KR102115268B1 - 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법 - Google Patents

고장 심각도에 기반한 연료전지 시스템의 고장 진단방법 Download PDF

Info

Publication number
KR102115268B1
KR102115268B1 KR1020200011957A KR20200011957A KR102115268B1 KR 102115268 B1 KR102115268 B1 KR 102115268B1 KR 1020200011957 A KR1020200011957 A KR 1020200011957A KR 20200011957 A KR20200011957 A KR 20200011957A KR 102115268 B1 KR102115268 B1 KR 102115268B1
Authority
KR
South Korea
Prior art keywords
fault
failure
artificial neural
fuel
group
Prior art date
Application number
KR1020200011957A
Other languages
English (en)
Inventor
김민수
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 KR1020200011957A priority Critical patent/KR102115268B1/ko
Application granted granted Critical
Publication of KR102115268B1 publication Critical patent/KR102115268B1/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
    • H01M8/04313—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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • G06N3/0454—
    • 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
    • H01M8/04298—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
    • H01M8/04686—Failure or abnormal function of auxiliary devices, e.g. batteries, capacitors
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Sustainable Development (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명에 따른 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법은, 고장 심각도가 다른 복수의 고장군들을 각각 진단하도록 복수의 인공 신경망들을 설계하고 학습함으로써, 고장 심각도가 높은 고장을 우선적으로 진단할 수 있으며, 그에 따른 신속한 후속 조치도 가능한 이점이 있다. 또한, 고장 심각도가 다른 복수의 고장군들을 각각 진단하도록 민감도가 각각 다르게 생성된 복수의 인공 신경망들을 이용함으로써, 각 고장군마다 최적화된 인공 신경망을 통해 고장을 진단할 수 있으므로 보다 정확한 진단이 가능하다.

