KR102656115B1 - 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 - Google Patents
연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 Download PDFInfo
- Publication number
- KR102656115B1 KR102656115B1 KR1020210134063A KR20210134063A KR102656115B1 KR 102656115 B1 KR102656115 B1 KR 102656115B1 KR 1020210134063 A KR1020210134063 A KR 1020210134063A KR 20210134063 A KR20210134063 A KR 20210134063A KR 102656115 B1 KR102656115 B1 KR 102656115B1
- Authority
- KR
- South Korea
- Prior art keywords
- fuel cell
- digital twin
- cell system
- predicting
- model
- Prior art date
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006866 deterioration Effects 0.000 claims abstract description 31
- 238000013459 approach Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 239000012528 membrane Substances 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 12
- 238000006731 degradation reaction Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 229910052739 hydrogen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000036541 health Effects 0.000 description 8
- 230000007774 longterm Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 206010011906 Death Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
-
- 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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- 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
- H01M8/04537—Electric variables
- H01M8/04604—Power, energy, capacity or load
- H01M8/04619—Power, energy, capacity or load of fuel cell stacks
-
- 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)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Fuel Cell (AREA)
Abstract
연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치가 개시된다. 연료전지 시스템의 잔여 수명 예측 방법은, 연료전지 시스템에 대하여 디지털 트윈 데이터를 수집하여 미리 설정된 클라우드에 저장하는 단계, 디지털 트윈 데이터를 이용한 학습을 통해 디지털 트윈 모델을 생성하는 단계, 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계, 파라미터가 업데이트된 디지털 트윈 모델을 이용하여 연료전지 시스템의 미래열화경향을 예측하는 단계 및 미래열화경향의 예측에 따라 연료전지 시스템의 잔여 수명을 예측하는 단계를 포함한다.
Description
본 발명은 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치에 관한 것이다.
내구성 및 신뢰성은 상용 어플리케이션 개발을 위한 양성자 교환막 연료전지(PEMFC: Proton exchange membrane fuel cells) 시스템의 주요 요소이다. 이러한 이유로, PEMFC의 예측 및 건강 관리(PHM: Prognostic and Health Management)는 잠재적인 고장을 파악하고, 운영 위험을 감소시키고, 수명을 연장하는데 필수적이다. 스마트 제조 기술인 디지털 트윈(DT: Digital Twin)은, 작업 절차 및 이에 포함된 작업조건을 포괄적이고 정확하게 모델링함으로써, 실시간으로 높은 정확도를 가지는 PEMFC 시스템의 PHM 전략 개발을 위한 잠재적인 후보로 고려될 수 있다.
지속가능한 에너지 성장의 경향에서, PEMFC 시스템은 다른 연료전지와 비교하여 낮은 동작 온도, 높은 전력 밀도, 높은 에너지 변환을 가지고 있기 때문에, 가장 잠재적인 발전 시스템 중 하나로 부상하였다. 그러나, 운영 비용, 내구성 및 신뢰성과 같은 PEMFC 시스템의 상업적 적용을 제한하는 몇 가지 문제가 여전히 있다. PEMFC 시스템의 내구성을 향상시키는 효과적인 방법 중 하나는 PEMFC의 열화 상태, 건강 상태 또는 이상에 대한 정보를 제공할 수 있는 잔여 수명(RUL: Remaining Useful Life)의 정확한 예측 전략을 개발하는 것이다. 이 정보는 적시에 유지보수 조치를 취하고, 신뢰성 및 지속 가능성을 개선하고, 시스템 수명을 연장하고, 설계 및 검증 프로세스에 피드백을 제공하는데 사용된다.
잔여 수명의 개념은 현재 순간과 시스템이 다운된 것으로 간주되는 순간 사이에 경과된 시간의 추정이다. 이는, 엔지니어링 시스템의 예측 유지보수를 구현하는데 필수적인 절차 중 하나이다. PEMFC 시스템에서, 잔여 수명은 센서에서 획득한 데이터를 사용하여 열화 상태를 추정하고, 수명 종료 정보를 예측하고, 연료 전지 시스템의 고장을 진단할 수 있다. 그래서, 적절한 제어 전략을 이용하여 운영 프로세스가 최적화될 수 있다. 예측 및 건강 관리 전략의 개발 개념은 도 1에 도시된 바와 같다.
디지털 트윈(DT: Digital Twin)은 물리적 시스템의 작업 조건이 변경됨에 따라 상태를 지속적으로 업데이트할 수 있는 물리적 시스템의 가상 생활 모델이다. 이 디지털 트윈을 이용하여 실제 물리적 시스템의 동작을 조사하고, 시스템 오작동을 감지하고, 시스템의 손상을 평가하거나, 이해 관계자가 원격으로 상태, 히스토리 및 상호 작용 방법을 이해할 수 있다. 일반적으로, 디지털 트윈은 물리적 공간, 가상 공간, 물리적 공간과 가상 공간 간의 연결 플랫폼의 세 부분으로 구성된다. 디지털 트윈은 센서 데이터에만 의존하는 대신에 수집된 데이터를 해석하고 가상 공간에 구성된 전문 지식과 통합하는 종합적인 방법을 제공한다. 디지털 트윈은 환경 및 운영 조건의 변화에 대한 지속적인 적응을 기반으로 복잡한 시스템의 정확한 건강 상태 예측을 제공할 수 있다.
PEMFC 시스템의의 잔여 수명에 대하여, 건강 상태, 예측 수명, 예측 저하를 모니터링하기 위하여 여러 작업이 수행되어 왔다. 반향 상태 네트워크 및 적응형 신경퍼지 추론 시스템이 PEMFC 시스템의 잔여 수명을 예측하기 위한 데이터 기반 접근 방식으로 사용된 바 있다. 그리고, 데이터로부터 바로 시스템 동작을 학습하고, PEMFC 시스템의 잔여 수명을 예측하기 위하여 단일 레이어 피드포워드 신경망을 훈련하는 제약 기반 합산 웨이블릿 극한 학습 기계가 이용된 바 있다. 그러나, 데이터 기반 예측 접근 방식은 모델이 없으며, 측정이 충분하지 않을 때 이전에 관찰된 데이터에 의존하므로, 예측 결과에 큰 영향을 미칠 수 있다.
다양한 분야에서 잠재적인 장점과 광범위한 어플리케이션이 있으나, PEMFC 시스템의 예측 및 건강 관리(PHM: Prognostic and Health Management)에서 디지털 트윈의 확장은 여전히 매우 제한적이다. 디지털 트윈 개념은 항공기의 구조적 건강 상태를 예측하는 것에서 최초로 언급된 바 있다. 그리고, 이후에, 상호작용 메커니즘 및 디지털 트윈의 융합 데이터를 이용하여 풍력 터빈의 건강 상태를 예측하는 디지털 트윈 기반의 예측 및 건강 관리 방법이 제안되었다. 그리고, PEMFC 시스템의 잔여 수명을 예측하기 위하여 데이터 기반의 디지털 트윈을 기초로 한 방법이 도입된 바 있다. 이 방법은, 물리적 시스템에서 측정된 신호를 획득하여 시스템 노후화 예측으로 적절한 결정을 내리는 디지털 계층에서의 예측 알고리즘을 목표로 하여 개발되었다. 그리고, 고장 확률을 추정하고 임무 결정을 개선하기 위하여 접지 시 타이어의 상태 모니터링을 위한 디지털 트윈이 제안된 바 있다. 이를 통해 비용이 절감된다. 다른 에너지 시스템으로 확장하여, PEMFC 시스템의 다중 물리학 예측을 위하여 다중 물리학 및 데이터 기반 모델을 결합한 디지털 트윈이 발표된 바 있다. 이 디지털 트윈에서는, PEMFC 시스템의 3차원 다중 물리학 모델을 이용하여 100개의 다른 동작 조건 시나리오로부터 데이터 세트가 수집되었다. 그리고, 생성된 데이터를 이용하여 PEMFC 시스템의 서로 다른 물리량을 예측하기 위하여 인공 신경망과 서포트 벡터 머신이 적용되었다. 잔여 수명 예측에 대한 확신이 주어졌음에도 불구하고, 데이터 기반 디지털 트윈 모델을 개발하여 PEMFC 시스템의 잔여 수명을 예측하는 연구는 단 한 건에 불과하였다. 물리적 모델, 데이터 기반 모델 및 예측 솔루션 간의 연결 부족 때문에, 개선이 필요한 잔여 수명 예측 방법에는 기존 결함이 존재한다. 따라서, PEMFC 시스템의 잔여 수명 예측을 위한 새로운 디지털 트윈 기술의 개발이 요구된다.
본 발명은 연료전지 시스템에 대하여 디지털 트윈(DT: Digital Twin) 데이터를 수집하여 클라우드(Cloud)에 저장하고, 클라우드에 저장된 디지털 트윈 데이터를 이용하여 연료전지 시스템에 대한 디지털 트윈 모델을 생성하고, 생성된 디지털 트윈 모델을 이용하여 연료전지 시스템의 미래열화경향을 산출하여 잔여 수명을 예측하는 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치를 제공하기 위한 것이다.
본 발명의 일 측면에 따르면디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법이 개시된다.
본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법은, 상기 연료전지 시스템에 대하여 디지털 트윈 데이터를 수집하여 미리 설정된 클라우드에 저장하는 단계, 상기 디지털 트윈 데이터를 이용한 학습을 통해 디지털 트윈 모델을 생성하는 단계, 상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계, 상기 파라미터가 업데이트된 디지털 트윈 모델을 이용하여 상기 연료전지 시스템의 미래열화경향을 예측하는 단계 및 상기 미래열화경향의 예측에 따라 상기 연료전지 시스템의 잔여 수명을 예측하는 단계를 포함한다.
상기 파라미터는 실험 계수 , 파라미터 계수 , 연결 저항 , 조정 가능한 파라미터 의 6개 미결정 파라미터를 포함한다.
상기 연료전지 시스템의 미래열화경향을 예측하는 단계는, 상기 업데이트된 디지털 트윈 모델을 이용하여 미리 설정된 예측 시간에 도달할 때까지 측정 데이터를 학습하는 단계, 장단기 메모리(LSTM: long-short term memory) 기반의 딥 러닝 및 ARIMA(Autoregressive Integrated Moving Average) 간의 융합 접근법을 사용한 열화 모델을 생성하는 단계 및 상기 생성된 열화 모델을 이용하여 상기 미래열화경향을 예측하는 단계를 포함한다.
상기 연료전지 시스템의 잔여 수명을 예측하는 단계는, 고장 임계값 접근법, 모델 기반 접근법 또는 기계 학습 접근법을 이용하여 상기 잔여 수명을 예측한다.
본 발명의 다른 측면에 따르면, 연료전지 시스템의 잔여 수명을 예측하는 디지털 트윈 장치가 개시된다.
본 발명의 실시예에 따른 디지털 트윈 장치는, 명령어를 저장하는 메모리 및 상기 명령어를 실행하는 프로세서를 포함하되, 상기 명령어는, 상기 연료전지 시스템에 대하여 디지털 트윈 데이터를 수집하여 미리 설정된 클라우드에 저장하는 단계, 상기 디지털 트윈 데이터를 이용한 학습을 통해 디지털 트윈 모델을 생성하는 단계, 상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계, 상기 파라미터가 업데이트된 디지털 트윈 모델을 이용하여 상기 연료전지 시스템의 미래열화경향을 예측하는 단계 및 상기 미래열화경향의 예측에 따라 상기 연료전지 시스템의 잔여 수명을 예측하는 단계를 포함하는 연료전지 시스템의 잔여 수명 예측 방법을 수행한다.
본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치는, 연료전지 시스템에 대하여 디지털 트윈(DT: Digital Twin) 데이터를 수집하여 클라우드(Cloud)에 저장하고, 클라우드에 저장된 디지털 트윈 데이터를 이용하여 연료전지 시스템에 대한 디지털 트윈 모델을 생성하고, 생성된 디지털 트윈 모델을 이용하여 연료전지 시스템의 미래열화경향을 산출하여 잔여 수명을 예측할 수 있다.
도 1은 예측 및 건강 관리 전략을 개발하기 위한 다이어그램을 나타낸 도면.
도 2는 본 발명의 실시예에 따른 디지털 트윈 기반 연료전지 시스템의 잔여 수명 예측 개념을 나타낸 도면.
도 3은 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 전략에 대한 다이어그램을 나타낸 도면.
도 4는 본 발명의 실시예에 따른 디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법을 나타낸 흐름도.
도 5 내지 도 8은 도 4의 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법을 설명하기 위한 도면.
도 9는 본 발명의 실시예에 따른 디지털 트윈 장치의 구성을 개략적으로 예시하여 나타낸 도면.
도 2는 본 발명의 실시예에 따른 디지털 트윈 기반 연료전지 시스템의 잔여 수명 예측 개념을 나타낸 도면.
도 3은 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 전략에 대한 다이어그램을 나타낸 도면.
도 4는 본 발명의 실시예에 따른 디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법을 나타낸 흐름도.
도 5 내지 도 8은 도 4의 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법을 설명하기 위한 도면.
도 9는 본 발명의 실시예에 따른 디지털 트윈 장치의 구성을 개략적으로 예시하여 나타낸 도면.
본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
이하, 본 발명의 다양한 실시예들을 첨부된 도면을 참조하여 상술하겠다.
도 2는 본 발명의 실시예에 따른 디지털 트윈 기반 연료전지 시스템의 잔여 수명 예측 개념을 나타낸 도면이고, 도 3은 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 전략에 대한 다이어그램을 나타낸 도면이다. 이하, 도 2 및 도 3을 참조하여, 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법의 개념에 대하여 설명하기로 한다.
도 2를 참조하면, 디지털 트윈 연료전지 시스템의 아키텍처는 물리적 공간, 가상 공간 및 클라우드(Cloud) 환경의 3개의 부분으로 구성될 수 있다.
물리적 공간에서는, IoT 센서 및 스마트 연결 장치가 물리적 연료전지 시스템 모델로부터 데이터를 획득하여 클라우드 환경으로 전송한다.
그리고, 가상 공간에서, 연료전지 시스템의 디지털 트윈 모델은 물리적 시스템의 동적 파라미터를 추정하기 위하여, 시뮬레이션 소프트웨어와 식별 알고리즘을 이용하여 실제 수집된 데이터를 기반으로 구성된다.
그리고, 클라우드 환경은, 물리적 공간과 가상 공간을 연결하고, 데이터를 저장하고, 알고리즘을 설계하고, 파라미터를 자체 조정하고, 몇 가지 결정을 내리도록 디지털 트윈 모델과 물리적 모델을 동시에 실행하여 구축될 수 있다.
여기서, 디지털 트윈은, 표준 동작의 편차를 예측하기 위하여 센서 데이터에만 의존하는 대신에, 수집된 데이터를 해석하고, 가상 공간에서 구성된 전문 지식과 통합하는 종합적인 방법을 제공할 수 있다. 또한, 디지털 트윈은 환경 및 운영 조건의 변화에 대한 지속적인 적응을 기반으로 복잡한 시스템의 정확한 건강 상태 예측을 제공할 수 있다.
본 발명의 실시예에서는, 잔여 수명 예측 전략의 수립을 위하여 연료전지 스택의 전압과 전류가 건강 지표의 입력 데이터로 수집될 수 있다. 이는, 정적 동작 조건에서 거시적 규모로 연료전지 스택의 열화 상태를 정확하게 특성화할 수 있으나, 동적 동작 조건에서는 정확도가 비교적 낮다. 그러므로, 실제 연료전지 시스템의 가상 모델을 구축하기 위하여, 수소의 압력 및 유량, 산소의 압력 및 유량, 스택 습도, 스택 온도 또한 획득된다.
도 3은 양성자 교환막 연료전지(PEMFC: Proton exchange membrane fuel cells, 이하 PEMFC라 함) 시스템에 대한 온라인 잔여 수명 예측 전략의 세부사항을 나타낸다.
도 2 및 도 3에서, PEMFC 시스템은 잔여 수명 예측 대상으로서 예를 든 것일 뿐 이에 한정되는 것은 아니다. 즉, 본 발명의 실시예에 따른 디지털 트윈 장치는 양성자 교환막 연료전지 시스템 뿐만 아니라 다양한 형태의 연료전지 시스템에 적용될 수 있다. 이하에서는, 발명의 이해와 설명의 편의를 위하여 잔여 수명 예측 대상을 연료전지 시스템으로 통칭하여 설명하기로 한다.
도 3을 참조하면, 첫번째 단계에서, 다양한 소스 또는 장치에서 필요한 모든 데이터는 다중 센서에 의하여 수집되어 클라우드로 전송된다. Amazon Web Service(AWS)가 클라우드 환경으로 사용된다고 가정한다. AWS IoT 코어는 물리적 자산과 클라우드 환경을 연결하는 인터페이스이다. 연결 후에, 획득되는 다양한 원시 데이터는, Amazon S3 함수에 저장되어 가상 모델이 구축되거나, AWS Lambda 함수에서 알고리즘을 실행하기 위한 입력 데이터로 사용된다.
다음으로, 물리적 모델의 가상 모델인 디지털 트윈 연료전지 모델은 AMESim, MATLAB과 같은 일부 시뮬레이션 소프트웨어를 사용하여 구성된다. 게다가, 추정 알고리즘은 물리적 하드웨어의 동적 파라미터를 식별하기 위하여 적용된다.
일단, 가상 연료전지 모델은 검증되면, 압축되어 AWS Lambda 함수로 전송된다. 클라우드의 이 가상 모델은 동일한 입력 데이터를 이용하여 물리적 모델과 병렬로 동작하는 디지털 트윈 모델이다.
그런 다음, 클라우드의 저장 공간의 원시 데이터는 디지털 트윈 모델의 동적 파라미터를 온라인으로 식별하고 업데이트하는데 사용된다. 여기서, 디지털 트윈 연료전지 모델을 정확하게 구현하기 위하여, 가상 연료전지 모델의 필수 파라미터를 업데이트하는 추정 알고리즘이 개발된다. 파라미터 추정 및 식별된 프로세스는 가상 연료전지 모델의 출력이 동일한 입력 조건의 물리적 연료전지 모델과 동일할 때만 중지된다. 그렇지 않으면, 동일한 출력 성능이 달성될 때까지 이러한 단계가 반복된다.
물리적인 연료전지 시스템이 동작할 때마다 그 데이터는 수집되어 클라우드 환경으로 전송된다. 이 데이터는 실제 연료전지 시스템에 대한 잔여 수명 예측을 실행하기 위한 디지털 트윈 모델의 입력 데이터로 사용된다. 사용자는 AWS 플랫폼에 접속하여 기존 상태를 획득하고, 적절한 조치를 취하여 시스템의 내구성을 향상시킬 수 있다. 또한, 잔여 수명 예측 결과는 PC나 스마트폰과 같은 사용자의 장치에도 전송된다.
도 4는 본 발명의 실시예에 따른 디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법을 나타낸 흐름도이고, 도 5 내지 도 8은 도 4의 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법을 설명하기 위한 도면이다. 이하, 본 발명의 실시예에 따른 디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법에 대하여 도 4를 중심으로 설명하되, 도 5 내지 도 8을 참조하기로 한다.
S410 단계에서, 디지털 트윈 장치는, 연료전지 시스템에 대하여 디지털 트윈(DT: Digital Twin, 이하 DT라 함) 데이터를 수집하여 미리 설정된 클라우드에 저장한다.
예를 들어, 디지털 트윈 장치는 도 2 및 도 3에 도시된 바와 같이, 연료전지 시스템의 각 구성에 설치된 각종 센서로부터 출력되는 센서 데이터를 수집하고, 수집된 센서 데이터를 클라우드에 전송하여 저장시킬 수 있다. 이와 같은 DT 데이터의 수집은 클라우드에 저장 및 업데이트를 수행하는 사물 인터넷(IoT)에 의하여 이루어질 수 있다.
S420 단계에서, 디지털 트윈 장치는, 클라우드에 저장된 DT 데이터를 이용한 학습을 통해 DT 모델을 생성한다.
클라우드 플랫폼은 물리적 시스템과 디지털 트윈 모델 간의 다리 역할을 할 수 있다. 클라우드의 데이터 저장 공간은, 도 3에 도시된 바와 같이, MQTT(Message Queueing Telemetry Transport) 브로커(broker), 데이터 전처리 러너(data preprocessing runner), 데이터베이스 및 데이터 플랫폼으로 구성된다. 이 4가지 모듈은 각각 데이터 전송 기능, 데이터 전처리 기능, 데이터 저장 기능 및 데이터 적용 기능을 가진다.
여기서, MQTT 브로커는 클라우드 플랫폼과 IoT 장치 또는 스마트 연결 장치 간의 데이터 전송에 사용된다. 수집된 연료전지 시스템의 운전 데이터는 일정량의 노이즈가 있는 시계열 데이터의 세트이다.
그리고, 데이터 전처리 러너는 이 데이터를 사용하여 가상 모델의 파라미터를 식별하거나 모델을 학습시키기 전에, 데이터 분석, 중복 제거, 이상치 감지 및 처리에 필요하다. 이 데이터 전처리 러너는 데이터에서 노이즈를 제거할 뿐만 아니라, 학습된 모델의 예측 결과가 더 정확해지도록 데이터 품질을 향상시킨다.
그리고, 데이터베이스는 데이터를 저장하는데 사용되고, 데이터 플랫폼은 DT 연료전지 모델의 파라미터를 추정하고 업데이트하기 위한 입력 데이터로 사용되는 데이터 어플리케이션을 위한 시각적 운영 플랫폼을 제공한다.
S430 단계에서, 디지털 트윈 장치는, 생성된 DT 모델의 파라미터를 추정하고 업데이트한다.
클라우드에 업로드되는 연료전지 시스템의 가상 모델을 기반으로, 알 수 없는 파라미터를 획득하기 위하여 온라인 추정 알고리즘은 설계되고 사용가능한 측정과 혼합되며, 물리적 하드웨어의 작업 조건이 변경될 때, DT 모델의 동적 파라미터를 업데이트한다. 이러한 프로세서는 실제 하드웨어 시스템과 동일한 동작 조건으로 클라우드 플랫폼에서 온라인으로 실행될 수 있다.
본 발명의 실시예에 따른 DT 모델은 실험 계수 , 파라미터 계수 , 연결 저항 , 조정 가능한 파라미터 의 6개 미결정 파라미터를 가진다. 그래서, 시뮬레이션 및 제어 목적을 위한 연료전지 시스템의 유망한 모델링을 보장하기 위해서는, 이러한 6개 파라미터의 값을 정확하게 찾아야 한다.
활성화 과전압(activation over-potential)에 대한 수학식은 하기와 같이 나타낼 수 있다.
여기서, TPEMFC는 동작 셀 온도(K)이고, CH2 및 CO2는 각각 수소 및 산소의 농도(mol/cm3)이고, IPEMFC는 연료전지의 동작 전류이고, PH2 및 PO2는 각각 수소 및 산소의 분압이고, A는 멤브레인 표면(membrane surface)(cm2)이다.
그리고, 전압 강하 및 손실은 하기 수학식으로 나타낼 수 있다.
여기서, Rm은 연결의 멤브레인 저항이고, l은 멤브레인 두께이고, 은 멤브레인 저항이다.
그리고, 셀의 과전압 포화는 하기 수학식으로 나타낼 수 있다.
여기서, J는 실제 전류 밀도이고, Jmax는 J의 최대값이다.
제곱편차의 합계(TSD)는 연료전지 파라미터 식별을 위하여 적합성 함수의 주요 부분으로 선택된다. 이 함수는 미결정된 6개 파라미터를 추정하기 위하여 정의될 수 있다. 그리고, 유체 탐색 최적화 알고리즘을 이용하여 더 높은 수렴 속도로 합리적인 계산 복잡도를 고려하여 적합성 함수가 하기 수학식과 같이 최소화된다.
여기서, n은 측정 지점의 수이고, i는 반복 횟수이고, Vm 및 Vs는 연료전지 스택의 측정 전압 및 평가 전압이다. 실제로, 제곱편차의 합계(TSD)는 연료전지에 대한 실제 및 근사 전압 데이터 사이의 오차를 나타낸다. FSI에 대한 실제 부등식 제약 조건은 하기 수학식으로 나타낼 수 있다.
여기서, 및 는 실험결과에 대한 최소 및 최대이고, 및 는 모델 파라미터의 최소 및 최대이고, 및 는 수분 함량의 최소 및 최대이고, 및 는 셀 연결 저항의 최소 및 최대이다.
전술한 6개의 파라미터는 수정된 유체 탐색 최적화 알고리즘을 이용하여, 제약 조건을 고려하여 최적의 값을 획득하기 위하여 최적화될 수 있다. 이러한 제약 조건은 최적화 알고리즘의 모집단 업데이트 및 알고리즘에 대한 패널티 부분으로 사용된다는 점이 중요하다.
S440 단계에서, 디지털 트윈 장치는, 파라미터가 업데이트된 DT 모델을 이용하여 연료전지 시스템의 미래열화경향을 예측한다.
즉, 모델 기반 방법 및 데이터 기반 방법을 연료전지의 미래열화경향이 예측될 수 있다. 미래열화경향의 예측은 학습 단계 및 예측 단계의 두 단계를 포함한다.
학습 단계에서, 측정 데이터(즉, 전압, 전류)는 예측 도구(즉, 열화 모델 또는 신경망)를 사용함으로써, 학습 단계에 이용될 수 있다. 연료전지 시스템의 열화 거동은 예측 도구의 파라미터를 업데이트하여 학습된다. 이 학습 단계는 예측 시간에 도달할 때까지 지속된다.
예측 단계에서, 연료전지 시스템의 미래열화경향을 예측하기 위하여 예측 도구가 사용되며, 이는 장기 예측 및 단기 예측으로 구분될 수 있다. 단기 예측은 시간별, 일별, 주별과 같은 단기간의 데이터 경향을 예측하는 한 단계 앞선 열화값을 찾을 수 있다. 그리고, 장기 예측은 한 단계보다 더 많이 앞서 예측 메커니즘을 수행한다. 즉, 장기 예측은 수 주, 수 개월과 같이 장기간의 열화 데이터를 예측할 수 있다.
도 5는 단기 및 장기 예측 모델을 나타낸 도면이다. 즉, 도 5의 (a)는 한 단계 앞서는 단계 예측 모델을 나타내고, 도 5의 (b)는 복수의 단계를 앞서는 장기 예측 모델을 나타낸다. 잔여 수명 추정을 위해서는, 장기 예측만이 고려될 수 있다.
시스템의 잔여 수명을 추정하고, 내구성 및 가용성을 최적화하기 위하여 적절한 시정 조치를 취하기 위하여 열화 예측이 필요하다. 예측 단계는, 연료전지의 복구 데이터 또는 실패 사례를 따를 수 있는 장기 열화 정보를 보존할 수 있다. ARIMA(Autoregressive Integrated Moving Average) 모델은 시계열 예측을 위한 통계에서 가장 일반적으로 사용되는 접근법 중 하나로 간주되며, 예측 정확도를 향상시키는데 적용될 수 있다.
도 6은 장단기 메모리(LSTM: long-short term memory) 기반의 딥 러닝 및 ARIMA 간의 융합 접근법을 사용하는 새로운 연료전지 열화 모델을 나타낸다. 도 6을 참조하면, 융합 예측은 3부분으로 구분된다. 도 6의 상단에 있는 첫번째 부분은 연료 전지 테스트 및 수행된 실험 측정에 해당한다. 그리고, 하단 좌측에 있는 두번째 부분은 학습 단계이다. 그리고, 하단 우측에 있는 세번째 부분은 융합 예측 단계이다.
인기있는 기계 학습 알고리즘 중에서 장단기 메모리(LSTM) 기반 순환 신경망(RNN: recurrent neural network)은 시계열 예측에 적합하다. 도 7은 장단기 메모리(LSTM)의 아키텍처를 나타낸다. 도 7에서, X는 입력이고, C는 셀의 메모리이고, h는 현재 네트워크의 출력이다. 그러나, 딥 러닝 기반의 예측 접근법은 장기 열화 정보를 보존할 수 있으나, 예측은 연료전지 복구 또는 고장 사례를 따를 수 있다. 이러한 예측은 실제 열화 경향 대신에, 특정 열화 데이터 세트에 대한 과적합으로 이르게 할 수 있다.
장단기 메모리(LSTM)의 계산 절차는 다음과 같다.
우선, 하기 수학식과 같이, 망각 게이트(ft)를 계산하고, 잊혀질 정보를 선택한다.
다음으로, 하기 수학식과 같이, 메모리 게이트(it)를 계산하고, 기억될 정보를 선택하고, 임시 셀 상태()를 획득한다.
하기 수학식과 같이, 메모리 게이트(it), 망각 게이트(ft), 임시 셀 상태() 및 이전 순간의 셀 상태(Ct-1)에 따라 현재 순간의 셀 상태를 계산한다.
S450 단계에서, 디지털 트윈 장치는, 연료전지 시스템의 미래열화경향의 예측에 따라 연료전지 시스템의 잔여 수명을 예측한다.
연료전지 시스템의 잔여 수명은 고장 임계값 접근법, 모델 기반 접근법 또는 기계 학습 접근법으로 추정될 수 있다.
여기서, 잔여 수명은 고장 임계값 접근법의 경우, 연료전지가 최대 수명에 도달하여 더 이상 사용할 수 없음을 의미하는 고장 임계값이 우선 정의된다. 보호 제어 및 유지보수 조치와 같은 완화 전략 구현의 편의를 위하여 버퍼 시간 간격이 필요하다. 다음으로, 고장 임계값보다 높은 중요한 임계값(critical threshold)이 정의된다.
그리고, 모델 기반 접근법의 경우, 열화 모델에 의하여 획득된 열화 인자(또는 인덱스)는 잔여 수명과 열화 인자 사이의 연관 모델이 설정됨으로써, 연료전지 시스템의 잔여 수명을 추정하는데 사용된다.
그리고, 기계 학습 접근법의 경우, 잔여 수명과 열화 인자 사이의 관계는, 지원 벡터 머신(SVM: support vector machine), 강화 학습(RL: reinforcement learning), 순환 신경망(RNN: recurrent neural network), 컨볼루션 신경망(CNN: convolution neural network)과 같은 다양한 기계 학습 및 딥 러닝 도구에 의하여 설명될 수 있다.
이러한 잔여 수명 예측의 접근법에서는, 예비 예측이 수행된다. 그런 다음, 예비 예측된 전압값이 시스템 관찰의 역할을 하는 예측 프레임워크로 도입된다. 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법은, 시스템 관찰값을 수신하고, 추정된 모델 파라미터를 기반으로 시스템 상태 모델을 외삽(extrapolation)함으로써, 다음 단계의 입자를 전파하여, 전압 예측을 실현할 수 있다. 예측된 전압값이 수명 종료(EOL: end-of-life) 임계값에 도달하지 않으면, 수명 종료 임계값에 도달할 때까지 예측 절차가 계속된다. 도 8은 본 발명의 실시예에 따른 잔여 수명 예측의 개략도를 나타낸다.
잔여 수명 예측 결과를 기반으로, 연료전지 시스템에 예측 유지보수 전략이 적용되어, 예상치 못한 장비의 고장을 방지하고, 연료전지 시스템의 안전성을 증가시키고, 환경에 부정적인 영향을 미치는 사고를 줄이고, 예비 부품 처리를 최적화할 수 있다. 더욱이, 예측 유지보수는 연료전지 시스템이 지속적으로 모니터링되게 할 수 있으므로, 각 연료전지 시스템에 알맞은 유지 보수 계획을 결정하는데 도움이 된다. 이러한 접근법은 연료전지 시스템의 수명을 최대화하는 동시에, 유지보수 비용을 감소시키는데 기여할 수 있다.
도 9는 본 발명의 실시예에 따른 디지털 트윈 장치의 구성을 개략적으로 예시하여 나타낸 도면이다.
도 9를 참조하면, 본 발명의 실시예에 따른 디지털 트윈 장치는 프로세서(10), 메모리(20), 통신부(30) 및 인터페이스부(40)를 포함한다.
프로세서(10)는 메모리(20)에 저장된 처리 명령어를 실행시키는 CPU 또는 반도체 소자일 수 있다.
메모리(20)는 다양한 유형의 휘발성 또는 비휘발성 기억 매체를 포함할 수 있다. 예를 들어, 메모리(20)는 ROM, RAM 등을 포함할 수 있다.
예를 들어, 메모리(20)는 본 발명의 실시예에 따른 연료전지 시스템의 잔여 수명 예측 방법을 수행하는 명령어들을 저장할 수 있다.
통신부(30)는 통신망을 통해 다른 장치들과 데이터를 송수신하기 위한 수단이다.
인터페이스부(40)는 네트워크에 접속하기 위한 네트워크 인터페이스 및 사용자 인터페이스를 포함할 수 있다.
한편, 전술된 실시예의 구성 요소는 프로세스적인 관점에서 용이하게 파악될 수 있다. 즉, 각각의 구성 요소는 각각의 프로세스로 파악될 수 있다. 또한 전술된 실시예의 프로세스는 장치의 구성 요소 관점에서 용이하게 파악될 수 있다.
또한 앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
10: 프로세서
20: 메모리
30: 통신부
40: 인터페이스부
20: 메모리
30: 통신부
40: 인터페이스부
Claims (5)
- 디지털 트윈 장치가 수행하는 연료전지 시스템의 잔여 수명 예측 방법에 있어서,
상기 연료전지 시스템에 대하여 디지털 트윈 데이터를 수집하여 미리 설정된 클라우드에 저장하는 단계;
상기 디지털 트윈 데이터를 이용한 학습을 통해 디지털 트윈 모델을 생성하는 단계;
상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계;
상기 파라미터가 업데이트된 디지털 트윈 모델을 이용하여 상기 연료전지 시스템의 미래열화경향을 예측하는 단계; 및
상기 미래열화경향의 예측에 따라 상기 연료전지 시스템의 잔여 수명을 예측하는 단계를 포함하되,
상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계는,
상기 연료전지 시스템에 대한 활성화 과전압(activation over-potential), 전압 강하 및 손실, 셀의 과전압 포화, 실제 및 근사 전압 데이터 사이의 오차를 나타내는 제곱편차의 합계(TSD)를 이용하여, 실험 계수 , 파라미터 계수 , 연결 저항 , 조정 가능한 파라미터 의 6개 미결정 파라미터를 추정하고,
상기 활성화 과전압(Vact)은 하기 수학식으로 나타내고,
여기서, TPEMFC는 동작 셀 온도(K)이고, CH2 및 CO2는 각각 수소 및 산소의 농도(mol/cm3)이고, IPEMFC는 연료전지의 동작 전류이고, PH2 및 PO2는 각각 수소 및 산소의 분압이고, A는 멤브레인 표면적(membrane surface)(cm2)임
상기 전압 강하(VO) 및 손실(Rm)은 하기 수학식으로 나타내고,
여기서, Rm은 연결의 멤브레인 저항이고, l은 멤브레인 두께이고, 은 멤브레인 저항임
상기 셀의 과전압 포화(VC)는 하기 수학식으로 나타내고,
여기서, J는 실제 전류 밀도이고, Jmax는 J의 최대값임
상기 6개 미결정 파라미터를 추정하기 위하여 정의되는 상기 제곱편차의 합계(TSD)에 관한 함수(FSI)는 하기 수학식으로 나타내고,
여기서, n은 측정 지점의 수이고, i는 반복 횟수이고, Vm 및 Vs는 연료전지 스택의 측정 전압 및 평가 전압임
상기 제곱편차의 합계에 관한 함수의 제약조건은 하기 수학식으로 나타내는 것을 특징으로 하는 연료전지 시스템의 잔여 수명 예측 방법.
여기서, 및 는 실험결과에 대한 최소 및 최대이고, 및 는 모델 파라미터의 최소 및 최대이고, 및 는 수분 함량의 최소 및 최대이고, 및 는 셀 연결 저항의 최소 및 최대임
- 삭제
- 제1항에 있어서,
상기 연료전지 시스템의 미래열화경향을 예측하는 단계는,
상기 업데이트된 디지털 트윈 모델을 이용하여 미리 설정된 예측 시간에 도달할 때까지 측정 데이터를 학습하는 단계;
장단기 메모리(LSTM: long-short term memory) 기반의 딥 러닝 및 ARIMA(Autoregressive Integrated Moving Average) 간의 융합 접근법을 사용한 열화 모델을 생성하는 단계; 및
상기 생성된 열화 모델을 이용하여 상기 미래열화경향을 예측하는 단계를 포함하는 것을 특징으로 하는 연료전지 시스템의 잔여 수명 예측 방법.
- 제1항에 있어서,
상기 연료전지 시스템의 잔여 수명을 예측하는 단계는,
고장 임계값 접근법, 모델 기반 접근법 또는 기계 학습 접근법을 이용하여 상기 잔여 수명을 예측하는 것을 특징으로 하는 연료전지 시스템의 잔여 수명 예측 방법.
- 연료전지 시스템의 잔여 수명을 예측하는 디지털 트윈 장치에 있어서,
명령어를 저장하는 메모리; 및
상기 명령어를 실행하는 프로세서를 포함하되,
상기 명령어는,
상기 연료전지 시스템에 대하여 디지털 트윈 데이터를 수집하여 미리 설정된 클라우드에 저장하는 단계;
상기 디지털 트윈 데이터를 이용한 학습을 통해 디지털 트윈 모델을 생성하는 단계;
상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계;
상기 파라미터가 업데이트된 디지털 트윈 모델을 이용하여 상기 연료전지 시스템의 미래열화경향을 예측하는 단계; 및
상기 미래열화경향의 예측에 따라 상기 연료전지 시스템의 잔여 수명을 예측하는 단계를 포함하는 연료전지 시스템의 잔여 수명 예측 방법을 수행하고,
상기 생성된 디지털 트윈 모델의 파라미터를 추정하고 업데이트하는 단계는,
상기 연료전지 시스템에 대한 활성화 과전압(activation over-potential), 전압 강하 및 손실, 셀의 과전압 포화, 실제 및 근사 전압 데이터 사이의 오차를 나타내는 제곱편차의 합계(TSD)를 이용하여, 실험 계수 , 파라미터 계수 , 연결 저항 , 조정 가능한 파라미터 의 6개 미결정 파라미터를 추정하고,
상기 활성화 과전압(Vact)은 하기 수학식으로 나타내고,
여기서, TPEMFC는 동작 셀 온도(K)이고, CH2 및 CO2는 각각 수소 및 산소의 농도(mol/cm3)이고, IPEMFC는 연료전지의 동작 전류이고, PH2 및 PO2는 각각 수소 및 산소의 분압이고, A는 멤브레인 표면적(membrane surface)(cm2)임
상기 전압 강하(VO) 및 손실(Rm)은 하기 수학식으로 나타내고,
여기서, Rm은 연결의 멤브레인 저항이고, l은 멤브레인 두께이고, 은 멤브레인 저항임
상기 셀의 과전압 포화(VC)는 하기 수학식으로 나타내고,
여기서, J는 실제 전류 밀도이고, Jmax는 J의 최대값임
상기 6개 미결정 파라미터를 추정하기 위하여 정의되는 상기 제곱편차의 합계(TSD)에 관한 함수(FSI)는 하기 수학식으로 나타내고,
여기서, n은 측정 지점의 수이고, i는 반복 횟수이고, Vm 및 Vs는 연료전지 스택의 측정 전압 및 평가 전압임
상기 제곱편차의 합계에 관한 함수의 제약조건은 하기 수학식으로 나타내는 것을 특징으로 하는 디지털 트윈 장치.
여기서, 및 는 실험결과에 대한 최소 및 최대이고, 및 는 모델 파라미터의 최소 및 최대이고, 및 는 수분 함량의 최소 및 최대이고, 및 는 셀 연결 저항의 최소 및 최대임
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210134063A KR102656115B1 (ko) | 2021-10-08 | 2021-10-08 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210134063A KR102656115B1 (ko) | 2021-10-08 | 2021-10-08 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230050812A KR20230050812A (ko) | 2023-04-17 |
| KR102656115B1 true KR102656115B1 (ko) | 2024-04-11 |
Family
ID=86128000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210134063A KR102656115B1 (ko) | 2021-10-08 | 2021-10-08 | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102656115B1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116957361B (zh) * | 2023-07-27 | 2024-02-06 | 中国舰船研究设计中心 | 一种基于虚实结合的船舶任务系统健康状态检测方法 |
| CN117074957B (zh) * | 2023-08-18 | 2024-05-24 | 南京林业大学 | 一种基于数-模融合的锂离子电池剩余使用寿命预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101418179B1 (ko) | 2012-12-20 | 2014-07-09 | 현대오트론 주식회사 | 셀 전압 및 임피던스 검출을 통한 연료전지 스택 진단 방법 및 장치 |
-
2021
- 2021-10-08 KR KR1020210134063A patent/KR102656115B1/ko active IP Right Grant
Non-Patent Citations (1)
| Title |
|---|
| Int. J. Hydrogen Energy, 46, 2021, 2555-2564(2020.11.06.) 1부.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230050812A (ko) | 2023-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | Prognostic for fuel cell based on particle filter and recurrent neural network fusion structure | |
| Hu et al. | Remaining useful life model and assessment of mechanical products: a brief review and a note on the state space model method | |
| KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| KR102239464B1 (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
| CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
| Liu et al. | Multiple sensors based prognostics with prediction interval optimization via echo state Gaussian process | |
| CN117332347A (zh) | 一种机巡与ai融合的电网智慧运维方法及系统 | |
| Peng et al. | Residual remaining useful life prediction method for lithium-ion batteries in satellite with incomplete healthy historical data | |
| CN116819336A (zh) | 一种基于无监督学习的动力电池异常检测系统 | |
| CN117613421B (zh) | 一种基于神经网络的储能电池组管理系统的均衡方法及介质 | |
| CN117689373A (zh) | 一种柔性直流牵引供电系统能量路由器维护决策支持方法 | |
| CN117557127A (zh) | 电网调度系统支撑平台可靠性评估方法、系统及存储介质 | |
| CN117236380A (zh) | 一种电力系统故障预测方法、系统、电子设备和介质 | |
| Lin et al. | On the formalization of development and assessment process for digital twins | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| US8812674B2 (en) | Controlling state transitions in a system | |
| Xiao et al. | Reliability analysis of aging control system via stability margins | |
| Wang | Remaining Useful Life Prediction of Proton Exchange Membrane Fuel Cell Based on Deep Learning | |
| CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
| CN113850016B (zh) | 一种间歇工作模式下仿真变电站蓄电池剩余寿命预测方法 | |
| Wu et al. | Development of a novel variable selection algorithm for LSTM with LASSO | |
| Li et al. | Optimal Maintenance Decision Method for a Sensor Network Based on Belief Rule Base considering Attribute Correlation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |