KR102169040B1 - 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 - Google Patents

Abstract

본 발명은 인공 지능이 탑재된 연료 전지 제어 시스템에 관한 것으로서, 보다 상세하게는 다양한 진동이나 충격이 전달되는 곳에 연료전지 시스템의 보호를 위해 진동이나 충격을 완충하는 방법을 제공하고, 특히 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것 까지 인공 지능으로 예측하여 제어할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템에 관한 것이다.

Description

인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법{The fuel cell control system is equipped with an artificial intelligence}

본 발명은 인공 지능이 탑재된 연료 전지 제어 시스템에 관한 것으로서, 보다 상세하게는 다양한 충격이 전달되는 곳에 연료전지 시스템의 보호를 위해 충격을 완충하는 방법을 제공하고, 특히 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것 까지 인공 지능으로 예측하여 제어할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템에 관한 것이다.

연료전지(燃料電池, Fuel Cell)란 수소와 산소의 전기화학반응을 통해 전기와 열에너지를 생산하는 고효율/친환경 발전시스템이다.

'연료전지'라는 단어 때문에 우리가 흔히 생각하는 전지(배터리)를 떠올리는 경우가 많지만, 연료전지는 같은 단어를 사용할 뿐 의미하는 바는 확연히 다르다. 이에 학계에서는 연료전지를 '연료가 되는 일부 화학물질이 갖는 화학에너지를 전기 에너지로 직접 변화시키는 디바이스'라고 정의한다.

연료 전지의 기본적인 작동원리는 물 전기분해의 역반응이다. 일반적인 물에 전기를 더하여 전기분해하면 수소와 산소를 얻을 수 있다. 반대로 수소와 산소를 전기 화학적으로 결합시킬 경우 물과 전기를 얻을 수 있고 이를 구현하는 디바이스가 바로 연료전지이다.

연료전지의 장점으로는 크게 ① 친환경성 및 높은 발전효율 ② 설치 장소의 용이성, ③ 적용 분야의 다양성을 꼽을 수 있다. 여타 발전방식과는 달리 연소과정이 없기 때문에 오염물질을 배출하지 않는다. 수소와 산소의 전기화학반응을 통해 발전하는 방식이기 때문에 오직 전기, 열, 물이 생성될 뿐이다. 또 연료전지는 일반적으로 40% 이상의 발전효율을 자랑하며, 함께 발생하는 열을 활용한 복합효율(약 80%)을 감안한다면 매우 효율적인 발전시스템이라 할 수 있다. 연소과정이 없어 유해물질을 배출하지 않고, 소음이 적다는 장점은 발전 설비 설치 장소 선택에 있어 자유로워 질 수 있음을 의미한다. 이는 곧 도심지 분산 발전도 가능함을 의미하며 장거리 송수신에서 발생하는 전력의 손실도 없음을 뜻한다.

연료전지는 어떤 전해질을 사용하느냐에 따라 종류와 형태를 구분한다. 발전용으로는 인산형(PAFC), 고체산화물형(SOFC) 연료전지가 주로 사용되고, 건물용/수송용으로는 고체고분자형(PEMFC)이 주로 사용된다. 전해질별 연료전지 구분에 따라 각각의 장단점이 명확하고, 이에 연료전지 사업을 영위하는 기업들의 사업 형태가 달라지기 때문에 각각의 장단점을 명확히 파악할 필요가 있다.

한편 연료전지(fuel cell)는 연속적으로 공급되는 반응가스(수소 및 공기중 산소)의 산화 및 환원 반응을 이용하여 화학적 에너지를 전기적 에너지로 변환시키면서 반응 생성물인 열과 전기 에너지를 생성하는 장치를 말하고, 이러한 연료전지를 구성하는 각 셀들을 수백 개 이상 적층시킨 것을 연료전지 스택이라 한다.

연료전지 스택을 포함하는 연료전지 시스템은 연료전지 스택에 수소를 공급하는 수소 공급 시스템과, 연료전지 스택에 전기화학반응에 필요한 산화제인 공기중의 산소를 공급하는 공기 공급 시스템과, 연료전지 스택의 운전온도를 제어하는 열 및 물관리 시스템 등으로 나누어 볼 수 있다.

따라서, 고순도의 수소가 수소 공급 시스템으로부터 연료전지 스택의 연료극(anode)으로 공급되고, 공기 공급 시스템으로부터 공기중 산소가 연료전지 스택의 공기극(cathode)으로 공급되면, 수소는 연료극(anode)의 촉매에서 수소 이온과 전자로 분리되고, 분리된 수소이온은 전해질 막을 통해 공기극(cathode)으로 넘어가게 되며, 연이어 공기극에 공급된 산소는 외부도선을 통해 공기극으로 들어온 전자와 결합하여 물을 생성하면서 전기에너지를 발생시키게 된다.

이러한 연료전지 시스템의 운전 중, 특히 외기온이 낮은 저온 상태에서의 운전중, 수소 공급 시스템의 고장이 발생하면, 연료전지 스택에 수소가 제대로 공급되지 않거나, 공급되는 수소의 온도가 냉각수 및 공기의 온도에 비하여 하강하게 되어 연료전지 스택의 전기생성을 위한 운전 성능이 저하될 수 밖에 없다.

특히, 연료전지의 운전을 위한 종래의 모델 기반 제어 시스템은 최적화되지 않은 운전조건 하에서 발생하는 일시적 성능저하와 장기운전에 의한 열화 및 내구성 감소에 따른 성능저하를 동시에 고려하지 않고 있으며, 그 차이를 구분하지 않는 문제점이 존재하였다.

또한 최적화되지 않은 조건 하에서의 운전은 연료전지 내부의 물 생성에 따른 플러딩(Flooding), 전해질막의 건조, 반응기체 유량 부족 등에 의해 일시적인 성능의 저하를 유발하고, 그 상태가 지속될 경우 연료전지 시스템의 열화 및 내구성 감소를 가속화시키기 때문에, 신속하게 연료전지의 이상 상태를 감지하고, 성능의 예측제어가 필요하다.

따라서 연료전지의 내구성 향상을 위해서, 일시적이고 회복가능한 성능저하의 진단과 함께 장기적 성능감소 정도를 고려한 운전조건의 최적화 및 그 제어 알고리즘이 요구된다.

한편 종래 발명 한국공개특허 제2012-0096614호는 연료전지 스택의 입출구에서의 수소 온도 변화를 다이나믹 인공 신경망(Dynamic Artificial Neural Network)을 이용하여 예측하고, 예측된 수소 온도를 스택의 입출구에서 측정된 수소 온도와 비교하여, 그 차이가 임계 범위를 벗어나면 수소 공급 시스템의 고장으로 진단할 수 있도록 한 새로운 방식의 수소 공급 시스템의 고장 진단 방법을 제공하고자 한 것이다.

도 1에 도시된 바와 같이 인공신경망 제어기(10)는 입력층(12, Input layer)과, 은닉층(14, Hidden Layer)과, 출력층(16, Output Layer)으로 구성된다.

연료전지 스택의 수소 출구에서의 수소 온도를 예측하기 위한 인공신경망을 구축하기 위하여, 인공신경망을 학습시키기 위한 실험적 데이터 정보를 얻기 위한 정보수집 단계가 선행된다.

신경망 회로에서 처리 요소는 뉴런이라 불리우고, i번째 뉴런에 대한 출력은 다음과 같이 표현된다.

여기서, W_ij 는 i번째와 j번째 뉴우런 사이의 연결 가중치이고, Vj는 j번째 입력, Ii는 바이어스 값이다.

여기서 W,X,Y,α는 각각 가중치, 입력, 목표 출력, 학습률을 나타내고, F(X)는 입력 X에 대한 신경회로망 출력을 나타내며, 위의 식은 실제 출력과 원하는 출력 사이의 평균 제곱오차가 최소가 되도록 연결 가중치를 조정하게 된다.

그러나 인공신경망 제어기를 통해 출력된 수소출구 예측 온도와, 연료전지 스택의 운전시 스택의 수소 출구에서 측정된 수소 출구 온도를 비교하여, 그 차이값이 임계치 이하이면 수소 공급 시스템이 정상 작동 중인 것으로 판정함에 있어서, 상기 인공신경망 제어기를 통해 학습된 수소출구 예측 온도가 학습 데이터의 부족 또는 오류에 의해 확실하지 않을 경우 수소 공급 시스템이 결국 고장날 수 있는 문제가 있다.

따라서 학습된 데이터가 진정한 학습 데이터로 가치가 있는지, 학습된 데이터가 정확한지 등을 검증할 수 있는 단계가 꼭 필요하게 되었다.

또한 이러한 연료전지 시스템은 현재 다양한 곳에 설치되고 있다. 그러나 차량이나 선박 등과 같이 연료전지 시스템으로 다양한 충격이 전달되는 곳에 연료전지 시스템을 설치하는 경우에는 연료전지 시스템의 보호를 위해 이러한 충격을 완충하는 방법을 강구할 필요가 있다.

특히 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것은 일반적인 진동 센서 등으로 추적할 수 없어 새로운 방식이 필요하게 되었다.

한국공개특허 제2012-0096614호 한국공개특허 제2014-0005324호

본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것으로서, 연료전지 운전에 따른 복잡성을 감안하여 실제 적용하기 전 검증 과정을 추가함으로써 신속하게 연료전지의 이상 상태를 감지하고, 성능의 예측제어를 좀 더 정확하게 할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템을 제공하는 데 목적이 있다.

또한 본 발명은 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 발생하는 사우드 까지 인공 지능으로 예측하여 제어할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템을 제공하는 데 목적이 있다.

상기 과제를 해결하기 위하여 본 발명은 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택; 상기 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 측정부; 상기 측정부를 통하여 측정된 상기 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 학습 모델을 생성하고, 상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하고, 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부; 및 상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함하는 인공 지능이 탑재된 연료 전지 제어 시스템에 있어서, 상기 제어부는, 상기 사운드 등에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 측정 데이터의 20%를 미리 남겨 놓아 상기 학습 모델의 검증을 진행하는 검증부;를 포함하여, 상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.

상기 제어부는, 연료 전지의 근거리에서 발생하는 사운드를 획득하는 사운드 취득 모듈;을 더 포함하여 상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.

상기 제어부는, 상기 사운드 취득 모듈에서 획득한 사운드 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 사운드 특징들을 추출하는 사운드 특징 추출 모듈;을 더 포함하여 상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.

상기 제어부는, 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 사운드 특징들을 선택하는 사운드 특징 최적화 모듈;을 더 포함하여 상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.

상기 제어부는, 상기 사운드 특징 최적화 모듈에서 최적화된 사운드 특징을 전달받아 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 연료 전지 고장 탐지 및 분류 모듈;을 포함하여, 상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.

상기 인공지능부는 데이터를 수집하고, 데이터 학습 및 모델 생성부를 통해 기계 학습과 시계열 분석하며, 상기 기계 학습과 시계열 분석한 정보를 통해 성능 예측 및 진단하여 알람 제어한다.

사운드 등에 관한 데이터를 실시간으로 측정하는 단계; 데이터를 수집하고, 인공지능부가 상기 데이터를 통해 학습 및 모델을 생성하며, 성능 예측 및 진단하는 단계; 성능 예측 및 진단 값과 일정치 이상 차이나는 경우 이를 탐지하여 알람 제어하는 단계;를 포함한다.

상기 인공지능부(300)가 데이터를 수집하고, 데이터 학습 및 모델 생성부를 통해 기계 학습과 시계열 분석하는 단계; 상기 기계 학습과 시계열 분석한 정보를 통해 성능 예측 및 진단하여 알람 제어하는 단계;를 포함한다.

상기와 같이 이루어지는 본 발명은 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것까지 사운드를 통해 예측하여 제어할 수 있다.

또한 본 발명은 연료전지 스택의 운전시 인공신경망을 이용하여 정상 연료전지 스택의 사운드와 비교하여 그 차이값이 임계치 이상이면 수소 공급 시스템이 고장난 것으로 정확하게 진단할 수 있고, 고장 진단에 대응하는 후속 조치를 신속하게 취할 수 있다.

또한 본 발명은 정상 연료전지 스택의 사운드 또는 이동 중 발생하는 사운드를 제외한 특정 사운드 만을 인공지능으로 분리하여 분석함으로서 효과적인 분석이 가능하다.

또한 본 발명은 고장을 탐지 및 식별 한 후 관리자에게 통보하여 연료 전지의 고장 상황을 즉시 통보할 수 있고, 관리자를 통해 효과적이며, 안정적으로 고장 상황을 대처할 수 있다.

또한 본 발명은 복수개의 연료 전지에서 추출한 사운드를 빅데이터화하여 다양한 기계학습 알고리즘을 통하여 특징을 최적화 시켜 고장 탐지 뿐 아니라 고장의 종류까지 분류할 수 있다.

또한 본 발명은 본 발명은 다양한 충격이 전달되는 곳에 연료전지 시스템의 보호를 위해 충격을 완충하는 방법을 제공하고, 특히 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것 까지 예측하여 제어할 수 있다.

또한 본 발명은 이미지 처리에 의한 외관상 관측할 수 없는 부분의 고장도 사운드 정보에 의해 용이하게 파악할 수 있다.

도 1은 본 발명에 따른 인공 지능이 탑재된 연료 전지 제어 시스템을 보여주는 도면이다.
도 2는 본 발명의 일실시예에 따른 인공 지능이 탑재된 연료 전지 제어 시스템의 구성을 보여주는 도면이다.
도 3은 본 발명의 일실시예에 따른 인공 지능이 탑재된 연료 전지 제어 시스템의 세부 구성을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 인공 지능이 탑재된 연료 전지 제어 시스템을 이용한 제어 방법을 보여주는 도면이다.
도 5는 본 발명의 다른 실시예에 따른 인공 지능이 탑재된 연료 전지 제어 시스템을 이용한 제어 방법을 보여주는 도면이다.

본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 설명한다. 본 발명의 실시예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시예로 한정되는 것으로 해석되어서는 안 된다. 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 부재는 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 또한, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.

도 1b에 도시된 바와 같이 측정부(200)는 연료전지 스택(100)에 공급되는 반응 기체(연료), 냉각수 및 각각의 단위 전지의 온도, 압력, 습도, 유량 등에 관한 데이터를 연료전지 스택의 입구 및 출구를 포함하는 여러 위치에서 실시간으로 측정할 수 있다. 예를 들어, 단위 전지의 양극, 음극에서 또는 연료전지 스택의 각각의 단위 전지마다 또는 연료전지 스택 전체에 대해서 온도, 압력, 습도, 유량 등에 관한 데이터를 측정할 수 있다.

또한, 측정부(200)는 연료전지 스택(100)의 운전 중 발생하는 전류(밀도), 전압 데이터 또는 전류, 전압 데이터의 변화도 각각의 단위 전지마다 또는 연료전지 스택 전체에 대하여 실시간으로 측정할 수 있다.

특히 본 발명의 일 실시예에 따른 인공지능부(300)는 측정부(200)를 통하여 측정된 사운드 데이터를 일정 시간 간격으로 수집하고, 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있다. 예를 들어, 인공지능부(300)는 측정부(200)를 통하여 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 일정 시간 간격으로 수집할 수 있고, 수집된 모든 데이터는 시계열 데이터의 형태로 저장될 수 있다. 여기에서 일정 시간 간격은 1초 단위부터 분, 시, 일, 월, 년 단위까지 연료전지 운전 시간 일부 또는 전부를 포함할 수 있다.

도 2는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 구성을 나타낸 블록도이다.

도 2 a를 참조하면, 인공지능형 연료전지 시스템은 연료전지 스택(100), 측정부(200), 인공지능부(300) 및 제어부(400)를 포함할 수 있다.

일실시예로서 본 발명은 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택, 상기 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 측정부(200), 상기 측정부를 통하여 측정된 상기 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 학습 모델을 생성하고, 상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하고, 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부(300) 및 상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경시키는 제어부(400)를 포함한다.

상기 인공지능부(300)는, 상기 사운드에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 학습 모델을 검증하는 데이터 검증부(310)를 포함한다.

상기 제어부(400)는 상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 알람하도록 제어한다.

본 발명의 일 실시예에 따른 연료전지 스택(100)은 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 장치로, 복수개의 단위 전지들이 적층하여 형성됨으로써 자동차와 같은 이동 장치에 필요한 전력을 공급할 수 있다.

또한 본 발명에 따른 인공 지능이 탑재된 연료 전지 제어 시스템은 사용되는 전해질의 종류에 따라서 인산형 연료전지(PAFC; phosphoric acid fuel cell), 용융탄산염형연료전지(MCFC; molten carbonate fuel cell), 고체산화물형 연료전지(SOFC; solid oxide fuel cell), 고분자 전해질형 연료전지(PEMFC; polymer electrolyte membrane fuel cell), 알칼리형 연료전지(AFC;alkaline fuel cell) 및 직접 메탄올 연료전지(DMFC) 등으로 분류될 수 있고, 사용되는 연료의 종류와 함께 작동온도, 출력범위 등에 따라서 이동전원용, 수송용, 분산발전용 등의 다양한 응용분야에 적용될 수 있다.

상기 단위 전지는 전기화학 반응으로 전기 에너지를 생성하면서 물과 열을 부산물로 생산하며, 애노드 분리판, 캐소드 분리판, 개스킷 등을 포함할 수 있다.

본 발명의 일 실시예에 따른 측정부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량, 사운드 등에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정할 수 있다.

한편 본 발명에 따른 측정부(200)에는 연료 전지의 근거리에서 발생하는 사운드를 획득하는 사운드 취득 모듈; 상기 사운드 취득 모듈에서 획득한 사운드 데이터에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 사운드 특징들을 추출하는 사운드 특징 추출 모듈; 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 사운드 특징들을 선택하는 사운드 특징 최적화 모듈; 및 상기 사운드 특징 최적화 모듈에서 최적화된 사운드 특징을 전달받아 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 연료 전지 고장 탐지 및 분류 모듈;을 포함하는 사운드분석을 통한 연료 전지의 고장 탐지 및 식별 시스템이 추가로 연결될 수 있다.

따라서 본 발명은 다양한 충격이 전달되는 곳에 연료전지 시스템의 보호를 위해 사운드 데이터를 수집하여 고장을 미리 예측하고 충격을 완충하는 방법을 제공하고, 특히 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것까지 사운드를 통해 예측하여 제어할 수 있다.

또한 본 발명은 연료전지 스택의 진동에 의해 영향을 받는 사운드 데이터를 원 데이터 검증 방식을 추가한 인공 지능 기법에 의한 필터링을 통해 해결하였다.

즉 미리 원 데이터를 남겨두고 최종 인공 지능 기법의 완결성 테스트에서 합격한 경우에만 인공 지능 기법을 적용하여 관리자에게 알람한다든지 연료 공급을 줄인다든지 하여 보다 정확한 위기 대응을 할 수 있다.

도 3은 본 발명의 일 실시예에 따른 인공지능부(300)의 구성을 나타낸 블록도이다.

도 3을 참조하면, 인공지능부(300)는 데이터 수집부(320), 데이터 학습 및 모델 생성부(340), 성능 예측 및 진단부(360)를 포함할 수 있고, 데이터 학습 및 모델 생성부(340)는 기계 학습부(342) 및 시계열 분석부(344)를 포함할 수 있다.

이 때, 인공지능부(300)는 입력층(Input layer)과, 은닉층(Hidden Layer)과, 출력층(Output Layer)으로 구성되고, 연료전지 스택에서 발생하는 사운드를 예측하기 위한 인공신경망을 구축하기 위하여, 인공신경망을 학습시키기 위한 실험적 데이터 정보를 얻기 위한 정보수집 단계가 선행되어야 한다.

본 발명의 일 실시예에 따른 데이터 수집부(320)는 측정부(200)를 통하여 실시간 측정된 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터와 특히 사운드 데이터를 일정 시간 간격으로 수집할 수 있다.

이 때 사운드 데이터는 연료전지 스택의 진동에 의해 영향을 받을 수 있으나 이하에서 설명하는 인공 지능 기법을 통해 해결할 수 있다.

또한 데이터 수집부(320)는 복수의 교류 전류 신호를 이용한 연료전지 임피던스 측정 방법으로, 신호발생기를 이용하여 주파수가 다른 복수의 교류 전류 신호를 동시에 발생시키되 주파수가 가장 작은 신호의 한 주기 이하 내에 다른 신호의 한 주기 이하가 포함되도록 상기 복수의 교류 전류 신호를 발생시켜서 연료 전지에 인가하고, 상기 복수의 교류 전류 신호의 어느 두 개 이상의 신호 혼입 구간에서 주파수가 가장 큰 신호에 대하여 우선적으로 동기하여 상기 연료 전지에서 발생되는 전압을 해당 인가 시간 동안 측정하여 임피던스 산출 정보로 제공하는 단계를 포함하며, 상기 복수의 교류 전류 신호 각각에 대한 상기 측정에서의 초당 측정 샘플 갯수가 상기 복수의 교류 전류 신호 각각의 주파수에 대한 동일한 배수값으로 정해진 것을 특징으로 하는 연료전지 임피던스 측정 방법을 사용할 수도 있다.

데이터 수집부(320)는 시계열 분석을 위해서 측정된 사운드 데이터를 시계열 데이터의 형태로 시간대별로 저장할 수 있고, 1초 단위부터 년 단위까지 데이터 저장 시간 간격을 조절할 수 있고, 연료전지 운전시간 일부 또는 전부를 포함할 수 있다.

데이터 학습 및 모델 생성부(340)는 일정 시간 간격으로 수집된 데이터를 이용하여, 연료전지의 성능 예측 및 제어를 위한 모델을 생성할 수 있는데, 기계 학습부(342)는 다변수 상관관계를 통한 기계 학습을 통하여 성능예측 및 제어를 위한 모델링을 가능하게 하며, 시계열 분석부(344)는 사운드에 대한 시계열 데이터의 패턴분석을 통하여 연료전지의 상태를 시계열 추세 분석함으로써, 연료전지 스택(100)의 시간에 따른 성능예측 및 제어를 위한 모델을 생성할 수 있다.

즉, 본 발명의 일 실시예에 따른 기계 학습부(342)는 일정 시간 간격으로 수집된 데이터를 기계 학습 알고리즘을 통해 성능의 예측을 위한 모델을 생성하고, 성능예측 및 진단부(360)로 하여금 생성된 모델로부터의 예측값과 측정된 데이터의 측정값을 비교하여 연료전지 스택(100)의 상태를 진단하게 할 수 있다.

예를 들어, 기계 학습부(342)는 일정 시간 간격으로 수집된 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 사운드 데이터를 행렬 구조로서 데이터 구조를 생성하고, 여러 가지 기계 학습 알고리즘을 적용하여 성능 예측 모델을 생성할 수 있다.

또한, 기계 학습부(342)는 성능예측 및 진단부(360)로 하여금 성능 예측 모델에서의 예측값과 측정부(200)를 통하여 실시간 측정된 사운드 측정값들을 비교하여, 예측값과 측정값의 차이로서 연료 전지 스택의 상태가 정상 상태인지 또는 플러딩(flooding), 전해질막의 건조, 반응기체 유량 부족 등의 비정상 상태인지를 판단하게끔 할 수 있다.

왜냐하면 연료 전지의 캐소드에서 생성된 물이 합해져 분리판의 유로에 물이 넘치는 플러딩(flooding) 현상이 발생하면 전극까지 수소와 산소 공급이 원활히 이뤄지지 않아 성능이 감소하기 때문에 사운드 데이터 등을 통해 미리 파악하는 것이 필수이다.

또한, 기계 학습부(342)는 진단된 연료 전지 스택(100)의 상태가 정상 상태인지 또는 비정상 상태인지에 따른 운전 조건 변화에 대한 판단, 즉 제어부(400)를 제어하는 제어 신호를 유지시킬지 또는 변화시킬지에 대한 판단을 제공할 수 있다.

본 발명의 일 실시예에 따른 시계열 분석부(344)는 예측값 및 측정값들을 이용하여 시간 추이 패턴을 분석하는 시계열 추세 분석을 수행하여, 성능예측 및 진단부(360)로 하여금 연료전지 스택(100)의 시간에 따른 성능변화 상태를 일시적, 단기적 성능저하 상태와 열화에 의한 장기적, 비가역적 성능저하 상태의 두 가지 다른 상태로 구별하여 진단하게끔 할 수 있다.

예를 들어, 시계열 분석부(344)는 기계 학습부(342)를 통해서 생성된 성능 예측 모델의 예측값 및 측정부(200)를 통해서 측정된 측정값들을 이용하여 시간 추이 패턴 분석을 수행함으로써, 성능예측 및 진단부(360)로 하여금 시계열적으로 연료전지 스택(100)에서 일시적으로 성능저하가 나타나는 단기적 성능저하 상태 구간과 열화에 의한 비가역적 성능저하가 발생하는 장기적 성능저하 상태 구간을 구별하게끔 할 수 있다. 여기에서 일시적, 단기적 성능저하 상태 구간은 일시적으로는 성능저하가 나타나지만, 제어를 통한 운전 조건의 변경 후 소정의 시간이 흐른 뒤에는 정상 상태로 성능이 회복될 수 있는 구간으로 가역적인 성능저하가 나타나는 구간을 의미할 수 있다.

이러한 일련의 구성과 과정들을 통해 데이터 학습 및 모델을 생성한 후, 이러한 학습 모델이 진정한 데이터를 학습하여 믿을 수 있는 것인지 검증할 필요가 생긴다.

본 발명에 따른 측정부(200)는 사운드 획득 모듈과 사운드 특징 추출 모듈과 사운드 특징 최적화 모듈 등을 포함한다.

상기 사운드 획득 모듈은 사운드를 획득하는 모듈로서, 상술한 진동에 대응하는 사운드 데이터를 취출하고, 상기 진동에 포착하지 못한 미세한 고장 신호를 파악할 수 있도록 한다.

사운드 특징 추출 모듈은 상기 사운드 획득 모듈에서 획득한 사운드 데이터에서 Mel-Frequency Cepstrum Coefficient(MFCC)로 구성되는 사운드 특징들을 추출하는 모듈이다.

즉 본 발명은 상기 진동을 통해 특정 고장에 대한 원인을 규명하지 못했을 경우 참고적으로 사운드 신호를 추가하여 미세한 고장 신호를 파악할 수 있도록 한다.

이 때 미세한 사운드의 특징 부분 집합을 선택하는 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나를 이용하는 사운드 특징 최적화 모듈을 사용하면 더 미세한 고장 신호도 파악할 수 있다.

상기 사운드 특징 최적화 모듈은 상기 사운드 획득 모듈에서 추출한 사운드 특징들을 나선신경망기술(CNN:Convolutional Neural Network) 또는 SRC(Sparse Representation Classifier)에 적용하여 인공 지능이 탑재된 연료 전지 제어 시스템의 고장을 탐지할 수 있는 사운드 특징벡터를 선택하고, 고장 탐지 및 분류의 계산 시간을 감소시키기 위해 상기 사운드 특징 벡터의 차원을 축소시켜 계산량을 줄일 수 있고, 상기 인공 지능이 탑재된 연료 전지 제어 시스템의 고장에 대한 탐지 및 분류에 일정 임계치 이상의 영향을 미치는 특징들을 선택하한 후 학습을 진행한다.

상기 학습 과정을 통해 미세한 고장 신호를 파악하여 고장 상황을 즉시 통보할 수 있고, 관리자를 통해 효과적이며, 안정적으로 고장 상황을 대처할 수 있다.

즉 사운드 데이터를 이용하여 진동 정보로 탐지하는 것에서 관측할 수 없었던 부분을 보다 더 정확하게 고장 상황을 탐지할 수 있다.

예를 들어 MFCC(Mel-Frequency Cepstral Coefficient), LPCC(Linear Prediction Cepstrum Coefficient), PLP(Perceptual Linear Prediction), 및 LDA(Linear Discriminative Analysis) 중 어느 하나를 이용하여 상기 사운드 데이터에서 특징 벡터를 추출하여, 상기 추출된 특징 벡터에 포함된 사운드와 비정상 사운드와의 비교를 통해, 상기 사운드 데이터가 비정상 사운드(고장 사운드, 진동에 의해 발생된 사운드)인지에 대한 식별이 이루어진다.

또한 Multi-class SVM(Support Vector Machine), SRC(Sparse Representation Classifier), CNN 등의 다양한 기계학습 및 딥러닝 방법을 사운드 데이터 분석에 의한 탐지에 사용하여 이미지 처리에 의한 분석 보다 사운드 데이터에 의한 분석이 외관상 관측할 수 없는 부분의 고장도 용이하게 파악할 수 있다.

본 발명의 일실시예로서, 정상 사운드(Normal) 데이터만으로 학습한 SVDD를 이용하여 비정상 사운드를 빠르게 탐지함으로써, 정상 사운드에 대한 불필요한 비정상 사운드 식별 연산을 수행하지 않는다.

그리고 본 발명은 강인한 SRC를 이용하여 비정상 사운드를 식별함으로써, 안정적인 보안 감시 시스템 운용을 보장하며, SRC 고유의 특성상 새로운 비정상 사운드가 추가되더라도 전체 시스템을 재학습시킬 필요가 없는 시스템의 점증적 갱신이 가능하다.

또한 본 발명의 다른 실시예로서, 다양한 기계학습 알고리즘을 이용하여, 연료 전지에서 취득한 사운드의 특징 정보로부터 고장을 실시간으로 탐지 및 분류된 고장에 대한 항목별 조치요령에 따라 현장의 상황에 대한 연료 전지 보고서의 점검 항목에 "일치" 또는 "불일치"에 대한 정보를 입력할 수 있어, 사운드의 특징 정보로부터 고장을 실시간으로 탐지 및 분류된 고장에 대한 항목과 일치되지 않은 경우 관리자가 연료 전지의 고장 상황을 수기로 기입하거나 재 탐색할 수 있도록 DB에 저장한다. 이 때 관리자는 연료 전지 보고서에 사운드 데이터의 증가에 따른 조치 사항을 입력한 작업 지시 명령을 해당자에게 전송할 수 있다.

또한 SRC 기반의 비정상 사운드 식별의 또 다른 장점은 점증적 갱신이 가능하다는 점이다. SRC 기반의 비정상 사운드 식별 분류 문제에서 각 사운드 특징 벡터는 행렬 A 의 열벡터(column vector)로 표현된다.

결국 상황에 따라 새로운 비정상 사운드 클래스의 추가가 요구되더라도 SRC의 특성상 전체 시스템을 재학습시킬 필요 없이 MFCC 특징 벡터로 구성된 행렬에 열벡터만을 추가함으로써 시스템의 점증적 갱신 및 확장이 가능하다.

또한 기계학습 입장에서 보았을 때, SRC는 게으른 학습자(lazy learner)로서 선행 학습을 하는 적극적 학습자(eager learner)와는 달리 풀어야 할 문제가 발생했을 경우에만 반응하는 문제 해결자이다.

결국, SRC는 과도한 학습을 요구하는 기계학습 알고리즘의 고질적인 문제점을 피해갈 수 있을 뿐만 아니라, 점진적 갱신의 특성으로 인하여 계속적으로 변하는 비정상 사운드 클래스의 추가 문제에도 유연하게 대처할 수 있다.

상술한 구성에 의하여 본 발명은 종래의 영상 정보를 이용한 비정상 상황 인식과 달리 실시간으로 유입되는 사운드 데이터만으로 보다 쉽게 비정상 상황을 탐지할 수 있으므로 비교적 제약조건이 적고 단순한 시스템의 구현이 가능하다

즉, 초기 설치비용이 많이 발생하는 동영상을 이용한 방법, 사람이 직접 감시 하는 방법 등과 달리 대상에 아무런 제약을 받지 않은 상태에서 사운드 취득 모듈을 사용하여 저비용 및 효과적으로 실제 연료 전지의 상태 정보를 취득할 수 있는 장점이 있다.

도 4에 도시된 바와 같이 본 발명은 사운드 등에 관한 데이터를 실시간으로 측정하는 단계; 데이터를 수집하고, 데이터를 학습 및 모델을 생성하며, 성능 예측 및 진단하는 단계; 성능 예측 및 진단 값과 일정치 이상 차이나는 경우 이를 탐지하여 알람 제어하는 단계; 등으로 구성된다.

또한 도 5에 도시된 바와 같이 구체적으로 인공지능부(300)가 데이터를 수집하고, 데이터 학습 및 모델 생성부를 통해 기계 학습과 시계열 분석하는 단계; 상기 기계 학습과 시계열 분석한 정보를 통해 성능 예측 및 진단하여 알람 제어하는 단계; 등으로 구성된다.

한편 보통 연료 전지 또는 연료전지 스택(100) 내의 화재를 감지하거나 지진을 감지하여 화재의 경우 초기 화재진압 및 경보할 수 있고, 지진 감지기능을 적용하여 사전에 부하 차단시켜 관리자가 도착하기 전 최대한 피해를 막기 위한 과정이 진행된다.

그러나 화재를 온도로 감지하는 화재 감지부와 지진(스택 진동과 구분)을 진동으로 감지하는 지진 감지부는 연료 전지 내에서 동시에 부착되어 운용되다 보니, 온도 또는 진동이 서로에게 영향을 미쳐 오작동될 문제가 발생하게 된다.

따라서 본 발명은 화재 감지부와 지진 감지부의 신호를 OR 조건(제1 모드), AND 조건(제2 모드)로 나누어 감지하도록 하여 온도 또는 진동이 서로에게 영향을 미쳐 오작동될 문제를 사전에 차단할 수 있게 하였다.

일실시예로서 상기 중앙 관제 센터는 상기 연료 전지 내의 화재 감지부로 화재를 감지하거나 또는 지진 감지부로 진동을 감지한 경우 제1 모드를 적용하고, 화재 감지부로 화재를 감지하고 동시에 지진 감지부로 진동을 감지한 경우 제2 모드를 적용한다.

제2 모드(화재 및 지진 모드)에서는 지진 감지부로 진동을 감지한 후 지진에 따른 보정 계수를 적용하며 화재 감지부에서 센싱된 온도를 진동에 따른 값에 따라 보정하고, 상기 보정된 온도에 따라 보정 계수를 적용하여 지진으로 판단되면 차단기를 동작시켜 전원 공급을 중단한다.

왜냐하면 상기 지진 감지부로 진동을 감지한 경우 상기 진동에 의한 화재 감지부의 센서 오류가 발생할 수 있고, 화재 감지부로 화재를 감지한 경우 화염 진동에 의해 지진 감지부의 오류가 발생할 수 있어 이를 보정할 필요가 있기 때문이다.

상기 보정 계수는, 상기 화재 감지부에서 센싱된 온도와 지진 감지부에 센싱된 진동값에 따른 측정값 차이를 보상하기 위하여 설정된 계수이다.

따라서 연료 전지의 각 센서에 대한 정보를 보정을 통해 추가적인 데이터 가공으로 온도 또는 진동이 서로에게 영향을 미쳐 오작동될 문제를 사전에 차단할 수 있다.

또한 화재일 경우와 지진일 경우를 정확히 구분하고 이를 DB 모듈에 빅데이터화하여 차후 유사한 사건이 발생할 수 있는 연료 전지를 집중 관리하거나 교체하여 미리 화재나 지진에 대비할 수 있다.

100 : 연료전지 스택
200 : 측정부
300 : 인공지능부
310 : 데이터 검증부
320 : 데이터 수집부
340 : 데이터 학습 및 모델 생성부
342 : 기계 학습부
344 : 시계열 분석부
360 : 성능 예측 및 진단부
400 : 제어부

Claims (8)

1. 전기화학 반응으로 전기 에너지를 생성시키기 위한 복수개의 단위 전지들이 결합된 연료전지 스택; 상기 연료전지 스택을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정하기 위한 측정부; 상기 측정부를 통하여 측정된 상기 데이터를 일정 시간 간격으로 수집하고, 상기 수집된 데이터에 대한 학습 및 분석을 통하여 연료전지의 성능 예측 및 제어를 위한 학습 모델을 생성하고, 상기 생성된 모델과 실시간으로 측정된 데이터를 비교하여 상기 연료전지 스택의 상태를 진단하고, 상기 연료전지 스택의 운전 조건을 변경하기 위한 제어 신호를 생성하는 인공지능부; 및 상기 생성된 제어 신호에 따라서 상기 연료전지 스택의 운전 조건을 변경시키는 제어부를 포함하는 인공 지능이 탑재된 연료 전지 제어 시스템에 있어서,
   상기 인공지능부는,
   사운드에 관해 측정된 사운드 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 학습 모델을 검증하는 검증부;
   상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 알람하도록 제어하는 제어부;를 포함하되,
   상기 연료전지 스택의 화재를 감지하거나 지진을 감지하여 화재의 경우 초기 화재진압 및 경보할 수 있고, 지진 감지기능을 적용하여 사전에 부하 차단시켜 관리자가 도착하기 전 최대한 피해를 막기 위해,
   상기 화재를 감지하는 화재 감지부와 상기 지진을 감지하는 지진 감지부의 신호를 OR 조건(제1 모드), AND 조건(제2 모드)로 나누어 감지하도록 하여 온도 또는 진동이 서로에게 영향을 미쳐 오작동될 문제를 사전에 차단하기 위해 중앙 관제 센터는 상기 연료 전지 내의 화재 감지부로 화재를 감지하거나 또는 지진 감지부로 진동을 감지한 경우 제1 모드를 적용하고, 화재 감지부로 화재를 감지하고 동시에 지진 감지부로 진동을 감지한 경우 제2 모드를 적용하며,
   상기 제2 모드(화재 및 지진 모드)에서는 지진 감지부로 진동을 감지한 후 지진에 따른 보정 계수를 적용하며 화재 감지부에서 센싱된 온도를 진동에 따른 값에 따라 보정하고, 상기 보정된 온도에 따라 보정 계수를 적용하여 지진으로 판단되면 차단기를 동작시켜 전원 공급을 중단하는 인공 지능이 탑재된 연료 전지 제어 시스템.
2. 제1항에 있어서,
   상기 제어부는, 연료 전지의 근거리에서 발생하는 사운드 데이터를 획득하는 사운드 취득 모듈;을 더 포함하여,
   상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템.
3. 제2항에 있어서,
   상기 제어부는, 상기 사운드 취득 모듈에서 획득한 사운드 데이터에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 사운드 데이터의 특징들을 추출하는 사운드 특징 추출 모듈;을 더 포함하는 인공 지능이 탑재된 연료 전지 제어 시스템.
4. 제3항에 있어서,
   상기 제어부는, 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 사운드 데이터의 특징들을 선택하는 사운드 특징 최적화 모듈;을 더 포함하는 인공 지능이 탑재된 연료 전지 제어 시스템.
5. 제1항에 있어서,
   상기 제어부는, 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 사운드 데이터의 특징들을 선택하는 사운드 특징 최적화 모듈에서 최적화된 사운드 데이터 특징을 전달받아 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 연료 전지 고장 탐지 및 분류 모듈;을 포함하여,
   상기 사운드 데이터를 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있는 인공 지능이 탑재된 연료 전지 제어 시스템.
6. 제1항에 있어서,
   상기 인공지능부는 데이터를 수집하고, 데이터 학습 및 모델 생성부를 통해 기계 학습과 시계열 분석하며, 상기 기계 학습과 시계열 분석한 정보를 통해 성능 예측 및 진단하여 알람 제어하는 것을 특징으로 하는 인공 지능이 탑재된 연료 전지 제어 시스템.
7. 삭제
8. 삭제

Images