Description

고장 심각도에 기반한 연료전지 시스템의 고장 진단방법{Fuel cell system fault diagnosis method based on fault severity}
본 발명은 연료전지 시스템의 고장 진단방법에 관한 것으로서, 보다 상세하게는 민감도가 다르게 학습된 복수의 인공 신경망들을 이용하여 고장 심각도에 따라 단계적으로 진단할 수 있는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법에 관한 것이다.
일반적으로 연료전지 시스템의 고장 진단방법은 특정 센서의 값을 추적하여 센서에서 측정한 값이 임계 범위를 벗어나면 고장으로 진단하였다.
최근에는 기계학습에 기반하여 여러가지 고장 상태를 학습시키고 실제 상황에서 유사도를 분석하여 고장을 진단하는 방법이 사용되고 있다.
그러나, 종래의 고장 진단 방법은 고장 유무만을 판단할 뿐이므로, 후속 조치의 경중을 고려한 고장 진단이 이루어지지 않는 문제점이 있다.
한국공개특허 제2003-0095350호
본 발명의 목적은, 고장 심각도에 따라 단계별로 고장군을 분류하여 진단할 수 있는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법을 제공하는 데 있다.
본 발명에 따른 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법은, 스택으로 공기를 공급하는 공기 공급부, 상기 스택으로 연료를 공급하는 연료 공급부 및 상기 스택을 냉각시키는 열 관리부를 포함하는 연료전지 시스템의 고장 진단 방법에 있어서, 상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 상기 정상 상태와 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한 시뮬레이션 데이터를 수집하고 잔차 데이터(Residual data)를 정리하여 표준화하는 데이터 수집 단계와; 상기 고장 시나리오들을 미리 설정된 고장 심각도에 따라 복수의 고장군들로 분류하고, 상기 복수의 고장군들에 대한 각각의 잔차 데이터를 입력 변수로 하고 상기 복수의 고장군들을 출력 변수로 학습시켜 상기 고장 심각도가 다른 고장군을 각각 진단하는 복수의 인공 신경망들을 생성하는 인공 신경망 생성단계와; 상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 계측 정보와 제어 정보를 포함한 실운전 데이터들을 상기 복수의 인공 신경망들에 입력하여, 상기 복수의 인공 신경망들로부터 상기 고장 심각도가 가장 높은 고장군을 우선적으로 진단하는 고장 진단단계를 포함한다.
상기 복수의 인공 신경망들은, 상기 고장 심각도가 가장 높게 설정된 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들을 입력시 상기 제1고장군을 진단하는 제1인공 신경망과, 상기 제1고장군보다 상기 고장 심각도가 낮게 설정된 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들을 입력시 상기 제2고장군을 진단하는 제2인공 신경망과, 상기 제2고장군보다 상기 고장 심각도가 낮게 설정된 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 제2정상 상태로 분류된 데이터들을 입력시 상기 제3고장군을 진단하는 제3인공 신경망을 포함한다.
상기 복수의 고장군들은, 공기 압축기, 연료 블로어, 냉각수 펌프 및 라디에이터 팬 중 적어도 하나의 작동 중지 고장 및 연료 부족을 포함하여 상기 연료전지 시스템의 운전이 중단되어야 한다고 분류된 중대한 고장(Critical faults)들을 포함하는 제1고장군과, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 성능 저하 고장, 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장, 연료 퍼지 밸브 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 없다고 분류된 제어 불가 고장들을 포함하는 제2고장군과, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 열화 고장, 관막힘(Clogging), 센서 고장, 파울링(Fauling) 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 있다고 분류된 제어 가능 고장들을 포함하는 제3고장군을 포함한다.
상기 복수의 인공 신경망들은, 상기 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1고장군을 진단하는 제1인공 신경망과, 상기 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들로부터 상기 제2고장군을 진단하는 제2인공 신경망과, 상기 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 상기 제2정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제3인공 신경망을 포함한다.
상기 복수의 인공 신경망들은, 상기 제1,2고장군들과 상기 제1,2고장군들이 아닌 정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1,2고장군들을 진단하는 제1인공 신경망과, 상기 제3고장군과 상기 제3고장군이 아닌 정상상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제2인공 신경망을 포함한다.
상기 고장 진단단계에서는, 상기 실운전 데이터들을 상기 복수의 인공 신경망들에 순차적으로 입력하여, 상기 고장 심각도가 높은 고장군들을 우선적으로 진단한다.
상기 고장 진단단계에서는, 상기 실운전 데이터들을 상기 복수의 인공 신경망들에 동시에 통과시키고, 상기 복수의 인공 신경망들에서 각각 진단한 고장 상태 중에서 상기 고장 심각도가 보다 높은 고장군에 대한 인공 신경망에서 진단한 고장 상태를 우선적으로 출력한다.
상기 공기 공급부에 대한 계측 정보와 제어 정보는, 공기 블로어와 공기 압축기 중 어느 하나의 제어값, 공기 유량계의 유량값, 공기 압력계의 압력값, 스택 공기 입구 온도, 스택 공기 출구 온도 중 적어도 하나를 포함한다.
상기 연료 공급부에 대한 계측 정보와 제어 정보는, 연료 블로어와 연료 압축기 중 어느 하나의 제어값, 연료 유량계의 유량값, 연료 압력계의 압력값, 스택 연료 입구 온도, 스택 연료 출구 온도 중 적어도 하나를 포함한다.
상기 열 관리부에 대한 계측 정보와 제어 정보는, 냉각수 펌프의 제어값, 라디에이터 팬의 제어값, 스택 냉각수 입구 온도, 스택 냉각수 출구 온도 중 적어도 하나를 포함한다.
본 발명의 다른 측면에 따른 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법은, 스택으로 공기를 공급하는 공기 공급부, 상기 스택으로 연료를 공급하는 연료 공급부 및 상기 스택을 냉각시키는 열 관리부를 포함하는 연료전지 시스템의 고장 진단 방법에 있어서, 상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 상기 정상 상태와 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한 시뮬레이션 데이터를 수집하고 잔차 데이터(Residual dat)를 정리하여 표준화하는 데이터 수집 단계와; 상기 고장 시나리오들을 미리 설정된 고장 심각도에 따라 복수의 고장군들로 분류하고, 상기 복수의 고장군들에 대한 각각의 잔차 데이터를 입력 변수로 하고 상기 복수의 고장군들을 출력 변수로 학습시켜 상기 고장 심각도가 다른 고장군을 각각 진단하는 복수의 인공 신경망들을 생성하는 인공 신경망 생성단계와; 상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 계측 정보와 제어 정보를 포함한 실운전 데이터들을 상기 복수의 인공 신경망들에 입력하여, 상기 복수의 인공 신경망들로부터 상기 고장 심각도가 가장 높은 고장군을 우선적으로 진단하는 고장 진단단계를 포함하고, 상기 복수의 고장군들은, 공기 압축기, 연료 블로어, 냉각수 펌프 및 라디에이터 팬 중 적어도 하나의 작동 중지 고장 및 연료 부족을 포함하여 상기 연료전지 시스템의 운전이 중단되어야 한다고 분류된 중대한 고장(Critical faults)들을 포함하는 제1고장군과, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 성능 저하 고장, 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장, 연료 퍼지 밸브 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 없다고 분류된 제어 불가 고장들을 포함하는 제2고장군과, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 열화 고장, 관막힘(Clogging), 센서 고장, 파울링(Fauling) 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 있다고 분류된 제어 가능 고장들을 포함하는 제3고장군을 포함하고, 상기 복수의 인공 신경망들은, 상기 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1고장군을 진단하는 제1인공 신경망과, 상기 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들로부터 상기 제2고장군을 진단하는 제2인공 신경망과, 상기 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 상기 제2정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제3인공 신경망을 포함하고, 상기 공기 공급부에 대한 계측 정보와 제어 정보는, 공기 블로어와 공기 압축기 중 어느 하나의 제어값, 공기 유량계의 유량값, 공기 압력계의 압력값, 스택 공기 입구 온도, 스택 공기 출구 온도 중 적어도 하나를 포함하고, 상기 연료 공급부에 대한 계측 정보와 제어 정보는, 연료 블로어와 연료 압축기 중 어느 하나의 제어값, 연료 유량계의 유량값, 연료 압력계의 압력값, 스택 연료 입구 온도, 스택 연료 출구 온도 중 적어도 하나를 포함하고, 상기 열 관리부에 대한 계측 정보와 제어 정보는, 냉각수 펌프의 제어값, 라디에이터 팬의 제어값, 스택 냉각수 입구 온도, 스택 냉각수 출구 온도 중 적어도 하나를 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
본 발명에 따른 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법은, 고장 심각도가 다른 복수의 고장군들을 각각 진단하도록 복수의 인공 신경망들을 설계하고 학습함으로써, 고장 심각도가 높은 고장을 우선적으로 진단할 수 있으며, 그에 따른 신속한 후속 조치도 가능한 이점이 있다.
또한, 고장 심각도가 다른 복수의 고장군들을 각각 진단하도록 민감도가 각각 다르게 생성된 복수의 인공 신경망들을 이용함으로써, 각 고장군마다 최적화된 인공 신경망을 통해 고장을 진단할 수 있으므로 보다 정확한 진단이 가능하다.
도 1은 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 제1고장군에 대한 제1인공 신경망을 학습시키는 예를 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 제2고장군에 대한 제2인공 신경망을 학습시키는 예를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 제3고장군에 대한 제3인공 신경망을 학습시키는 예를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 제1,2,3인공 신경망에 실운전 데이터를 입력하여 고장을 진단하는 방법을 개략적으로 나타낸 블록도이다.
도 6은 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법에서 고장 심각도별 압력 변화와 온도 변화를 나타낸 그래프이다.
도 7은 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법에서 제1고장군의 고장별 진단 결과를 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다.
본 발명의 실시예에 따른 연료전지 시스템은, 스택으로 공기를 공급하는 공기 공급부(미도시)와, 상기 스택으로 연료를 공급하는 연료 공급부(미도시) 및 상기 스택을 냉각시키는 열 관리부(미도시)를 포함한다.
상기 공기 공급부는, 공기 블로어(미도시) 또는 공기 압축기(미도시), 공기 유량계, 공기 압력계, 스택 공기 입구 온도 센서, 스택 공기 출구 온도 센서 등을 포함한다.
상기 연료 공급부는, 연료 블로어 또는 연료 압축기, 연료 유량계, 연료 압력계, 스택 연료 입구 온도 센서, 스택 연료 출구 온도 센서 등을 포함한다.
상기 열 관리부는, 냉각수 펌프, 라디에이터, 라디에이터 팬, 스택 냉각수 입구 온도 센서, 스택 냉각수 출구 온도 센서 등을 포함한다.
도 2는 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법을 나타낸 순서도이다.
도 2를 참조하여, 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단 방법에 대해 설명하면, 다음과 같다.
여기서, 상기 고장을 진단하는 방법을 수행하는 주체는 상기 연료전지 시스템의 운전을 제어하는 제어부(미도시)인 것도 가능하고, 상기 연료전지 시스템의 고장을 진단하기 위한 진단 시스템의 컴퓨터(미도시)인 것도 가능하다.
먼저, 상기 공기 공급부(10), 상기 연료 공급부(20) 및 상기 열 관리부(30)에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 시뮬레이션 데이터를 수집하는 데이터 수집 단계를 수행한다.(S1)
상기 시뮬레이션 데이터는, 상기 정상 상태에 대한 계측 정보와 제어 정보, 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한다. 상기 시뮬레이션 데이터는 상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에 대한 계측 정보와 제어 정보를 포함한다.
상기 공기 공급부에 대한 계측 정보와 제어 정보는, 공기 블로어 또는 공기 압축기의 제어값, 공기 유량계의 유량값, 공기 압력계의 압력값, 스택 공기 입구 온도, 스택 공기 출구 온도 중 적어도 하나를 포함한다.
상기 연료 공급부에 대한 계측 정보와 제어 정보는, 연료 블로어와 연료 압축기 중 어느 하나의 제어값, 연료 유량계의 유량값, 연료 압력계의 압력값, 스택 연료 입구 온도, 스택 연료 출구 온도 중 적어도 하나를 포함한다.
상기 열 관리부에 대한 계측 정보와 제어 정보는, 냉각수 펌프의 제어값, 라디에이터 팬의 제어값, 스택 냉각수 입구 온도, 스택 냉각수 출구 온도 중 적어도 하나를 포함한다.
상기 데이터 수집 단계(S1)에서는, 상기 고장 상태에서의 계측 및 제어 정보를 상기 정상 상태의 계측 및 제어 정보를 기준으로 하여 잔차 데이터(Residual data)를 생성하고 정리하여 표준화하는 과정을 포함한다.
다음으로, 상기 고장 시나리오에 포함된 고장 상태를 고장 심각도에 따라 복수의 고장군들로 분류한 후, 상기 복수의 고장군들을 각각 진단하기 위한 복수의 인공 신경망(NN, Neural Networks)들을 생성하는 인공 신경망 생성단계를 수행한다.(S2,S3)
상기 인공 신경망 생성단계(S2,S3)는 복수의 고장군들로 분류하는 과정(S2)과, 상기 복수의 인공 신경망들을 생성하는 과정(S3)을 포함한다.
상기 복수의 고장군들로 분류하는 과정(S2)은 다음과 같다.
본 실시예에서는, 상기 복수의 고장군들은 총 3가지의 제1,2,3고장군(F1,F2,F3)으로 분류하는 것으로 예를 들어 설명한다. 다만, 이에 한정되지 않고, 상기 고장군들의 개수나 종류는 다양하게 변경 가능하다.
상기 제1,2,3고장군(F1,F2,F3)은 고장 심각도에 따라 분류되며, 상기 제1고장군(F1)이 고장 심각도가 가장 높고, 상기 제3고장군(F3)이 고장 심각도가 가장 낮은 것으로 분류된다.
상기 제1고장군(F1)은, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 작동 중지 고장 및 연료 부족을 포함한다. 즉, 상기 제1고장군은, 공기 공급의 중단, 연료 공급의 중단, 냉각수 공급의 중단과 같이 물리적으로 전력 생산이 불가능하여 상기 연료전지 시스템 운전이나 안전에 영향을 주는 고장들을 포함하여, 상기 연료전지 시스템의 운전을 제1설정 시간내에 중단되어야 하는 중대한 고장(Critical faults)들이다. 여기서, 상기 제1설정 시간은 1분 이내로 설정된 것으로 예를 들어 설명한다.
상기 제2고장군(F2)은, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 성능 저하 고장, 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장, 연료 퍼지 밸브 고장 중 적어도 하나를 포함한다. 즉, 상기 제2고장군은, 주요 부품들의 심각한 성능 저하로 인해 상기 스택이 필요로 하는 조건을 충족할 수 없는 고장에 해당한다. 상기 제2고장군은, 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 없다고 분류된 제어 불가 고장들을 포함한다. 상기 제2고장군에 포함된 고장은 중요한 고장(Significant fault)라고도 한다. 상기 제2고장군은, 상기 연료전지 시스템의 안정성, 상기 스택의 성능 및 상기 스택의 내구성을 저하시킬 수 있으므로 제2설정 시간내에 작동을 멈추고 수리를 요하는 고장들이다.
상기 제3고장군(F3)은, 상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 열화 고장, 관막힘(Clogging), 센서 고장, 파울링(Fouling) 고장 중 적어도 하나를 포함한다. 상기 제3고장군은, 일반 부품들의 미세한 열화나 국소적인 관막힘 또는 파울링 현상 등으로 인해 상기 연료전지 시스템의 효율 감소나 기생 전력의 증가가 발생되어, 운전 조건 변경이 필요한 상황에 해당한다. 상기 제3고장군은, 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 있다고 분류된 제어 가능 고장들을 포함한다. 상기 제3고장군에 포함된 고장은, 사소한 고장(Minor fault)이라고도 한다.
다만, 이에 한정되지 않고, 상기 복수의 고장군들을 2개로 분류할 경우, 상기 제1고장군과 상기 제2고장군을 포함하는 하나의 주요 고장(Major fault)과, 상기 제3고장군을 포함하는 사소한 고장(Minor fault)으로 분류하는 것도 물론 가능하다.
표 1은, 고장들을 고장 심각도에 따라 3개의 제1,2,3고장군으로 분류한 예이다.
제1고장군
(Critical Fault)		 공기 압축기의 작동 중지 고장(Fault #1)
연료 블로어의 작동 중지 고장(Fault #2)
연료 부족(Fuel starvation)(Fault #3)
냉각수 펌프의 작동 중지 고장(Fault #4)
라디에이터 팬의 작동 중지 고장(Fault #5)
제2고장군
(Significant Fault)		 공기 압축기의 성능 저하 고장(Fault #6)
연료 블로어의 성능 저하 고장(Fault #7)
냉각수 펌프의 성능 저하 고장(Fault #8)
라디에이터 팬의 성능 저하 고장(Fault #9)
공기, 연료 및 냉각수 중 적어도 하나의 누설 고장(Fault #10)
연료 퍼지 밸브 고장(Fault #11)
제3고장군
(Minor Fault)		 공기 압축기의 열화 고장(Fault #12)
연료 블로어의 열화 고장(Fault #13)
냉각수 펌프의 열화 고장(Fault #14)
라디에이터 팬의 열화 고장(Fault #15)
관막힘(Fault #16)
센서 고장(Fault #17)
파울링 고장(Fault #18)
표 1을 참조하면, 상기 제2고장군에서 공기 압축기의 성능 저하 고장(Fault #6, 연료 블로어의 성능 저하 고장(Fault #7), 냉각수 펌프의 성능 저하 고장(Fault #8), 라디에이터 팬의 성능 저하 고장(Fault #9)은 제어 범위를 초과하여 스택의 운전 조건을 달성할 수 없는 고장이다.
한편, 상기 제3고장군에 포함된공기 압축기의 열화 고장(Fault #12), 연료 블로어의 열화 고장(Fault #13), 냉각수 펌프의 열화 고장(Fault #14), 라디에이터 팬의 열화 고장(Fault #15)은 제어 범위 내에서 스택의 운전 조건을 달성할 수는 있으나, 열화되어 기존 대비 성능이 저하된 경우의 고장이다.
도 2는 본 발명의 실시예에 따른 제1고장군에 대한 제1인공 신경망을 학습시키는 예를 나타낸 도면이다. 도 3은 본 발명의 실시예에 따른 제2고장군에 대한 제2인공 신경망을 학습시키는 예를 나타낸 도면이다. 도 4는 본 발명의 실시예에 따른 제3고장군에 대한 제3인공 신경망을 학습시키는 예를 나타낸 도면이다.
도 2 내지 도 4를 참조하면, 상기 복수의 인공 신경망들을 학습시켜 생성하는 과정(S3)은 다음과 같다.
본 실시예에서는, 상기 복수의 고장군들은 총 3가지의 제1,2,3고장군(F1,F2,F3)으로 분류하는 것으로 예를 들어 설명하므로, 상기 복수의 인공 신경망들은 상기 3가지의 제1,2,3고장군에 대응되게 총 3가지의 제1,2,3인공 신경망들(NN1,NN2,NN3)을 포함한다.
상기 인공 신경망들을 학습시키는 방법은, 상기 인공 신경망의 입력층과 출력층을 입력하여 은닉층을 구축하는 방법이다. 상기 입력층에 입력되는 입력변수는 상기 잔차 데이터이고, 상기 출력층에 입력되는 입력변수는 상기 고장군들이다.
상기 제1인공 신경망(NN1)은, 상기 제1고장군에 대한 잔차 데이터와 상기 제1고장군이 아닌 제1정상 상태에 대한 잔차 데이터를 입력 변수로 하고, 상기 제1고장군과 상기 제1고장군이 아닌 제1정상 상태를 출력 변수로 하여, 학습되어 생성된다. 상기 제1정상 상태는 상기 제1고장군에 포함된 고장을 제외한 나머지 상태를 모두 포함한다.
상기 제1고장군은 시스템에 악영향을 주어 진단시 시스템 종료로 이어지는 후속조치가 필요한 고장들이다. 상기 제1고장군에 대한 잔차 데이터의 변화는 다른 고장군들에 대한 잔차 데이터에 비해 크기 때문에, 상기 제1인공 신경망은 상기 제1고장군에 대한 잔차 데이터로 학습시, 상기 제2,3인공 신경망들에 비해 보다 견고함(robustness)을 갖춘 알고리즘으로 설계된다. 민감도(Sensitivity)와 견고함(robustness)은 트레이드 오프(trade-off) 관계이므로, 제1,2,3고장군들을 함께 학습시킬 경우 민감도와 견고함을 모두 만족시키기 어려우나, 본 실시예에서는 각 고장군별로 나누어 학습하기 때문에 각 고장군들의 특성에 맞는 학습이 가능하다. 즉, 제1고장군에 대한 잔차 데이터로 학습시 견고함에 초점을 맞추어 학습시키는 것이 가능하다.
따라서, 상기 제1인공 신경망(NN1)은, 실운전 데이터의 입력시 상기 제1고장군과 상기 제1정상 상태를 구분하여, 상기 고장 심각도가 가장 높은 상기 제1고장군을 진단할 수 있다.
상기 제2인공 신경망(NN2)은, 상기 제2고장군에 대한 잔차 데이터와 상기 제2고장군이 아닌 제2정상 상태에 대한 잔차 데이터를 입력 변수로 하고, 상기 제2고장군과 상기 제2고장군이 아닌 제2정상 상태를 출력 변수로 하여, 학습되어 생성된다. 상기 제2정상 상태는 상기 제2고장군에 포함된 고장을 제외한 나머지 상태를 모두 포함한다.
상기 제2고장군에 대한 잔차 데이터의 변화는 상기 제1고장군에 대한 잔차 데이터에 비해 작기 때문에, 상기 제2인공 신경망(NN2)은 상기 제2고장군에 대한 잔차 데이터로 학습시, 상기 제1인공 신경망보다 민감도가 섬세한 알고리즘으로 설계된다.
따라서, 상기 제2인공 신경망(NN1)은, 실운전 데이터의 입력시 상기 제2고장군과 상기 제2정상 상태를 구분하여, 상기 고장 심각도가 상기 제1고장군보다 낮고 상기 제3고장군보다 높은 상기 제2고장군을 진단할 수 있다.
상기 제3인공 신경망(NN3)은, 상기 제3고장군에 대한 잔차 데이터와 상기 제3고장군이 아닌 제3정상 상태에 대한 잔차 데이터를 입력 변수로 하고, 상기 제3고장군과 상기 제3고장군이 아닌 제3정상 상태를 출력 변수로 하여, 학습되어 생성된다. 상기 제3정상 상태는 상기 제3고장군에 포함된 고장을 제외한 나머지 상태를 모두 포함한다.
상기 제3고장군은 시스템을 당장 또는 신속하게 작동 정지시킬 필요는 없는 고장들을 포함한다. 즉, 상기 제3고장군에 대한 잔차 데이터의 변화는 상기 제1,2고장군들에 대한 잔차 데이터에 비해 미미하기 때문에, 상기 제3인공 신경망은 상기 제3고장군에 대한 잔차 데이터로 학습시 상기 제1,2인공 신경망들에 비해 가장 섬세한 알고리즘으로 설계된다. 즉, 상기 제3인공 신경망은 견고함보다는 민감도에 초점을 맞추어 설계될 수 있다.
따라서, 상기 제3인공 신경망(NN3)은, 실운전 데이터의 입력시 상기 제3고장군과 상기 제3정상 상태를 구분하여, 상기 고장 심각도가 가장 낮은 상기 제3고장군을 진단할 수 있다.
따라서, 상기 제1,2,3인공 신경망(NN1,NN2,NN3)은 학습시 입력되는 잔차 데이터들이 서로 상이하여, 민감도가 서로 다른 알고리즘으로 설계됨으로써, 민감도가 동일한 인공 신경망을 사용하는 경우에 비해 보다 정확한 고장 진단이 이루어질 수 있다.
다만, 이에 한정되지 않고, 상기 복수의 인공 신경망들은, 2개의 제1,2인공 신경망을 포함하는 것도 가능하다. 즉, 상기 제1,2고장군들과 상기 제1,2고장군들이 아닌 정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1,2고장군들을 진단하는 제1인공 신경망과, 상기 제3고장군과 상기 제3고장군이 아닌 정상상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제2인공 신경망을 포함하는 것도 물론 가능하다.
상기와 같이 상기 제1,2,3인공 신경망(NN1,NN2,NN3)이 생성되면, 상기 연료전지 시스템을 실제 운전하여 실운전 데이터들로부터 고장을 진단하는 고장 진단단계(S4,S5,S6)를 수행한다.
상기 고장 진단단계는, 상기 연료전지 시스템을 실제 운전을 실시하여 실운전 데이터(Real time residual data)를 측정하는 과정(S4)과, 상기 실운전 데이터들을 상기 제1,2,3인공 신경망(NN1,NN2,NN3)에 순차적으로 입력하여, 상기 제1,2,3인공 신경망(NN1,NN2,NN3)으로부터 고장 심각도가 높은 고장군을 우선 진단하는 과정(S5)을 포함한다.
먼저, 실운전 데이터를 측정하는 과정(S4)을 수행한다.
상기 실운전 데이터를 측정하는 과정(S4)에서 상기 실운전 데이터들은 상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부의 계측 및 제어 정보를 포함한다. 상기 실운전 데이터들은 실운전 잔차 데이터인 것으로 예를 들어 설명하고, 이하 실운전 데이터라 칭한다.
다음으로, 상기 실운전 데이터들을 상기 제1,2,3인공 신경망(NN1,NN2,NN3)에 순차적으로 입력하여, 고장 심각도가 높은 고장군을 우선 진단하는 과정(S5)을 수행한다.
도 5는 본 발명의 실시예에 따른 제1,2,3인공 신경망에 실운전 데이터를 입력하여 고장을 진단하는 방법을 개략적으로 나타낸 블록도이다.
도 5를 참조하면, 상기 제1,2,3인공 신경망(NN1,NN2,NN3)은 고장 심각도가 높은 고장군을 진단하는 순서대로 배열된다.
상기 실운전 데이터들은 상기 제1인공 신경망(NN1), 상기 제2인공 신경망(NN2) 및 상기 제3인공 신경망(NN3)을 순차적으로 통과하게 된다.
상기 실운전 데이터를 상기 제1인공 신경망(NN1)에 가장 먼저 입력하면, 상기 제1인공 신경망은 상기 제1고장군(F1)의 유무를 진단한다.
즉, 상기 제1인공 신경망(NN1)은 상기 제1고장군(F1)인지 상기 제1고장군(F1)이 아닌 제1정상 상태인지 분류하여 진단할 수 있다. 상기 제1인공 신경망(NN1)에서 상기 제1고장군(F1)으로 분류된 데이터 이외의 데이터는 상기 제1정상 상태라고 진단된다.
상기 제1인공 신경망(NN1)에서 진단하는 상기 제1고장군(F1)은 공기 압축기의 작동 중지 고장(Fault #1), 연료 블로어의 작동 중지 고장(Fault #2), 연료 부족(Fuel starvation)(Fault #3), 냉각수 펌프의 작동 중지 고장(Fault #4), 라디에이터 팬의 작동 중지 고장(Fault #5)을 포함한다.
따라서, 실시간으로 입력되는 실운전 데이터들 중에서 고장 심각도가 가장 높은 상기 제1고장군이 상기 제1인공 신경망(NN1)에서 우선적으로 감지되고 분류된다. 상기 연료전지 시스템의 작동을 당장 중지시키는 것과 같은 신속한 후속 조치가 필요한 고장들을 우선적으로 진단함으로써, 보다 빠른 조치가 가능하다.
상기 제1고장군보다 상기 고장 심각도가 낮은 고장들은 상기 제1인공 신경망(NN1)에서 감지하지 못하나, 다음 인공 신경망에서 감지될 수 있다.
상기 제1인공 신경망(NN1)에서 상기 제1고장군이 아닌 상기 제1정상 상태라고 진단된 데이터들은 상기 제2인공 신경망(NN2)에 입력된다.
상기 제2인공 신경망(NN2)은, 상기 제1정상 상태라고 진단된 데이터들 중에서 상기 제2고장군(F2)의 유무를 진단한다.
즉, 상기 제2인공 신경망(NN2)은 상기 제2고장군(F2)인지 상기 제2고장군(F2)이 아닌 제2정상 상태인지 분류하여 진단할 수 있다. 상기 제2인공 신경망(NN2)에서 상기 제2고장군(F2)으로 분류된 데이터 이외의 데이터는 상기 제2정상 상태라고 진단된다.
상기 제2인공 신경망(NN2)에서 진단하는 상기 제2고장군(F2)은 공기 압축기의 성능 저하 고장(Fault #6), 연료 블로어의 성능 저하 고장(Fault #7), 냉각수 펌프의 성능 저하 고장(Fault #8), 라디에이터 팬의 성능 저하 고장(Fault #9), 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장(Fault #10), 연료 퍼지 밸브 고장(Fault #11)을 포함한다.
상기 제2인공 신경망(NN2)에서 상기 제2정상 상태라고 진단된 데이터들은 상기 제3인공 신경망(NN3)에 입력된다.
상기 제3인공 신경망(NN3)은, 상기 제2정상 상태라고 진단된 데이터들 중에서 상기 제3고장군(F3)의 유무를 진단한다.
즉, 상기 제3인공 신경망(NN3)은 상기 제3고장군(F3)인지 상기 제3고장군(F3)이 아닌 제3정상 상태인지 분류하여 진단할 수 있다. 상기 제3인공 신경망(NN3)에서 상기 제3고장군(F3)으로 분류된 데이터 이외의 데이터는 상기 제3정상 상태라고 진단된다.
상기 제3인공 신경망(NN3)에서 진단하는 상기 제3고장군(F3)은 공기 압축기의 열화 고장(Fault #12), 연료 블로어의 열화 고장(Fault #13), 냉각수 펌프의 열화 고장(Fault #14), 라디에이터 팬의 열화 고장(Fault #15), 관막힘(Fault #16), 센서 고장(Fault #17), 파울링 고장(Fault #18)을 포함한다.
아래 표 2는, 고장군별 데이터 입력시 각 인공 신경망에서 고장을 감지하는 결과를 나타낸다.
진단
입력 		제1인공신경망(NN1) 제2인공신경망(NN2) 제3인공신경망(NN3)
제1고장군
(Critical Fault)		 Fault #1-5
제2고장군
(Significant Fault)		 Normal Fault #6-11
제3고장군
(Minor Fault)		 Normal Normal Fault #12-18
Normal Normal Normal Normal
표 2를 참조하면, 상기 제1고장군에 관련된 데이터가 입력되면, 상기 제1인공 신경망(NN1)에서 고장으로 진단될 수 있다. 상기 제2고장군에 관련된 데이터가 입력되면, 상기 제1인공 신경망(NN1)에서는 정상 상태(Normal)로 진단되나 상기 제2인공 신경망(NN2)에서 고장으로 진단될 수 있다. 상기 제3고장군에 관련된 데이터가 입력되면, 상기 제1,2인공 신경망(NN1,NN2)에서는 정상 상태(Normal)로 진단되나 상기 제3인공 신경망(NN3)에서 고장으로 진단될 수 있다.
상기와 같이 실시간으로 입력되는 실운전 데이터들을 서로 다른 분류 알고리즘인 복수의 제1,2,3인공 신경망들(NN1,NN2,NN3)에 차례로 통과시킴으로써, 모래와 자갈 등을 입자의 크기대로 분류하는 방법과 같이 고장 심각도가 높은 고장들을 우선적으로 분류할 수 있다.
한편, 상기 실운전 데이터를 상기 제1,2,3인공 신경망(NN1,NN2,NN3)에 동시에 입력하는 것도 물론 가능하다. 이러한 경우, 상기 제1,2,3인공 신경망(NN1,NN2,NN3)에서 각각 고장들을 진단한 결과들에 우선 순위를 적용할 수 있다. 예를 들어, 상기 제1인공 신경망(NN1)에서 진단한 결과를 최우선으로 결정할 수 있다.
또한, 상기 실운전 데이터는 실시간 데이터를 사용하는 것으로 예를 들어 설명하나, 이에 한정되지 않고 일정 구간의 값을 평균한 이동 평균(moving average) 데이터를 이용할 수 있다. 즉, 상기 고장 심각도가 높은 고장은 측정값의 변화의 폭이 크고, 상기 고장 심각도가 낮을수록 그 변화의 폭은 작다. 외부환경 및 부하 변동으로 인한 비정상상태 구간에서 실시간 데이터를 그대로 입력할 경우, 상기 고장 심각도가 낮은 고장을 판별하는 상기 제3인공 신경망의 경우 정상 상태를 고장 상태로 판별할 수 있으므로, 상기 이동 평균 데이터를 이용할 수 있다. 고장 심각도가 큰 상위 고장군일수록 시스템에 미치는 영향이 크기 때문에, 실시간 데이터를 사용하는 것이 바람직하다. 한편, 고장 심각도가 상대적으로 낮은 제3고장군의 경우 시스템 작동에 큰 영향이 없기 때문에, 이동 평균을 사용하여 보다 정밀한 데이터를 사용하는 것이 유리하다.
도 6은 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법에서 고장 심각도별 압력 변화와 온도 변화를 나타낸 그래프이다.
도 6을 참조하면, 고장 심각도가 가장 높을 수록 잔차(Residuals)의 변화가 매우 큰 것을 나타낸다.
여기서, 잔차는 기준선(Reference)로부터 이격된 정도를 의미한다.
즉, 상기 제1고장군(F1)에 포함되는 상기 냉각수 펌프의 작동 중지 고장(Pump disabled)의 경우 잔차의 변화가 매우 크고, 상기 제3고장군(F3)에 포함되는 상기 냉각수의 열화와 같은 제어 가능 고장들의 경우 잔차의 변화가 보다 작은 것을 알 수 있다.
따라서, 본 실시예에서는 고장 심각도에 따라 잔차의 변화가 다르기 때문에, 고장 심각도에 대응하는 복수의 인공 신경망들을 개발하고 적용함으로써, 보다 신속하고 정확한 고장 진단이 가능해질 수 있다.
도 7은 본 발명의 실시예에 따른 연료전지 시스템의 고장 진단방법에서 제1고장군의 고장별 진단 결과를 나타낸 도면이다.
도 7을 참조하면, 정상 상태에서 제1고장군에 속한 고장들이 약 5초 경과후 발생시, 제1인공 신경망이 제1고장군에 속한 고장들을 감지한 결과를 나타낸다.
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.

Claims (11)

  1. 삭제
  2. 스택으로 공기를 공급하는 공기 공급부, 상기 스택으로 연료를 공급하는 연료 공급부 및 상기 스택을 냉각시키는 열 관리부를 포함하는 연료전지 시스템의 고장 진단 방법에 있어서,
    상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 상기 정상 상태와 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한 시뮬레이션 데이터를 수집하고 잔차 데이터(Residual data)를 정리하여 표준화하는 데이터 수집 단계와;
    상기 고장 시나리오들을 미리 설정된 고장 심각도에 따라 복수의 고장군들로 분류하고, 상기 복수의 고장군들에 대한 각각의 잔차 데이터를 입력 변수로 하고 상기 복수의 고장군들을 출력 변수로 학습시켜 상기 고장 심각도가 다른 고장군을 각각 진단하는 복수의 인공 신경망들을 생성하는 인공 신경망 생성단계와;
    상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 계측 정보와 제어 정보를 포함한 실운전 데이터들을 상기 복수의 인공 신경망들에 입력하여, 상기 복수의 인공 신경망들로부터 상기 고장 심각도가 가장 높은 고장군을 우선적으로 진단하는 고장 진단단계를 포함하고,
    상기 복수의 인공 신경망들은,
    상기 고장 심각도가 가장 높게 설정된 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들을 입력시 상기 제1고장군을 진단하는 제1인공 신경망과,
    상기 제1고장군보다 상기 고장 심각도가 낮게 설정된 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들을 입력시 상기 제2고장군을 진단하는 제2인공 신경망과,
    상기 제2고장군보다 상기 고장 심각도가 낮게 설정된 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 제2정상 상태로 분류된 데이터들을 입력시 상기 제3고장군을 진단하는 제3인공 신경망을 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  3. 스택으로 공기를 공급하는 공기 공급부, 상기 스택으로 연료를 공급하는 연료 공급부 및 상기 스택을 냉각시키는 열 관리부를 포함하는 연료전지 시스템의 고장 진단 방법에 있어서,
    상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 상기 정상 상태와 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한 시뮬레이션 데이터를 수집하고 잔차 데이터(Residual data)를 정리하여 표준화하는 데이터 수집 단계와;
    상기 고장 시나리오들을 미리 설정된 고장 심각도에 따라 복수의 고장군들로 분류하고, 상기 복수의 고장군들에 대한 각각의 잔차 데이터를 입력 변수로 하고 상기 복수의 고장군들을 출력 변수로 학습시켜 상기 고장 심각도가 다른 고장군을 각각 진단하는 복수의 인공 신경망들을 생성하는 인공 신경망 생성단계와;
    상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 계측 정보와 제어 정보를 포함한 실운전 데이터들을 상기 복수의 인공 신경망들에 입력하여, 상기 복수의 인공 신경망들로부터 상기 고장 심각도가 가장 높은 고장군을 우선적으로 진단하는 고장 진단단계를 포함하고,
    상기 복수의 고장군들은,
    공기 압축기, 연료 블로어, 냉각수 펌프 및 라디에이터 팬 중 적어도 하나의 작동 중지 고장 및 연료 부족을 포함하여 상기 연료전지 시스템의 운전이 중단되어야 한다고 분류된 중대한 고장(Critical faults)들을 포함하는 제1고장군과,
    상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 성능 저하 고장, 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장, 연료 퍼지 밸브 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 없다고 분류된 제어 불가 고장들을 포함하는 제2고장군과,
    상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 열화 고장, 관막힘(Clogging), 센서 고장, 파울링(Fauling) 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 있다고 분류된 제어 가능 고장들을 포함하는 제3고장군을 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  4. 청구항 3에 있어서,
    상기 복수의 인공 신경망들은,
    상기 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1고장군을 진단하는 제1인공 신경망과,
    상기 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들로부터 상기 제2고장군을 진단하는 제2인공 신경망과,
    상기 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 상기 제2정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제3인공 신경망을 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  5. 청구항 3에 있어서,
    상기 복수의 인공 신경망들은,
    상기 제1,2고장군들과 상기 제1,2고장군들이 아닌 정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1,2고장군들을 진단하는 제1인공 신경망과,
    상기 제3고장군과 상기 제3고장군이 아닌 정상상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제2인공 신경망을 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  6. 청구항 2 또는 청구항 3에 있어서,
    상기 고장 진단단계에서는,
    상기 실운전 데이터들을 상기 복수의 인공 신경망들에 순차적으로 입력하여,
    상기 고장 심각도가 높은 고장군들을 우선적으로 진단하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  7. 청구항 2 또는 청구항 3에 있어서,
    상기 고장 진단단계에서는,
    상기 실운전 데이터들을 상기 복수의 인공 신경망들에 동시에 통과시키고,
    상기 복수의 인공 신경망들에서 각각 진단한 고장 상태 중에서 상기 고장 심각도가 보다 높은 고장군에 대한 인공 신경망에서 진단한 고장 상태를 우선적으로 출력하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  8. 청구항 2 또는 청구항 3에 있어서,
    상기 공기 공급부에 대한 계측 정보와 제어 정보는, 공기 블로어와 공기 압축기 중 어느 하나의 제어값, 공기 유량계의 유량값, 공기 압력계의 압력값, 스택 공기 입구 온도, 스택 공기 출구 온도 중 적어도 하나를 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  9. 청구항 2 또는 청구항 3에 있어서,
    상기 연료 공급부에 대한 계측 정보와 제어 정보는, 연료 블로어와 연료 압축기 중 어느 하나의 제어값, 연료 유량계의 유량값, 연료 압력계의 압력값, 스택 연료 입구 온도, 스택 연료 출구 온도 중 적어도 하나를 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  10. 청구항 2 또는 청구항 3에 있어서,
    상기 열 관리부에 대한 계측 정보와 제어 정보는, 냉각수 펌프의 제어값, 라디에이터 팬의 제어값, 스택 냉각수 입구 온도, 스택 냉각수 출구 온도 중 적어도 하나를 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
  11. 스택으로 공기를 공급하는 공기 공급부, 상기 스택으로 연료를 공급하는 연료 공급부 및 상기 스택을 냉각시키는 열 관리부를 포함하는 연료전지 시스템의 고장 진단 방법에 있어서,
    상기 공기 공급부, 상기 연료 공급부 및 상기 열 관리부에서 각각 발생되는 고장 시나리오들을 설정하고, 상기 스택의 정상 상태와 상기 고장 시나리오들에 대한 시뮬레이션 운전을 실시하여 상기 정상 상태와 상기 고장 시나리오들에 대한 계측 정보와 제어 정보를 포함한 시뮬레이션 데이터를 수집하고 잔차 데이터(Residual dat)를 정리하여 표준화하는 데이터 수집 단계와;
    상기 고장 시나리오들을 미리 설정된 고장 심각도에 따라 복수의 고장군들로 분류하고, 상기 복수의 고장군들에 대한 각각의 잔차 데이터를 입력 변수로 하고 상기 복수의 고장군들을 출력 변수로 학습시켜 상기 고장 심각도가 다른 고장군을 각각 진단하는 복수의 인공 신경망들을 생성하는 인공 신경망 생성단계와;
    상기 연료전지 시스템의 실제 운전시 실시간으로 측정되는 계측 정보와 제어 정보를 포함한 실운전 데이터들을 상기 복수의 인공 신경망들에 입력하여, 상기 복수의 인공 신경망들로부터 상기 고장 심각도가 가장 높은 고장군을 우선적으로 진단하는 고장 진단단계를 포함하고,
    상기 복수의 고장군들은,
    공기 압축기, 연료 블로어, 냉각수 펌프 및 라디에이터 팬 중 적어도 하나의 작동 중지 고장 및 연료 부족을 포함하여 상기 연료전지 시스템의 운전이 중단되어야 한다고 분류된 중대한 고장(Critical faults)들을 포함하는 제1고장군과,
    상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 성능 저하 고장, 공기, 연료 및 냉각수 중 적어도 하나의 누설 고장, 연료 퍼지 밸브 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 없다고 분류된 제어 불가 고장들을 포함하는 제2고장군과,
    상기 공기 압축기, 상기 연료 블로어, 상기 냉각수 펌프 및 상기 라디에이터 팬 중 적어도 하나의 열화 고장, 관막힘(Clogging), 센서 고장, 파울링(Fauling) 고장 중 적어도 하나를 포함하여 상기 연료전지 시스템의 제어를 통해 정상 상태로 회복될 수 있다고 분류된 제어 가능 고장들을 포함하는 제3고장군을 포함하고,
    상기 복수의 인공 신경망들은,
    상기 제1고장군과 상기 제1고장군이 아닌 제1정상 상태로 분류하도록 학습되어, 상기 실운전 데이터들로부터 상기 제1고장군을 진단하는 제1인공 신경망과,
    상기 제2고장군과 상기 제2고장군이 아닌 제2정상 상태로 분류하도록 학습되어, 상기 제1인공 신경망에서 상기 제1정상 상태로 분류된 데이터들로부터 상기 제2고장군을 진단하는 제2인공 신경망과,
    상기 제3고장군과 상기 제3고장군이 아닌 제3정상 상태로 분류하도록 학습되어, 상기 제2인공 신경망에서 상기 제2정상 상태로 분류된 데이터들로부터 상기 제3고장군을 진단하는 제3인공 신경망을 포함하고,
    상기 공기 공급부에 대한 계측 정보와 제어 정보는, 공기 블로어와 공기 압축기 중 어느 하나의 제어값, 공기 유량계의 유량값, 공기 압력계의 압력값, 스택 공기 입구 온도, 스택 공기 출구 온도 중 적어도 하나를 포함하고,
    상기 연료 공급부에 대한 계측 정보와 제어 정보는, 연료 블로어와 연료 압축기 중 어느 하나의 제어값, 연료 유량계의 유량값, 연료 압력계의 압력값, 스택 연료 입구 온도, 스택 연료 출구 온도 중 적어도 하나를 포함하고,
    상기 열 관리부에 대한 계측 정보와 제어 정보는, 냉각수 펌프의 제어값, 라디에이터 팬의 제어값, 스택 냉각수 입구 온도, 스택 냉각수 출구 온도 중 적어도 하나를 포함하는 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법.
KR1020200011957A 2020-01-31 2020-01-31 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법 KR102115268B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200011957A KR102115268B1 (ko) 2020-01-31 2020-01-31 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200011957A KR102115268B1 (ko) 2020-01-31 2020-01-31 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법

Publications (1)

Publication Number Publication Date
KR102115268B1 true KR102115268B1 (ko) 2020-05-26

Family

ID=70915001

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200011957A KR102115268B1 (ko) 2020-01-31 2020-01-31 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법

Country Status (1)

Country Link
KR (1) KR102115268B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030095350A (ko) 2002-06-11 2003-12-18 제너럴 일렉트릭 캄파니 연료 전지 시스템의 고장 검출 방법 및 장치
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030095350A (ko) 2002-06-11 2003-12-18 제너럴 일렉트릭 캄파니 연료 전지 시스템의 고장 검출 방법 및 장치
KR20130109506A (ko) * 2012-03-27 2013-10-08 한국남동발전 주식회사 발전설비의 위험도 기반 정비 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
KR102538542B1 (ko) 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Similar Documents

Publication Publication Date Title
KR101491196B1 (ko) 결함 패턴 매칭을 위한 퍼지 분류 접근
US7062370B2 (en) Model-based detection, diagnosis of turbine engine faults
Sampath A discrete event systems approach to failure diagnosis
JP6856443B2 (ja) 設備機器の異常診断システム
JP6469980B2 (ja) 故障診断システム及び故障診断方法
KR101065767B1 (ko) 성능저하 및 고장원인 조기 진단방법
CN106600095A (zh) 一种基于可靠性的维修评估方法
CN109073508B (zh) 测试涡轮单元期间的故障诊断
KR102046536B1 (ko) 연료전지 열관리 시스템의 고장 진단 방법
CN107710089B (zh) 工厂设备诊断装置以及工厂设备诊断方法
KR102279351B1 (ko) 표준 공조기와 운용 공조기의 적합화를 통한 인공지능 기반 고장 진단 방법
CN108710959A (zh) 降低核电机组故障率的方法、核电机组和存储介质
EP3944043B1 (en) Maintenance work assistance device
US20230092472A1 (en) Method and System for Intelligent Monitoring of State of Nuclear Power Plant
KR102115268B1 (ko) 고장 심각도에 기반한 연료전지 시스템의 고장 진단방법
CN106200624A (zh) 基于交叉分段pca的工业锅炉故障诊断方法
JP2021089116A (ja) 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法
Benouioua et al. Diagnostic of fuel cell air supply subsystems based on pressure signal records and statistical pattern recognition approach
JP7008098B2 (ja) 燃料電池システムの多段階故障診断方法及び装置
CN114943281B (zh) 一种热管冷却反应堆智能决策方法及系统
CN116929670A (zh) 一种基于自更新mset的高压加热器泄漏诊断方法
CN114243063B (zh) 一种固体氧化物燃料电池系统故障定位方法和诊断方法
WO2018003028A1 (ja) ボイラーの故障判定装置、故障判定方法およびサービス方法
CN113571742A (zh) 燃料电池热管理系统故障诊断方法及装置
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统

Legal Events

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