JP2023178703A - 燃料電池システムに対する耐久性を推定するシステム及び方法 - Google Patents
燃料電池システムに対する耐久性を推定するシステム及び方法 Download PDFInfo
- Publication number
- JP2023178703A JP2023178703A JP2022091533A JP2022091533A JP2023178703A JP 2023178703 A JP2023178703 A JP 2023178703A JP 2022091533 A JP2022091533 A JP 2022091533A JP 2022091533 A JP2022091533 A JP 2022091533A JP 2023178703 A JP2023178703 A JP 2023178703A
- Authority
- JP
- Japan
- Prior art keywords
- fuel cell
- type
- cell system
- durability
- results
- 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.)
- Pending
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- H01M8/04992—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Medical Informatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
Abstract
【課題】十分な学習用データが存在しない燃料電池システムについても、機械学習の手法によって耐久性を推定する。【解決手段】システムは、第1種類の燃料電池システムの作動データを学習用データとして記憶する第1の記憶装置と、当該学習用データを用いて機械学習し、第1種類の燃料電池システムの耐久性を推定する機械学習モデルを有する第1の演算装置と、第1種類及び第2種類の燃料電池システムの耐久試験の結果を記憶する第2の記憶装置と、当該耐久試験の結果を用いて、第1種類の燃料電池システムの耐久試験の結果から第2種類の燃料電池システムの耐久試験の結果を導く変換式又は変換モデルを決定する第2の演算装置とを備える。第2の演算装置は、当該機械学習モデルによって推定された第1種類の燃料電池システムの耐久性に、第2の演算装置で決定された変換式又は変換モデルを適用して、第2種類の燃料電池システムの耐久性を推定する。【選択図】図1
Description
本明細書が開示する技術は、燃料電池システムに対する耐久性を推定するシステム及び方法に関する。
特許文献1に、車両に搭載されたバッテリを、他の製品にリユースする技術が記載されている。この技術では、リユース前のバッテリの作動データと、リユース後のバッテリの作動データとの両者を収集し、収集された作動データを学習用データとする機械学習によって、バッテリの耐久性(寿命)を推定する機械学習モデルを作成する。
上記した技術のように、機械学習の手法を利用することで、工業製品の耐久性を推定することができる。この点に関して、燃料電池システムは、例えば車両に搭載されたり、その後に他の製品でリユースされたりすることから、その耐久性を精度よく推定することが望まれる。機械学習の手法を利用する場合、多くの学習用データが必要とされる。例えば、既に公衆へ提供された既存の燃料電池システムであれば、公衆で利用されている多数の燃料電池システムから、実際に作動したときの作動データを学習用データとして取得することができる。それに対して、当該既存の燃料電池システムを改良した新たな燃料電池システムについては、そのような学習用データを十分に得ることができず、公衆へ提供される前に実施される限られた耐久試験の結果だけでは、機械学習の手法によって耐久性を推定することが難しい。本明細書では、十分な学習用データが存在しない燃料電池システムについても、機械学習の手法によって耐久性を推定することができる技術を提供する。
本明細書が開示する技術は、燃料電池システムに対する耐久性を推定するシステムに具現化される。第1の態様では、システムは、一又は複数の第1種類の燃料電池システムについて、第1種類の燃料電池システムが実際に作動したときの作動データを、学習用データとして記憶する第1の記憶装置と、第1の記憶装置に記憶された学習用データを用いて機械学習する機械学習モデルであって、第1種類の燃料電池システムの耐久性を推定する機械学習モデルを有する第1の演算装置と、同一の使用条件に関して、第1種類の燃料電池システムの耐久試験の結果と、第1種類の燃料電池システムとは異なる第2種類の燃料電池システムの耐久試験の結果と、を記憶する第2の記憶装置と、第2の記憶装置に記憶された耐久試験の結果を用いて、第1種類の燃料電池システムの耐久試験の結果から第2種類の燃料電池システムの耐久試験の結果を導く変換式又は変換モデルを決定する第2の演算装置とを備えてもよい。第2の演算装置は、第1の演算装置の機械学習モデルによって推定された第1種類の燃料電池システムの耐久性に、第2の演算装置で決定された変換式又は変換モデルを適用して、第2種類の燃料電池システムの耐久性を推定してもよい。
上記したシステムでは、一又は複数の第1種類の燃料電池システムからの作動データが学習用データとして記憶される。そして、当該学習用データを用いた機械学習を施すことにより第1種類の燃料電池システムの耐久性を推定する機械学習モデルが作成される。さらに、第1種類及び第2種類の燃料電池システムの耐久試験の結果を用いて、第1種類の燃料電池システムの耐久試験の結果から第2種類の燃料電池システムの耐久試験の結果を導く変換式又は変換モデルが作成される。そして、上記した推定された第1種類の燃料電池システムの耐久性の結果に当該変換式又は変換モデルを適用する。このような構成によると、機械学習モデルによる第1種類の燃料電池システムの推定された耐久性の結果に、二種類の燃料電池システムの耐久試験の結果による変換式又は変換モデルを適用することで、第2種類の燃料電池システムの耐久性を導くことができる。これにより、第2種類の燃料電池システムの耐久性を、第2種類の燃料電池システムの耐久試験の結果だけでなく、既知である第1種類の燃料電池システムの作動データにも依拠して、推定することができる。
第2の態様では、上記の第1の態様において、システムは、公衆に提供された第1種類の燃料電池システム又はそれを搭載する工業製品から、作動データを受信する受信装置をさらに備えてもよい。第1の記憶装置は、受信装置に接続されており、受信装置によって受信された作動データを記憶してもよい。このような構成によると、公衆に提供された多数の第1種類の燃料電池システム又はそれを搭載する工業製品から、大量の作動データを収集することができる。
第3の態様では、上記の第1又は第2の態様において、第2の演算装置は、第2の記憶装置に記憶された耐久試験の結果を用いた機械学習により、変換式又は変換モデルを決定してもよい。このような構成によると、変換式又は変換モデルを精度よく決定することができる。但し、他の実施形態として、変換式又は変換モデルは、例えば一次関数で表されるような、簡素な構造であってもよい。
本明細書が開示する技術は、燃料電池システムに対する耐久試験の結果を推定する方法に具現化される。方法は、一又は複数の第1種類の燃料電池システムについて、第1種類の燃料電池システムが実際に作動したときの作動データを、第1の記憶装置に学習用データとして記憶させる工程と、第1の記憶装置に記憶された学習用データを用いて機械学習する機械学習モデルであって、第1の演算装置が有する機械学習モデルに、第1種類の燃料電池システムの耐久性を推定させる工程と、第2の記憶装置に、同一の使用条件に関して、第1種類の燃料電池システムの耐久試験の結果と、第1種類の燃料電池システムとは異なる第2種類の燃料電池システムの耐久試験の結果と、を記憶させる工程と、第2の演算装置に、第2の記憶装置に記憶された耐久試験の結果を用いて、第1種類の燃料電池システムの耐久試験の結果から第2種類の燃料電池システムの耐久試験の結果を導く変換式又は変換モデルを決定させる工程と、第2の演算装置に、第1の演算装置の機械学習モデルによって推定された第1種類の燃料電池システムの耐久性に対して、第2の演算装置で決定された変換式又は変換モデルを適用して、第2種類の燃料電池システムの耐久性を推定させる工程と、を備えてもよい。このような方法によると、機械学習モデルによる第1種類の燃料電池システムの推定された耐久性の結果に、二種類の燃料電池システムの耐久試験の結果による変換式又は変換モデルを適用することで、第2種類の燃料電池システムの耐久性を導くことができる。これにより、第2種類の燃料電池システムの耐久性を、第2種類の燃料電池システムの耐久試験の結果だけでなく、既知である第1種類の燃料電池システムの作動データにも依拠して、推定することができる。
(実施例)図1~図3を参照して、本実施例の推定システム10について説明する。本推定システム10では、燃料電池システムに対する耐久性を推定する。一例ではあるが、燃料電池システムは、車両に搭載されるものである。但し、車両に限定されず、燃料電池システムは、車両以外の他の工業製品に搭載されるものであってもよい。
図1に示されるように、推定システム10は、受信装置12と、第1記憶装置14と、第2記憶装置16と、第1演算装置18と、第2演算装置20と、通信装置22と、を備える。受信装置12は、公衆に提供された複数の車両2(以下、単に車両2と称する)から、その各々に搭載されている燃料電池システム(以下、既存型FCシステム2aと称する)の作動データを受信する装置である。一例ではあるが、受信装置12の一部又は全部は、携帯電話事業者が提供する移動体回線網で構成されることができる。受信装置12は、任意の通信プロトコルにより、複数の車両2から送信される既存型FCシステム2aの作動データを無線で受信する。受信装置12は、有線及び/又は無線回線を用いて、第1記憶装置14と通信可能に接続されている。受信装置12は、記憶した作動データを第1記憶装置14に送信する。なお、受信装置12が第1記憶装置14に送信する作動データは、複数の車両2の既存型FCシステム2aのデータに限定されず、単一の車両2の既存型FCシステム2aのデータであってもよい。但し、作動データを提供する車両2の数は、多いほど好ましい。
車両2は、前述した既存型FCシステム2aに加えて、複数のセンサと、メモリと、通信機とを備える。各センサは、車両2の既存型FCシステム2aに関する各種パラメータ(電圧、電流、電圧速度、温度(タンク内温度、外気温度等)、ガス流量、ガス圧力等)値を所定の時間毎に計測する。作動データは、計測された各種パラメータ値を、燃料電池システムを制御するための制御信号(例えば目標電流等)等とともに、時刻情報と関連付けて時系列のデータとしたものである。メモリは、この作動データを記憶する。通信機は、この作動データをメモリから読み取り、各車両2における固有の車両識別情報と共に当該作動データを受信装置12に定期的に送信する。特に限定されないが、通信機は、例えば車両2のユーザが所有する携帯電話等の無線通信可能なモバイル装置であってよい。
第1記憶装置14は、第1演算装置18と通信可能に接続されている。第1記憶装置14は、メモリを有する。第1記憶装置14は、受信装置12から送信された作動データを受信し、受信した作動データを学習用データとして記憶する。第1記憶装置14は、記憶した学習用データを第1演算装置18に送信する。第1演算装置18は、推定処理を実行する。第1演算装置18は、メモリ及びCPUを有する。第1演算装置18は、メモリに記憶された学習モデル19を有する。第1演算装置18は、メモリに記憶された学習モデル19及び/又は他のプログラムに基づいて各種処理をCPUに実行させる。第1演算装置18は、第1記憶装置14から受信した学習用データを学習モデル19に機械学習させる。第1演算装置18は、機械学習した学習モデル19を用いて、既存型FCシステム2aの耐久性の結果を推定する。通信装置22は、第1演算装置18と第2演算装置20とを互いに接続する通信ネットワークである。第1演算装置18は、通信装置22を介して第2演算装置20と通信可能に接続されている。第1演算装置18は、学習モデル19によって推定した耐久性の結果を、第2演算装置20に送信する。なお、通信装置22は、例えば第1演算装置18及び第2演算装置20の各々に組み込まれた通信指示プログラム、あるいは、第1演算装置18及び第2演算装置20の一方又は両方に設けられた一次記憶装置により構成されてもよい。
第2記憶装置16は、耐久試験装置4及び第2演算装置20と通信可能に接続されている。第2記憶装置16は、メモリを有する。第2記憶装置16は、耐久試験装置4から受信した多種類の燃料電池システムの耐久試験の結果を記憶する。多種類の燃料電池システムの耐久試験の結果には、同一の使用条件に関して、既存型FCシステム2aの耐久試験の結果と、新型FCシステムの耐久試験の結果とが含まれる。新型FCシステムは、既存型FCシステム2aとは異なっており、既存型FCシステム2aを改良した燃料電池システムである。一例ではあるが、新型FCシステムの出力(kW)は、既存型FCシステム2aの出力(kW)±20%程度である。第2記憶装置16は、記憶した多種類の燃料電池システムの耐久試験の結果を第2演算装置20に送信する。ここで、燃料電池システムでは、燃料電池システムが経験する使用条件が異なると、燃料電池システムの劣化に影響を与える動作パラメータ(例えば、電流、電圧の変化速度、外気温度等)の取り得る値が影響され得る。従って、第2演算装置20には、互いに同一の使用条件で実施された、既存型FCシステム2aの耐久試験の結果と、新型FCシステムの耐久試験の結果とが送信される。本明細書の同一の使用条件とは、各動作パラメータが取り得る値の範囲や出現頻度が同程度であるものを指す。ここで、既存型FCシステム2aは、本明細書が開示する技術における「第1種類の燃料電池システム」の一例であり、新型FCシステムは、本明細書が開示する技術における「第2種類の燃料電池システム」の一例である。
耐久試験装置4は、燃料電池システムの耐久試験を実施する装置である。耐久試験装置4は、例えばシャシダイナモメータを備え、燃料電池システムを搭載した試験車両を用いて、耐久試験を実施することができる。試験車両は、上述した車両2と同様に、実車に設けられた各センサによって、燃料電池システムに関する各種パラメータ(電圧、電流、電圧速度、温度(タンク内温度、外気温度等)、ガス流量、ガス圧力等)値を所定の時間毎に計測する。耐久試験装置4は、それらの計測データに時刻情報を関連付けた時系列データを、燃料電池システムを制御するための制御信号(例えば目標電流等)などとともに、耐久試験の結果として記録する。耐久試験装置4は、耐久試験の結果を第2記憶装置16に送信する。なお、耐久試験装置4の具体的な構成は特に限定されない。耐久試験装置4は、試験車両の利用に代えて、実車に搭載された燃料電池システムの作動を再現し得るシミュレータ装置を利用してもよい。
第2演算装置20は、メモリとCPUを有する。第2演算装置20のCPUは、第2記憶装置16から受信した既存型及び新型FCシステムの耐久試験の結果を用いて、既存型FCシステム2aの耐久試験の結果から新型FCシステムの耐久試験の結果を導く変換モデルを決定する。第2演算装置20は、メモリに記憶された機械学習モデルが機械学習することにより、変換モデルを決定する。これにより、変換モデルを精度よく決定することができる。但し、変換モデルは、機械学習によって決定されるものである必要はなく、例えば一次関数で表されるような簡素な構造であってもよい。例えば、仮に変換式がy=Axであるとする。ここで、xは、既存型FCシステム2aの指標値であって、耐久試験後の値と初期値との差であり、yは、新型FCシステムの指標値であって、耐久試験後の値と初期値との差であり、Aは定数であり、xとyの比から決定される。新型FCシステムが既存型FCシステム2aよりも耐久性が改良されていた場合、Aは1よりも小さい値となる。
第2演算装置20のCPUは、第1演算装置18の学習モデル19によって推定された既存型FCシステム2aの耐久性に、前述した変換式又は変換モデルを適用する。これにより、第2演算装置20は、新型FCシステムの耐久性を推定できる。
図2を参照して、学習モデル19による推定、及びその推定に対しての変換モデルの適用について説明する。図2に示されるように、第1演算装置18の学習モデル19は、推定したい既存型FCシステム2aの使用条件が入力されると、既存型FCシステム2aの耐久性の推定結果を出力する。入力パラメータ(使用条件)には、電流値、温度、及び電圧変化速度、作動時間などが含まれる。ここで出力パラメータ(耐久性の推定結果)は、例えば、燃料電池システムにおける電流が所定値のときの燃料電池システムの電圧値である。当該電圧値が高いほど、燃料電池システムの耐久性は高いと判断され、当該電圧値が低いほど、燃料電池システムの耐久性は低いと判断される。学習モデル19は、第1記憶装置14から読み込んだ学習用データの一部のデータを用いて、使用条件の入力が与えられたときに、その出力の推定結果と作動データの結果との誤差が最小になるように最適化されてもよい。また、学習モデル19の汎化性能を確保するために、学習用データの一部のデータが検証用として確保されてもよい。この場合、その確保されたデータが学習モデル19の過学習の回避に利用されてもよい。
第2演算装置20は、第1演算装置18からの既存型FCシステム2aの推定の結果が入力されると、入力された推定の結果に変換モデル又は変換式を適用し、新型FCシステムの耐久性の結果を出力する。ここでの出力パラメータは、第1演算装置18(即ち学習モデル19)と同様に、例えば、燃料電池システムにおける電流が所定値のときの燃料電池の電圧値である。
なお、学習モデル19の出力パラメータは、特定の電流値のときの電圧値に限定されず、特定の温度/ガス供給量のときの電圧値といった特定の条件をあわせたときの電圧値であってよい。出力パラメータは、燃料電池システムの劣化度合を表す指標値であればよい。変形例では、出力パラメータが、例えば特定の条件で水素に圧力を負荷した場合に、ガスタンクからリークするガス量であってもよい。
本実施例における推定システム10では、学習モデル19として、ElasticNetを採用している。但し、学習モデル19は、特に限定されず、ElasticNetとは別の回帰(例えばRidge回帰、Lasso回帰等)、ニューラルネットワークといった他の機械学習モデルを採用してもよい。
従来より、機械学習の手法を利用することで、工業製品の耐久性を推定することができる。この点に関して、燃料電池システムは、例えば車両に搭載されたり、その後に他の製品でリユースされたりすることから、その耐久性を精度よく推定することが望まれる。機械学習の手法を利用する場合、多くの学習用データが必要とされる。例えば、既に公衆へ提供された既存の燃料電池システムであれば、公衆で利用されている多数の燃料電池システムから、実際に作動したときの作動データを学習用データとして取得することができる。それに対して、当該既存の燃料電池システムを改良した新たな燃料電池システムについては、そのような学習用データを十分に得ることができず、公衆へ提供される前に実施される限られた耐久試験の結果だけでは、機械学習の手法によって耐久性を推定することが難しい。
上記した推定システム10では、一又は複数の既存型FCシステム2aからの作動データが学習用データとして記憶される。そして、当該学習用データを用いた機械学習を施すことにより既存型FCシステム2aの耐久性を推定する学習モデル19が作成される。さらに、既存型及び新型FCシステムの耐久試験の結果を用いて、既存型FCシステム2aの耐久試験の結果から新型FCシステムの耐久試験の結果を導く変換式又は変換モデルが作成される。そして、上記した推定された既存型FCシステム2aの耐久性の結果に当該変換式又は変換モデルを適用する。このような構成によると、学習モデル19による既存型FCシステム2aの推定された耐久性の結果に、二種類の燃料電池システム(既存型及び新型FCシステム)の耐久試験の結果による変換式又は変換モデルを適用することで、新型FCシステムの耐久性を導くことができる。これにより、新型FCシステムの耐久性を、新型FCシステムの耐久試験の結果だけでなく、既知である既存型FCシステム2aの作動データにも依拠して、推定することができる。
次いで、図3を参照して、推定システム10が実行する耐久性の推定処理(推定方法)の手順について説明する。図3に示すように、先ずステップS12において、推定システム10は、学習用データを記憶する第1記憶工程を実施する。第1記憶工程では、具体的には、推定システム10が、受信装置12から送信された複数の既存型FCシステム2aの作動データを、学習用データとして第1記憶装置14に記憶させる。次いで、ステップS14において、推定システム10は、学習用データを機械学習する機械学習工程を実行する。機械学習工程では、具体的には、推定システム10が、S12で第1記憶装置14に記憶させた学習用データを用いて、第1演算装置18の学習モデル19に機械学習させる。
次いで、ステップS16において、推定システム10は、機械学習モデルによる第1推定工程を実行する。第1推定工程では、具体的には、推定システム10が、第1演算装置18に機械学習した学習モデル19を用いて、既存型FCシステム2aの耐久性の結果を推定させる。
次いで、ステップS18において、推定システム10は、耐久試験の結果を記憶する第2記憶工程を実行する。第2記憶工程では、具体的には、推定システム10が、第2記憶装置16に、既存型FCシステム2a及び新型FCシステムの耐久試験の結果を記憶させる。次いで、ステップS20において、推定システム10は、耐久試験の結果を用いて変換モデルを決定する決定工程を実行する。決定工程では、具体的には、推定システム10が、第2演算装置20に、S18で第1記憶装置14に記憶された既存型FCシステム2a及び新型FCシステムの耐久試験の結果を用いて、既存型FCシステム2aの耐久試験の結果から新型FCシステムの耐久試験の結果を導く変換式又は変換モデルを決定させる。
次いで、ステップS22において、推定システム10は、学習モデル19による推定に変換モデルを適用する適用工程を実行する。適用工程では、具体的には、推定システム10が、第1演算装置18の学習モデル19によって推定された既存型FCシステム2aの耐久性に、S20で決定した変換式又は変換モデルを適用させる。以上の一連のステップS12~S22により、新型FCシステムの耐久性を、新型FCシステムの耐久試験の結果だけでなく、既知である既存型FCシステム2aの作動データにも依拠して、推定することができる。
本実施例における推定システム10は、公衆に提供された既存型FCシステム2aを搭載する車両2から、作動データを受信する受信装置12を備えている。また、第1記憶装置14は、受信装置12に接続されており、受信装置12によって受信された作動データを記憶する。このような構成によると、公衆に提供された多数の既存型FCシステム2aを搭載する車両2から、大量の作動データを収集することができる。
本実施例における推定システム10は、受信装置12からの作動データは、第1記憶装置14を経由して、第1演算装置18へ移送される。但し、必ずしも第1記憶装置14を経由しなくてもよく、受信装置12から第1演算装置18に直接送信されてもよい。この場合、第1演算装置18のメモリが、第1記憶装置14として機能してもよい。同様に、耐久試験装置4からの耐久試験の結果も第2記憶装置16を必ずしも経由しなくてもよく、耐久試験装置4から第2演算装置20に直接送信されてもよい。
以上、本明細書が開示する技術の具体例を詳細に説明したが、これらは例示に過ぎず、特許請求の範囲を限定するものではない。特許請求の範囲に記載の技術には、以上に例示した具体例を様々に変形、変更したものが含まれる。本明細書、又は、図面に説明した技術要素は、単独で、あるいは各種の組合せによって技術的有用性を発揮するものであり、出願時の請求項に記載の組合せに限定されるものではない。本明細書又は図面に例示した技術は、複数の目的を同時に達成し得るものであり、そのうちの一つの目的を達成すること自体で技術的有用性を持つものである。
2a:既存型FCシステム
10:推定システム
12:受信装置
14、16:記憶装置
18、20:演算装置
19:学習モデル
10:推定システム
12:受信装置
14、16:記憶装置
18、20:演算装置
19:学習モデル
Claims (4)
- 燃料電池システムに対する耐久性を推定するシステムであって、
一又は複数の第1種類の燃料電池システムについて、前記第1種類の燃料電池システムが実際に作動したときの作動データを、学習用データとして記憶する第1の記憶装置と、
前記第1の記憶装置に記憶された前記学習用データを用いて機械学習する機械学習モデルであって、前記第1種類の燃料電池システムの耐久性を推定する前記機械学習モデルを有する第1の演算装置と、
同一の使用条件に関して、前記第1種類の燃料電池システムの耐久試験の結果と、前記第1種類の燃料電池システムとは異なる第2種類の燃料電池システムの耐久試験の結果と、を記憶する第2の記憶装置と、
前記第2の記憶装置に記憶された前記耐久試験の結果を用いて、前記第1種類の燃料電池システムの前記耐久試験の結果から前記第2種類の燃料電池システムの前記耐久試験の結果を導く変換式又は変換モデルを決定する第2の演算装置と、
を備え、
前記第2の演算装置は、前記第1の演算装置の前記機械学習モデルによって推定された前記第1種類の燃料電池システムの前記耐久性に、前記第2の演算装置で決定された前記変換式又は変換モデルを適用して、前記第2種類の燃料電池システムの耐久性を推定する、
システム。 - 公衆に提供された前記第1種類の燃料電池システム又はそれを搭載する工業製品から、前記作動データを受信する受信装置をさらに備え、
前記第1の記憶装置は、前記受信装置に接続されており、前記受信装置によって受信された前記作動データを記憶する、請求項1に記載のシステム。 - 前記第2の演算装置は、前記第2の記憶装置に記憶された前記耐久試験の結果を用いた機械学習により、前記変換式又は変換モデルを決定する、請求項1又は2に記載のシステム。
- 燃料電池システムに対する耐久性を推定する方法であって、
一又は複数の第1種類の燃料電池システムについて、前記第1種類の燃料電池システムが実際に作動したときの作動データを、第1の記憶装置に学習用データとして記憶させる工程と、
前記第1の記憶装置に記憶された前記学習用データを用いて機械学習する機械学習モデルであって、第1の演算装置が有する前記機械学習モデルに、前記第1種類の燃料電池システムの前記耐久性を推定させる工程と、
第2の記憶装置に、同一の使用条件に関して、前記第1種類の燃料電池システムの耐久試験の結果と、前記第1種類の燃料電池システムとは異なる第2種類の燃料電池システムの耐久試験の結果と、を記憶させる工程と、
第2の演算装置に、前記第2の記憶装置に記憶された前記耐久試験の結果を用いて、前記第1種類の燃料電池システムの前記耐久試験の結果から前記第2種類の燃料電池システムの前記耐久試験の結果を導く変換式又は変換モデルを決定させる工程と、
前記第2の演算装置に、前記第1の演算装置の前記機械学習モデルによって推定された前記第1種類の燃料電池システムの前記耐久性に対して、前記第2の演算装置で決定された前記変換式又は変換モデルを適用して、前記第2種類の燃料電池システムの耐久性を推定させる工程と、
を備える方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022091533A JP2023178703A (ja) | 2022-06-06 | 2022-06-06 | 燃料電池システムに対する耐久性を推定するシステム及び方法 |
DE102023107188.2A DE102023107188A1 (de) | 2022-06-06 | 2023-03-22 | System und Verfahren zum Abschätzen der Haltbarkeit eines Brennstoffzellensystems |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022091533A JP2023178703A (ja) | 2022-06-06 | 2022-06-06 | 燃料電池システムに対する耐久性を推定するシステム及び方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023178703A true JP2023178703A (ja) | 2023-12-18 |
Family
ID=88790561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022091533A Pending JP2023178703A (ja) | 2022-06-06 | 2022-06-06 | 燃料電池システムに対する耐久性を推定するシステム及び方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2023178703A (ja) |
DE (1) | DE102023107188A1 (ja) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7229062B2 (ja) | 2019-03-27 | 2023-02-27 | 本田技研工業株式会社 | 寿命予測装置、寿命予測方法、及びプログラム |
-
2022
- 2022-06-06 JP JP2022091533A patent/JP2023178703A/ja active Pending
-
2023
- 2023-03-22 DE DE102023107188.2A patent/DE102023107188A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023107188A1 (de) | 2023-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108700852B (zh) | 模型参数值推定装置及推定方法、记录介质、模型参数值推定系统 | |
KR100887433B1 (ko) | 시스템-감시 모델들을 갱신하기 위한 시스템, 장치, 및방법들 | |
CN110119339A (zh) | 工业设备的健康状态的评估方法、系统、设备和存储介质 | |
JP5901140B2 (ja) | システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。 | |
US20090293457A1 (en) | System and method for controlling NOx reactant supply | |
US9760073B2 (en) | Technique and tool for efficient testing of controllers in development | |
US20090119065A1 (en) | Virtual sensor network (VSN) system and method | |
JP6985833B2 (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
US11423321B2 (en) | Method and system for predicting system status | |
Kathari et al. | Efficient reconstruction of granger-causal networks in linear multivariable dynamical processes | |
Liu et al. | Fitting analysis and research of measured data of SAW yarn tension sensor based on PSO–SVR model | |
JP2023178703A (ja) | 燃料電池システムに対する耐久性を推定するシステム及び方法 | |
US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
US8359577B2 (en) | Software health management testbed | |
KR20190118353A (ko) | 모바일 장치의 전력 측정 및 분석 시스템 및 그 방법 | |
CN116484742A (zh) | 车辆动力学建模与车辆状态预测方法、系统、设备及介质 | |
RU2300795C2 (ru) | Устройство и способ для контроля управляющей программы вычислителя | |
Li et al. | Model deficiency diagnosis and improvement via model residual assessment in model predictive control | |
JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
JP2010079465A (ja) | プロセス推定システムおよびプロセス推定方法 | |
RU61906U1 (ru) | Система учета, контроля и прогноз при совершении действий с ресурсами | |
JP2023178704A (ja) | 燃料電池システムに対する耐久試験の結果を推定するシステム及び方法 | |
CN116680201B (zh) | 一种基于机器学习的系统压力测试方法 | |
KR20160067859A (ko) | 테스트 모니터링 및 변경을 위한 오프라인 하이브리드 시스템 평가 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240415 |