも１つの障害が検出されるまで連続して行なわれる。他の実施形態も同様に適用可能である。
図５は、上述の通りの電解装置内の障害を検出する方法４００を実装するためのコンピューティングデバイス５００の例示的実施形態である。いくつかの実施形態において、障害検出システム２１８は１つ以上のコンピューティングデバイス５００を用いて実装される。コンピューティングデバイス５００は、処理ユニット５０２および内部にコンピュータ実行可能な命令５０６を記憶したメモリ５０４を含む。処理ユニット５０２は、命令５０６がコンピューティングデバイス５００または他のプログラム可能な装置によって実行された時点で、本明細書中で説明された方法４００の中に規定された機能／行為／ステップを実行させることができるように、一連のステップを行なわせるように構成された任意の好適なデバイスを含むことができる。処理ユニット５０２は、例えば、任意のタイプの汎用マイクロプロセッサまたはマイクロコントローラ、デジタル信号処理（ＤＳＰ）用プロセッサ、ＣＰＵ、集積回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、再構成可能プロセッサ、他の好適にプログラムされたまたはプログラム可能な論理回路、またはそれらの任意の組合せを含み得る。
メモリ５０４は、任意の好適な公知のまたは他の機械可読記憶媒体を含むことができる。メモリ５０４は非一時的コンピュータ可読記憶媒体、例えば非限定的に、電子、磁気、光学、電磁、赤外線または半導体システム、装置またはデバイス、あるいはそれらの任意の好適な組合せを含むことができる。メモリ５０４は、デバイスの内部または外部のいずれかに位置設定されている任意のタイプのコンピュータメモリ、例えばランダムアクセスメモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、電気光学メモリ、磁気光学メモリ、消去可能プログラマブル読取り専用メモリ（ＥＰＲＯＭ）、および電気的消去可能読取り専用メモリ（ＥＥＰＲＯＭ）、強誘電体ＲＡＭ（ＦＲＡＭ）などの好適な組合せを含むことができる。メモリ５０４は、処理ユニット５０２により実行可能である機械可読命令５０６を検索可能な形で記憶するのに好適である任意の記憶手段（例えばデバイス）を含むことができる。
本明細書中に記載の技術は、実質的に実時間でコンピューティングデバイス５００によって実施可能であるという点に留意すべきである。
本明細書中で説明されている通りの電解装置内の障害を検出するための方法およびシステムは、例えばコンピューティングデバイス５００などのコンピュータシステムと通信するかまたはそのオペレーションを補助するために、高レベルの手続き型またはオブジェクト指向のプログラミングまたはスクリプト言語またはそれらの組合せで実装され得る。代替的には、電解装置中の障害を検出するための方法およびシステムは、アセンブリ言語または機械語で実装可能である。言語は、コンパイラ型言語またはインタプリタ型言語であってよい。電解装置内の障害を検出するための方法およびシステムを実装するためのプログラムコードは、記憶媒体またはデバイス、例えばＲＯＭ、磁気ディスク、光ディスク、フラッシュドライブまたは他の任意の好適な記憶媒体またはデバイスの上に記憶され得る。プログラムコードは、本明細書中に記載の手順を行なうために記憶媒体またはデバイスがコンピュータによって読込まれる場合にコンピュータを構成し動作させるため、汎用または専用のプログラマブルコンピュータによって可読であり得る。電解装置内の障害を検出するための方法およびシステムの実施形態は同様に、コンピュータプログラムがその上に記憶されている非一時的コンピュータ可読記憶媒体を介して実装されるものとみなすことができる。コンピュータプログラムは、コンピュータまたはより具体的にはコンピューティングデバイス５００の処理ユニット５０２に、本明細書中に記載の機能を行なうべく具体的かつ予め定義された形でオペレーションを行わせるコンピュータ可読命令を含み得る。
コンピュータ実行可能命令は、１つ以上のコンピュータまたは他のデバイスによって実行されるプログラムモジュールを含めた多数の形態のものであり得る。一般に、プログラムモジュールは、特定のタスクを行なうかまたは特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。典型的には、プログラムモジュールの機能性を、さまざまな実施形態において所望されるように組合せるかまたは分散させることが可能である。
本書に記載されている実施形態は、当該技術の考えられる実装の非限定的な実施例を提供している。本開示を精査した時点で、当業者であれば、当該技術の範囲から逸脱することなく本明細書中に記載の実施形態に対し変更を加えることができるということを認識するものである。例えば、方法４００のステップを行なう目的でソフトウェアモジュールを異なる形で組合せるかまたは分離することができ、あるいは、電解セルおよび／または電解装置からのさまざまな測定値を得るために使用される特定のデバイスは変動し得る。さらに、本開示を考慮して当業者であればさらなる修正を実装することが可能であると思われ、このような修正は、当該技術の範囲内に入ると考えられる。
Claims (20)
- 複数の電解セルを有する電解装置内の障害を検出するための方法であって、
前記電解装置の動作中、前記電解セルの電圧測定値を得ることと；
セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて、前記電解セルについての合成セル電圧を生成することと；
前記電圧測定値を、前記電解セルのうちの対応するものについての前記合成セル電圧と比較して、電圧差を得ることと；
前記電圧差のうちの少なくとも１つが閾値に達した場合に前記電解装置内の障害を検出することと；
を含む方法。 - 前記ニューラルネットワークアーキテクチャがエンコーダサブネットワークと予測子サブネットワークを含み、前記エンコーダサブネットワークは前記セル特異的パラメータに基づいて前記通常のセル劣化を決定するために構成されており、前記予測子サブネットワークは、前記エンコーダサブネットワークによる前記通常のセル劣化の出力を用いて前記合成セル電圧を予測するために構成されている、請求項１に記載の方法。
- 前記予測子サブネットワークがさらに、前記合成セル電圧を予測するときに時間遅延を適用するために構成されている、請求項２に記載の方法。
- 前記エンコーダサブネットワークがマスキング層、長短期記憶層、および２つの全結合層を含み、前記セル特異的な通常のセル劣化を表わす２次元ベクトルを出力する、請求項２に記載の方法。
- 前記予測子サブネットワークが、２つの長短期記憶層と２つの全結合層を含む、請求項２に記載の方法。
- 前記電解装置内の前記障害を検出することが、アラート信号を出力することを含む、請求項１に記載の方法。
- 前記電解装置内の前記障害を検出することが、前記電解装置をシャットダウンするために信号を出力することを含む、請求項１に記載の方法。
- 前記ニューラルネットワークアーキテクチャが、複数の電解装置由来の履歴データを用いて訓練される、請求項１に記載の方法。
- 前記電解セルが塩素アルカリ電解セルである、請求項１に記載の方法。
- 複数の電解セルを有する電解装置内の障害を検出するためのシステムであって：
処理ユニットと；
前記電解装置の動作中、前記電解セルの電圧測定値を得；
セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて、前記電解セルについての合成セル電圧を生成し；
前記電圧測定値を、前記電解セルのうちの対応するものについての前記合成セル電圧と比較して、電圧差を得て；
前記電圧差のうちの少なくとも１つが閾値に達した場合に、前記電解装置内の障害を検出する；
ために前記処理ユニットにより実行可能であるプログラムコードをその上に記憶している、非一時的コンピュータ可読媒体と；
を含むシステム。 - 前記ニューラルネットワークアーキテクチャがエンコーダサブネットワークと予測子サブネットワークを含み、前記エンコーダサブネットワークは前記セル特異的パラメータに基づいて前記通常のセル劣化を決定するために構成されており、前記予測子サブネットワークは、前記エンコーダサブネットワークによって出力された前記通常のセル劣化を用いて前記合成セル電圧を予測するために構成されている、請求項１０に記載のシステム。
- 前記予測子サブネットワークがさらに、前記合成セル電圧を予測するときに時間遅延を適用するために構成されている、請求項１１に記載のシステム。
- 前記エンコーダサブネットワークがマスキング層、長短期記憶層、および２つの全結合層を含み、前記セル特異的な通常のセル劣化を表わす２次元ベクトルを出力する、請求項１１に記載のシステム。
- 前記予測子サブネットワークが、２つの長短期記憶層と２つの全結合層を含む、請求項１１に記載のシステム。
- 前記電解装置内の前記障害を検出することが、アラート信号を出力することを含む、請求項１０に記載のシステム。
- 前記電解装置内の前記障害を検出することが、前記電解装置をシャットダウンするために信号を出力することを含む、請求項１０に記載のシステム。
- 前記ニューラルネットワークアーキテクチャが、複数の電解装置由来の履歴データを用いて訓練される、請求項１０に記載のシステム。
- 前記電解セルが塩素アルカリ電解セルである、請求項１０に記載のシステム。
- 複数の電解セルを有する電解装置；および
前記電解装置に作動的に結合された少なくとも１つのコンピューティングデバイス、
を含むアセンブリであって、
前記少なくとも１つのコンピューティングデバイスは、少なくとも１つの処理ユニットと；
前記電解装置の動作中、前記電解セルの電圧測定値を得；
セル特異的パラメータに基づいて通常のセル劣化を考慮に入れるニューラルネットワークアーキテクチャを用いて、前記電解セルについての合成セル電圧を生成し；
前記電圧測定値を、前記電解セルのうちの対応するものについての前記合成セル電圧と比較して、電圧差を得て；
前記電圧差のうちの少なくとも１つが閾値に達した場合に、前記電解装置内の障害を検出する；
ために前記少なくとも１つの処理ユニットにより実行可能であるプログラム命令をその上に記憶している非一時的コンピュータ可読媒体と、を含む、
アセンブリ。 - 前記少なくとも１つのコンピューティングデバイスが：
前記電解装置の動作中前記電圧測定値を得るために、前記電解セルに結合された、複数のデータ取得および伝送ユニットと；
前記複数のデータ取得および伝送ユニットに結合された処理および通信ユニットと；
前記処理および通信ユニットに結合されたメインコンピュータサーバと；
を含む、請求項１９に記載のアセンブリ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023069171A JP2023116434A (ja) | 2020-01-16 | 2023-04-20 | 電解セルを有する電解装置内の障害を検出するための方法およびシステム |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202062961773P | 2020-01-16 | 2020-01-16 | |
| US62/961,773 | 2020-01-16 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023069171A Division JP2023116434A (ja) | 2020-01-16 | 2023-04-20 | 電解セルを有する電解装置内の障害を検出するための方法およびシステム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021113357A true JP2021113357A (ja) | 2021-08-05 |
Family
ID=74184517
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021004658A Withdrawn JP2021113357A (ja) | 2020-01-16 | 2021-01-15 | 電解セルを有する電解装置内の障害を検出するための方法およびシステム |
| JP2023069171A Pending JP2023116434A (ja) | 2020-01-16 | 2023-04-20 | 電解セルを有する電解装置内の障害を検出するための方法およびシステム |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023069171A Pending JP2023116434A (ja) | 2020-01-16 | 2023-04-20 | 電解セルを有する電解装置内の障害を検出するための方法およびシステム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210222309A1 (ja) |
| EP (1) | EP3851560A1 (ja) |
| JP (2) | JP2021113357A (ja) |
| CN (1) | CN113136592A (ja) |
| CA (1) | CA3105842A1 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220112612A1 (en) * | 2020-10-13 | 2022-04-14 | Analog Devices, Inc. | Parallel configuration of electrolysis cells |
| CN113604815B (zh) * | 2021-07-29 | 2022-07-26 | 中国船舶重工集团公司第七一八研究所 | 水电解制氢设备电解槽小室电压监测系统和电压采集方法 |
| CN113802136B (zh) * | 2021-09-29 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 一种电解槽系统及其工作方法 |
| CN115115630B (zh) * | 2022-08-29 | 2022-12-09 | 合肥金星智控科技股份有限公司 | 检测方法、检测装置、电子设备及存储介质 |
| EP4335947A1 (en) * | 2022-09-06 | 2024-03-13 | Covestro Deutschland AG | Method and system for operating an electrochemical reactor |
| CN115261932B (zh) * | 2022-09-23 | 2022-12-27 | 济宁中银电化有限公司 | 一种用于电解槽故障的预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003530483A (ja) * | 2000-04-11 | 2003-10-14 | ルシェルシュ ２０００ インコーポレイテッド | 電気分解装置の動作パラメータの捕捉、監視、表示、および診断の方法および装置 |
| US20060289312A1 (en) * | 2005-06-16 | 2006-12-28 | Recherche 2000 Inc. | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization |
| JP2013525603A (ja) * | 2010-04-23 | 2013-06-20 | ルシェルシュ ２０００ インコーポレイテッド | 電解装置の安全性及び性能を確保し監視する方法 |
| WO2019189501A1 (ja) * | 2018-03-27 | 2019-10-03 | 旭化成株式会社 | 設計装置、方法、プログラム、計画装置、制御装置、および水素製造システム |
| WO2019221985A1 (en) * | 2018-05-14 | 2019-11-21 | Quantum-Si Incorporated | Systems and methods for unifying statistical models for different data modalities |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI460625B (zh) * | 2011-12-15 | 2014-11-11 | Innolux Corp | 觸控裝置及其驅動方法 |
| EP3523761B1 (en) * | 2016-11-04 | 2023-09-20 | DeepMind Technologies Limited | Recurrent environment predictors |
| GB2577914B (en) * | 2018-10-10 | 2021-06-02 | Cge Energy Ltd | A process and apparatus for the production of hydrogen |
| CN110438519B (zh) * | 2019-08-20 | 2020-10-30 | 武汉大学 | 一种三电解槽氯碱电解制备体系及氯碱制备方法 |
-
2021
- 2021-01-14 EP EP21151676.0A patent/EP3851560A1/en active Pending
- 2021-01-15 US US17/149,802 patent/US20210222309A1/en active Pending
- 2021-01-15 CA CA3105842A patent/CA3105842A1/en active Pending
- 2021-01-15 CN CN202110054019.4A patent/CN113136592A/zh active Pending
- 2021-01-15 JP JP2021004658A patent/JP2021113357A/ja not_active Withdrawn
-
2023
- 2023-04-20 JP JP2023069171A patent/JP2023116434A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003530483A (ja) * | 2000-04-11 | 2003-10-14 | ルシェルシュ ２０００ インコーポレイテッド | 電気分解装置の動作パラメータの捕捉、監視、表示、および診断の方法および装置 |
| US20060289312A1 (en) * | 2005-06-16 | 2006-12-28 | Recherche 2000 Inc. | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization |
| JP2013525603A (ja) * | 2010-04-23 | 2013-06-20 | ルシェルシュ ２０００ インコーポレイテッド | 電解装置の安全性及び性能を確保し監視する方法 |
| WO2019189501A1 (ja) * | 2018-03-27 | 2019-10-03 | 旭化成株式会社 | 設計装置、方法、プログラム、計画装置、制御装置、および水素製造システム |
| WO2019221985A1 (en) * | 2018-05-14 | 2019-11-21 | Quantum-Si Incorporated | Systems and methods for unifying statistical models for different data modalities |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023116434A (ja) | 2023-08-22 |
| EP3851560A1 (en) | 2021-07-21 |
| CN113136592A (zh) | 2021-07-20 |
| US20210222309A1 (en) | 2021-07-22 |
| CA3105842A1 (en) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2021113357A (ja) | 電解セルを有する電解装置内の障害を検出するための方法およびシステム | |
| US7797137B2 (en) | Adaptive method and system of monitoring signals for detecting anomalies | |
| US8152987B2 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| EP1910588B1 (en) | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization | |
| CA2405636C (en) | Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers | |
| EP2006418B1 (en) | Efficiency optimization and damage detection of electrolysis cells | |
| Costamagna et al. | Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells | |
| EP2226411B1 (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| CN114369849B (zh) | 一种电解槽健康度的监控方法、装置及电解槽监控系统 | |
| CN112257745B (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
| JP2023116434A5 (ja) | ||
| CA2794737C (en) | Method for ensuring and monitoring electrolyzer safety and performances | |
| JP7474233B2 (ja) | 電解セルの汚染検出方法及びシステム | |
| CA2793573C (en) | Method and system for electrolyser single cell current efficiency | |
| CN109146341A (zh) | 一种基于抽样的冷备系统剩余寿命预测方法 | |
| EP4345194A1 (en) | Method, apparatus, computer program and system for monitoring a state of a multi-cell electrolyzer | |
| Li et al. | Residual chart with hidden Markov model to monitoring the auto-correlated processes | |
| Sood et al. | Model-based diagnosis of proton exchange membrane water electrolysis cell: Bond graph based approach | |
| CN113488685A (zh) | 一种基于运行大数据的燃料电池健康状态评估方法及装置 | |
| Sessa | Algorithms development for lifetime estimation of electrochemical devices using long term on-field experimental data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210324 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220224 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20220519 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220822 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221220 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230420 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20230420 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230626 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20230714 |
|
| A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20240219 |