KR102169047B1 - 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 - Google Patents

딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 Download PDF

Info

Publication number
KR102169047B1
KR102169047B1 KR1020200086500A KR20200086500A KR102169047B1 KR 102169047 B1 KR102169047 B1 KR 102169047B1 KR 1020200086500 A KR1020200086500 A KR 1020200086500A KR 20200086500 A KR20200086500 A KR 20200086500A KR 102169047 B1 KR102169047 B1 KR 102169047B1
Authority
KR
South Korea
Prior art keywords
fuel cell
vibration
unit
fire
data
Prior art date
Application number
KR1020200086500A
Other languages
English (en)
Inventor
우혁재
김진섭
Original Assignee
지엘홀딩스 주식회사
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 지엘홀딩스 주식회사 filed Critical 지엘홀딩스 주식회사
Priority to KR1020200086500A priority Critical patent/KR102169047B1/ko
Application granted granted Critical
Publication of KR102169047B1 publication Critical patent/KR102169047B1/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
    • H01M8/04298—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Artificial Intelligence (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Sustainable Energy (AREA)
  • Computing Systems (AREA)
  • Sustainable Development (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (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)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Medical Informatics (AREA)
  • Fuel Cell (AREA)

Abstract

본 발명은 딥러닝 기능이 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 것까지 인공 지능으로 예측하여 제어할 수 있는 딥러닝 기능이 탑재된 연료 전지 제어 시스템에 관한 것이다.

Description

딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법{The fuel cell control system is equipped with an artificial intelligence}
본 발명은 딥러닝 기능이 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 것까지 인공 지능으로 예측하여 제어할 수 있는 딥러닝 기능이 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 제어기는 입력층(Input layer)과, 은닉층(Hidden Layer)과, 출력층(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.
Figure 112020072810161-pat00001
여기서, Wij 는 i번째와 j번째 뉴우런 사이의 연결 가중치이고, Vj는 j번째 입력, Ii는 바이어스 값이다.
Figure 112020072810161-pat00002
여기서 W,X,Y,α는 각각 가중치, 입력, 목표출력, 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 진동이나 충격이 전달되는 곳에 연료전지 시스템을 설치하는 경우에는 연료전지 시스템의 보호를 위해 이러한 진동이나 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.
또한 연료전지 스택은 차량의 운행시간, 주행거리, 시동횟수가 증가할수록 진동에 따라 열화가 발생하는데, 이는 건조에 의해 발생하는 일시적인 열화가 아닌 스택 막 자체의 열화로서, 연료전지 스택의 출력 저하를 유발하여 연비를 저하시키고, 심하면 차량의 발진을 제한하게 된다.
한편 한국등록번호 제2018115호는 스택, 개질기, 열교환기, 냉각수 등 다수의 보조기기들, 전력변환장치, 제어장치로 구성된 연료전지 시스템; 상기 연료전지 시스템으로 부터의 진동 정보를 전달받아 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 모니터링 시스템에 고장 판단 정보를 전송하는 상태진단 시스템; 통신부와 통신망을 이용하여 데이터를 송수신하여 관리하는 모니터링 시스템으로 구성되고, 상기 상태진단 시스템은, 외함 내부에서 취득한 데이터를 연산 및 통신장치에 전달하여 데이터 신호처리가 가능한 진동 측정부; 상기 데이터 신호처리 및 저장, 데이터 패턴분석, 고장 판단을 하여 데이터를 모니터링 시스템과 송수신하는 연산부; 상기 제어장치와 상태진단 시스템과 모니터링 시스템을 통신망을 통하여 연결하는 연산 및 통신 장치;를 포함하며, 상기 상태진단 시스템은 상기 연료전지 시스템으로부터의 오디오 획득 모듈을 통해 연료전지의 상태를 진단하고 분석하여 예방조치 할 수 있도록 모니터링 시스템에 고장 판단 정보를 전송하며, 상기 오디오 획득 모듈은 상기 오디오 정보를 취출하고, 상기 진동에 포착하지 못한 미세한 고장 신호를 파악할 수 있도록 하고, 상기 데이터 패턴분석은 시계열 진동과 오디오 데이터를 주파수영역으로 변환하여 그래프 특성을 초기데이터와 취득데이터를 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나를 이용하여 고장 판단하는 것을 특징으로 하는 진동을 이용한 연료전지의 상태 진단 시스템을 제공한다.
그러나 예측된 진동 데이터를 측정된 진동 데이터와 비교하여 그 차이값 파악하는 등의 구체적인 기술이 부족한 편이다.
또한 시계열 진동을 시간 또는 주파수 영역에서 분석하여 보다 다양하고 정밀한 측정이 불가능한 문제가 있었다.
한국공개특허 제2012-0096614호 한국공개특허 제2014-0005324호 한국등록번호 제2018115호
본 발명은 상기와 같은 문제점을 해결하기 위해 이루어진 것으로서, 본 발명은 다양한 진동이나 충격이 전달되는 곳에 연료전지 시스템의 보호를 위해 연료전지 시스템 내부의 복수개의 스택이 화학 반응에 의해 미세하게 진동하는 것 까지 인공 지능으로 예측하여 제어할 수 있는 딥러닝 기능이 탑재된 연료 전지 제어 시스템을 제공하는 데 목적이 있다.
상기 과제를 해결하기 위하여 본 발명은 제어부에 의해 제어되는 딥러닝 기능이 탑재된 연료 전지 제어 시스템에 있어서, 상기 제어부는, 상기 진동에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 측정 데이터의 일정 부분을 미리 남겨 놓아 상기 학습 모델의 검증을 진행하는 검증부;를 포함하여, 상기 검증부가 연료 전지 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 추출하고, 상기 검증부가 추출된 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 특징을 추출하여, 상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있다.
상기 제어부는 1차원 진동 신호에서 변환된 2차원 영상으로부터 질감 특징을 추출하기 위해 DNS(dominant neighborhood structure) 지도(map)를 이용한다.
상기 DNS 지도로부터 PCA의 결과로 얻어진 3개의 특징 점(feature point)을 이용하여 연료 전지의 결함을 분류한다.
상기 진동 신호에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성된다.
상기 제어부는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 진동 특징들을 선택한다.
상기 연료 전지는 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) 중 하나이다.
본 발명은 제어부에 의해 제어되는 딥러닝 기능이 탑재된 연료 전지 제어 시스템을 이용한 제어 방법에 있어서, 상기 제어부가 상기 진동에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 측정 데이터의 일정 부분을 미리 남겨 놓아 상기 학습 모델의 검증을 진행하는 단계; 상기 제어부가 연료 전지 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 추출하는 단계; 상기 제어부가 추출된 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 특징을 추출하는 단계; 상기 제어부가 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 모니터링하는 단계;를 포함한다.
상기 제어부는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 진동 특징들을 선택하여 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 단계;를 더 포함한다.
상기와 같이 이루어지는 본 발명은 연료전지 시스템의 진동을 분석하여 특정 고장에 대한 예방조치 할 수 있고, 정기적인 유지보수에 의해서도 고장 위험이 해소되지 않은 부분이나 예상치 못한 고장이 발생하는 부분에 대해서도 체계적인 관리를 할 수 있다.
또한 본 발명은 인공신경망을 이용하여 예측된 진동 데이터를 측정된 진동 데이터와 비교하여 그 차이값이 임계치 이상이면 수소 공급 시스템이 고장난 것과 위치를 정확하게 진단할 수 있고, 고장 진단에 대응하는 후속 조치를 신속하게 취할 수 있다.
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 진동 데이터를 빅데이터화하여 다양한 기계학습 알고리즘을 통하여 특징을 최적화 시켜 고장 탐지 뿐 아니라 고장의 종류까지 분류할 수 있다.
또한 본 발명은 본 발명은 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 예측하여 제어할 수 있다.
또한 본 발명은 이미지 처리에 의한 외관상 관측할 수 없는 부분의 고장도 진동 정보에 의해 용이하게 파악할 수 있다.
도 1은 본 발명에 따른 딥러닝 기능이 탑재된 연료 전지 제어 시스템을 보여주는 도면이다.
도 2는 본 발명의 일실시예에 따른 딥러닝 기능이 탑재된 연료 전지 제어 시스템의 구성을 보여주는 도면이다.
도 3은 본 발명의 일실시예에 따른 딥러닝 기능이 탑재된 연료 전지 제어 시스템의 세부 구성을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기능이 탑재된 연료 전지 제어 시스템을 이용한 제어 방법을 보여주는 도면이다.
도 5와 도 6은 본 발명의 다른 실시예에 따른 딥러닝 기능이 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 2는 본 발명의 일 실시예에 따른 인공지능형 연료전지 시스템(1000)의 구성을 나타낸 블록도이다.
도 2를 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 데이터와 특히 진동 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 진동에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 학습 모델의 검증을 진행하는 데이터 검증부(310);를 포함하여, 상기 데이터 검증부(310)가 연료 전지 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 추출한다.
상기 데이터 검증부(310)가 추출된 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플 간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 특징을 추출하여, 상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 알람 또는 예방조치할 수 있도록 상기 제어부(400)에 전송한다.
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 장치에 필요한 전력을 공급할 수 있다.
또한 본 발명에 따른 딥러닝 기능이 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.
구체적으로 구체적으로 도 2b (a)에 도시된 바와 같이 연료전지 스택(30)은 외곽을 형성하는 바텀플레이트(11)와 어퍼플레이트(12), 복수의 셀 유닛(22)으로 구성된 셀 스택(cell stack)(20), 열교환기(23)(24)및 금속재질로 이루어진 실링부재를 포함하여 구성된다.
상기 바텀플레이트(11)의 일측에는 외부로부터 산소가 포함된 공기가 유입되는 공기 유입구(112)와, 셀 유닛(22)에서 연료와 반응된 공기가 배출되는 공기 배출구(114)가 형성된다.
상기 어퍼플레이트(12)는 바텀플레이트(11)로부터 일정거리 이격된 상부 측에 배치되는데, 상기 어퍼플레이트(12)의 일측에는 연료(수소)가 유입되는 연료 유입구(122)와 상기 셀 유닛(22)에서 공기와 반응된 연료가 배출되는 연료 배출구(124)가 형성된다.
상기 셀 스택(cell stack)(20)은 단위 셀 유닛(cell unit)(22)이 복수 개(실시 예에서는 5개) 적층되어 이루어진 것으로서, 상기 셀 스택(20)은 바텀플레이트(11)와 어퍼플레이트(12) 사이에 개재되어 이들과 함께 조립된다.
여기서, 상기 셀 스택(20)을 구성하는 단위 셀 유닛(22)은 양극(anode)(202)과 음극(cathod)(204) 사이에 전해질(미도시)이 개재된 구조를 형태를 가지며, 상기 양극(202) 및 음극(204) 측에는 연료 및 공기가 각 전극(202)(204)면과 반응이 원활하게 이루어지게 할 수 있도록 하는 집전판(211)(212)이 구비된다.
상기 단위 셀 유닛(22)의 구성을 구체적으로 살펴보면, 단위 셀 유닛(22)은 중앙에 있는 셀(21)을 기준으로 그 상부 및 하부에 각각 분리판(213)(214)이 배치되고, 상기 2개의 분리판(213)(214) 사이에는 셀(21)의 외곽을 감싸도록 홀더(221)와 복수의 절연판(225)(226) 및 스페이서(222)(223)(224)가 개재된다.
그리고 상기 셀(21)과 양측 분리판(213)(214) 사이에는 각각 집전판(211)(212)이 설치된 구조를 갖는다. 그리고, 상기 각각의 분리판(213)(214)에는 연료 및 공기가 유동될 수 있는 통로인 복수의 채널(213a)(214a)이 형성된다.
이와 같은 구성을 갖는 단위 셀 유닛(22)이 복수 개 적층되어 하나의 셀 스택(20)을 구성하게 되며, 상기 셀스택(20)의 상부(양극 측) 및 하부(음극 측)에는 각각 열교환기(23)(24)가 구비된다. 여기서, 상기 셀 스택(20)의 상부 측(양극 측)에 배치되는 열교환기(23)는 어퍼플레이트(12)의 연료 유입구(122)를 통해 유입된 연료를 셀의 반응에 적합한 온도로 예열시키는 한편 예열된 연료를 상기 셀 스택(20) 내에 구비된 각각의 셀유닛(22)으로 고르고 균일하게 공급하도록 한다. 아울러, 상기 셀 스택(20)의 하부 측(음극 측)에 배치되는 열교환기(24)는 바텀플레이트(11)의 공기 유입구(112)를 통해 유입된 공기를 셀의 반응에 적합한 온도로 예열시킨 후 각 단위 셀 유닛(22)으로 균일하고 고르게 공급되도록 한다.
도 2b (b)를 참조하면, 본 발명의 제2실시 예에 따른 고체산화물 연료전지 스택(40)은 전술된 제1실시 예에서 설명된 5개의 셀 유닛(22)을 갖는 셀 스택(20)이 열교환기(25)를 사이에 두고 복수 개(총 6개)로 적층된 구조로 이루어져 있다. 이때, 상기 고체산화물 연료전지 스택(40)에 있어서, 양극 측 방면에서의 연료의 유동 경로와 음극 측 방면에서의 공기의 유동 경로는 연료 및 공기의 유동 흐름과 동일하기 때문에 이에 대한 별도의 구체적인 설명은 생략하기로 한다.
그리고, 상기 연료전지 스택(40)에 있어, 연료전지 스택(40)의 수직방향(상하방향)으로 연료 및 공기의 유동이 가능하도록 셀 스택(20)과 열교환기(25) 및 실링부재(미도시)의 외곽부에 각각 형성된 관통공(250a~250g,268a~268f)의 형상은 수직방향으로 서로 다른 크기(면적)를 갖도록 형성된다. 즉, 적층 구조를 이루는 각각의 구성부(셀 스택, 열교환기, 실링부재) 외곽에 형성되는 관통공(250a~250g,268a~268f)이 서로 연통됨으로써 이루어지는 연료 및 공기의 수직방향 유동 통로는 점차 확장되거나 줄어드는 형태를 갖도록 형성된다.
본 발명의 일 실시예에 따른 측정부(200)는 연료전지 스택(100)을 구성하는 각각의 단위 전지, 반응 기체 및 냉각수의 온도, 압력, 습도, 유량, 진동 등에 관한 데이터 및 연료전지 운전 중 전류, 전압 데이터를 실시간으로 측정할 수 있다.
한편 연료 전지 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 잘 나타낼 수 있는 특징 추출이 요구된다.
일반적으로 평균(mean), 분산(variance), 첨예도(kurtosis) 등 통계 값을 특징으로 이용하는 시간 영역 분석 기법은 진동 신호의 비선형(non-linear) 및 비정상(non-stationary) 특징으로 인해 시간이 지남에 따라 신호의 변화가 발생하므로 결함 특징을 효과적으로 나타내는데 제약이 된다.
그에 반해 고속 푸리에 변환(fast Fourier transform)을 이용하는 주파수 분석은 각 결함 유형별 특징 주파수(characteristic frequency)를 활용함으로써 좋은 특징을 추출할 수 있다.
하지만 일부 고주파수 대역에서 특징 주파수를 갖는 연료 전지 결함의 경우에는 잡음 성분 등에 의해 그 특징 주파수 성분이 가려지는 경우 발생한다.
또한 주파수 분석을 통한 특징 추출의 경우 순간적으로 발생하는 결함을 감지하기에는 다소 어려운 문제가 있다. 이를 해결하기 위해 최근 STFT(short-time Fourier transform), 웨이블릿 변환(wavelet transform) 및 EMD (empirical mode decomposition) 등을 이용한 시간-주파수 영역 분석 기법을 이용한 특징 추출에 관한 연구가 활발히 진행되고 있으나, STFT의 경우는 시간 해상도와 주파수 해상도의 사이의 trade-off가 발생하는 문제, 웨이블릿 변환 및 EMD의 경우는 입력 신호를 분해한 후 어떤 대역의 신호를 사용해야 하는가에 대한 대역 선택의 문제 등이 특징 추출에 제약이 된다.
따라서 본 발명에서는 기존의 시간 영역, 주파수 영역, 시간-주파수 영역 분석 기법을 통한 특징 추출 방법이 아닌 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 보다 효율적인 특징을 추출하고자 한다.
1차원 진동 신호를 2차원 영상으로 변환하기 위해, 진동 신호의 각 샘플(sample)은 0에서 255사이의 값으로 정규화 되고, 정규화한 값은 영상의 픽셀 값으로 대응된다.
본 발명에서는 8,000 Hz로 샘플링된 1초 길이의 진동 신호를 연료 전지 결함 분류에 사용하여 89ㅧ89 크기의 회색조 영상을 얻을 수 있다.
1차원 진동 신호를 2차원 영상으로 변환함으로써 진동 신호의 샘플 사이의 상관 관계를 보다 쉽게 확인할 수 있으며, 변환된 영상에서 확인할 수 있듯이 연료 전지 결함 유형별 특정한 패턴(pattern)이 반복되는 질감(texture) 특징이 나타나는 것을 알 수 있다.
이와 같은 질감 특징은 2차원 변환 시 정규화 과정을 거침으로써 시간에 따라 결함이 발생하는 정도에 대해 덜 민감하고, 특징 주파수가 겹치는 결함(각 장렬 불량 결함 및 굽은 회전축 결함, 회전자 불평형 결함 및 회전자 봉 파손 결함)일지라도 달리 나타나므로 신뢰성 있는 연료 전지 결함 진단을 위한 효과적인 특징이라고 할 수 있다.
본 발명에서는 1차원 진동 신호에서 변환된 2차원 영상으로부터 질감 특징을 추출하기 위해 DNS(dominant neighborhood structure) 지도(map)를 이용한다.
DNS 생성을 위해 먼저 LNS(local neighborhood structure) 지도를 생성해야 하는데 이를 위해서는 먼저 검색 윈도우(search window)와 이웃 윈도우(neighborhood window)를 정의한다.
영상의 좌측 가장자리를 기준으로 nㅧn 검색 윈도우를 씌우며, 이때 검색 윈도우의 가운데 있는 픽셀을 중심 픽셀(center pixel)이라 한다.
질감 특징 추출을 위해서는 검색 윈도우내에 있는 중심 픽셀 주위로 크기가 mㅧm인 이웃 윈도우를 씌워 벡터 Vs를 생성한다.
다음으로 검색 윈도우내 좌측 상단에 위치한 픽셀을 중심으로 하여 이웃 윈도우를 씌워 벡터 Vn을 생성한 후, Vs와 Vn 사이에 유클리드 거리(Euclidean distance, ED)를 계산하여 좌측 상단에 위치한 픽셀 값을 대체한다.
이와 같은 과정이 검색 윈도우내에 있는 모든 픽셀을 처리할 때까지 반복되어 최종적으로 LNS 지도를 생성한다.
윈도우의 중심 픽셀 사이의 간격을 5로 하여 좌에서 우로, 위에서 아래로 이동하면서 LNS 지도를 계속적으로 생성한다. 마지막으로 모든 LNS 지도가 생성되면 LNS 지도의 같은 위치에 있는 픽셀 값들에 대한 평균 픽셀 값을 갖는 DNS 지도를 생성하며 이는 영상에서 나타나는 질감 특징을 잘 나타낸다. DNS 지도 생성 시 사용되는 윈도우의 크기가 작으면 DNS 지도를 생성하는데 소요되는 시간은 줄어드나 충분한 질감 특징 정보를 반영할 수 없는 단점이 있다. 반면 윈도우의 크기가 크면 충분한 질감 특징 정보를 반영할 수 있지만 DNS 지도를 생성하는데 많은 시간이 소요된다.
따라서 본 발명에서는 많은 실험을 통해 DNS 지도를 생성하는데 소요되는 시간 대비 충분한 질감 특징을 반영하는 21ㅧ21의 검색 윈도우와 13ㅧ13 이웃 윈도우를 사용하여 DNS 지도를 생성하였다.
DNS 지도가 연료 전지 결함 유형별 질감 특징을 잘 반영하고 있지만 21ㅧ21 크기의 DNS 지도에 있는 모든 픽셀 정보를 결함에 대한 특징으로 사용하기에는 어려움이 있다.
첫째 분류기로 사용되는 입력 데이터의 수가 너무 커 분류하는데 많이 시간이 소요되며, 둘째 너무 많은 입력 데이터는 결함 유형별 특징을 구분하는데 방해가 된다. 따라서 본 발명에서는 다음 두 가지 기법을 이용하여 분류기의 입력으로 사용할 특징 벡터의 차원을 줄인다.
먼저 DNS 지도 가운데 위치한 픽셀을 기준으로 반지름이 1에서 10인 동심원 10개를 그리고 동심원에서 45도 간격으로 위치한 픽셀 값을 취함으로써 일정 크기의 새로운 특징 벡터를 생성한다.
다음으로 주성분 분석(principal component analysis, PCA)기법을 이용하여 특징 벡터의 차원을 줄이는데, 따라서 본 발명에서는 특징 벡터의 차원에 따른 분류 정확도(classification accuracy)를 평가함으로써 연료 전지 결함 분류 시스템을 위한 효과적인 특징만을 선택한다.
SVM은 이진 분류기로써 두 클래스 간 마진(margin)을 극대화하는 초평면(hyper-plane)을 찾아내어 주어진 데이터를 선형적으로 분할한다.
하지만 본 발명에서는 정상 신호를 포함하여 분석할 수 있는 MCSVMs을 이용한다.
MCSVMs을 구현하기 위한 대표적인 방법으로는 one-against-one(OAO) 및 one-against-all(OAA) 방식이 있다.
본 발명에서는 OAO구조의 MCSVM 대비 비교적 좋은 성능을 보이는 OAA구조의 MCSVM을 이용한다.
연료 전지의 다중 결함 분류와 같이 많은 응용 애플리케이션의 경우 클래스 간 데이터가 선형적으로 분리 되지 않으므로 비선형 데이터 집합을 두 개의 클래스로 분할할 수 있는 초평면이 필요하다.
이러한 문제를 해결하기 위해, 커널 (kernel)을 이용하여 입력 벡터를 보다 고차원 특징 공간속으로 사상(projection)하여 초평면을 찾게 된다.
SVM에 사용되는 대표적인 커널 함수는 다항 함수, 가우시안 방사 기저 함수(Gaussian radial basis function, RBF), 지수 방사 기저 함수 등이 있다.
본 발명에서는 다양한 커널 함수를 이용한 실험 결과를 바탕으로 가장 우수한 성능을 보인 RBF 커널을 사용하여 연료 전지의 다중 결함을 분류하였다.
연료 전지의 신뢰성 있는 결함 분류를 위해 본 발명에서는 PCA를 바탕으로 한 특징 벡터의 크기와 MCSVMs의 각 SVM에 사용되는 적절한 표준 편차 값을 정할 필요가 있다.
먼저 PCA를 이용하여 얻은 특징 벡터의 크기별 결함 분류 성능을 보이며, 특징 벡터의 차원이 3에서 6일 때 가장 좋은 성능을 보였다.
분류에 사용하는 특징 벡터의 차원은 결함 분류를 위한 실행 시간과 관련이 있으므로 본 발명에서는 DNS 지도로부터 PCA의 결과로 얻어진 3개의 특징 점(feature point)을 이용하여 연료 전지의 결함을 분류한다.
한편 연료 전지의 근거리에서 발생하는 진동 파형을 획득하는 진동 취득 모듈; 상기 진동 취득 모듈에서 획득한 진동 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 진동 특징들을 추출하는 진동 특징 추출 모듈; 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 진동 특징들을 선택하는 진동 특징 최적화 모듈; 및 상기 진동 특징 최적화 모듈에서 최적화된 진동 특징을 전달받아 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 연료 전지 고장 탐지 및 분류 모듈;을 포함하는 진동분석을 통한 연료 전지의 고장 탐지 및 식별 시스템이 추가로 연결될 수 있다.
따라서 본 발명은 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 예측하여 제어할 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 스택의 수소 출구에서의 수소 온도를 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 데이터를 일정 시간 간격으로 수집할 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 두개 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 샘플갯수가 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 모든 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 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 전류, 전압 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 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.
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 진동 획득 모듈과 진동 특징 추출 모듈과 진동 특징 최적화 모듈 등을 포함한다.
상기 진동 획득 모듈은 진동 파형을 획득하는 모듈로서, 상술한 진동에 대응하는 진동 정보를 취출하고, 상기 진동에 포착하지 못한 미세한 고장 신호를 파악할 수 있도록 한다.
진동 특징 추출 모듈은 상기 진동 획득 모듈에서 획득한 진동 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC)로 구성되는 진동 특징들을 추출하는 모듈이다.
즉 본 발명은 상기 진동을 통해 특정 고장에 대한 원인을 규명하지 못했을 경우 참고적으로 진동 신호를 추가하여 미세한 고장 신호를 파악할 수 있도록 한다.
이 때 미세한 진동의 특징 부분 집합을 선택하는 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나를 이용하는 진동 특징 최적화 모듈을 사용하면 더 미세한 고장 신호도 파악할 수 있다.
상기 진동 특징 최적화 모듈은 상기 진동 획득 모듈에서 추출한 진동 특징들을 나선신경망기술(CNN:Convolutional Neural Network) 또는 SRC(Sparse Representation Classifier)에 적용하여 딥러닝 기능이 탑재된 연료 전지 제어 시스템의 고장을 탐지할 수 있는 진동 특징벡터를 선택하고, 고장 탐지 및 분류의 계산 시간을 감소시키기 위해 상기 진동 특징 벡터의 차원을 축소시켜 계산량을 줄일 수 있고, 상기 딥러닝 기능이 탑재된 연료 전지 제어 시스템의 고장에 대한 탐지 및 분류에 일정 임계치 이상의 영향을 미치는 특징들을 선택한 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.
진동 정보를 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 진동 데이터에서 특징 벡터를 추출하여, 상기 추출된 특징 벡터에 포함된 진동와 정상 진동와의 비교를 통해, 상기 진동 데이터가 정상 진동 또는 비정상 진동(고장 진동)인지에 대한 식별이 이루어진다.
또한 Multi-class SVM(Support Vector Machine), SRC(Sparse Representation Classifier), CNN 등의 다양한 기계학습 및 딥러닝 방법을 진동 정보 분석에 의한 탐지에 사용하여 이미지 처리에 의한 분석 보다 진동 정보에 의한 분석이 외관상 관측할 수 없는 부분의 고장도 용이하게 파악할 수 있다.
본 발명의 일실시예로서, 정상 진동(Normal) 데이터만으로 학습한 SVDD를 이용하여 비정상 진동을 빠르게 탐지함으로써, 정상 진동에 대한 불필요한 비정상 진동 식별 연산을 수행하지 않는다.
그리고 본 발명은 강인한 SRC를 이용하여 비정상 진동을 식별함으로써, 안정적인 보안 감시 시스템 운용을 보장하며, SRC 고유의 특성상 새로운 비정상 진동이 추가되더라도 전체 시스템을 재학습시킬 필요가 없는 시스템의 점증적 갱신이 가능하다.
또한 본 발명의 다른 실시예로서, 다양한 기계학습 알고리즘을 이용하여, 연료 전지에서 취득한 진동의 특징 정보로부터 고장을 실시간으로 탐지 및 분류된 고장에 대한 항목별 조치요령에 따라 현장의 상황에 대한 보고서의 점검 항목에 "일치" 또는 "불일치"에 대한 정보를 입력할 수 있어, 진동의 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.
또한 SRC 기반의 비정상 진동 식별의 또 다른 장점은 점증적 갱신이 가능하다는 점이다. SRC 기반의 비정상 진동 식별 분류 문제에서 각 진동 특징 벡터는 행렬 A 의 열벡터(column vector)로 표현된다.
결국 상황에 따라 새로운 비정상 진동 클래스의 추가가 요구되더라도 SRC의 특성상 전체 시스템을 재학습시킬 필요 없이 MFCC 특징 벡터로 구성된 행렬에 열벡터만을 추가함으로써 시스템의 점증적 갱신 및 확장이 가능하다.
결국, SRC는 과도한 학습을 요구하는 기계학습 알고리즘의 고질적인 문제점을 피해갈 수 있을 뿐만 아니라, 점진적 갱신의 특성으로 인하여 계속적으로 변하는 비정상 진동 클래스의 추가 문제에도 유연하게 대처할 수 있다.
상술한 구성에 의하여 본 발명은 종래의 영상 정보를 이용한 비정상 상황 인식과 달리 실시간으로 유입되는 진동 정보만으로 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 진동 취득 모듈을 사용하여 저비용 및 효과적으로 실제 연료 전지의 상태 정보를 취득할 수 있는 장점이 있다.
도 4 내지 도 6에 도시된 바와 같이 본 발명에 따른 제어부에 의해 제어되는 딥러닝 기능이 탑재된 연료 전지 제어 시스템을 이용한 제어 방법을 설명한다.
먼저 상기 제어부가 상기 진동에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 측정 데이터의 일정 부분을 미리 남겨 놓아 상기 학습 모델의 검증을 진행한다.
그리고 상기 제어부가 연료 전지 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 추출한다.
상기 제어부가 추출된 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 특징을 추출한다.
마지막으로 상기 제어부가 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 모니터링한다.
덧붙여 상기 제어부는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 최적의 진동 특징들을 선택하여 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 단계;를 더 포함할 수 있다.
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(차량 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
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. 인공지능부에 의해 학습되고 제어부에 의해 제어되는 딥러닝 기능이 탑재된 연료 전지 제어 시스템에 있어서,
    상기 인공지능부는,
    진동에 관한 측정 데이터를 실시간으로 측정하고, 상기 측정 데이터를 수집하고, 상기 수집된 데이터의 학습 모델을 생성한 후 상기 학습 모델의 검증을 진행하는 데이터 검증부;를 포함하여,
    상기 데이터 검증부가 연료 전지의 다중 결함 진단을 위해서는 진동 신호를 시간 영역, 주파수 영역, 시간-주파수 영역 분석을 통해 각 결함 유형의 특징을 추출하고,
    상기 검증부가 추출된 1차원 진동 신호를 2차원 회색조 영상(gray image)으로 변환하여, 1차원 진동 신호에서 살펴보기 어려운 샘플 간의 상관관계를 확인함으로써 연료 전지의 결함 유형별로 특징을 추출하여,
    상기 검증부의 검증을 통과한 학습 모델을 통해 연료전지의 상태를 진단하고 분석하여 예방조치할 수 있도록 상기 제어부에 전송하며,
    상기 연료전지의 화재를 감지하거나 지진을 감지하여 화재의 경우 초기 화재진압 및 경보할 수 있고, 지진 감지기능을 적용하여 사전에 부하 차단시켜 관리자가 도착하기 전 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 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  2. 제1항에 있어서,
    상기 제어부는 1차원 진동 신호에서 변환된 2차원 영상으로부터 질감 특징을 추출하기 위해 DNS 지도를 이용하는 것을 특징으로 하는 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  3. 제2항에 있어서,
    상기 DNS 지도로부터 PCA의 결과로 얻어진 3개의 특징 점을 이용하여 연료 전지의 결함을 분류하는 것을 특징으로 하는 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  4. 제1항에 있어서,
    상기 진동 신호에서 Mel-Frequency Cepstrum Coefficient, Time domain features, Frequency domain features로 구성되는 진동 특징들을 추출하는 것을 특징으로 하는 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  5. 제4항에 있어서,
    상기 제어부는 딥 러닝 방법 중의 하나인 나선신경망기술을 이용하여, 상기 진동 특징들 중 하나를 선택하여 상기 연료 전지의 고장의 탐지 및 고장을 분류하는 것을 특징으로 하는 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  6. 제1항에 있어서,
    상기 연료 전지는 인산형 연료전지, 용융탄산염형연료전지, 고체산화물형 연료전지, 고분자 전해질형 연료전지, 알칼리형 연료전지 및 직접 메탄올 연료전지 중 하나인 것을 특징으로 하는 딥러닝 기능이 탑재된 연료 전지 제어 시스템.
  7. 삭제
  8. 삭제
KR1020200086500A 2020-07-14 2020-07-14 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법 KR102169047B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200086500A KR102169047B1 (ko) 2020-07-14 2020-07-14 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200086500A KR102169047B1 (ko) 2020-07-14 2020-07-14 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법

Publications (1)

Publication Number Publication Date
KR102169047B1 true KR102169047B1 (ko) 2020-10-22

Family

ID=73035625

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200086500A KR102169047B1 (ko) 2020-07-14 2020-07-14 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법

Country Status (1)

Country Link
KR (1) KR102169047B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114530025A (zh) * 2021-12-31 2022-05-24 武汉烽理光电技术有限公司 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备
CN115365779A (zh) * 2021-05-18 2022-11-22 中移(上海)信息通信科技有限公司 燃料电池的装配方法、装配装置及装配设备
CN116385444A (zh) * 2023-06-06 2023-07-04 厦门微图软件科技有限公司 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120096614A (ko) 2011-02-23 2012-08-31 현대자동차주식회사 연료전지용 수소 공급 시스템의 고장 진단 방법
KR20140005324A (ko) 2011-04-07 2014-01-14 링컨 글로벌, 인크. 가상 용접물의 가상 시험 및 검사
KR102018115B1 (ko) 2018-12-28 2019-09-04 주식회사 코텍에너지 진동을 이용한 연료전지의 상태 진단 시스템 및 진단 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120096614A (ko) 2011-02-23 2012-08-31 현대자동차주식회사 연료전지용 수소 공급 시스템의 고장 진단 방법
KR20140005324A (ko) 2011-04-07 2014-01-14 링컨 글로벌, 인크. 가상 용접물의 가상 시험 및 검사
KR102018115B1 (ko) 2018-12-28 2019-09-04 주식회사 코텍에너지 진동을 이용한 연료전지의 상태 진단 시스템 및 진단 방법

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115365779A (zh) * 2021-05-18 2022-11-22 中移(上海)信息通信科技有限公司 燃料电池的装配方法、装配装置及装配设备
CN115365779B (zh) * 2021-05-18 2024-05-03 中移(上海)信息通信科技有限公司 燃料电池的装配方法、装配装置及装配设备
WO2023126704A1 (ja) * 2021-12-28 2023-07-06 ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング データ処理装置、データ収集システム及び方法
CN114530025A (zh) * 2021-12-31 2022-05-24 武汉烽理光电技术有限公司 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备
CN114530025B (zh) * 2021-12-31 2024-03-08 武汉烽理光电技术有限公司 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备
CN116385444A (zh) * 2023-06-06 2023-07-04 厦门微图软件科技有限公司 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法
CN116385444B (zh) * 2023-06-06 2023-08-11 厦门微图软件科技有限公司 一种锂电池用蓝膜外观缺陷检测网络及其缺陷检测方法

Similar Documents

Publication Publication Date Title
KR102169047B1 (ko) 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
Liu et al. A fast fault diagnosis method of the PEMFC system based on extreme learning machine and Dempster–Shafer evidence theory
Li et al. Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short-term memory neural network and the equivalent circuit model
Liu et al. A discrete hidden Markov model fault diagnosis strategy based on K-means clustering dedicated to PEM fuel cell systems of tramways
Jouin et al. Prognostics and Health Management of PEMFC–State of the art and remaining challenges
Wang et al. Recent advances and summarization of fault diagnosis techniques for proton exchange membrane fuel cell systems: A critical overview
Zhou et al. RETRACTED: Online adaptive water management fault diagnosis of PEMFC based on orthogonal linear discriminant analysis and relevance vector machine
KR102169040B1 (ko) 인공 지능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
KR102397652B1 (ko) 가변 주파수를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법
KR102418259B1 (ko) 가변 운전점을 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법
CN109471035B (zh) 基于随机矩阵特征谱分析的燃料电池系统状态评估方法
Wu et al. Fault detection and assessment for solid oxide fuel cell system gas supply unit based on novel principal component analysis
CN114899457A (zh) 一种针对质子交换膜燃料电池系统的故障检测方法
Kim et al. Pre-diagnosis of flooding and drying in proton exchange membrane fuel cells by bagging ensemble deep learning models using long short-term memory and convolutional neural networks
CN117368745B (zh) 基于深度学习的硬包锂电池安全监测方法及装置
Benouioua et al. Diagnostic of fuel cell air supply subsystems based on pressure signal records and statistical pattern recognition approach
Klass et al. Lifelong performance monitoring of PEM fuel cells using machine learning models
US20100015474A1 (en) Adaptive Technique and Apparatus to Detect an Unhealthy Condition of a Fuel Cell System
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
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
US20240053323A1 (en) Transformer malfunction diagnosis device and malfunction diagnosis method using same
CN114843560A (zh) 一种燃料电池系统水淹故障诊断方法和装置
KR102379920B1 (ko) 바이메탈 스위치 및 다중 병렬 회로를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법
KR102379914B1 (ko) 바이메탈 스위치를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법

Legal Events

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