JP7450521B2 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JP7450521B2 JP7450521B2 JP2020193810A JP2020193810A JP7450521B2 JP 7450521 B2 JP7450521 B2 JP 7450521B2 JP 2020193810 A JP2020193810 A JP 2020193810A JP 2020193810 A JP2020193810 A JP 2020193810A JP 7450521 B2 JP7450521 B2 JP 7450521B2
- Authority
- JP
- Japan
- Prior art keywords
- fuel cell
- temperature
- route
- unit
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims description 256
- 238000000034 method Methods 0.000 claims description 128
- 239000000446 fuel Substances 0.000 claims description 119
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 113
- 238000012545 processing Methods 0.000 claims description 98
- 230000008569 process Effects 0.000 claims description 91
- 230000005856 abnormality Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 14
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 8
- 229910052799 carbon Inorganic materials 0.000 claims description 8
- 238000002407 reforming Methods 0.000 claims description 8
- 238000000491 multivariate analysis Methods 0.000 claims description 7
- 238000010405 reoxidation reaction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 230000008016 vaporization Effects 0.000 claims description 5
- 238000009834 vaporization Methods 0.000 claims description 5
- 230000008021 deposition Effects 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000004215 Carbon black (E152) Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 239000003792 electrolyte Substances 0.000 claims description 2
- 229930195733 hydrocarbon Natural products 0.000 claims description 2
- 150000002430 hydrocarbons Chemical class 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims 1
- 239000007789 gas Substances 0.000 description 81
- 238000001514 detection method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 13
- 239000003570 air Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 230000015654 memory Effects 0.000 description 8
- 238000010248 power generation Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036449 good health Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
- Fuel Cell (AREA)
Description
図1は、第1の実施形態に係る故障診断システム100の構成の一例を示す図である。
(2)動作履歴データの1つの特徴量についての時間的変化や、統計量(平均・最大・最小・分散・出現頻度など)を算出し、新たな特徴量として追加する機能。もとになる特徴量は複数でも良い。例:エラー発生前後の時間的な温度変化、ポンプ回転数X以下の出現回数、等。
(3)複数の特徴量を組み合わせて新たな特徴量にまとめる機能(組合せに使用した特徴量は削除する)。例:電流・電圧→電力、ガス流量・電流→燃料利用率、ブロワデュティ・回転数→ブロワの回転抵抗、等。
(4)質的データのダミー変数を設定する機能。例:制御シーケンス(1:起動、2:発電、3:停止)等のように連続値として扱えないデータ項目。
(5)時系列データの中から特定の時刻のデータだけを抽出する機能。例:エラーが発報された瞬間のデータ、等。
A2:任意期間の温度・電圧等の時間的変化を表すデータ項目、及び、統計量(平均・最大・最小・分散等)を表すデータ項目の少なくとも一方の追加。
A3:出現頻度など、事前調査で一部の部品の診断への有効性が確認されているデータ項目の追加(例えば、”電圧<閾値の出現回数”、”ポンプ回転数ゼロの出現回数”等)。
A4:制御シーケンス等の質的データ(=数値データ以外)のダミー変数の設定。
A5:相関関係のある複数のデータ項目を合成して新たなデータ項目として追加。具体的には、主成分分析法(PCA:Principal Component Analysis、以下、「PCA」という。)を用いてデータ項目を合成し、相関の無い少数の主成分を新たなデータ項目として追加する。
(1)機械学習への寄与度によらず、ありとあらゆる変数を出し切る(上記A1~A5の処理)。
(2)変数増加法により最も性能が改善する変数を1つずつ追加しながらモデル作成、パラメータ最適化、及び性能評価を繰り返し、変数を追加しても性能がほとんど変化しなくなる、あるいは、一定以上の性能に到達するまで実施する。
第2の実施形態では、CGS40のエラーの種別に応じた経路診断を、ガス経路52、改質水経路53、及び空気経路54の少なくとも1つに対して行い、故障の可能性のある経路を絞り込み、絞り込んだ経路により特定される機能部の故障診断モデル15Bを選択的に用いる形態について説明する。
11、42 CPU
11A 取得部
11B 加工部
11C 推定部
11D 学習部
11E 出力部
11F 経路診断部
12、43 ROM
13、44 RAM
14、45 I/O
15、46 記憶部
15A 故障診断プログラム
15B 故障診断モデル
15C 第1データテーブル
15D 第2データテーブル
16 表示部
17 操作部
18、47 通信部
30 ユーザ宅
40 CGS
41 制御装置
46A 制御プログラム
48 機器I/F
49 CGS本体部
50 燃料電池ユニット
51 燃料電池モジュール
51A 燃料電池スタック
51B 改質器
52 ガス経路
53 改質水経路
54 空気経路
60 作業担当者
70 メンテナンス用端末
100 故障診断システム
Claims (10)
- 燃料電池コージェネレーションシステムが動作の異常を検知した場合に、前記燃料電池コージェネレーションシステムから、前記異常に対応する、前記燃料電池コージェネレーションシステムの動作履歴に関する動作履歴データを取得する取得部と、
前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第1加工を行い、前記第1加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第2加工を行う加工部と、
前記複数の故障診断モデルの各々に対して、前記加工部により前記第1加工及び前記第2加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、
を備えた故障診断装置。 - 前記第1加工は、全ての機能部で使用頻度が所定値よりも低いデータ項目を削除すること、時間的変化を表すデータ項目及び統計量を表すデータ項目の少なくとも一方を追加すること、少なくとも一部の機能部への有効性が予め確認されているデータ項目を追加すること、数値データ以外の質的データのダミー変数を設定すること、及び、相関関係のある複数のデータ項目を合成して新たなデータ項目として追加すること、の少なくとも1つを含み、
前記第2加工は、機能部の故障の有無との相関性が一定未満となるデータ項目を削除することを含む
請求項1に記載の故障診断装置。 - 前記加工部は、前記相関関係の強さを、主成分分析法を用いて導出し、前記第1加工として、前記相関関係の強さが一定以上となる複数のデータ項目を合成して新たなデータ項目として追加する
請求項2に記載の故障診断装置。 - 前記故障診断モデルは、機能部毎に、複数の異なる学習ロジックで生成された複数のモデル候補の中で性能が最も高いモデルである
請求項1~請求項3の何れか1項に記載の故障診断装置。 - 前記燃料電池コージェネレーションシステムは、発電を行う燃料電池モジュールが設けられ、かつ、前記燃料電池モジュールに接続されたガス経路、改質水経路、及び空気経路が設けられた燃料電池ユニットを含み、
前記燃料電池ユニットの動作の異常を検知した場合に、前記異常の種別に応じた経路診断を、前記ガス経路、前記改質水経路、及び前記空気経路の少なくとも1つに対して行い、故障の可能性がある経路を絞り込む経路診断部を更に備え、
前記推定部は、前記経路診断部で絞り込まれた経路により特定される機能部の故障診断モデルのみを選択的に用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する
請求項1~請求項4の何れか1項に記載の故障診断装置。 - 前記動作履歴データは、前記異常の種別を表すエラーコードを含み、
前記エラーコードは、前記ガス経路、前記改質水経路、及び前記空気経路を対象とする第1エラーコード、前記ガス経路及び前記改質水経路を対象とする第2エラーコード、前記ガス経路及び前記空気経路を対象とする第3エラーコード、及び、前記改質水経路及び前記空気経路を対象とする第4エラーコードのいずれかである
請求項5に記載の故障診断装置。 - 前記経路診断部は、前記ガス経路、前記改質水経路、及び前記空気経路の少なくとも1つに対する前記経路診断を、前記燃料電池ユニットの温度帯に応じた方法を用いて行う
請求項5又は請求項6に記載の故障診断装置。 - 前記燃料電池モジュールは、電解質層、燃料極、及び空気極を有する複数の燃料電池セルが積層された燃料電池スタックと、炭化水素原料を含むガスを改質する改質器と、を含み、
前記燃料電池ユニットの温度帯は、前記改質器へのガス導入により炭素析出が生じる温度である炭素析出温度より高く、前記燃料電池モジュールの最高温度以下の第1温度帯と、前記燃料電池スタックへの空気導入により燃料電池セルの再酸化が生じる温度である再酸化温度より高く、前記炭素析出温度以下の第2温度帯と、前記改質器に導入される改質水が気化する温度である気化温度より高く、前記再酸化温度以下の第3温度帯と、前記気化温度以下の第4温度帯と、を含み、
前記ガス経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第1温度帯である場合に、改質水及びガスを導入し、前記燃料電池ユニットの温度が前記第2温度帯又は前記第3温度帯又は前記第4温度帯である場合に、ガスを導入する方法であり、
前記改質水経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第1温度帯又は前記第2温度帯又は前記第3温度帯である場合に、改質水を導入し、前記燃料電池ユニットの温度が前記第4温度帯である場合に、診断不可とする方法であり、
前記空気経路に対する前記経路診断の方法は、前記燃料電池ユニットの温度が前記第1温度帯である場合に、少なくとも改質水及び空気を導入し、前記燃料電池ユニットの温度が前記第2温度帯である場合に、改質水及びガスの少なくとも一方と空気とを導入し、前記燃料電池ユニットの温度が前記第3温度帯又は前記第4温度帯である場合に、空気を導入する方法である
請求項7に記載の故障診断装置。 - 燃料電池コージェネレーションシステムと、
前記燃料電池コージェネレーションシステムと接続された故障診断装置と、
を備え、
前記燃料電池コージェネレーションシステムは、
自システムの動作の異常を検知した場合に、前記故障診断装置に対して、前記異常に対応する、自システムの動作履歴に関する動作履歴データを送信し、
前記故障診断装置は、
前記燃料電池コージェネレーションシステムから送信された前記動作履歴データを取得する取得部と、
前記取得部により取得された動作履歴データに対して、過去に得られた動作履歴データ群を、前記燃料電池コージェネレーションシステムの機能部に対応付けて機械学習又は多変量解析することにより生成され、かつ、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を判定する複数の故障診断モデルに共通の第1加工を行い、前記第1加工を行って得られたデータに対して、前記複数の故障診断モデルの各々に個別の第2加工を行う加工部と、
前記複数の故障診断モデルの各々に対して、前記加工部により前記第1加工及び前記第2加工が行われたデータを入力し、前記複数の故障診断モデルの各々から出力される判定結果を用いて、前記燃料電池コージェネレーションシステムの機能部毎に故障の有無を推定する推定部と、
を備えた故障診断システム。 - コンピュータを、請求項1~請求項8の何れか1項に記載の故障診断装置が備える各部として機能させるための故障診断プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020193810A JP7450521B2 (ja) | 2020-11-20 | 2020-11-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020193810A JP7450521B2 (ja) | 2020-11-20 | 2020-11-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022082318A JP2022082318A (ja) | 2022-06-01 |
JP7450521B2 true JP7450521B2 (ja) | 2024-03-15 |
Family
ID=81801896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020193810A Active JP7450521B2 (ja) | 2020-11-20 | 2020-11-20 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7450521B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116247248B (zh) * | 2023-05-10 | 2023-07-25 | 北京新研创能科技有限公司 | 基于排放物分析的氢燃料电池堆健康状态诊断方法及系统 |
JP7546987B1 (ja) | 2024-01-11 | 2024-09-09 | 株式会社サンワ電装 | IoT用の情報処理装置、情報処理システム、及び、プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2012530925A (ja) | 2009-06-25 | 2012-12-06 | エレクトリスィテ ド フランス | 電気化学デバイスの欠陥の検出 |
JP2020170596A (ja) | 2019-04-01 | 2020-10-15 | 大阪瓦斯株式会社 | 故障予兆検知システム |
-
2020
- 2020-11-20 JP JP2020193810A patent/JP7450521B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP2012530925A (ja) | 2009-06-25 | 2012-12-06 | エレクトリスィテ ド フランス | 電気化学デバイスの欠陥の検出 |
JP2020170596A (ja) | 2019-04-01 | 2020-10-15 | 大阪瓦斯株式会社 | 故障予兆検知システム |
Also Published As
Publication number | Publication date |
---|---|
JP2022082318A (ja) | 2022-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Interpretable machine learning for building energy management: A state-of-the-art review | |
Rigamonti et al. | Ensemble of optimized echo state networks for remaining useful life prediction | |
JP7450521B2 (ja) | 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 | |
Li et al. | Data-driven simultaneous fault diagnosis for solid oxide fuel cell system using multi-label pattern identification | |
Li et al. | A knowledge-guided and data-driven method for building HVAC systems fault diagnosis | |
Wang et al. | Fault detection and diagnosis of chillers using Bayesian network merged distance rejection and multi-source non-sensor information | |
Mulumba et al. | Robust model-based fault diagnosis for air handling units | |
Singh et al. | A comprehensive review: Fault detection, diagnostics, prognostics, and fault modeling in HVAC systems | |
AU2011265563B2 (en) | System and method for detecting and/or diagnosing faults in multi-variable systems | |
Tran et al. | An enhanced chiller FDD strategy based on the combination of the LSSVR-DE model and EWMA control charts | |
Costamagna et al. | Data-driven techniques for fault diagnosis in power generation plants based on solid oxide fuel cells | |
US10461347B2 (en) | Real-time monitoring and automated intervention platform for long term operability of fuel cells | |
Yang et al. | Machine learning-based prognostics for central heating and cooling plant equipment health monitoring | |
Zhang et al. | Fault detection and diagnosis for the screw chillers using multi-region XGBoost model | |
Wang et al. | Fault detection and diagnosis for multiple faults of VAV terminals using self-adaptive model and layered random forest | |
CN103443809A (zh) | 判别模型学习设备、方法和程序 | |
He et al. | Data-driven modeling of truck engine exhaust valve failures: a case study | |
Park et al. | Severity-based fault diagnostic method for polymer electrolyte membrane fuel cell systems | |
He et al. | An effective fault diagnosis approach based on optimal weighted least squares support vector machine | |
Chen et al. | Similarity learning-based fault detection and diagnosis in building HVAC systems with limited labeled data | |
CN117436593B (zh) | 基于人工智能的焚烧炉系统故障预测方法及系统 | |
Niu et al. | Self‐optimization for smelting process of fused magnesium furnace based on operation status assessment | |
JP7404197B2 (ja) | 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 | |
JP7389727B2 (ja) | 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) | 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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230526 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240115 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240305 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7450521 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |