KR102046536B1 - 연료전지 열관리 시스템의 고장 진단 방법 - Google Patents

연료전지 열관리 시스템의 고장 진단 방법 Download PDF

Info

Publication number
KR102046536B1
KR102046536B1 KR1020190093648A KR20190093648A KR102046536B1 KR 102046536 B1 KR102046536 B1 KR 102046536B1 KR 1020190093648 A KR1020190093648 A KR 1020190093648A KR 20190093648 A KR20190093648 A KR 20190093648A KR 102046536 B1 KR102046536 B1 KR 102046536B1
Authority
KR
South Korea
Prior art keywords
failure
stack
radiator
output
value
Prior art date
Application number
KR1020190093648A
Other languages
English (en)
Inventor
김민수
최은정
박진영
임인섭
이영호
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190093648A priority Critical patent/KR102046536B1/ko
Application granted granted Critical
Publication of KR102046536B1 publication Critical patent/KR102046536B1/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H01M8/04007—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids related to heat exchange
    • H01M8/04029—Heat exchange using liquids
    • 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
    • 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
    • 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
    • H01M8/04313—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
    • H01M8/04686—Failure or abnormal function of auxiliary devices, e.g. batteries, capacitors
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Sustainable Development (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Sustainable Energy (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명에 따른 연료전지 열관리 시스템의 고장 진단 방법은, 인공 신경망을 이용하여 스택의 정상 상태, 스택의 열화 및 펌프의 작동 중지 고장, 라디에이터 팬의 작동 중지 고장, 펌프의 열화 고장, 배관 막힘 고장 및 라디에이터의 파울링 고장을 포함한 고장의 종류를 진단할 수 있으므로, 고장의 유무 뿐만 아니라 고장의 종류를 보다 정확하게 진단할 수 있다.

Description

연료전지 열관리 시스템의 고장 진단 방법{Fault diagnosis method of fuel cell thermal management system}
본 발명은 연료전지 열관리 시스템의 고장 진단 방법에 관한 것으로서, 보다 상세하게는 인공 신경망을 이용하여 스택의 열화 정도를 파악 가능하여 고장을 진단할 수 있는 연료전지 열관리 시스템의 고장 진단 방법에 관한 것이다.
일반적으로 연료전지 열관리 시스템은, 스택에서 발생하는 폐열을 적절히 방출하여 성능 및 내구성을 유지하기 위한 것인 바, 고장 발생시 시스템의 성능 및 내구성이 저하될 수 있으므로 신속하고 정확한 고장 진단이 필요하다.
종래의 연료전지 열관리 시스템의 고장 진단 기술은, 열관리 시스템의 특정 온도가 설정 범위를 벗어나면, 고장으로 판단하였다. 따라서, 고장의 유무만을 판단할 수 있으므로, 구성 부품의 열화 정도를 예측할 수는 없는 한계가 있다.
한국공개특허 10-2018-0081449호
본 발명의 목적은, 고장의 유무 뿐만 아니라 구성 부품의 열화 정도를 예측할 수 있는 연료전지 열관리 시스템의 고장 진단 방법을 제공하는 데 있다.
본 발명에 따른 연료전지 열관리 시스템의 고장 진단 방법은, 스택으로 냉각수를 공급하는 펌프와, 상기 스택으로부터 나온 냉각수를 외기와 열교환시켜 냉각시키는 라디에이터와, 상기 펌프, 상기 스택 및 상기 라디에이터를 연결하는 배관을 포함하는 연료전지 열관리 시스템의 고장 진단 방법에 있어서, 상기 스택의 열화와 상기 열관리 시스템에서 발생되는 고장의 종류들에 대한 고장 시나리오를 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오에 대한 실험 운전을 실시하여, 스택 전류, 스택 전압, 스택 입구 온도, 스택 출구온도, 펌프 출구 압력, 라디에이터 냉각팬 제어값 및 라디에이터 후단 온도에 대한 데이터를 측정하고, 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 정답행렬을 설정하고, 상기 데이터를 입력 변수로 하고, 상기 정답행렬을 출력 변수로 하여, 인공 신경망을 학습시키는 학습단계와; 상기 열관리 시스템의 실제 운전시, 상기 스택 전류, 상기 스택 전압, 상기 스택 입구 온도, 상기 스택 출구온도, 상기 펌프 출구 압력, 상기 라디에이터 냉각팬 제어값 및 상기 라디에이터 후단 온도를 포함한 데이터들을 설정 시간 간격으로 측정하고, 측정된 데이터들을 상기 인공 신경망의 입력 변수로 입력하여, 상기 인공 신경망으로부터 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 출력 행렬을 산출하는 출력행렬 산출단계와; 상기 출력행렬들 중에서 상기 스택의 정상 상태에 대한 출력값이 미리 설정된 스택 정상 임계값을 벗어나면, 고장이 발생하였다고 판단하는 고장 유무 판단단계와; 상기 고장이 발생하였다고 판단되면, 상기 출력행렬들 중에서 상기 스택의 열화와 상기 고장의 종류들에 대한 각 출력값을 상기 스택의 열화와 상기 고장의 종류들에 따라 각각 설정된 고장 임계값과 비교하여, 상기 스택의 열화 또는 상기 고장의 종류들을 진단하는 고장 진단단계를 포함한다.
본 발명에 따른 연료전지 열관리 시스템의 고장 진단 방법은, 인공 신경망을 이용하여 스택의 정상 상태, 스택의 열화 및 펌프의 작동 중지 고장, 라디에이터 팬의 작동 중지 고장, 펌프의 열화 고장, 배관 막힘 고장 및 라디에이터의 파울링 고장을 포함한 고장의 종류를 진단할 수 있으므로, 고장의 유무 뿐만 아니라 고장의 종류와 고장의 진행 정도를 보다 정확하게 진단할 수 있다.
도 1은 본 발명의 실시예에 따른 연료전지 열관리 시스템의 구성이 개략적으로 도시된 도면이다.
도 2는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 고장 시나리오의 예를 나타낸 테이블이다.
도 3은 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 인공 신경망의 입력 변수를 나타낸 테이블이다.
도 4는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 스택의 정상 상태, 스택의 열화 및 고장의 종류들에 대한 정답행렬을 나타낸 테이블이다.
도 5는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 사용되는 멀티 태스크 인공 신경망의 일 예를 나타낸 도면이다.
도 6은 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 사용되는 싱글 태스크 인공 신경망의 일 예를 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 연료전지 열관리 시스템의 정상 상태의 출력 패턴의 예를 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 연료전지 열관리 시스템에서 라디에이터 팬 작동 정지 고장이 발생될 경우 출력 패턴의 예를 나타낸 도면이다.
도 9는 본 발명의 실시예에 따른 연료전지 열관리 시스템에서 배관 막힘 고장이 발생될 경우 출력 패턴의 예를 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다.
도 1은 본 발명의 실시예에 따른 연료전지 열관리 시스템의 구성이 개략적으로 도시된 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 연료전지 열관리 시스템은, 연료전지의 스택(10)으로 냉각수를 공급하는 펌프(21), 상기 스택(10)으로부터 나온 냉각수를 외기와 열교환시켜 냉각시키는 라디에이터(22), 상기 라디에이터(22)에 구비된 라디에이터 냉각팬(23), 상기 라디에이터(22)에서 나온 냉각수를 일시 저장하는 냉각수조(24), 상기 펌프, 상기 스택, 상기 라디에이터를 연결하고 냉각수를 안내하는 배관(25), 상기 스택(10)의 입구온도를 측정하는 스택 입구온도 센서(26), 상기 스택(10)의 출구온도를 측정하는 스택 출구온도 센서(27), 상기 라디에이터의 후단 온도를 측정하는 라디에이터 후단온도 센서(28), 상기 펌프(21)의 출구 압력을 측정하는 펌프 출구 압력 센서(미도시) 및 제어부(미도시)를 포함한다.
도 1에서 유량계(M)가 포함된 구성이나, 상기 유량계(M)의 설치는 선택 가능하다.
한편, 도 2 내지 도 9를 참조하여, 상기와 같이 구성된 열관리 시스템의 고장을 진단하는 방법에 대해 설명하면, 다음과 같다.
상기 고장을 진단하는 방법을 수행하는 주체는 상기 제어부(미도시)인 것도 가능하고, 상기 열관리 시스템의 고장을 진단하기 위한 진단 시스템의 컴퓨터(미도시)인 것도 가능하다.
먼저, 상기 열관리 시스템의 고장을 감지 및 진단하기 위한 인공 신경망을 학습시키는 학습단계를 수행한다.
상기 학습단계는, 상기 인공 신경망의 입력층과 출력층을 입력하여, 상기 인공 신경망의 은닉층을 구축하는 단계이다.
상기 입력층에 입력되는 입력변수는, 상기 열관리 시스템을 실험 운전하여 습득한 데이터를 사용한다.
이 때, 상기 스택의 정상 상태(Normal)에 대한 실험 운전 뿐만 아니라, 미리 설정된 고장 시나리오에 대한 실험 운전을 실시한다.
상기 고장 시나리오는, 상기 스택의 열화나 상기 열관리 시스템에서 발생되는 고장의 종류들에 대해 설정된다.
도 2는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 고장 시나리오의 예를 나타낸 테이블이다.
도 2를 참조하면, 상기 고장 시나리오(f,fault)는, 상기 스택의 열화 고장(f1)과 상기 열관리 시스템에서 발생되는 고장의 종류들(f2~f6)을 포함한다.
상기 고장의 종류들(f2~f6)은, 상기 펌프의 작동 중지 고장(f2), 상기 라디에이터 팬의 작동 중지 고장(f3), 상기 펌프의 열화 고장(f4), 상기 배관 막힘 고장(f5), 상기 라디에이터의 파울링 고장(f6)을 포함하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 스택의 출력이나 내구성에 영향을 줄 수 있는 고장이라면 포함시킬 수 있다.
상기 실험 운전 동안 측정된 데이터들은, 스택 전류(Im), 스택 전압(Vm), 스택 입구온도(Tm_stackinlet), 스택 출구온도(Tm_stackoutlet), 펌프 출구 압력(Rp), 라디에이터 냉각팬 제어값(Cm) 및 라디에이터 후단 온도(Tm_radiatoroutlet)를 포함한다. 다만, 이에 한정되지 않고, 상기 스택의 열화나 상기 고장의 종류들에 관련된 값들을 측정할 수 있다.
도 3은 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 인공 신경망의 입력 변수를 나타낸 테이블이다.
도 3을 참조하면, 상기 실험 운전 동안 측정된 데이터들은 잔차를 이용하여 표준화된다. 여기서, 잔차는 측정값(Vm, Tm, Pm, Cm)과 계산값(Vn, Tn, Pn, Cn)의 차이이며, 상기 잔차를 이용하여 데이터를 표준화할 수 있다. 다만, 스택 전류(Im)는, 측정값만을 이용한다.
상기 표준화된 데이터들(Rcurrent, Rvoltage, RT_stackinlet, RT_stackoutlet, RP, Rcontrol signal, RT_radiatoroutlet)은, 인공 신경망의 입력 변수(x1~x7)로 사용된다.
도 4는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 스택의 정상 상태, 스택의 열화 및 고장의 종류들에 대한 정답행렬을 나타낸 테이블이다.
도 4를 참조하면, 상기 출력층에 입력되는 출력변수는, 상기 스택의 정상 상태(Normal), 상기 스택의 열화(f1) 및 상기 고장의 종류들(f2 내지 f6)에 대한 정답행렬을 사용한다. 상기 정답행렬은 사용자나 관리자에 의해 설정된다.
상기 정답행렬의 설정시, 상기 연료전지의 출력 및 내구에 중요한 결함을 일으키는 고장(Hard fault)인 경우 이진값으로 설정한다. 여기서, 상기 펌프의 작동 중지 고장(f2)와 상기 라디에이터 팬의 작동 중지 고장(f3)은 중요한 결함을 일으키는 고장인 것으로 예를 들어 설명한다. 따라서, 상기 펌프의 작동 중지 고장(f2)와 상기 라디에이터 팬의 작동 중지 고장(f3)에 대한 각 정답행렬(y1~y7)의 값은 이진값으로 설정하는 것으로 예를 들어 설명한다.
상기 정답행렬 중 상기 스택의 정상 상태(Normal)에 대한 출력값(y1)은 1 또는 ??1로 설정된다. 상기 스택의 정상 상태(Normal)일 때는 y1은 1이고, y2는 1이고, y3 내지 y7은 ??1인 것으로 설정한다. 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y1의 값이 1이 아니면, 상기 스택이 정상 상태가 아니라고 진단할 수 있다.
상기 정답행렬 중 상기 펌프의 작동 중지 고장(f2)에 대한 출력값(y3)은 ??1 또는 1로 설정한다. 상기 펌프의 작동 중지 고장(f2)일 때, 상기 펌프의 작동 중지 고장(f2)에 대한 y3의 값은 1로 설정하고, 상기 펌프의 작동 중지 고장(f2)이 아닐때 y3의 값은 ??1로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y3의 값이 1이면, 상기 펌프의 작동 중지 고장(f2)라고 진단할 수 있다.
상기 정답행렬 중 상기 라디에이터 팬의 작동 중지 고장(f3)에 대한 출력값(y4)은 ??1 또는 1로 설정한다. 상기 라디에이터 팬의 작동 중지 고장(f3)일 때, 상기 라디에이터 팬의 작동 중지 고장(f3)에 대한 y4의 값은 1로 설정하고, 상기 라디에이터 팬의 작동 중지 고장(f3)이 아닐때 y4의 값은 ??1로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y4의 값이 1이면, 상기 라디에이터 팬의 작동 중지 고장(f3)이라고 진단할 수 있다.
한편, 상기 스택의 열화(f1) 또는 점차적인 고장(soft fault)의 경우 정량적인 값으로 파악해야하므로 연속값을 정답행렬로 설정한다. 여기서, 상기 스택의 열화(f1), 상기 펌프의 열화 고장(f4), 상기 배관 막힘 고장(f5), 상기 라디에이터의 파울링 고장(f6)이 상기 점차적인 고장인 것으로 예를 들어 설명한다.
상기 정답행렬 중 상기 스택의 열화(f1)에 대한 출력값(y2)은 1 또는 0.85 내지 1로 설정한다. 상기 스택의 열화(f1)일 때 y2의 값은 0.85 내지 1로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y2의 값이 0.85 내지 1이면, 상기 스택의 열화(f1)라고 진단할 수 있다.
상기 정답행렬 중 상기 펌프의 열화 고장(f4)에 대한 출력값(y5)은 ??1 또는 또는 0.2 내지 0.5인 것으로 설정한다. 상기 펌프의 열화 고장(f4)일 때, y5의 값이 0.2 내지 0.5로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y5의 값이 0.2 내지 0.5이면, 상기 펌프의 열화 고장(f4)이라고 진단할 수 있다.
상기 정답행렬 중 상기 배관 막힘 고장(f5)에 대한 출력값(y6)은 ??1 또는 또는 0.2 내지 0.6인 것으로 설정한다. 상기 배관 막힘 고장(f5)일 때, 상기 정답행렬 중 y6의 값이 0.2 내지 0.6으로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y6의 값이 0.2 내지 0.6이면, 상기 배관 막힘 고장(f5)라고 진단할 수 있다.
상기 정답행렬 중 상기 라디에이터의 파울링 고장(f6)에 대한 출력값(y7)은 ??1 또는 0.2 내지 0.7인 것으로 설정한다. 상기 라디에이터의 파울링 고장(f6)일 때, 상기 정답행렬 중 y7의 값이 0.2 내지 0.7로 설정한다. 따라서, 추후 실제 운전시 상기 인공 신경망으로부터 출력된 출력 행렬 중 y7의 값이 0.2 내지 0.7이면, 상기 라디에이터의 파울링 고장(f7)이라고 진단할 수 있다.
상기와 같이 설정된 상기 정답행렬은, 상기 인공 신경망의 출력 변수로 사용한다.
상기 학습단계에서는, 상기 입력 변수와 상기 출력 변수를 입력하여 상기 인공 신경망을 학습시킨다. 여기서, 상기 인공 신경망의 입력 변수(x1~x7)는, 상기 스택 전압, 상기 스택 입구 온도, 상기 스택 출구온도, 상기 펌프 출구 압력상기 라디에이터 냉각팬 제어값 및 상기 라디에이터 후단 온도를 표준화한 데이터들(Rcurrent, Rvoltage, RT_stackinlet, RT_stackoutlet, RP, Rcontrol signal, RT_radiatoroutlet)이다. 상기 인공 신경망의 출력 변수(y1~y7)는, 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 정답 행렬이다.
도 5는 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 사용되는 멀티 태스크 인공 신경망의 일 예이고, 도 6은 도 1에 도시된 열관리 시스템의 고장 진단 방법에서 사용되는 싱글 태스크 인공 신경망의 일 예이다.
도 5에 도시된 바와 같이, 하나의 인공 신경망으로 모든 출력 값들을 한번에 출력하는 것도 가능하고, 도 6에 도시된 바와 같이 하나의 출력 값에 대해 하나의 인공 신경망을 사용하여, 복수의 인공 신경망을 사용하는 것도 가능하다.
상기 입력 변수를 입력층으로 입력하고, 상기 출력 변수를 출력층으로 입력하여 상기 인공 신경망을 학습시키면, 상기 인공 신경망의 은닉층이 형성된다. 따라서, 상기 스택의 정상 상태와 상기 스택의 열화와 상기 열관리 시스템의 고장의 종류들을 진단할 수 있는 인공 신경망을 구축할 수 있다.
상기 학습단계에서 상기 인공 신경망의 학습이 완료되면, 상기 열관리 시스템의 실제 운전시 상기 인공 신경망을 활용하여 고장을 감지하고 고장의 종류를 진단할 수 있다.
상기 열관리 시스템의 실제 운전시, 실시간으로 데이터들을 측정하고, 측정된 데이터들을 상기 인공 신경망의 입력 변수로 입력하여, 상기 인공 신경망으로부터 상기 스택의 정상 상태(Normal), 상기 스택의 열화(f1) 및 상기 고장의 종류들(f2~f6)에 대한 출력 행렬을 산출하는 출력행렬 산출단계를 수행한다.
상기 데이터들은, 상기 스택 전류, 상기 스택 전압, 상기 스택 입구 온도, 상기 스택 출구온도, 상기 펌프 출구 압력, 상기 라디에이터 냉각팬 제어값 및 상기 라디에이터 후단 온도를 포함한다. 상기 데이터들은 미리 설정된 설정 시간 간격으로 측정가능하다.
상기에서 측정된 데이터들은 표준화 과정을 거쳐 표준화시킨다. 상기 실제 운전 동안 측정된 데이터들을 표준화시키는 방법은 상기 실험 운전시 측정된 데이터들을 표준화시키는 방법과 동일하다.
상기 표준화된 데이터들을 상기 인공 신경망의 입력 변수(x1~x7)로 입력하면, 상기 인공 신경망으로부터 상기 스택의 정상 상태(Normal), 상기 스택의 열화(f1) 및 상기 고장의 종류들(f2~f6)에 대한 출력행렬들(y1~y7)을 산출할 수 있다.
상기 출력행렬들(y1~y7)이 산출되면, 상기 출력행렬들(y1~y7)의 값으로부터 고장의 발생유무를 판단하는 고장 유무 판단단계를 수행한다.
상기 고장 유무 판단단계에서는, 상기 출력행렬들(y1~y7)을 상기 정답행렬들과 비교한다.
먼저, 상기 출력행렬들(y1~y7) 중에서 상기 스택의 정상 상태(Normal)에 대한 출력값을 미리 설정된 스택 정상 임계값과 비교한다.
상기 스택의 정상 상태(Normal)에 대한 출력값이 상기 스택 정상 임계값을 벗어나면, 상기 스택이 정상 상태가 아니므로 고장이 발생되었다고 판단할 수 있다. 여기서, 상기 스택 정상 임계값은, 상기 학습단계에서 설정된 상기 스택의 정상 상태에 따른 정답행렬 중 y1의 값인 1에 대한 허용 오차 범위로 설정된 것으로 예를 들어 설명한다. 예를 들어, 1에 대한 허용 오차 범위는 0.8 내지 1.2 범위일 수 있다. 다만, 이에 한정되지 않고, 상기 스택 정상 임계값은, 범위가 아닌 하나의 값으로 설정되는 것도 물론 가능하다.
따라서, 상기 고장 유무 판단단계에서는, 상기 스택의 정상 상태에 대한 출력행렬들(y1~y7) 중 y1의 값이 1이 아니면, 상기 스택이 정상 상태가 아니라 고장이 발생하였다고 판단한다.
상기 고장 유무 판단단계에서 고장이 발생하였다고 판단되면, 어떤 고장이 발생하였는지 진단하는 고장 진단단계를 수행한다.
상기 고장 진단단계에서는, 상기 출력행렬 산출단계에서 산출된 상기 출력행렬들 중에서 상기 스택의 열화(f1)에 대한 출력값(y2)과 상기 고장의 종류들(f2~f6)에 대한 출력값(y3~y7)을 미리 설정된 고장 임계값과 비교한다.
즉, 상기 출력행렬들 중에서 상기 스택의 열화(f1)에 대한 출력값(y2)을 상기 스택의 열화에 대해 미리 설정된 고장 임계값과 비교한다. 여기서, 상기 스택의 열화에 대한 고장 임계값은, 상기 스택의 열화에 대한 정답행렬의 값인 1로 설정된다.
상기 스택의 열화(f1)에 대한 출력값(y2)이 상기 스택의 열화에 대한 정답행렬의 값인 1이면, 상기 스택의 열화가 발생하지 않았다고 판단할 수 있다.
상기 스택의 열화(f1)에 대한 출력값(y2)이 0.85 내지 1이면, 상기 스택의 열화가 발생하였다고 판단할 수 있다.
또한, 상기 출력행렬들 중에서 상기 고장의 종류들에 따라 각각 설정된 고장 임계값과 비교한다. 여기서, 상기 고장의 종류들에 따라 각각 설정된 고장 임계값은, 상기 고장의 종류들에 따라 각각 다르게 설정된 정답행렬의 값인 것으로 설명한다. 다만, 이에 한정되지 않고, 상기 고장의 종류들에 따른 고장 임계값은, 상기 고장의 종류들에 따라 각각 다르게 설정된 정답행렬의 값의 허용 오차 범위로 설정되는 것도 물론 가능하다.
상기 고장의 종류들에 대한 출력값들 중에서 어느 하나의 특정 고장에 대한 정답행렬의 값이면, 상기 특정 고장이 발생하였다고 판단할 수 있다.
또한, 상기 고장의 종류들에 대한 출력값들 중에서 어느 하나의 특정 고장에 대한 정답행렬의 값으로 점차 수렴하는 경향을 보이면, 상기 특정 고장이 발생할 수 있다고 예측할 수도 있다.
도 8은 본 발명의 실시예에 따른 연료전지 열관리 시스템에서 라디에이터 팬 작동 중지 고장이 발생될 경우 출력 패턴의 예를 나타낸 도면이다.
도 8을 참조하면, 상기 인공신경망을 통해 출력된 출력값들(y1~y7)을 나타내는 바, 도 7에 도시된 정답행렬의 출력 패턴과 비교하여 고장의 유무를 판단하고 고장의 종류를 진단할 수 있다.
도 8을 참조하면, 상기 인공신경망을 통해 출력된 출력값들(y1~y7) 중에서 상기 스택의 정상 상태를 나타내는 출력값인 y1의 값이 ??1로 수렴하는 것을 알 수 있다.
상기 스택의 정상 상태를 나타내는 출력값인 y1의 값이 ??1로 점차 수렴하면, 상기 스택 정상 임계값인 1을 벗어났으므로, 고장이 발생하였다고 진단할 수 있다.
상기 고장이 발생하였다고 판단되면, y1을 제외한 다른 값들 중에서 나머지 출력값들을 상기 정답행렬의 값들과 비교한다.
상기 y1을 제외한 다른 값들 중에서 상기 라디에이터 팬 작동 중지 고장(f3)에 대한 y4의 값이 0.5 부근으로 수렴하는 것을 알 수 있다.
상기 라디에이터 팬 작동 중지 고장(f3)에 대한 y4의 값은 ??1이어야 정상인 바, 시간이 지날수록 -1 이상으로 점차 상승하여 0.5부근까지 상승하는 것을 알 수 있다. 즉, 상기 라디에이터 팬 작동 중지 고장(f3)에 대한 y4의 값이 1은 아니지만, 점차 상승하는 추세이므로 상기 라디에이터 팬 작동 중지 고장이 발생하지 않더라도 고장 전에 미리 예측할 수 있다.
따라서, 상기 열관리 시스템의 실제 운전시, 상기 인공신경망을 통해 출력된 출력값들(y1~y7)로부터 고장이 발생할 수 있으며, 발생된 고장은 라디에이터 팬 작동 중지 고장이라고 진단할 수 있다.
도 9는 본 발명의 실시예에 따른 연료전지 열관리 시스템에서 배관 막힘 고장이 발생될 경우 출력 패턴의 예를 나타낸 도면이다.
도 9는 상기 인공신경망을 통해 출력된 출력값들(y1~y7)을 나타내는 바, 도 7에 도시된 정답행렬의 출력 패턴과 비교하여 고장의 유무를 판단하고 고장의 종류를 진단할 수 있다.
도 9를 참조하면, 상기 인공신경망을 통해 출력된 출력값들(y1~y7) 중에서 상기 스택의 정상 상태를 나타내는 출력값인 y1의 값이 ??1인 것을 알 수 있다.
상기 스택의 정상 상태를 나타내는 출력값인 y1의 값이 ??1이므로, 고장이 발생하였다고 판단한다.
상기 고장이 발생하였다고 판단되면, y1을 제외한 다른 값들 중에서 나머지 출력값들을 상기 정답행렬의 값들과 비교한다.
상기 y1을 제외한 다른 값들 중에서 상기 배관 막힘 고장(f5)에 대한 y6의 값이 0.2 내지 0.5인 것을 알 수 있다.
상기 배관 막힘 고장(f5)에 대한 y6의 값은 ??1이어야 정상인 바, 시간이 지날수록 -1 이상으로 점차 상승하여 0.2 내지 0.5의 범위로 상승하는 것을 알 수 있다.
여기서, 상기 스택의 열화(f1)에 대한 y2의 값도 정상 임계값인 1 미만으로 떨어진 것을 알 수 있다. 따라서, 상기 스택의 열화도 진행 중인 것으로 판단할 수 있다.
따라서, 상기 열관리 시스템의 실제 운전시, 상기 인공신경망을 통해 출력된 출력값들(y1~y7)로부터 고장이 발생하였으며, 발생된 고장은 상기 배관 막힘 고장(f5)이라고 진단할 수 있다.
상기에서는 상기 라디에이터 팬 작동 중지 고장(f3)과 상기 배관 막힘 고장(f6)을 진단하는 것을 예를 들어 설명하였으나, 이와 같은 방법으로 나머지 고장들에 대한 진단도 가능하다.
한편, 상기 고장 유무 판단단계에서 상기 스택의 정상 상태(Normal)에 대한 출력값이 상기 스택 정상 임계값을 벗어나지 않으면, 상기 스택은 정상 상태이고 고장이 발생하지 않았다고 판단할 수 있다.
상기와 같이 본 발명에서는, 고장의 유무 뿐만 아니라 어떤 고장이 발생하였는지를 알 수 있다. 또한, 어떤 고장이 발생할 수 있는지도 미리 예측할 수 있다.
특히, 상기 스택의 열화 정도를 실시간으로 파악 가능하므로, 스택의 변화 특성을 고려하여 고장 감지 및 진단이 가능하다. 즉, 종래에는 스택의 열화 발생시 스택의 열화에 따라 증가한 폐열을 방출하기 위해 라디에이터 팬의 제어값이 상승하더라도 라디에이터 파울링 고장으로 오진단하였으나, 본 발명에서는 스택의 열화를 함께 진단하기 때문에 오진단을 줄일 수 있다.
또한, 인공 신경망 모델을 통해 여러가지 고장들을 모두 감지 및 진단할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10: 스택 21: 펌프
22: 라디에이터

Claims (9)

  1. 스택으로 냉각수를 공급하는 펌프와, 상기 스택으로부터 나온 냉각수를 외기와 열교환시켜 냉각시키는 라디에이터와, 상기 펌프, 상기 스택 및 상기 라디에이터를 연결하는 배관을 포함하는 연료전지 열관리 시스템의 고장 진단 방법에 있어서,
    상기 스택의 열화와 상기 열관리 시스템에서 발생되는 고장의 종류들에 대한 고장 시나리오를 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오에 대한 실험 운전을 실시하여, 스택 전류, 스택 전압, 스택 입구 온도, 스택 출구온도, 펌프 출구 압력, 라디에이터 냉각팬 제어값 및 라디에이터 후단 온도에 대한 데이터를 측정하고, 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 정답행렬을 설정하고, 상기 데이터를 입력 변수로 하고, 상기 정답행렬을 출력 변수로 하여, 인공 신경망을 학습시키는 학습단계와;
    상기 열관리 시스템의 실제 운전시, 상기 스택 전류, 상기 스택 전압, 상기 스택 입구 온도, 상기 스택 출구온도, 상기 펌프 출구 압력, 상기 라디에이터 냉각팬 제어값 및 상기 라디에이터 후단 온도를 포함한 데이터들을 설정 시간 간격으로 측정하고, 측정된 데이터들을 상기 인공 신경망의 입력 변수로 입력하여, 상기 인공 신경망으로부터 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 출력 행렬을 산출하는 출력행렬 산출단계와;
    상기 출력행렬들 중에서 상기 스택의 정상 상태에 대한 출력값이 미리 설정된 스택 정상 임계값을 벗어나면, 고장이 발생하였다고 판단하는 고장 유무 판단단계와;
    상기 고장이 발생하였다고 판단되면, 상기 출력행렬들 중에서 상기 스택의 열화와 상기 고장의 종류들에 대한 각 출력값을 상기 스택의 열화와 상기 고장의 종류들에 따라 각각 설정된 고장 임계값과 비교하여, 상기 스택의 열화 또는 상기 고장의 종류들을 진단하는 고장 진단단계를 포함하는 연료전지 열관리 시스템의 고장 진단 방법.
  2. 청구항 1에 있어서,
    상기 고장의 종류는,
    상기 펌프의 작동 중지 고장, 상기 라디에이터 팬의 작동 중지 고장, 상기 펌프의 열화 고장, 상기 배관 막힘 고장 및 상기 라디에이터의 파울링 고장 중 적어도 하나를 포함하는 연료전지 열관리 시스템의 고장 진단 방법.
  3. 청구항 2에 있어서,
    상기 정답행렬 설정단계에서는,
    상기 펌프의 작동 중지 고장 및 상기 라디에이터 팬의 작동 중지 고장에 대한 각 정답행렬의 값은 이진값으로 생성하고,
    상기 스택의 열화, 상기 펌프의 열화 고장, 상기 배관 막힘 고장 및 상기 라디에이터의 파울링 고장에 대한 각 정답행렬의 값은 소정의 범위로 생성하는 연료전지 열관리 시스템의 고장 진단 방법.
  4. 청구항 1에 있어서,
    상기 고장 진단단계에서는,
    상기 스택의 열화에 대한 출력값이 상기 스택의 열화에 대한 고장 임계값에 점차 수렴하면,
    상기 스택의 열화가 발생할 수 있다고 예측하는 연료전지 열관리 시스템의 고장 진단 방법.
  5. 청구항 4에 있어서,
    상기 고장 진단단계에서는,
    상기 스택의 열화에 대한 고장 임계값은 상기 스택의 열화에 대한 정답행렬의 값을 포함하는 연료전지 열관리 시스템의 고장 진단 방법.
  6. 청구항 1에 있어서,
    상기 고장 진단단계에서는,
    상기 고장의 종류들에 대한 출력값들 중에서 어느 하나의 특정 고장에 대한 정답행렬의 값에 점차 수렴하면,
    상기 고장은 상기 특정 고장이 발생할 수 있다고 예측하는 연료전지 열관리 시스템의 고장 진단 방법.
  7. 청구항 6에 있어서,
    상기 고장의 종류들에 대한 각 고장 임계값은 상기 고장의 종류들에 따라 다르게 설정된 상기 정답행렬의 값을 포함하는 연료전지 열관리 시스템의 고장 진단 방법.
  8. 청구항 1에 있어서,
    상기 스택 정상 임계값은,
    상기 스택의 정상 상태에 따라 설정된 상기 정답행렬의 값에 대한 허용 오차 범위로 설정된 연료전지 열관리 시스템의 고장 진단 방법.
  9. 스택으로 냉각수를 공급하는 펌프와, 상기 스택으로부터 나온 냉각수를 외기와 열교환시켜 냉각시키는 라디에이터와, 상기 펌프, 상기 스택 및 상기 라디에이터를 연결하는 배관을 포함하는 연료전지 열관리 시스템의 고장 진단 방법에 있어서,
    상기 스택의 열화와 상기 열관리 시스템에서 발생되는 고장의 종류들에 대한 고장 시나리오를 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오에 대한 실험 운전을 실시하여, 스택 전류, 스택 전압, 스택 입구 온도, 스택 출구온도, 펌프 출구 압력, 라디에이터 냉각팬 제어값 및 라디에이터 후단 온도에 대한 데이터를 측정하고, 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 정답행렬을 설정하고, 상기 데이터를 입력 변수로 하고, 상기 정답행렬을 출력 변수로 하여, 인공 신경망을 학습시키는 학습단계와;
    상기 열관리 시스템의 실제 운전시, 상기 스택 전류, 상기 스택 전압, 상기 스택 입구 온도, 상기 스택 출구온도, 상기 펌프 출구 압력, 상기 라디에이터 냉각팬 제어값 및 상기 라디에이터 후단 온도를 포함한 데이터들을 설정 시간 간격으로 측정하고, 측정된 데이터들을 상기 인공 신경망의 입력 변수로 입력하여, 상기 인공 신경망으로부터 상기 스택의 정상 상태, 상기 스택의 열화 및 상기 고장의 종류들에 대한 출력 행렬을 산출하는 출력행렬 산출단계와;
    상기 출력행렬들 중에서 상기 스택의 정상 상태에 대한 출력값이 미리 설정된 스택 정상 임계값을 벗어나면, 고장이 발생하였다고 판단하는 고장 유무 판단단계와;
    상기 고장이 발생하였다고 판단되면, 상기 스택의 열화에 대한 출력값이 상기 스택의 열화에 대해 설정된 상기 정답행렬의 값에 수렴하면, 상기 스택의 열화가 발생하였다고 판단하고, 상기 고장의 종류들에 대한 출력값들 중에서 어느 하나의 특정 고장에 대한 정답행렬의 값에 수렴하면, 상기 고장은 상기 특정 고장이라고 판단하는 고장 진단단계를 포함하고,
    상기 고장의 종류는,
    상기 펌프의 작동 중지 고장, 상기 라디에이터 팬의 작동 중지 고장, 상기 펌프의 열화 고장, 상기 배관 막힘 고장 및 상기 라디에이터의 파울링 고장을 포함하고,
    상기 정답행렬의 값은 상기 고장의 종류들에 따라 다르게 설정된 연료전지 열관리 시스템의 고장 진단 방법.
KR1020190093648A 2019-08-01 2019-08-01 연료전지 열관리 시스템의 고장 진단 방법 KR102046536B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190093648A KR102046536B1 (ko) 2019-08-01 2019-08-01 연료전지 열관리 시스템의 고장 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190093648A KR102046536B1 (ko) 2019-08-01 2019-08-01 연료전지 열관리 시스템의 고장 진단 방법

Publications (1)

Publication Number Publication Date
KR102046536B1 true KR102046536B1 (ko) 2019-11-19

Family

ID=68771102

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190093648A KR102046536B1 (ko) 2019-08-01 2019-08-01 연료전지 열관리 시스템의 고장 진단 방법

Country Status (1)

Country Link
KR (1) KR102046536B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112421081A (zh) * 2020-11-17 2021-02-26 电子科技大学 适用于多电堆燃料电池系统的传感器故障的分布式故障检测方法
KR102234401B1 (ko) * 2020-09-02 2021-04-01 이길호 파워 스택 유지 관리 방법 및 장치
CN114744240A (zh) * 2022-04-20 2022-07-12 骆驼集团武汉光谷研发中心有限公司 一种燃料电池热管理系统的控制方法及装置
KR20230160424A (ko) * 2022-05-16 2023-11-24 울산대학교 산학협력단 멀티 세트의 하이브리드 전원에 의해 구동되는 전기 트램의 에너지 관리 시스템

Citations (4)

* Cited by examiner, † Cited by third party
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
US20180198143A1 (en) * 2017-01-06 2018-07-12 General Electric Company Systems and methods for distributed fault management in fuel cell systems
US20180257503A1 (en) * 2017-03-08 2018-09-13 A3 Labs LLC Energy source supply systems, energy source supply devices, and related methods
JP2019521491A (ja) * 2016-09-26 2019-07-25 エルジー・ケム・リミテッド 人工知能型燃料電池システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
JP2019521491A (ja) * 2016-09-26 2019-07-25 エルジー・ケム・リミテッド 人工知能型燃料電池システム
US20180198143A1 (en) * 2017-01-06 2018-07-12 General Electric Company Systems and methods for distributed fault management in fuel cell systems
KR20180081449A (ko) 2017-01-06 2018-07-16 제네럴 일렉트릭 컴퍼니 연료 전지 시스템에서의 분산 결함 관리를 위한 시스템 및 방법
US20180257503A1 (en) * 2017-03-08 2018-09-13 A3 Labs LLC Energy source supply systems, energy source supply devices, and related methods

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102234401B1 (ko) * 2020-09-02 2021-04-01 이길호 파워 스택 유지 관리 방법 및 장치
CN112421081A (zh) * 2020-11-17 2021-02-26 电子科技大学 适用于多电堆燃料电池系统的传感器故障的分布式故障检测方法
CN112421081B (zh) * 2020-11-17 2022-03-15 电子科技大学 适用于多电堆燃料电池系统的传感器故障的分布式故障检测方法
CN114744240A (zh) * 2022-04-20 2022-07-12 骆驼集团武汉光谷研发中心有限公司 一种燃料电池热管理系统的控制方法及装置
KR20230160424A (ko) * 2022-05-16 2023-11-24 울산대학교 산학협력단 멀티 세트의 하이브리드 전원에 의해 구동되는 전기 트램의 에너지 관리 시스템
KR102656116B1 (ko) 2022-05-16 2024-04-12 울산대학교 산학협력단 멀티 세트의 하이브리드 전원에 의해 구동되는 전기 트램의 에너지 관리 시스템

Similar Documents

Publication Publication Date Title
KR102046536B1 (ko) 연료전지 열관리 시스템의 고장 진단 방법
US9859579B2 (en) Apparatus and method for diagnosing failure of air supply system of fuel cell system
KR101065767B1 (ko) 성능저하 및 고장원인 조기 진단방법
EP1377950B1 (en) System, apparatus and method for diagnosing a flow system
CN111176406B (zh) 液冷服务器及其故障诊断的方法和装置、保护方法和装置
JP2011099850A (ja) 流体バルブ漏れ検出のための方法およびシステム
KR101698385B1 (ko) 데이터 마이닝을 이용한 타워크레인 고장예측방법
JP2004240642A (ja) プラント機器の保守支援装置
EP4113539A1 (en) Method and system for intelligent monitoring of state of nuclear power plant
KR102073537B1 (ko) 리스크 평가 장치, 리스크 평가 시스템, 리스크 평가 방법 및 리스크 평가 프로그램
KR101094074B1 (ko) 성능저하 및 고장원인 조기 진단을 위한 알고리즘 분석모델 제작방법
US20110153035A1 (en) Sensor Failure Detection System And Method
Du et al. Active fault isolation of nonlinear process systems
JP7008098B2 (ja) 燃料電池システムの多段階故障診断方法及び装置
WO2019049521A1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、リスク評価プログラム、及び、データ構造
KR102231125B1 (ko) 연료전지 시스템의 다단계 고장 진단 방법 및 장치
KR102115268B1 (ko) 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법
US8473146B2 (en) Method of managing malfunctions of a modular-architecture control system of a motor vehicle power plant and corresponding control system
CN113571742A (zh) 燃料电池热管理系统故障诊断方法及装置
Barbini et al. Embedding diagnosability of complex industrial systems into the design process using a model-based methodology
CN114142069A (zh) 一种基于燃料电池健康状态评估的在线监控装置及方法
KR102314800B1 (ko) 연료전지 bop시스템 평가장치
KR20220117681A (ko) 연료전지 열관리 시스템 고장 검출 및 부품 별 고장 진단 방법
JP6482742B1 (ja) リスク評価装置、リスク評価システム、リスク評価方法、及び、リスク評価プログラム
Ohman Discrete sensor validation with multilevel flow models

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant