KR102564407B1 - 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법 및 시스템, 및 이 진단 시스템을 포함하는 전기화학 시스템 - Google Patents

Abstract

전지들의 스택을 포함하는 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법으로서, 상기 방법은 상기 전지들의 전압 측정들을 수행하기 위한 단계들을 포함한다. 상기 방법은: 전압으로부터 특정 파형들(40)을 추출하기 위해, 이에 따라 수행된 전압 측정들(61)의 실시간 프로세싱 단계, 전기화학 시스템의 실시간 동작의 특정 지점들(65)을 상기 특정 파형들로부터 생성하기 위해 상기 특정 파형들을 변환하는 단계, 및 전기화학 시스템의 실시간 동작 상태에 관련된 정보(69)를 생성하기 위해, 전기화학 시스템이 결함 상태들을 포함하는 알려진 동작 상태들에 놓이는 동안, 실시간 동작의 이들 특정 지점들을, 오프-라인에서 수행된 전압 측정들(78)로부터 추출된 특정 파형들(74)의 변환으로부터 발생하는 전기화학 시스템의 오프-라인 동작의 특정 지점들(75)과 비교하는 단계를 더 포함한다.

Description

전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법 및 시스템, 및 이 진단 시스템을 포함하는 전기화학 시스템

본 발명은 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법에 관한 것이다. 본 발명은 또한 이 방법을 구현하는 진단 시스템, 및 이 진단 시스템을 포함하는 전기화학 시스템, 특히 연료 전지에 관한 것이다.

온보드(onboard)식이든 고정식이든, 현재 연료 전지들은 특히 동작의 실패 또는 열화를 방지하기 위해 자신의 상태를 모니터링하는 대상이어야 한다.

연료 전지의 결함들을 검출하기 위한 방법들은 이미 존재하고, 이는, 이 전지가 동작하지 않고 실험실 환경에 있을 때만 구현될 수 있다. 이들 방법들은 때때로 침습성 센서들을 구현한다.

또한, 예컨대 항상 소정의 동작을 필요로 하는 환경, 이를테면 예컨대 병원 환경에 사용되는 고부가가치를 갖는 연료 전지들에 대해, 일시 분리를 포함하는 검출 방법들은 실용적이지 않다.

문헌 EP 2778700 A2호는 이산 웨이블릿 변환(discrete wavelet transform)들을 사용하여, 배터리 팩의 상태를 예측하기 위한 유닛을 개시한다.

문헌("Non intrusive diagnosis of polymer electrolyte fuel cells by wavelet packet transform” from Nadia Yousfi Steiner et al., published in the International Journal of Hydrogen Energy, Elsevier Science Publishers B.V., Barking GB, vol.36, No.1, 11 October 2010, pages 740-746)은 중합체 연료들을 사용하여 연료 전지들의 전지들에 대해, 배터리들의 전압 측정들, 및 웨이블릿 패킷 변환을 구현하는 진단 방법을 개시한다.

본 발명의 목적은 전기화학 시스템, 특히 연료 전지의 결함들을 검출하기 위한 새로운 방법을 제안하는 것이고, 이는 동작 중인 이 시스템의 상태를 알려주고, 임의의 침습성이고 그리고/또는 복잡하거나 값비싼 센서 없이, 본 진단 방법들에서 일반적으로 관찰되는 것보다 결함들의 검출 품질 및 신뢰성 측면에서 더 높은 성능을 갖는다.

본 목적은 전지들의 스택을 포함하는 전기화학 시스템의 동작 상태를 실시간으로 진단하기 위한 방법으로 달성되고, 상기 방법은 상기 전지들의 전압 측정들을 수행하기 위한 단계들을 포함하고:

- 전압으로부터 특정 파형들을 추출하기 위해, 이에 따라 수행된 전압 측정들의 실시간 프로세싱 단계,

- 상기 전기화학 시스템의 실시간 동작의 특정 지점들을 상기 특정 파형들로부터 생성하기 위해 상기 특정 파형들을 변환하는 단계, 및

- 상기 전기화학 시스템의 실시간 동작에 관련된 정보를 생성하기 위해, 상기 전기화학 시스템이 결함 상태들을 포함하는 알려진 동작 상태들에 놓이는 동안, 실시간 동작의 상기 특정 지점들을 오프-라인에서 수행된 전압 측정들로부터 추출된 특정 파형들의 변환으로부터 발생하는 상기 전기화학 시스템의 오프-라인 동작의 특정 지점들과 비교하는 단계를 더 포함하는 것을 특징으로 한다.

전지 전압 측정 단계들은 주기적으로 수행될 수 있다.

본 발명의 바람직한 실시예에서, 오프-라인 및/또는 실시간으로 수행되는 전압 측정들로부터 추출된 특정 파형들은 특정 파형들로부터 특정 지점들을 생성하기 위해 "쉐이플릿 변환(shapelet transform)"이라 칭해진 수학적 변환을 겪는다.

이들 특정 지점들은 2-차원(2D) 공간에서 식별되고, 이어서 3-차원(3D) 공간에서 분류될 수 있다.

본 발명에 따른 방법의 제1 특정 실시예에서, 특정 지점들은 SSM-SVM(Sphere Shaped Multi-Class ― Support Vector Machine) 타입 함수에 의해 분류된다.

본 발명에 따른 방법의 제2 특정 실시예에서, 특정 지점들은 kNN(K Nearest Neighbor) 타입 함수에 의해 분류된다.

본 발명에 따른 방법의 제3 특정 실시예에서, 특정 지점들은 GMM(Gaussian Mixture Model) 타입 함수에 의해 분류된다.

본 발명에 따른 진단 방법은 유리하게 오프-라인에서 테스트된 전기화학 시스템의 알려진 동작 상태들의 학습을 통해 데이터베이스의 초기 설정을 더 포함할 수 있다.

본 발명에 따른 방법이 연료 전지의 동작 상태를 진단하기 위해 구현될 때, 오프-라인에서 테스트된 알려진 동작 상태들은 다음 상태들: 정상 동작, 낮은 수소 압력, 건조, 침수, 공기 측에 대한 낮은 화학양론 모두 또는 그 중 일부를 포함한다.

본 발명의 다른 양상에 따라, 본 발명에 따른 진단 방법을 구현하는, 전지들의 스택을 포함하는 전기화학 시스템의 동작 상태를 실시간으로 진단하는 시스템이 제안되고, 이 진단 시스템은 상기 전지들의 단자들의 전압 값들을 측정하기 위한 수단을 포함하고,

- 전압으로부터 특정 파형들을 추출하기 위해 이에 따라 측정된 전압 값들을 프로세싱하기 위한 수단, 상기 특정 파형들로부터 상기 전기화학 시스템의 실시간 동작의 특정 지점들을 생성하기 위해 상기 특정 파형 함수들을 변환하기 위한 수단, 및

- 상기 전기화학 시스템의 실시간 동작 상태에 관련된 진단 정보를 생성하기 위해, 상기 전기화학 시스템이 결함 상태들을 포함하는 알려진 동작 상태들에 놓이는 동안, 실시간 동작의 상기 특정 지점들을 오프-라인에서 수행된 전압 측정들로부터 추출된 특정 파형들의 변환으로부터 발생하는 상기 전기화학 시스템의 오프-라인 동작의 특정 지점들과 비교하기 위한 수단을 더 포함하는 것을 특징으로 한다.

본 발명에 따른 진단 시스템은 유리하게 특정 지점들을 생성하기 위해, 오프-라인 및/또는 실시간으로 수행된 전압 측정들로부터 추출된 특정 파형들을 변환하기 위한 수단을 더 포함할 수 있다.

이런 진단 시스템은 2-차원(2D) 공간의 특정 지점들을 식별하기 위한 수단 및 3-차원(3D) 공간에서 이에 따라 식별된 상기 특정 지점들을 분류하기 위한 수단, 및 전기화학 시스템의 알려진 동작 상태들의 학습을 통한 데이터베이스를 더 포함할 수 있다.

본 발명의 또 다른 양상에 따라, 본 발명에 따른 진단 시스템을 포함하는 전기화학 시스템이 제안된다. 전기화학 시스템은 특히 연료 전지를 포함할 수 있다.

본 발명의 다른 장점들 및 특성들은 결코 제한적이지 아닌 구현들 및 실시예들, 및 다음 첨부된 도면들의 상세한 설명을 읽을 때 나타날 것이다.
- 도 1은 본 발명에 따른 결함 검출 방법으로 구현된 전압 측정 원리를 개략적으로 예시한다.
- 도 2는 아날로그 측정들에 대한 마이크로제어기의 구현을 개략적으로 예시한다.
- 도 3은 본 발명에 따른 결함 검출 시스템의 예시적인 실시예로 구현된 전압 측정 디바이스를 예시한다.
- 도 4는 본 발명에 따른 진단 검출 방법으로 생성된 특정 파형들(또는 "쉐이플릿들")을 예시한다.
- 도 5는 SSM-SVM 방법에 의한 특정 파형들의 분류를 예시한다.
- 도 6은 본 발명에 따른 진단 방법의 예시적인 예를 개략적으로 예시한다.

이들 실시예들이 결코 제한적이지 않기 때문에, 특징의 선택이 기술적 장점을 부여하거나 종래 기술에 관하여 본 발명을 구분하기에 충분하면, 설명되거나 예시된 다른 특징으로부터 분리되는, 후속하여 설명되거나 예시된 특징의 하나의 선택만을 포함하는(비록 이 선택이 이들 다른 특징을 포함하는 단계 내에서 분리되더라도) 본 발명의 변형들을 고려하는 것이 특히 가능할 것이다. 이런 선택은 구조적 세부사항들 없이, 그리고/또는 구조적 세부사항들의 일부만으로 기술적 장점을 부여하거나 종래 기술에 관하여 본 발명을 구분하기에 충분하면 상기 일부만으로 기능 선호도 중 적어도 하나의 특징을 포함한다.

먼저 도 1을 참조하여, 배터리, 울트라-커패시터 또는 연료 전지 같은 전기화학 시스템(1)의 상이한 전지들의 단자들에서 전압을 측정하기 위한 디바이스(10)가 설명된다.

상이한 전압 값들(Vcell 1, …, k+1)은 측정되고, 이어서 디지털 신호 프로세서(DSP) 또는 마이크로제어기(20, 70) 타입의 프로그램가능 컴포넌트들에 의해 프로세싱되고, 데이터는 통신 CAN 버스(6)에 의해 송신된다.

측정 디바이스(10)는 모듈 형태를 갖는다. 각각의 전기적으로 절연된 모듈(2, 7)은 전지들의 일련의 연결에 의해 정의된 순서를 준수하여, 다수의 전지의 전압 값들(Vcell_1,Vcell_2,Vcell_3; Vcell_k,Vcell_k+1)을 측정하는 것을 담당한다. 그러므로, 사용자의 요구를 충족시키기에 필요한 만큼 많은 모듈들(2, 7)을 연결하는 것이 가능하고, 한계는 전자 컴포넌트들의 전압 절연 레벨(가장 임계의 경우 대략 1000V)로 고정된다.

각각의 측정 모듈(2, 7)은 마이크로제어기(20, 70)를 중심으로 하는 전자 회로를 포함하고, 마이크로제어기(20, 70)의 기준 전위(접지)는 엘리먼트들의 패키지의 최저 전위(Vref_1, Vref_2)에 대응한다. 이들 모듈들(2, 7)은 디바이스(10)의 일반 전원에 연결된 절연된 DC/DC 컨버터(3, 8)에 의해 전력을 공급받는다. 측정들로부터 발생하는 상이한 데이터는 통신 버스에 의해 송신된다. 이를 위해, 절연된 CAN 구동기들(5, 9)은 측정 디바이스(10)의 마이크로제어기들(20, 70)과 CAN 버스(6) 사이의 연결들을 허용한다.

측정 모듈들(2, 7)은 연구된 전기화학 시스템(1)의 엘리먼트들 모두의 단자들에서 상이한 전압 값들을 측정하기 위해 필요한 만큼 여러 번 복제된다.

도 2를 참조하여, 마이크로제어기(30)의 아날로그 측정들의 기준 전위는 관련된 엘리먼트들의 세트(n, n+1, n+2)의 최저 전압에 연결된다. 상이한 전압 측정들(Vn, Vn+1, Vn+2)은 전위들에 의해 설정된 순서(최약으로부터 최강)를 준수하여, 마이크로제어기(30)의 아날로그 입력들(AN_1, AN_2, AN_3)에 연결된다. 이어서, 엘리먼트의 단자들의 전압은 2 개의 측정된 연속적인 전압 값 사이의 차이에 의해 결정된다.

측정된 전압 레벨들에 의존하여, 마이크로제어기(30)의 아날로그 입력들은 측정될 엘리먼트들에 직접 연결될 수 있다. 더 높은 전압 값들에 대해, 적응성 회로는 전압이 마이크로제어기의 범위와 호환가능한 범위 내에서 조정되게 해준다.

사용된 마이크로제어기 또는 DSP 회로에 의존하여, 아날로그 채널들의 수는 가변적이고, 따라서 전지들의 서브세트 상에서 측정된 전압 값들의 수를 제한한다. 아날로그 측정들은 동시에(동기식 측정들) 또는 순차적으로(비동기식 측정들) 수행될 수 있다.

도 3에 의해 예시된 예시적인 실시예에서, 측정 디바이스(100)는 연료 전지(30)의 전지들의 전압 값들을 측정하는 데 사용된다. 실제로, 전지들의 전압은, 이들이 활성화될 때 약 1.43V에 도달할 수 있지만, 유용한 측정 범위는 0 내지 1V이다.

측정 디바이스(100)는 11 개의 아날로그 입력 및 단일 통합 아날로그-디지털 변환기를 포함하는 마이크로제어기(50)를 포함한다. 이어서, 순차적인 측정들의 원리는 상이한 아날로그 채널들에 사용된다. 11 개의 채널에 대한 전체 변환 시간은 2ms(채널당 150μs, 즉 1.6ms) 미만으로 유지된다.

연료 전지(40)의 전지들의 상이한 전압 값들은 제1 4 개의 채널(4V 미만의 전압 값들)에 대해 직접, 그리고 채널들(AN_4 내지 AN_10)에 대해 적응성 회로에 의해 아날로그 입력들에 연결된다.

측정 디바이스(100)는 5V DC(+5V_1)의 전압 소스로부터 전력을 공급받는다. DC/DC 컨버터(51)는 모든 전자장치에 전력을 공급하기 위해 5V (+5V_2)의 절연된 전압이 획득되게 해준다. 사용된 회로는 1000V의 절연 전압을 제공한다. 따라서, 측정 디바이스(100) 전체는 기준 전위(Vref_1)로 절연된다.

이런 절연을 제공하기 위해, 마이크로제어기(50)와 시스템 나머지 사이의 통신들은 또한 절연된 CAN 버스(52)에 의해 제공된다. CAN 구동기 회로(53)는 2500V의 절연 전압을 제공함으로써 마이크로제어기(50)를 절연한다.

이제, 도 4 내지 도 6을 참조하여, 본 발명에 따른 진단 방법으로 구현되는 프로세싱 단계들이 설명될 것이다.

본 발명에 따른 진단 방법은 측정 및 알려진 데이터에 기반한 학습을 중심으로 구성된다. 여기서는, PEMFC(Polymer Electrolyte Membrane Fuel Cell type)의 연료 전지 시스템의 결함들을 검출하는 목표로 구현된다. 본 발명에 따른 진단 방법이 다른 타입들의 연료 전지에서 제한 없이 구현될 수 있다는 것이 이해된다.

이 진단 방법은 이미 설명된 바와 같은 연료 전지의 단일 전지들의 개별 전압 값들을 측정하기 위한 디바이스를 구현한다. 구성되는 시스템의 역학 및 상이한 전지들의 공간 이질성을 고려하기 위해, 본 발명에 따른 진단 방법은 전기화학 시스템의 전지들의 단자들에서 수행된 전압 측정들로부터 추출된 특정 파형들을 특징으로 하는, 시계열 분석 툴(이후, "쉐이플릿 변환"이라 칭해짐)을 호출한다.

도 6을 참조하여, 본 발명에 따른 진단 방법의 특정 실시예 형태에서, 방법은 배터리의 전지들 상에서 수행되는 전압 측정들을 실시간으로 프로세싱하는 프로세스(6A), 및 동일한 전지들 상에서 수행되지만 오기능 상태들을 포함하는 알려진 동작 상태들에서 수행되는 전압 측정들의 오프-라인 프로세싱의 프로세스(6B)를 포함한다.

시간 분석 툴은 실시간 진단에 사용되는 데이터베이스(61)(도 6)의 데이터로부터 발생하는 특정 파형들 또는 "쉐이플릿들"(40)(도 4)을 추출하는 데 사용된다. 시간 분석 툴은, 고려된 결함들에 따라 지속기간이 알려지고 미리 정의된 윈도우(41)에서 사용된다. 제2 시간에서, SSM-SVM 분류 툴은 (결함들의 수에 따라) 고려된 차원 공간에 적용된다.

연료 전지의 전지들의 전압들은 배터리(또는 "스택") 내의 자신의 물리적 상태, 이를테면 온도, 가스 분포, 상대적 습도, 활성 층 상의 촉매 분포로 인해 본질적으로 균질하지 않고, 측정된 샘플들 사이의 시간 상관은 고려되어야 한다. 시간 간격(윈도우(41))으로 샘플링된 전지들의 전압들은 본 발명에 따른 진단 방법에 대한 변수들로서 고려된다.

이런 취득 윈도우는 수학적으로 다음과 같이 정의된다:

여기서 v_i는 인덱스(i)에서 샘플링된 벡터이고, 수(n_cell) 개의 전지들의 모든 전압 값들로 이루어진다.

이 벡터는 v_i = [v_i(1), v_i(2), ... , v_i(n_cell)]이다. l_w는 취득 윈도우의 폭이다.

각각의 관측(T)은 매트릭스 형상으로 수학적으로 표현될 수 있는 동적 연대순 시리즈이고, 각각의 관측(T)의 크기는 한편으로는 전지들의 수 및 다른 한편으로는 관측 지속기간(l_w)에 의해 정의되고, 각각의 관측(T)의 지점들의 수는 측정 디바이스의 샘플링 주기(또는 취득 주파수)에 의해 정의된다.

오프-라인 프로세스(6B)에서, 학습 데이터베이스(71)는 이미 설명된 측정 디바이스에 의해 획득된 N 개의 오프-라인 측정들로부터 설정된다. 이는 상이한 결함들에 대응하는 등급이 다른 등급들(Ω0, Ω1, Ω2, … , ΩC)에 의해 분류된다. 인덱스 등급(0)은 정상 동작 상태(결함들 없음)로서 정의된다.

관측들의 세트(T_i)에 걸쳐 등급들의 간격은 미리 알려져 있고, 즉 g_iε{0,1, ... , C}이다. 이들 등급들 모두에서 데이터베이스(71)를 구성하는 관측들(78)의 수들은 각각 N₀, N₁, … N_C이고, 식(N0 + N1 + ··· + NC = N)을 만족시킨다.

2 개의 프로세스, 즉 실시간(6A) 및 오프-라인(6B)에서 특정 파형들("쉐이플릿들")의 생성은 이제 더 구체적으로 설명될 것이다.

특정 파형을 식별하기 위해, 후보들이라 칭해지고 벡터(SC_ji)로 생성되는 다량의 적격의 신호들을 생성하는 것이 필요하다.

특정 파형이 지속기간(l_s)을 갖는 것을 가정하면, 후보들은 관측 시간(l_w)을 고려하여 선택된다. 예컨대, 후보들은 아래 공식에 따라 관측(T_i)에 대해 최대 l_w - l_s + 1로 고려된다:

여기서 SC_ji는 매트릭스(T_i)의 j 개의 후보를 나타낸다. SC_ji가 T_i로부터 발생함에 따라, SC_ji가 위치된 공간은 또한 g_i이다. 그러므로 학습 베이스(71)로부터 생성된 후보들의 수는 (l_w - l_s + 1)N이다.

이 방법에서, 시간들(l_s 및 l_w)은 각각의 등급에 대해 미리 정의된다. 이 정의는, 학습 데이터베이스를 설정할 때 경험적으로 획득된다.

후보들을 분류하고 특성화하기 위해, 3 개의 동작이 요구된다. 제1 동작은 다음과 같이 후보(SC_ij)와 관측(T_k)에 의해 생성된 후보들 모두 사이의 최소 값과 동일한, 후보(SC_ij)와 관측(T_k) 사이의 거리를 계산하는 것으로 이루어진다:

이 거리는 각각의 후보에 대해 계산되고, 이어서 이런 동일한 등급의 평균 거리가 또한 정의된다.

위의 2 개의 값은 다음 이차 판별 공식에 따라 동일한 등급의 각각의 후보의 품질 계수를 계산하는 역할을 한다.

각각의 등급의 후보들 모두가 평가되었을 때, 후보들은 자신의 품질 계수들에 따라 내림차순에 의해 분류된다. 동일한 관측의 2 개의 후보 특정 파형이 중복 인덱스들을 획득하는 경우, 최상의 품질 계수를 갖는 후보가 유지된다. 나머지 후보들 중에서, 최상의 품질 계수들을 갖는 후보가 선택된다.

방금 설명된 특정 파형들을 추출하기 위한 절차는 알려진 소프트웨어 기술을 사용하는 알고리즘 형태로 쉽게 구현될 수 있다. 따라서, 특정 파형들(74)은 오프-라인 프로세스(6B)에서 생성될 수 있고 특정 파형들(40)은 실시간 프로세스(6A)에서 생성될 수 있다.

이제 실시간 진단 동안 특정 파형들을 추출하는 일 예가 더 구체적으로 설명될 것이다. 임의로 취해진 진단 윈도우(T)(도 4)에 대해, 실시간 측정들(64)(도 6 참조)로부터 발생하는 이런 임의의 베이스의 특정 파형들의 특징은 학습 베이스(71)로부터 발생하고 적절한 것으로 선택된 파형들과 거리를 계산함으로써 결정된다.

이 계산은 또한 특성화 필드의 크기가 알려지게 해주고, 이는 도 6을 참조하여 SSM-SVM 분류 툴(63)을 초기화하는 데 사용될 것이다.

본 발명에 따른 진단 방법에서 SSM-SVM 분류 툴의 구현의 일 예가 이제 설명될 것이다.

(특히 2 개 초과의 등급이 고려된다는 사실로 인해) 학습 데이터로부터 발생하는 비-선형 분류 문제를 해결하기 위해, 아래에 사용된 방법은 "커널 트릭(kernel trick)"이라 알려진다.

제1 기간에서, 다차원 공간으로의 벡터들의 투영은 함수(Ψ)를 통해 수행된다.

벡터들은 다음과 같이 정의된다:

예컨대, 등급 i에 대해, 구는 다음과 같이 계산된다:

여기서 R_i 및 a_i는 각각 구(i)의 원의 반경 및 중심이다.

사용된 함수(Ф)는 가우스 코어이고, 즉 아래와 같다:

SSM-SVM 분류는 다음 최적화 문제를 해결한다:

주어진 인덱스(i)에 대해, 학습 단계 동안 정확한 조정을 허용하는 조정 파라미터(D)에 의해 곱셈된 반경(R_i)의 제곱과 조정 변수들의 합의 합은 다음 제약들로 최소화된다:

- 지원 벡터(zn)에 적용된 함수와 구의 중심 마이너스 반경의 제곱 마이너스 조정 변수 사이의 절대 거리의 제곱은 제로 이하이어야 하고,

- 조정 변수들은 제로 이상이다.

를 고려하자.

최적화 문제(8)에 대한 해결책은 아래에 의해 제공된다:

식(9)에서, 2 개의 음이 아닌 라그랑주 승수( 및 )가 발견된다. 승수들은 (8)에 설명된 제약들과 연관된다. 최적화 문제를 해결하기 위해서는, L의 극한값을 찾아야 한다.

구 i의 반경(R_i)은 아래에 설명된 KKT(Karush-Kuhn- Tucker) 조건들 이후 계산될 수 있다.

따라서, 를 갖는 모든 zn에 대해 이다.

SSM-SVM 알고리즘은 이들 분석 계산들에 기반하여 인코딩될 수 있다. 본원에서 설명된 구현 예에서, 동작은 2 초과의 다수의 등급 및 2 초과의 크기의 공간에서 발생한다.

이 알고리즘은 이차 문제가 하나씩 처리되는 선형 문제들의 합으로 나뉘어질 수 있게 해준다. 각각의 라그랑주 승수는 개별적으로 계산되고, 등급들을 포함하는 구들을 설명하는 지원 벡터들은 각각의 반복마다 업데이트된다.

따라서, 방금 설명된 SSM-SVM 방법은 도 5를 참조하여 특정 파형들이 분류되게 해준다. 또한, SSM-SVM 분류와 특정 파형들(또는 "쉐이플릿들")의 연관은, 현재 진단 방법들로 일반적으로 관측된 것보다 에러 속도들 측면에서 더 나은 성능을 허용한다.

SSM-SVM 방법을 사용하는 것은 동시에 학습 모드에서 오프-라인 관측들로부터 발생하는 특정 파형들(75)의 분류(77)의 결과들, 및 실시간으로 수행되는 전압 측정들로부터 발생하는 특정 파형들(65)의 분류(66) 결과들을 획득하게 한다.

SSM-SVM 학습 모드(76)로부터 발생하는 분류 결과들은 실시간 측정들로부터 발생하는 특정 파형들의 변환(62)으로부터 발생하는 특정 지점들의 SSM-SVM(63) 프로세싱에 사용된다.

본 발명에 따른 진단 방법으로 구현된 실시간 진단 전략은 이제 도 6을 참조하여 설명될 것이다. 전기화학 시스템의 전지들의 단자들에서의 전압 값들은 도 1 내지 도 3을 참조하여 이미 설명된 측정 디바이스에 의해 측정된다. 이들 측정들은 시간(Lw) 동안 1hz의 샘플링 주파수로 디지털화되고, 이어서 이후 계산들에 사용될 실시간 데이터 테이블(61)로서 저장된다.

실시간 데이터는 슬라이딩 취득 윈도우를 따라 취득된다. 이어서, 테이블이 저장되면, 최소 거리들은 변환(62)을 통해 특정 파형으로 계산된다.

특정 파형이 특정 지점(65)에 의해 특성화되고 그래프로 표현될 때, SSM-SVM 알고리즘(63)에 의해 분석되고, 이는 도 5에 예시된 바와 같이, 구들에 의해 정의된 체적들에서의 포지션에 따라 특정 파형에 등급을 할당할 것이다. 각각의 등급은 동작 상태(정상 또는 알려진 결함을 설명함)와 연관된다.

이어서, 진단 규칙들(67)은 진단(68)의 결과들을 생성하기 위해 분류(66) 결과들에 적용되고, 이는 동작 진단(69)이 정해지게 해줄 것이고(정상 또는 결함, 결함 타입, ...), 이는 전기화학 시스템의 관리부 및 가능하게는 시스템을 유지하는 것을 담당하는 사용자 또는 사람에게 통신될 것이다. 이들 동작들은 각각의 새로운 취득(윈도우)에서 여러 번 반복되고 이것은 각각의 시스템의 시작 때 반복된다.

특히 뉴런 또는 kNN(K Nearest Neighbor) 또는 GMM(Gaussian Mixture Model) 타입의 네트워크들을 호출하는 다른 수학적 방법들이 특정 파형들의 분류들을 수행하는 데 사용될 수 있다는 것이 주목되어야 한다.

물론, 본 발명은 방금 설명된 예들로 제한되지 않고, 많은 수정들은 본 발명의 프레임워크로부터 벗어나지 않고 이들 예들에 대해 이루어질 수 있다. 본 발명의 상이한 특징, 형태들, 변형들 및 실시예들은, 이들이 상호 호환가능하지 않거나 배타적이지 않은 범위까지 다양한 조합들에 따라 자연스럽게 서로 연관될 수 있다. 특히, 이미 설명된 모든 변형들 및 실시예들은 결합될 수 있다.

Claims (15)

1. 전기화학 시스템(1, 30)의 동작 상태를 실시간으로 진단하기 위한 방법으로서, 상기 전기화학 시스템은 전지 스택을 포함하고,
   상기 방법은
   상기 전지 스택을 형성하는 전지의 단자에서 전압 측정들을 실행하고,
   전압 측정의 처리를 실시간으로 실행하여 특정 파형(40)을 추출하고, 상기 파형은 상기 전기화학 시스템의 실시간 동작을 나타내고,
   특정 파형(40)을 변환(62)하여 제1 특정 지점(65)을 생성하고, 상기 제1 특정 지점은 상기 전기화학 시스템(1, 30)의 실시간 동작을 나타내고,
   상기 제1 특정 지점과 제2 특정 지점을 비교하고, 상기 제2 특정 지점은 상기 전기화학 시스템(1, 30)의 오프라인 동작을 나타내고,
   상기 제2 특정 지점은, 상기 전기화학 시스템이 결함 상태를 포함하는 알려진 동작 상태들에 놓이는 동안, 오프라인에서 실행된 전압 측정(78)으로부터 추출된 특정 파형(74)의 변환(73)으로부터 발생하고, 상기 전기화학 시스템(1, 30)의 실시간 동작에 관한 정보(69)를 생성하는, 방법.
2. 제1항에 있어서, 각각의 전지의 단자에서의 전압 측정은 주기적으로 실행되는, 방법.
3. 제1항 또는 제2항에 있어서, 오프라인에서 실행된 전압 측정으로부터 추출된 특정 파형(40) 및 실시간으로 실행된 전압 측정으로부터 추출된 특정 파형(74)은 쉐이플릿 변환(shapelet transform)을 겪고, 상기 제1 및 제2 특정 지점(65, 75)을 각각 생성하는, 방법.
4. 제3항에 있어서, 상기 제1 특정 지점 및 상기 제2 특정 지점은 2차원 공간에서 식별되고, 이어서 3차원 공간에서 분류되는 것을 특징으로 하는, 방법.
5. 제4항에 있어서, 상기 제1 특정 지점 및 상기 제2 특정 지점은 구형 멀티클래스-서포트 벡터 머신(Sphere Shaped Multi-Class - Support Vector Machine, SSM-SVM) 타입 함수(63, 76)에 의해 분류되는 것을 특징으로 하는, 방법.
6. 제4항에 있어서, 상기 제1 특정 지점 및 상기 제2 특정 지점은 K 최근접(K Nearest Neighbor, KNN) 타입 함수에 의해 분류되는 것을 특징으로 하는, 방법.
7. 제4항에 있어서, 상기 제1 특정 지점 및 상기 제2 특정 지점은 가우스 혼합 모델(Gaussian Mixture Model, GMM) 타입 함수에 의해 분류되는 것을 특징으로 하는, 방법.
8. 제1항 또는 제2항에 있어서, 상기 방법은 오프-라인에서 테스트된 상기 전기화학 시스템(1, 30)의 알려진 동작 상태들의 학습(71)을 통해 데이터베이스의 초기 설정을 더 포함하는 것을 특징으로 하는, 방법.
9. 제1항 또는 제2항에 있어서, 상기 방법은 연료 전지(30)의 동작 상태를 진단하는 것을 더 포함하고,
   오프라인에서 테스트된 알려진 동작 상태들은 다음 상태들 - 정상 동작, 낮은 수소 압력, 공기 측에 대한 낮은 화학양론, 건조, 침수, 고압 - 모두 또는 그 중 일부를 포함하는 것을 특징으로 하는, 방법.
10. 전기화학 시스템(1, 30)의 동작 상태를 실시간으로 진단하는 진단 시스템을 포함하는 장치로서, 상기 전기화학 시스템은 전지 스택을 포함하고,
    상기 장치는,
    상기 전지 스택을 형성하는 각각의 전지의 단자에서 전압 측정을 실행하는 수단과,
    측정된 전압 값을 처리하여 특정 파형을 추출하는 수단 - 상기 특정 파형은 상기 전기화학 시스템의 실시간 동작을 나타내는 것임 - 과,
    상기 특정 파형을 변환하여 제1 특정 지점을 생성하는 수단 - 상기 제1 특정 지점은 상기 전기화학 시스템의 실시간 동작의 지점임 - 과,
    상기 제1 특정 지점과 제2 특정 지점을 비교하는 수단 - 상기 제2 특정 지점은 상기 전기화학 시스템의 오프라인 동작의 지점임 - 을 포함하고,
    상기 제2 특정 지점은 상기 전기화학 시스템이 결함 상태를 포함하는 알려진 동작 상태들에 놓이는 동안, 오프라인에서 실행된 전압 측정으로부터 추출된 특정 파형의 변환으로부터 발생하고, 상기 전기화학 시스템의 실시간 동작에 관한 정보를 추출하는, 장치.
11. 제10항에 있어서, 상기 진단 시스템은, 오프라인에서 실행된 전압 측정으로부터 추출된 특정 파형들을 변환하여, 상기 제2 특정 지점을 생성하는 수단을 더 포함하는 것을 특징으로 하는, 장치.
12. 제10항에 있어서, 상기 진단 시스템은, 상기 제1 특정 지점을 2차원 공간에서 식별하기 위한 수단과, 식별된 상기 제1 특정 지점을 3차원 공간 내에서 분류하는 수단을 더 포함하는 것을 특징으로 하는, 장치.
13. 제10항 내지 제12항 중 어느 한 항에 있어서, 상기 전기화학 시스템의 알려진 동작 상태의 데이터베이스를 더 포함하는 것을 특징으로 하는, 장치
14. 제10항 내지 제12항 중 어느 한 항에 있어서, 상기 전지 스택과, 상기 진단 시스템을 포함하는, 장치.
15. 제14항에 있어서, 상기 전지 스택은 연료 전지를 포함하는 것을 특징으로 하는, 장치.

Images