KR20230036776A - 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 - Google Patents
디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 Download PDFInfo
- Publication number
- KR20230036776A KR20230036776A KR1020210119649A KR20210119649A KR20230036776A KR 20230036776 A KR20230036776 A KR 20230036776A KR 1020210119649 A KR1020210119649 A KR 1020210119649A KR 20210119649 A KR20210119649 A KR 20210119649A KR 20230036776 A KR20230036776 A KR 20230036776A
- Authority
- KR
- South Korea
- Prior art keywords
- fuel cell
- digital twin
- energy management
- bat
- ems
- Prior art date
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000003745 diagnosis Methods 0.000 title claims description 81
- 238000005516 engineering process Methods 0.000 claims abstract description 32
- 230000015556 catabolic process Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 116
- 238000007726 management method Methods 0.000 claims description 108
- 230000005856 abnormality Effects 0.000 claims description 71
- 230000008569 process Effects 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 229910052739 hydrogen Inorganic materials 0.000 claims description 32
- 239000001257 hydrogen Substances 0.000 claims description 32
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 29
- 238000013480 data collection Methods 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000006731 degradation reaction Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010200 validation analysis Methods 0.000 claims description 8
- 239000012528 membrane Substances 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 229910000147 aluminium phosphate Inorganic materials 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000009474 immediate action Effects 0.000 description 5
- 230000007257 malfunction Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000003278 mimic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002580 esophageal motility study Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Emergency Management (AREA)
- Fuel Cell (AREA)
Abstract
본 발명은 연료전지(Fuel Cell ; FC)를 이용하여 동작하는 연료전지 시스템의 고장을 진단하기 위한 장치 및 방법에 관한 것으로, 본 발명에 따르면, 연료전지-배터리-슈퍼커패시터(FC-BAT-SC)와 같은 하이브리드 전원을 사용하는 연료전지 시스템의 에너지 관리시스템(Energy Management System ; EMS)에 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 하는 장치나 방법이 제시된 바 없는 한계가 있었던 종래기술의 EMS들의 문제점을 해결하기 위해, 디지털 트윈(Digital Twin ; DT) 기술을 이용하여, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드(Cloud)로 전송하여 디지털 트윈 모델을 구축하고, 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값을 비교하여 오류나 고장이 발생한 것으로 판단되면 경고메시지를 발생하고 미리 설정된 연락처에 해당 사실을 알리는 처리가 수행되도록 구성됨으로써, 에너지 관리시스템(EMS)의 오류나 고장 발생시 이를 즉각적으로 감지하고 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공된다.
Description
본 발명은 연료전지(Fuel Cell ; FC)를 이용하여 동작하는 연료전지 시스템의 고장이나 이상발생을 감지하기 위한 장치 및 방법에 관한 것으로, 더 상세하게는, 연료전지-배터리-슈퍼커패시터(FC-BAT-SC)와 같은 하이브리드 전원을 사용하는 연료전지 시스템에 있어서, 다양한 작업조건에 대하여 안정적인 동작을 유지하기 위하여는 에너지 관리시스템(Energy Management System ; EMS)을 통하여 FC-BAT-SC 하이브리드 전원의 에너지 소비를 적절히 관리하는 것에 의해 충분한 전원공급이 이루어질 수 있도록 하는 것이 중요하나, 이러한 EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 하는 장치나 방법은 제시된 바 없는 한계가 있었던 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 디지털 트윈(Digital Twin ; DT) 기술을 이용하여, 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
또한, 본 발명은, 상기한 바와 같은 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 예를 들면, 양성자 교환막 연료전지(Proton-exchange membrane fuel cell ; PEMFC) 굴착기(excavator) 등과 같이, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드(Cloud)로 전송하여 디지털 트윈 모델을 구축하고, 실제 작업조건을 기반으로 오류가 없는 조건에서 디지털 트윈 모델의 EMS를 통해 FC, BAT, SC 전원에 필요한 전력을 각각 계산하며, 계산된 값들을 물리적 시스템의 실제 동작 데이터와 비교하여 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값의 차이가 미리 정해진 임계값이나 범위를 벗어나는 경우 오류나 고장이 발생한 것으로 판단하여 경고메시지를 발생하고 미리 설정된 연락처에 즉각적인 대처를 요청하는 처리가 수행되도록 구성됨으로써, EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
아울러, 본 발명은, 상기한 바와 같이 연료전지 시스템용 에너지 관리시스템(EMS)의 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 하는 동시에, 예를 들면, DC-DC 컨버터, 연료전지(FC), 배터리 뱅크(battery bank) 및 슈퍼커패시터 팩(supercapacitor pack) 등과 같이, 하이브리드 연료전지 시스템의 개별 서브시스템의 상태 및 동작을 사물인터넷(Internet of Thngs ; IoT) 기술에 기반하여 각종 센서를 통해 지속적으로 모니터링하고, 머신러닝(Machine Learning)과 같은 인공지능 학습 알고리즘이나 인공신경망(Artificial Neural Network ; ANN)과 같은 네트워크 모델에 기반하여 각 서브시스템의 잔여수명을 예측하는 처리가 클라우드(Cloud)를 통해 수행되도록 구성됨으로써, 시스템의 전체적인 처리 부하를 경감하고 유지보수의 효율성을 크게 향상시킬 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
일반적으로, 굴착기(excavator)는 가장 중요한 건설기계 중 하나로서 다양한 분야에 널리 사용되고 있으나, 그 특성상 높은 전력의 생성이 요구되고 현저한 부하변화에도 적절히 대응하여 안정적인 동작을 유지하여야 한다.
또한, 최근, 각종 환경문제가 전세계적으로 큰 이슈로 대두됨에 따라 일반적인 차량뿐만 아니라 굴착기와 같은 중장비에 있어서도 기존의 내연기관 대신에 친환경적인 대체에너지의 도입에 대한 요구가 높아지고 있으며, 이에, 이러한 친환경적인 대체에너지로서 연료전지(Fuel Cell ; FC)를 동력원으로 이용하는 연료전지 시스템이 주목받고 있다.
아울러, 최근에는, 굴착기와 같은 건설장비 분야에도 이러한 친환경에 대한 요구가 반영되어, 연료전지 시스템을 이용한 전기식 굴착기 또는 연료전지-배터리-슈퍼커패시터(FC-BAT-SC)와 같은 하이브리드 전원을 사용하는 하이브리드 전기식 굴착기에 대한 연구개발이 활발하게 이루어지고 있다.
여기서, 상기한 바와 같이 연료전지를 이용한 전기식 굴착기에 대한 종래기술의 예로는, 예를 들면, 한국 공개특허공보 제10-2021-0075258호에 제시된 바와 같은 "에너지 저장장치를 이용한 전기식 굴착기"가 있다.
더 상세하게는, 상기한 한국 공개특허공보 제10-2021-0075258호는, 실린더계 작동부에 제공되는 동력을 발생시키는 메인 전기모터와; 메인 전기모터에 의해 작동되어 유압을 제공하는 유압펌프와; 유압펌프에서 발생된 유압을 조절하여 실린더계 작동부에 인가하는 메인 컨트롤밸브와; 회전계 작동부에 제공되는 동력을 발생시키는 회전계 전기모터; 및 메인 전기모터와 회전계 전기모터에 각각 전력을 공급하는 에너지 저장장치를 포함하여, 실린더에 의해 실린더 구동이 이루어지는 실린더계 작동부와 전기모터에 의해 회전 구동이 이루어지는 회전계 작동부가 분리되어 구성되는 에너지 저장장치를 이용한 전기식 굴착기에 관한 것이다.
상기한 바와 같이, 종래, 전기식 굴착기에 대하여 다양한 장치 및 방법들이 제시된 바 있으나, 상기한 바와 같은 종래기술의 내용들은 다음과 같은 한계가 있는 것이었다.
즉, 종래, 예를 들면, 양성자 교환막 연료전지(Proton-exchange membrane fuel cell ; PEMFC) 굴착기(excavator)에 있어서, PEMFC 굴착기를 개발하기 위한 연구는 결함감지, 잔여 유효수명, 플랜트 제어의 균형, 특히, 연료전지 스택, 배터리 유닛 및 슈퍼커패시터 뱅크의 에너지 흐름을 효율적으로 조절하도록 설계된 에너지 관리시스템(Energy Management System ; EMS) 등과 같은 다양한 분야에 대하여 이루어지고 있다.
여기서, 연료전지 시스템의 원활한 작동 및 고성능을 보장하기 위하여는 전원간에 전력 요구를 어떻게 분배할지를 적절하게 결정하는 에너지 관리시스템(EMS)의 역할이 중요하며, 이를 위해서는 안정적이고 신뢰성 있는 EMS의 동작이 요구된다.
즉, 연료전지 시스템에 있어서, FC-BAT-SC 하이브리드 전원의 에너지 관리 시스템(EMS)은 다양한 작업조건에서 굴착기에 충분한 에너지를 제공하는 핵심적인 역할을 하며, 따라서 연료전지 시스템의 안정적인 운영을 위하여는 EMS의 동작 및 상태를 지속적으로 모니터링하여 동작 중 발생하는 오류를 즉시 감지하고 대처하는 것이 요구된다.
그러나 상기한 바와 같은 종래기술의 연료전지 시스템 및 이를 위한 에너지 관리시스템(EMS)들은, 상기한 바와 같이 EMS의 상태 및 동작을 모니터링하여 오루나 고장 발생을 즉각적으로 파악하고 대처할 수 있는 장치나 방법에 대하여는 제시된 바 없었다.
아울러, 연료전지를 이용하는 굴착기의 하이브리드 FC-BAT-SC용 EMS에 디지털 트윈(Digital Twin ; DT) 기술을 적용하면, 실제 작업조건과 동일한 작업조건에 대하여 EMS의 동작을 시뮬레이션하여 성능을 용이하게 평가할 수 있고, 이에 더하여, 작업기간 중 실제 시스템의 오작동이나 오류를 즉시 감지하여 휴대용 장치 또는 인터넷에 연결된 컴퓨터를 통해 운영자에게 메시지를 전송하는 것에 의해 전체적인 시스템 유지관리의 효율성을 증가시킬 수 있을 것으로 기대되나, 상기한 바와 같은 종래기술의 연료전지 시스템 및 에너지 관리시스템(EMS)들에는 이러한 구성에 대하여도 제시된 바 없었다.
따라서 상기한 바와 같은 종래기술의 연료전지 시스템 및 에너지 관리시스템(EMS)들의 한계를 해결하기 위하여는, 디지털 트윈(DT) 기술을 이용하여 FC-BAT-SC 하이브리드 전원의 에너지 소비를 관리하는 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 새로운 구성의 에너지 관리시스템(EMS)의 이상진단 시스템 및 방법을 제시하는 것이 바람직하나, 아직까지 그러한 요구를 모두 만족시키는 장치나 방법은 제시되지 못하고 있는 실정이다.
본 발명은 상기한 바와 같은 종래기술의 문제점을 해결하고자 하는 것으로, 따라서 본 발명의 목적은, 연료전지-배터리-슈퍼커패시터(FC-BAT-SC)와 같은 하이브리드 전원을 사용하는 연료전지 시스템에 있어서, 다양한 작업조건에 대하여 안정적인 동작을 유지하기 위하여는 에너지 관리시스템(Energy Management System ; EMS)을 통하여 FC-BAT-SC 하이브리드 전원의 에너지 소비를 적절히 관리하는 것에 의해 충분한 전원공급이 이루어질 수 있도록 하는 것이 중요하나, 이러한 EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 하는 장치나 방법은 제시된 바 없는 한계가 있었던 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 디지털 트윈(Digital Twin ; DT) 기술을 이용하여, 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법을 제시하고자 하는 것이다.
또한, 본 발명의 다른 목적은, 상기한 바와 같은 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 예를 들면, 양성자 교환막 연료전지(Proton-exchange membrane fuel cell ; PEMFC) 굴착기(excavator) 등과 같이, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드(Cloud)로 전송하여 디지털 트윈 모델을 구축하고, 실제 작업조건을 기반으로 오류가 없는 조건에서 디지털 트윈 모델의 EMS를 통해 FC, BAT, SC 전원에 필요한 전력을 각각 계산하며, 계산된 값들을 물리적 시스템의 실제 동작 데이터와 비교하여 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값의 차이가 미리 정해진 임계값이나 범위를 벗어나는 경우 오류나 고장이 발생한 것으로 판단하여 경고메시지를 발생하고 미리 설정된 연락처에 즉각적인 대처를 요청하는 처리가 수행되도록 구성됨으로써, EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법을 제시하고자 하는 것이다.
아울러, 본 발명의 또 다른 목적은, 상기한 바와 같이 연료전지 시스템용 에너지 관리시스템(EMS)의 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 하는 동시에, 예를 들면, DC-DC 컨버터, 연료전지(FC), 배터리 뱅크(battery bank) 및 슈퍼커패시터 팩(supercapacitor pack) 등과 같이, 하이브리드 연료전지 시스템의 개별 서브시스템의 상태 및 동작을 사물인터넷(Internet of Thngs ; IoT) 기술에 기반하여 각종 센서를 통해 지속적으로 모니터링하고, 머신러닝(Machine Learning)과 같은 인공지능 학습 알고리즘이나 인공신경망(Artificial Neural Network ; ANN)과 같은 네트워크 모델에 기반하여 각 서브시스템의 잔여수명을 예측하는 처리가 클라우드(Cloud)를 통해 수행되도록 구성됨으로써, 시스템의 전체적인 처리 부하를 경감하고 유지보수의 효율성을 크게 향상시킬 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법을 제시하고자 하는 것이다.
상기한 바와 같은 목적을 달성하기 위해, 본 발명에 따르면, 디지털 트윈(Digital Twin)을 이용한 연료전지(Fuel Cell ; FC) 에너지 관리시스템(Energy Management Syatem ; EMS)의 이상진단 시스템에 있어서, 연료전지(FC)를 이용하여 동작하는 연료전지 시스템 및 상기 연료전지 시스템에 대한 에너지 관리시스템(EMS)의 각 부분에 대하여 센서를 통해 측정된 각각의 측정값 및 동작에 대한 모니터링을 통해 얻어지는 각종 파라미터를 포함하는 데이터를 수집하여 미리 정해진 수신처로 전송하는 처리가 수행되는 데이터수집 처리부; 디지털 트윈(Digital Twin) 기술을 이용하여, 상기 연료전지 시스템의 EMS에 대한 디지털 트윈 모델을 생성하고, 시뮬레이션을 통해 각종 파라미터를 추정하여 시뮬레이션 결과를 포함하는 각종 데이터를 미리 정해진 수신처로 전송하는 처리가 수행되는 디지털 트윈 처리부; 상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 센서 측정값과 디지털 트윈 기반 추정값에 근거하여 상기 연료전지 시스템 및 상기 EMS의 오류나 고장 발생을 감지하고 상기 연료전지 시스템의 잔여유효수명(Remaining Useful Life ; RUL)을 예측하는 처리가 수행되는 이상감지 및 예측 처리부; 및 상기 이상진단 시스템의 전체적인 동작을 제어하는 처리가 수행되는 제어부를 포함하여 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템이 제공된다.
여기서, 상기 데이터수집 처리부는, 연료전지 스택(PEMFC Stack), 배터리 뱅크(Battery Bank) 및 슈퍼커패시터 팩(Supercapacitor Pack)을 포함하여 구성되는 FC-BAT-SC 하이브리드 전원 및 상기 FC-BAT-SC 하이브리드 전원에 대한 에너지 관리시스템(EMS)에 대하여, 각각의 FC, BAT, SC 서브시스템의 전류 및 전압을 각각 측정하기 위한 전류센서(Current sensor) 및 전압센서(Voltage sensor)와, 상기 FC 서브시스템에 공급되는 수소의 유량을 측정하기 위한 수소 유량센서(Flowrate sensor)를 포함하는 복수의 측정센서를 포함하여 이루어지는 센서부를 더 포함하여 구성되고, 상기 센서부를 통해 각각의 상기 FC, BAT, SC 서브시스템에 대하여 전류, 전압 및 수소 유량을 포함하는 각종 측정값을 수집하고, 각각의 데이터에서 노이즈(noise)와 이상값(outlier)을 제거하는 전처리를 수행한 후 상기 이상감지 및 예측 처리부로 전송하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
또한, 상기 디지털 트윈 처리부는, 디지털 트윈 기술을 이용하여, 상기 데이터수집 처리부에 의해 수집된 실제 측정값 및 파라미터에 근거하여 FC-BAT-SC 하이브리드 전원 및 상기 FC-BAT-SC 하이브리드 전원의 에너지 관리시스템(EMS)에 대한 디지털 트윈 모델을 구축하고, 구축된 디지털 트윈 모델을 이용하여, 실제 작업조건을 기반으로 시뮬레이션을 통해 각각의 FC, BAT, SC 서브시스템의 요구전력 및 충전상태(State of Charge ; SoC)를 포함하는 각종 파라미터를 각각 산출하며, 산출결과를 포함하는 각각의 데이터에서 노이즈(noise)와 이상값(outlier)을 제거하는 전처리를 수행한 후 상기 이상감지 및 예측 처리부로 전송하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
아울러, 상기 이상감지 및 예측 처리부는, 상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 데이터를 수신하여 데이터베이스의 형태로 저장하는 것에 의해 상기 연료전지 시스템 및 상기 EMS에 대한 데이터베이스를 구축하고, 상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 실제 측정값과 상기 디지털 트윈 모델에 기반한 추정값에 근거하여, 연료전지(FC) 서브시스템의 오류감지 처리와, 배터리(BAT) 서브시스템의 오류감지 처리와, 슈퍼커패시터(SC) 서브시스템의 오류감지 처리 및 각각의 상기 FC, BAT, SC 서브시스템에 대한 잔여유효수명(RUL)을 예측하여 상기 연료전지 시스템의 유지관리계획(maintenance schedule)을 수립하는 시스템 예측처리를 포함하는 처리과정이 각각 수행되며, 각각의 상기 FC, BAT, SC 서브시스템에 대한 오류감지 처리시 이상이 발생한 것으로 판단되는 경우는 해당 내용에 대한 경고를 발생하는 동시에, 미리 정해진 설정에 따라 운영자(operator)나 관리자 또는 담당부서나 관계기관을 포함하는 미리 설정된 연락처에 해당 사실을 알리고 즉시 대응을 요청하는 취지의 알림 메시지를 전송하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
여기서, 상기 연료전지(FC) 서브시스템의 오류감지 처리는, 상기 디지털 트윈 모델을 통해 각각의 작업조건에 대한 FC의 요구전력을 계산하고, 상기 디지털 트윈 모델을 통해 추정된 FC의 전력값과 실제 측정된 FC의 전력값 사이의 차이에 대한 평균 제곱근 오차(Root Mean Squared Error ; RMSE)를 계산하여 미리 정의된 제 1 임계값과 비교하며, 비교 결과 상기 RMSE가 상기 제 1 임계값보다 크면 상기 FC 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 1 임계값 이하인 경우는 상기 디지털 트윈 모델을 통해 추정된 FC의 수소 유량과 실제 측정된 수소 유량의 차이에 대한 RMSE를 산출하여 미리 정의된 제 2 임계값과 비교하며, 비교 결과 상기 수소 유량의 차이에 대한 RMSE가 상기 제 2 임계값보다 크면 수소 공급에 이상이 발생한 것으로 판단하고, 상기 제 2 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
더욱이, 상기 배터리(BAT) 서브시스템의 오류감지 처리는, 실제 BAT의 출력전력을 지속적으로 모니터링하여 상기 디지털 트윈 모델을 통해 추정된 BAT 출력전력과 실제 측정된 BAT 출력전력 사이의 차이에 대한 RMSE를 산출하고 미리 정의된 제 3 임계값과 비교하며, 비교 결과 상기 RMSE가 상기 제 3 임계값보다 크면 상기 BAT 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 3 임계값 이하이면 상기 디지털 트윈 모델을 통해 추정된 BAT 충전상태(SoC)와 실제 측정된 BAT의 SoC 사이의 차이에 대한 RMSE를 산출하여 미리 정의된 제 4 임계값과 비교하며, 비교 결과 상기 SoC 차이에 대한 RMSE가 상기 제 4 임계값보다 크면 이상발생 및 노후상태(aging condition)인 것으로 판단하고, 상기 제 4 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
또한, 상기 슈퍼커패시터(SC) 서브시스템의 오류감지 처리는, 실제 SC 서브시스템의 출력전력을 지속적으로 모니터링하여 상기 디지털 트윈 모델을 통해 추정된 SC 출력전력과 실제 측정된 SC 출력전력 사이의 차이에 대한 RMSE를 산출하고 미리 정의된 제 5 임계값과 비교하며, 비교 결과 상기 RMSE가 상기 제 5 임계값보다 크면 상기 SC 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 5 임계값 이하이면 상기 디지털 트윈 모델을 통해 추정된 SC의 SoC와 실제 측정된 SC의 SoC 사이의 차이에 대한 RMSE를 산출하여 미리 정의된 제 6 임계값과 비교하며, 비교 결과 상기 SoC 차이에 대한 RMSE가 상기 제 6 임계값보다 크면 결함이나 성능저하가 발생한 것으로 판단하고, 상기 제 6 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
아울러, 상기 시스템 예측 처리는, 머신러닝(Machine Learning)을 포함하는 학습기반 기술을 이용하여, 일정한 작업조건 하에서 실제 작업 데이터를 취득하여 훈련 데이터집합(training dataset) 및 검증 데이터집합(validation dataset)을 생성하고, 전파 알고리즘(propagation algorithm)을 이용하여 인공신경망(ANN) 기반 열화모델(degradation model)의 훈련(training) 및 검증(validate)을 수행하며, 훈련된 상기 ANN 모델을 이용하여, FC의 경우 상기 ANN의 입력을 부하 전력(load power)으로 하고 출력은 전압, 전류 및 수소 유량으로 하며, 상기 BAT 및 상기 SC의 경우 입력을 부하 전력으로 하고 출력은 전압 및 전류로 하여 각각의 상기 FC, BAT, SC 서브시스템에 대한 잔여유효수명(RUL)을 각각 예측하는 처리가 수행되도록 구성되는 것을 특징으로 한다.
더욱이, 상기 이상진단 시스템은, 클라우드 컴퓨팅(cloud computing) 기술을 이용하여, 상기 데이터수집 처리부, 상기 디지털 트윈 처리부, 상기 이상감지 및 예측 처리부 및 상기 제어부의 각각의 처리가 클라우드 기반으로 수행되도록 구성되는 것을 특징으로 한다.
또한, 상기 연료전지는, 양성자 교환막 연료전지(Proton Exchange Membrane Fuel Cell ; PEMFC), 고체산화물 연료전지(Solid Oxide Fuel Cell ; SOFC), 인산 연료전지(Phosphoric Acid Fuel Cell ; PAFC) 중 적어도 하나를 이용하여 구성되는 것을 특징으로 한다.
아울러, 상기 연료전지 시스템은, PEMFC 굴착기(Excavator)를 포함하는 연료전지를 이용하여 구동되는 장치로 구성되는 것을 특징으로 한다.
더욱이, 상기 이상진단 시스템은, 상기 데이터수집 처리부, 상기 디지털 트윈 처리부, 상기 이상감지 및 예측 처리부 및 상기 제어부의 사이의 데이터 전송 및 서버를 포함하는 외부 기기나 다른 에너지 관리시스템들과 각종 데이터를 주고받기 위해 유선 또는 무선 통신 중 적어도 하나의 방식으로 통신을 수행하도록 이루어지는 통신부; 및 상기 이상진단 시스템의 각 부분의 현재 상태 및 동작과 처리결과를 포함하는 각종 데이터를 표시하기 위한 디스플레이를 포함하는 표시수단을 포함하여 이루어지는 출력부를 더 포함하여 구성되는 것을 특징으로 한다.
또한, 상기 이상진단 시스템은, 상기 이상진단 시스템을 각각의 설비별 또는 지역별로 다수개 설치하고, 각각의 상기 이상진단 시스템을 통해 취득되는 모니터링 데이터를 중앙의 서버로 전송하도록 구성됨으로써, 광범위한 지역에 대하여도 모니터링 작업이 용이하게 이루어질 수 있도록 구성되는 것을 특징으로 한다.
아울러, 본 발명에 따르면, 연료전지(FC) 에너지 관리시스템(EMS)의 이상진단방법에 있어서, 연료전지 및 연료전지 에너지 관리시스템의 이상진단을 위한 이상진단 시스템을 구현하는 처리가 수행되는 시스템 구축단계; 및 상기 이상진단 시스템을 이용하여 상기 연료전지 및 상기 에너지 관리시스템의 상태 및 동작을 모니터링하고 이상발생을 감지하는 처리가 수행되는 진단단계를 포함하여 구성되고, 상기 이상진단 시스템은, 상기에 기재된 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템을 이용하여 구성되는 것을 특징으로 하는 연료전지 에너지 관리시스템의 이상진단방법이 제공된다.
더욱이, 본 발명에 따르면, 연료전지 에너지 관리시스템(EMS)의 모니터링 시스템에 있어서, 각각의 설비나 지역별로 설치되는 복수의 연료전지 EMS 진단시스템; 각각의 설비 또는 지역별로 설치되어 있는 각각의 상기 연료전지 EMS 진단시스템들로부터 모니터링 정보를 각각 수신하여 각각의 연료전지 및 EMS에 대한 빅데이터를 구축하고, 사용자의 요청에 따라 해당하는 각종 정보를 맞춤형으로 제공하는 처리가 수행되도록 이루어지는 관제서버; 및 사용자가 원하는 정보를 상기 연료전지 EMS 진단시스템이나 상기 관제서버에 요청하고 전달받기 위한 사용자 단말기를 포함하여 구성되고, 상기 연료전지 EMS 진단시스템은, 상기에 기재된 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템을 이용하여 구성되는 것을 특징으로 하는 연료전지 에너지 관리시스템의 모니터링 시스템이 제공된다.
여기서, 상기 사용자 단말기는, PC를 포함하는 정보처리장치를 이용하여 구성되거나, 또는, 스마트폰이나 태블릿 PC, 또는, 노트북을 포함하는 개인이 휴대 가능한 정보통신 단말기에 전용의 어플리케이션을 설치하여 구성되는 것을 특징으로 한다.
상기한 바와 같이, 본 발명에 따르면, 예를 들면, PEMFC 굴착기 등과 같이, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드로 전송하여 디지털 트윈 모델을 구축하고, 실제 작업조건을 기반으로 오류가 없는 조건에서 디지털 트윈 모델의 EMS를 통해 FC, BAT, SC 전원에 필요한 전력을 각각 계산하며, 계산된 값들을 물리적 시스템의 실제 동작 데이터와 비교하여 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값의 차이가 미리 정해진 임계값이나 범위를 벗어나는 경우 오류나 고장이 발생한 것으로 판단하여 경고메시지를 발생하고 미리 설정된 연락처에 즉각적인 대처를 요청하는 처리가 수행되도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있다.
또한, 본 발명에 따르면, 상기한 바와 같이 디지털 트윈 기술을 이용하여 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, FC-BAT-SC 하이브리드 전원의 에너지 소비를 적절히 관리하는 에너지 관리시스템(EMS)에 오류나 고장 발생시 이를 즉각적으로 감지하여 대처할 수 있는 장치나 방법이 제시된 바 없었던 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 한계를 해결할 수 있다.
아울러, 본 발명에 따르면, 상기한 바와 같이 연료전지 시스템용 에너지 관리시스템(EMS)의 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 하는 동시에, 예를 들면, DC-DC 컨버터, 연료전지(FC), 배터리 뱅크 및 슈퍼커패시터 팩 등과 같이, 하이브리드 연료전지 시스템의 개별 서브시스템의 상태 및 동작을 사물인터넷(IoT) 기술에 기반하여 각종 센서를 통해 지속적으로 모니터링하고, 머신러닝이나 인공신경망(ANN) 등과 같은 인공지능 학습 알고리즘 또는 네트워크 모델에 기반하여 각 서브시스템의 잔여수명을 예측하는 처리가 클라우드를 통해 수행되도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, 시스템의 전체적인 처리 부하를 경감하고 유지보수의 효율성을 크게 향상시킬 수 있다.
도 1은 PEMFC 굴착기에 적용되는 FC-BAT-SC 하이브리드 전원 및 이를 위한 에너지관리시스템(EMS)의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 2는 도 1에 나타낸 PEMFC 굴착기의 하이브리드 FC/BAT/SC 전원에 대한 디지털 트윈 모델의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 3은 디지털 트윈을 통해 클라우드 기반으로 하이브리드 FC-BAT-SC 연료전지 시스템의 오류를 진단하기 위한 처리과정의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법에서 수행되는 메인프로그램의 전체적인 구성 및 처리과정을 개략적으로 나타내는 플로차트이다.
도 5는 도 4에 나타낸 바와 같이 하여 구성되는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 첫번째 단계(Ⅰ)의 구체적인 구성을 개략적으로 나타내는 플로차트이다.
도 6은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 연료전지(FC) 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 7은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 배터리 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 8은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 슈퍼커패시터 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 9는 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 학습기반 시스템 예측 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 10은 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 연료전지의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 11은 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 배터리(BAT) 뱅크의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 12는 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 슈퍼커패시터(SC) 팩의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 13은 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템의 전체적인 구성을 개략적으로 나타내는 블록도이다.
도 14는 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 시스템의 에너지 관리시스템을 이용한 연료전지 모니터링 시스템의 전체적인 구성을 개략적으로 나타내는 블록도이다.
도 2는 도 1에 나타낸 PEMFC 굴착기의 하이브리드 FC/BAT/SC 전원에 대한 디지털 트윈 모델의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 3은 디지털 트윈을 통해 클라우드 기반으로 하이브리드 FC-BAT-SC 연료전지 시스템의 오류를 진단하기 위한 처리과정의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법에서 수행되는 메인프로그램의 전체적인 구성 및 처리과정을 개략적으로 나타내는 플로차트이다.
도 5는 도 4에 나타낸 바와 같이 하여 구성되는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 첫번째 단계(Ⅰ)의 구체적인 구성을 개략적으로 나타내는 플로차트이다.
도 6은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 연료전지(FC) 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 7은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 배터리 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 8은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 슈퍼커패시터 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 9는 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 학습기반 시스템 예측 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 10은 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 연료전지의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 11은 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 배터리(BAT) 뱅크의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 12는 신경망 기반 열화 예측모델의 구성을 나타내는 도면으로, 슈퍼커패시터(SC) 팩의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 13은 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템의 전체적인 구성을 개략적으로 나타내는 블록도이다.
도 14는 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 시스템의 에너지 관리시스템을 이용한 연료전지 모니터링 시스템의 전체적인 구성을 개략적으로 나타내는 블록도이다.
이하, 첨부된 도면을 참조하여, 본 발명에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법의 구체적인 실시예에 대하여 설명한다.
여기서, 이하에 설명하는 내용은 본 발명을 실시하기 위한 하나의 실시예일 뿐이며, 본 발명은 이하에 설명하는 실시예의 내용으로만 한정되는 것은 아니라는 사실에 유념해야 한다.
또한, 이하의 본 발명의 실시예에 대한 설명에 있어서, 종래기술의 내용과 동일 또는 유사하거나 당업자의 수준에서 용이하게 이해하고 실시할 수 있다고 판단되는 부분에 대하여는, 설명을 간략히 하기 위해 그 상세한 설명을 생략하였음에 유념해야 한다.
즉, 본 발명은, 후술하는 바와 같이, 연료전지-배터리-슈퍼커패시터(FC-BAT-SC)와 같은 하이브리드 전원을 사용하는 연료전지 시스템에 있어서, 다양한 작업조건에 대하여 안정적인 동작을 유지하기 위하여는 에너지 관리시스템(EMS)을 통하여 FC-BAT-SC 하이브리드 전원의 에너지 소비를 적절히 관리하는 것에 의해 충분한 전원공급이 이루어질 수 있도록 하는 것이 중요하나, 이러한 EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 하는 장치나 방법은 제시된 바 없는 한계가 있었던 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 디지털 트윈(DT) 기술을 이용하여, 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
아울러, 본 발명은, 후술하는 바와 같이, 상기한 바와 같은 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 문제점을 해결하기 위해, 예를 들면, 양성자 교환막 연료전지(PEMFC) 굴착기 등과 같이, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드(Cloud)로 전송하여 디지털 트윈 모델을 구축하고, 실제 작업조건을 기반으로 오류가 없는 조건에서 디지털 트윈 모델의 EMS를 통해 FC, BAT, SC 전원에 필요한 전력을 각각 계산하며, 계산된 값들을 물리적 시스템의 실제 동작 데이터와 비교하여 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값의 차이가 미리 정해진 임계값이나 범위를 벗어나는 경우 오류나 고장이 발생한 것으로 판단하여 경고메시지를 발생하고 미리 설정된 연락처에 즉각적인 대처를 요청하는 처리가 수행되도록 구성됨으로써, EMS의 오류나 고장이 발생할시 이를 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
더욱이, 본 발명은, 후술하는 바와 같이, 연료전지 시스템용 에너지 관리시스템(EMS)의 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 하는 동시에, 예를 들면, DC-DC 컨버터, 연료전지(FC), 배터리 뱅크 및 슈퍼커패시터 팩 등과 같이, 하이브리드 연료전지 시스템의 개별 서브시스템의 상태 및 동작을 사물인터넷(IoT) 기술에 기반하여 각종 센서를 통해 지속적으로 모니터링하고, 머신러닝과 같은 인공지능 학습 알고리즘이나 인공신경망(ANN)과 같은 네트워크 모델에 기반하여 각 서브시스템의 잔여수명을 예측하는 처리가 클라우드(Cloud)를 통해 수행되도록 구성됨으로써, 시스템의 전체적인 처리 부하를 경감하고 유지보수의 효율성을 크게 향상시킬 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법에 관한 것이다.
계속해서, 도면을 참조하여, 본 발명에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법의 구체적인 내용에 대하여 설명한다.
여기서, 이하에 설명하는 본 발명의 실시예에서는, 연료전지를 이용하여 구동되는 연료전지 시스템의 예로서 PEMFC 굴착기 및 PEMFC 굴착기의 EMS에 본 발명이 적용되는 경우를 예로 하여 본 발명을 설명하였으나, 본 발명은 반드시 이하에 나타내는 실시예의 경우로만 한정되는 것은 아니며, 즉, 본 발명은, 상기한 PEMFC 굴착기 및 PEMFC 굴착기의 EMS 이외에 다른 연료전지 시스템 및 EMS에도 동일 내지 유사하게 하여 적용될 수 있는 등, 본 발명의 취지 및 본질을 벗어나지 않는 범위 내에서 당업자에 의해 필요에 따라 다양하게 수정 및 변경하여 적용될 수 있는 것임에 유념해야 한다.
더 상세하게는, 먼저, 도 1을 참조하면, 도 1은 PEMFC 굴착기에 적용되는 FC-BAT-SC 하이브리드 전원 및 이를 위한 에너지관리시스템(EMS)의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 1에 나타낸 바와 같이, FC-BAT-SC 하이브리드 전원은 연료전지 스택(PEMFC Stack), 배터리 뱅크(Battery Bank) 및 슈퍼커패시터 팩(Supercapacitor Pack)을 포함하여 구성되고, DC-BUS를 통해 부하시스템(Load)에 에너지를 공급하도록 구성되어 있다.
여기서, 도 1에 있어서, ①은 DC-DC 컨버터(converter), ②는 전류센서(Current sensor), ③은 전압센서(Voltage sensor), ④는 유량센서(Flowrate sensor), ⑤는 유량제어밸브(Flow control valve), 화살표 ↑는 단방향(uni-directional), 화살표 ↕는 양방향(Bi-directional)을 각각 나타내고 있다.
또한, 일반적으로 DC-DC 컨버터는 전원의 출력전압을 조절하기 위해 사용되고, 도 1에 나타낸 실시예의 구성에 있어서, 도 1의 ①에 나타낸 바와 같이, 연료전지(FC)에는 단방향 DC-DC 컨버터가 사용되고, PEMFC 굴착기의 특정 작업조건에 따라 방전 및 충전모드를 전환하기 위해 BAT 및 SC에는 양방향 DC-DC 컨버터가 사용되고 있다.
아울러, PEMFC 굴착기에 있어서, EMS는 다양한 작업조건에서 굴착기에 충분한 에너지를 확실하게 공급하는 역할을 하며, 예를 들면, 저전력 부하모드 조건(low-power load mode condition)에서, 부하에 공급되는 에너지원(energy source)은 주로 FC에서 나오고, FC의 여분의(extra) 에너지는 BAT 및 SC를 충전하는 데 사용된다.
또는, 중간전력 부하조건(medium-power load condition)에서 FC의 정격전력(rated power)이 시스템에 공급되고, 나머지는 특정 작업조건에 따라 SC 또는 BAT에서 공급되며, 고전력(high-power) 또는 초고전력(very high-power) 부하조건에서 FC, BAT 및 SC의 총 전력(total power)이 시스템에 공급된다.
더욱이, 특정 작업조건에 근거하여 FC, BAT 및 SC에 대한 요구전력(required power)이 결정되며, 전력추적 컨트롤러(power tracking controller)는 FC, BAT, SC에 대하여 FC, BAT 및 SC에 의해 생성된 에너지가 원하는 전력궤적(power trajectory)을 최대한 근접하여 추종(track)할 수 있도록 하기 위한 제어신호를 생성한다.
또한, 도 2를 참조하면, 도 2는 도 1에 나타낸 PEMFC 굴착기의 하이브리드 FC/BAT/SC 전원에 대한 디지털 트윈 모델의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 2에 나타낸 바와 같이, FC-BAT-SC 하이브리드 전원에 대한 디지털 트윈 모델은, 크게 나누어, 도 1에 나타낸 바와 같은 실제 물리적 시스템과, 실제 물리적 시스템의 각 부분에 설치된 각종 센서를 포함하여 IoT 기반으로 각각의 센서 측정값을 수집하는 데이터 수집장치 및 클라우드 컴퓨팅(cloud computing) 기반으로 온라인상에서 실행되는 물리적 시스템의 디지털 트윈 모델 알고리즘의 3가지 부분으로 구성될 수 있다.
더 상세하게는, 물리적 시스템에는 하이브리드 FC-BAT-SC 전원, DC-DC 컨버터 및 각종 센서가 포함되며, 즉, FC, BAT, SC 전원의 전류 및 전압을 측정하기 위해 전류 및 전압센서가 사용되고, FC 시스템에 공급되는 수소의 유량을 측정하기 위해 유량센서가 사용되도록 구성될 수 있으며, 전류 및 전압센서를 이용하여 BAT의 충전상태(State of Charge ; SoC) 파라미터가 간접적으로 결정될 수 있다.
아울러, 도 2에 나타낸 바와 같이, 각각의 센서 신호는 MCU 기반 데이터 수집장치를 통해 수집되고, 각 센서의 정보는 각 전원의 동작상태 파라미터에 대한 정확하고 신뢰할 수 있는 데이터를 얻기 위해 클라우드로 전송되기 전에 처리된다.
더욱이, 클라우드에서는 물리적 하이브리드 전원의 디지털 트윈 모델이 구축되고, 이를 통해 물리적 시스템의 동작을 모사할 수 있으며, 이와 같이 DT 기술을 이용하면 별도의 하드웨어를 구현할 필요 없이 오류감지(fault detection) 및 학습기반(learning-based) 시스템 예측(prognosis) 알고리즘이 실행될 수 있다.
즉, 도 3을 참조하면, 도 3은 디지털 트윈을 통해 클라우드 기반으로 하이브리드 FC-BAT-SC 연료전지 시스템의 오류를 진단하기 위한 처리과정의 전체적인 구성을 개략적으로 나타내는 도면이다.
도 3에 나타낸 바와 같이, 진단과정에 있어서, 물리적 EMS의 입력은 시스템 동작조건에 따라 특정된 요구전력이고 출력은 각 서브시스템의 요구전력이며, 물리적 전력추종 제어(physical power tracking control)는 각 서브시스템의 출력전력이 요구전력을 정확히 따라가도록 하는 것이다.
또한, 클라우드에 있어서, EMS 시스템의 DT 모델은 물리적 시스템과 동일한 입력으로 실행되고, 물리적 출력과 디지털 트윈 출력을 비교하기 위해 평균 제곱근 오차(Root Mean Squared Error ; RMSE) 기반 진단감지(diagnostic detection)) 및 의사결정 전략(decision-making strategy)이 개발되었다.
이러한 알고리즘은 시스템의 모든 변경사항을 즉시 감지할 수 있도록 하며, 특히, 시간에 따른 전체 시스템 및 서브시스템의 성능저하(performance degradation)를 예측하기 위해 학습기반 기술도 도입되었다.
따라서 상기한 바와 같은 내용에 기반하여, 시스템의 효율을 보장하고 시스템의 수명동안 예기치 못한 문제의 발생을 방지하기 위한 시스템 유지관리 계획(maintenance schedule)을 수립할 수 있다.
계속해서, 상기한 바와 같은 내용에 근거하여 구성되는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 구체적인 내용에 대하여 설명한다.
먼저, 도 4를 참조하면, 도 4는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법에서 수행되는 메인프로그램(main program)의 전체적인 구성 및 처리과정을 개략적으로 나타내는 플로차트이다.
도 4에 나타낸 바와 같이, 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 주요 처리과정은, (Ⅰ) 시스템 식별 및 클라우드에 디지털 트윈 모델을 업로드하는 단계와, (Ⅱ) 특정 작업조건에서 원하는 전력에 근거하여 FC, BAT, SC 서브시스템에서 필요한 요구전력을 각각 계산하는 단계와, (Ⅲ) 실제 데이터를 처리 후 클라우드에 업로드하는 단계 및 (Ⅳ) 최종적으로 오류감지 및 시스템 예측을 수행하는 단계를 포함하여 구성될 수 있다.
더 상세하게는, 먼저, 첫번째 단계에서, 디지털 트윈 기술을 이용하여 실제 물리적 시스템에 대한 가상의 디지털 트윈 모델이 구축되고, 이때, 각각의 파라미터는 물리적 시스템의 정상 동작조건에서 획득한 데이터를 기반으로 결정되며, 구축된 디지털 트윈 모델은 실제 시스템의 대부분의 특성을 모방해야 한다.
여기서, 상기한 바와 같이 디지털 트윈 기술을 이용하여 실제 물리적 시스템에 대한 디지털 트윈 모델을 구축하는 과정 및 디지털 트윈 모델을 이용하여 시뮬레이션을 통해 각종 파라미터를 추정하는 과정 등에 대한 보다 구체적인 내용에 대하여는, 기존의 디지털 트윈 기술에 관련된 종래기술의 내용 등을 참조하여 당업자가 용이하게 구현할 수 있으므로, 이에, 본 발명에서는, 설명을 간략히 하기 위해, 상기한 바와 같이 종래기술의 문헌 등을 참조하여 당업자가 용이하게 이해하고 실시할 수 있는 내용에 대하여는 그 상세한 설명을 생략하였음에 유념해야 한다.
또한, 두번째 단계에서, 에너지 관리시스템(EMS)을 통해 실제 작업조건을 기반으로 FC, BAT, SC 전원에 요구되는 전력을 각각 계산하며, 이 상태에서, 추종제어 알고리즘은 FC, BAT 및 SC 서브시스템의 출력전력이 오류가 없는(fault-free) 조건에서 EMS에 의해 계산된 요구전력을 정확히 따르도록 보장해야 한다.
이어서, 세번째 단계에서, 동작 데이터(working data)(FC, BAT, SC의 전류 및 전압, 수소 유량, BAT 및 SC의 SoC)를 수집하여 노이즈(noise), 이상값(outlier) 등을 제거하는 처리를 한 다음, 처리된 데이터는 MCU 기반 IoT 장치를 이용하여 클라우드(Cloud)로 업데이트된다.
마지막으로, 최종단계에서, 전체 시스템 및 서브시스템의 건강상태(health state)를 평가하기 위해 오류감지(fault detection)가 수행되고, 심각한 오류가 발생하면 시스템이 강제로 중지되며, 실제 장기 작업데이터를 기반으로 시스템 예측 또한 실행된다.
계속해서, 도 5를 참조하면, 도 5는 도 4에 나타낸 바와 같이 하여 구성되는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 첫번째 단계(Ⅰ)의 구체적인 구성을 개략적으로 나타내는 플로차트이다.
도 5에 나타낸 바와 같이, 상기한 (Ⅰ) 단계는, 실제 동작 데이터을 취득하고, 시스템 파라미터를 추정하며, 이를 통해 디지털 트윈 모델의 파라미터를 업데이트하고, 업데이트된 디지털 트윈 모델을 클라우드에 업로드하는 각각의 처리단계를 포함하여 구성될 수 있다.
더 상세하게는, DT 시스템의 구축시 필수 단계로서 먼저 시스템 파라미터가 최대한 정확하게 확인되어야 하며, 이를 통해 디지털 트윈 모델이 실제 모델과 유사하게 동작하도록 할 수 있다.
이때, 시스템 식별은 실제 시스템의 정상 작업조건 데이터를 획득하여 수행되고, 식별된 모델은 실제 모델의 거의 모든 특성을 모방할 수 있도록, 예를 들면, 수학적 모델(mathematical model)과 같이, 명시적(explicit) 모델이거나, 또는, 예를 들면, 퍼지모델(fuzzy model) 또는 신경망모델(neural network model)과 같이, 암시적(implicit) 모델일 수 있다.
이후, 식별된 시스템 파라미터는 디지털 트윈 모델에 업데이트되고, 이와 같이 하여 얻어진 모델은 클라우드로 업데이트되기 전에 실험적인 "신선한 데이터(fresh data)"를 이용하여 검증되어야 한다.
여기서, 예를 들면, 노후된 부품이나 오작동하는 부품을 새로운 부품으로 교체하는 등과 같이, 물리적 시스템에 어떠한 변경이 있는 경우 현재의 물리적 모델과 비교하여 디지털 트윈 모델이 최신 상태가 되도록 이러한 처리과정이 반복되어야 한다.
상기한 바와 같이, PEMFC 굴착기에 있어서, DT 기술은 시스템의 동작 파라미터를 지속적으로 모니터링할뿐만 아니라 작업자가 연료전지 스택, 배터리 뱅크 또는 슈퍼커패시터 팩과 같은 서브시스템에서 발생하는 모든 오류를 감지하는 데 도움을 줄 수 있으며, 또한, 학습기반 알고리즘을 적용하여 각 서브시스템의 성능 저하를 예측할 수 있다.
계속해서, 도 6 내지 도 9를 참조하여, 연료전지, 배터리 및 슈퍼커패시터의 3가지 서브시스템에서 각각 오류감지를 위한 알고리즘 및 시스템 수명 예측 알고리즘의 구체적인 내용에 대하여 설명한다.
즉, 도 6 내지 도 9를 참조하면, 도 6 내지 도9 는 도 4에 나타낸 바와 같이 하여 구성되는 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)의 구체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
더 상세하게는, 먼저, 도 6을 참조하면, 도 6은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 연료전지(FC) 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 6에 나타낸 바와 같이, 클라우드에서 실행되는 연료전지 전원의 오류감지 알고리즘은, 먼저, 실제 EMS와 동일하게 프로그래밍된 알고리즘을 기반으로 클라우드의 디지털 트윈 EMS 모델에서 요구전력을 다시 계산한 후, RMSE(Root Mean Square Error)를 이용하여 디지털 트윈 FC의 전력과 실제 FC에서 생성된 전력 사이의 차이를 계산하고 미리 정의된 임계값과 비교한다.
전력 비교결과 두 값의 차이가 임계값보다 크면 FC 서브시스템에 이상이 발생한 것으로 판단하고, 이때, 임계값보다 작은 경우에도 수소 유량에서 오류가 여전히 발생할 수 있으므로, 따라서 이러한 경우는 디지털 트윈 FC에서 요구되는 수소 유량을 물리적 FC의 실제 수소 유량과 비교한다.
수소 유량의 비교결과 두 값의 차이에 대한 RMSE가 미리 정해진 임계값을 초과하면 수소 공급에 이상이 발생한 것으로 판단하고, 그렇지 않으면 시스템에 아무런 문제가 없이 정상인 것으로 판단한다.
아울러, 이상이 발생한 것으로 판단되는 경우는 해당 내용에 대한 경고를 발생하는 동시에, 미리 설정된 연락처에 따라 운영자(operator)나 관리자 또는 담당부서나 관계기관 등에 해당 사실을 알리고 즉시 대응을 요청하는 취지의 알림 메시지가 전송되도록 구성될 수 있다.
다음으로, 도 7을 참조하면, 도 7은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 배터리 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 7에 나타낸 바와 같이, 배터리 서브시스템의 오류감지 알고리즘은 BAT의 건강상태를 평가하기 위해 적용되며, 이를 위해, 먼저, 물리적 BAT의 출력전력을 지속적으로 모니터링하고 RMSE 방법을 기반으로 클라우드를 통해 디지털 트윈 BAT 모델의 출력전력과 비교한다.
출력전력의 비교결과, 두 값의 차이가 미리 정의된 임계값보다 크면 BAT 서브시스템에서 이상이 발생한 것일 수 있으므로, 이에 대한 경고 메시지가 즉시 운영자(operator)에게 전송되며, 그렇지 않으면 디지털 트윈 BAT 모델의 충전상태(SoC)와 물리적 BAT 서브시스템의 실제 SoC를 비교하여 BAT의 노후 상태(aging condition)를 검출하는 처리가 수행되도록 구성될 수 있다.
SoC의 비교결과, SoC RMSE 기반 차이(discrepancy)가 미리 정해진 임계값을 초과하는 경우 전체 시스템의 정상 동작조건을 보장하기 위해 물리적 BAT를 교체하도록 하는 취지의 경고를 발생하거나 알림을 전달한는 처리가 수행되도록 구성될 수 있다.
계속해서, 도 8을 참조하면, 도 8은 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 슈퍼커패시터 서브시스템의 오류를 감지하는 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 8에 나타낸 바와 같이, 도 7에 나타낸 배터리의 경우와 마찬가지로, 슈퍼커패시터 서브시스템의 클라우드 오류감지 알고리즘은 물리적 SC의 건강 상태를 평가하기 위해 적용되며, 이를 위해, SC 서브시스템에서 생성된 실제 전력이 중단없이 관측되고 클라우드로 전송된다.
또한, 오류감지 프로그램은 SC의 실제 출력전력과 디지털 트윈 SC 모델의 출력전력 사이의 RMSE 기반 차이를 지속적으로 모니터링하며, 이러한 바이어스(bias)가 미리 정의된 임계값보다 크면 물리적 SC 서브시스템에서 오류가 발생한 것으로 판단하도록 구성될 수 있다.
그렇지 않으면 실제 SC와 디지털 트윈 SC 모델의 SoC 차이의 RMSE를 모니터링한 결과에 근거하여, 실제 SC 시스템의 SoC가 디지털 트윈 SC 모델에 비해 현저히 감소하면 물리적 SC에 결함이나 심각한 성능저하가 있는 것으로 판단하는 동시에, 이에 대한 경고 및 해당 사실을 알리는 알림 메시지가 즉시 운영자(operator)에게 전송되도록 구성될 수 있다.
다음으로, 도 9를 참조하면, 도 9는 도 4에 나타낸 본 발명의 실시예에 따른 디지털 트윈 기반 EMS 이상진단 시스템 및 방법의 네번째 단계(Ⅳ)에서 학습기반 시스템 예측 처리과정의 전체적인 구성을 각각 개략적으로 나타내는 플로차트이다.
도 9에 나타낸 바와 같이, 학습기반 시스템 예측 처리는 머신러닝(Machine Learning) 기술을 기반으로 FC, BAT, SC의 잔여유효수명(Remaining Useful Life ; RUL)을 각각 예측하는 처리가 수행되도록 구성될 수 있다.
즉, 오랜 시간 동작하는 이들 서브시스템의 전력감소를 분석하는 것에 의해 시스템 구성요소의 성능저하를 예측할 수 있으며, 그것에 의해, PEMFC 굴착기의 신뢰성과 효율성을 향상시키기 위한 시스템 유지관리에 큰 도움을 줄 수 있다.
더 상세하게는, 먼저, 신경망 기반 열화모델(neural network-based degradation model)을 훈련(training) 및 검증(validate)하기 위해, 일정한 작업조건 하에서 두 기간(two period of time) 동안의 작업 데이터가 취득되고, 이들을 각각 훈련 데이터집합(training dataset) 및 검증 데이터집합(validation dataset) 이라 한다.
또한, 연료전지, 배터리 및 슈퍼커패시터 서브시스템의 성능저하 예측을 위한 신경망도 초기화되며, 그 후, 검증 데이터집합으로 검증되기 전에 훈련 데이터집합을 이용하여 전파 알고리즘(propagation algorithm)으로 훈련된다.
마지막으로, 훈련된 모델을 활용하여 PEMFC 굴착기의 FC-BAT-SC 하이브리드 전원의 서브시스템의 잔여유효수명(RUL)을 예측하는 처리가 수행되도록 구성될 수 있으며, 이때, 상기한 바와 같이 구성되는 학습기반 시스템 예측 알고리즘이 클라우드에서 실행되도록 구성됨으로써, 전체적인 시스템의 연산처리 부하를 크게 줄일 수 있다.
계속해서, 도 10 내지 도 12를 참조하면, 도 10 내지 도 12는 연료전지, 배터리 및 슈퍼커패시터에 대한 신경망 기반 열화 예측모델의 전체적인 구성을 각각 개략적으로 나타내는 도면이다.
더 상세하게는, 도 10은 연료전지의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이고, 도 11은 배터리(BAT) 뱅크의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이며, 도 12는 슈퍼커패시터(SC) 팩의 잔여유효수명(RUL) 예측을 위한 신경망 구조를 개략적으로 나타내는 도면이다.
도 10 내지 도 12에 나타낸 바와 같이, FC, BAT 및 SC 서브시스템의 RUL 예측을 위한 신경망(Neural Network ; NN) 구조는 각각의 서브시스템을 모델링하기 위해 역전파 훈련 알고리즘(back-propagation training algorithm)과 함께 3개의 다층 피드포워드(multilayer feedforward) 인공신경망(ANN)이 적용될 수 있으며, 이때, 상기한 ANN은 완전히 연결된(fully connected) 4개의 레이어와 2개의 은닉층(hidden layer)으로 구성될 수 있다.
또한, FC의 경우, ANN의 입력은 부하 전력(load power)이고 출력은 전압, 전류 및 수소 유량이며, BAT 및 SC의 경우 ANN의 입력은 부하 전력이고 출력은 전압 및 전류이다.
아울러, 이러한 모델을 훈련하고 검증하기 위해 장기(long-term) 작업데이터가 사용되고, 이를 기반으로 FC 스택, BAT 뱅크 및 SC 팩의 RUL을 간접적으로 예측하기 위해 훈련된 NN 기반 성능저하 모델이 구축된다.
상기한 바와 같은 내용으로부터, 본 발명에 따르면, 디지털 트윈 기술을 이용하여 PEMFC 굴착기의 하이브리드(FC-BAT-SC) 전원을 위한 에너지 관리시스템에 대한 디지털 트윈 모델을 구축하고, IoT 및 클라우드 컴퓨팅 기술을 이용하여 DC-DC 컨버터, 연료전지, 배터리 뱅크 및 슈퍼커패시터 팩과 같은 전체 전원공급 시스템 및 개별 서브시스템의 상태를 지속적으로 모니터링하고 이상발생을 즉각적으로 판단하여 대처하도록 하는 동시에, 학습기반 인공지능 알고리즘 및 인공신경망 기반 예측 알고리즘을 통해 시스템 유지보수를 위한 잔여유효수명(RUL)을 예측하여 제시하는 처리가 수행되도록 구성됨으로써, 연료전지 시스템의 신뢰성 및 효율성을 크게 향상시킬 수 있다.
따라서 상기한 바와 같은 내용으로부터 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법을 용이하게 구현할 수 있으며, 즉, 도 13을 참조하면, 도 13은 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템(10)의 전체적인 구성을 개략적으로 나타내는 블록도이다.
도 13에 나타낸 바와 같이, 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템(10)은, 크게 나누어, 연료전지 시스템 및 해당 연료전지 시스템에 대한 에너지 관리시스템(EMS)의 각 부분에 대하여 센서를 통해 측정된 각각의 측정값 및 동작에 대한 모니터링을 통해 얻어지는 각종 파라미터를 포함하는 데이터를 수집하여 클라우드로 전송하는 처리가 수행되는 데이터수집 처리부(11)와, 디지털 트윈(Digital Twin) 기술을 이용하여 연료전지 시스템의 EMS에 대한 디지털 트윈 모델을 생성하고 시뮬레이션을 통해 각종 파라미터를 추정하여 산출결과를 포함하는 각종 데이터를 클라우드로 전송하는 처리가 수행되는 디지털 트윈 처리부(12)와, 데이터수집 처리부(11) 및 디지털 트윈 처리부(12)로부터 각각 전송되는 데이터를 수신하여 데이터베이스의 형태로 저장하는 것에 의해 연료전지 EMS에 대한 데이터베이스를 구축하고, 데이터수집 처리부(11) 및 디지털 트윈 처리부(12)로부터 각각 전송되는 센서 측정값과 디지털 트윈 기반 추정값에 근거하여 연료전지 및 EMS의 오류나 고장 발생을 감지하고 연료전지 시스템의 잔여수명(RUL)을 예측하는 처리가 수행되는 이상감지 및 예측 처리부(13)와, 상기한 각 부(11 ~ 13) 및 시스템(10)의 전체적인 동작을 제어하는 제어부(14)를 포함하여 구성될 수 있다.
여기서, 상기한 이상진단 시스템(10)은, 클라우드 컴퓨팅(cloud computing) 기술을 이용하여, 상기한 각 부(11 ~ 14)의 처리가 클라우드 기반으로 수행되도록 구성됨으로써, 하드웨어의 성능이나 구조 및 비용 등에 따른 제약을 경감하여 보다 용이하게 구현될 수 있다.
더 상세하게는, 상기한 데이터수집 처리부(11)는, 도 1 내지 도 5를 참조하여 상기한 바와 같이, 연료전지 스택(PEMFC Stack), 배터리 뱅크(Battery Bank) 및 슈퍼커패시터 팩(Supercapacitor Pack)을 포함하여 구성되는 PEMFC 굴착기용 FC-BAT-SC 하이브리드 전원 및 이를 위한 에너지 관리시스템(EMS)에 대하여 전류, 전압 수소 유량 등을 포함하는 각종 측정값을 수집하여 클라우드 기반의 이상감지 및 예측 처리부(13)로 전송하는 처리가 수행되도록 구성될 수 있다.
이를 위해, 상기한 데이터수집 처리부(11)는, FC, BAT, SC 전원의 전류 및 전압을 측정하기 위한 전류센서(Current sensor) 및 전압센서(Voltage sensor)와, FC 시스템에 공급되는 수소의 유량을 측정하기 위한 수소 유량센서(Flowrate sensor) 등의 각종 측정센서를 포함하여 이루어지는 센서부를 더 포함하여 구성될 수 있다.
또한, 상기한 디지털 트윈 처리부(12)는, 도 1 내지 도 5를 참조하여 상기한 바와 같이, 디지털 트윈(Digital Twin) 기술을 이용하여, 데이터수집 처리부(11)에 의해 수집된 실제 측정값 및 파라미터에 근거하여 PEMFC 굴착기용 FC-BAT-SC 하이브리드 전원 및 이를 위한 에너지 관리시스템(EMS)에 대한 디지털 트윈 모델을 구축하고, 시뮬레이션을 통해 실제 작업조건을 기반으로 FC, BAT, SC 전원의 요구전력 및 충전상태(State of Charge ; SoC) 등의 각종 파라미터를 각각 산출하며, 산출결과를 포함하는 각종 데이터를 이상감지 및 예측 처리부(13)로 전송하는 처리가 수행되도록 구성될 수 있다.
여기서, 상기한 데이터수집 처리부(11) 및 디지털 트윈 처리부(12)는, FC, BAT, SC의 전류 및 전압, 수소 유량, BAT 및 SC의 SoC를 포함하는 동작 데이터(working data)를 각각 수집 또는 산출한 후, 노이즈(noise)와 이상값(outlier) 등을 제거하는 전처리를 수행한 다음 이상감지 및 예측 처리부(13)로 전송하는 처리가 수행되도록 구성될 수 있다.
아울러, 상기한 이상감지 및 예측 처리부(13)는, 도 1 내지 도 5를 참조하여 상기한 바와 같이, 전체 시스템 및 서브시스템의 건강상태(health state)를 평가하기 위해 오류감지(fault detection)를 수행하고, 심각한 오류가 발생하면 시스템을 강제로 중지하며, 실제 장기(long-term) 작업데이터를 기반으로 연료전지 시스템의 잔여유효수명(Remaining Useful Life ; RUL)을 예측하여 연료전지 시스템의 유지관리계획(maintenance schedule)을 수립하는 처리가 수행되도록 구성될 수 있다.
더 상세하게는, 상기한 이상감지 및 예측 처리부(13)는, 도 6 내지 도 9를 참조하여 상기한 바와 같이, 연료전지(FC) 서브시스템의 오류감지 처리와, 배터리(BAT) 서브시스템의 서브시스템의 오류감지 처리와, 슈퍼커패시터(SC) 서브시스템의 오류감지 처리와, FC, BAT, SC의 잔여유효수명(RUL)을 각각 예측하는 시스템 예측처리를 포함하는 일련의 처리과정이 수행되도록 구성될 수 있다.
더욱이, 상기한 이상감지 및 예측 처리부(13)는, 각각의 경우에 대하여 이상이 발생한 것으로 판단되는 경우는 해당 내용에 대한 경고를 발생하는 동시에, 미리 설정된 연락처에 따라 운영자(operator)나 관리자 또는 담당부서나 관계기관 등에 해당 사실을 알리고 즉시 대응을 요청하는 취지의 알림 메시지를 전송하는 처리가 수행되도록 구성될 수 있다.
먼저, 연료전지(FC) 서브시스템의 오류감지 처리는, 도 6을 참조하여 상기한 바와 같이, 클라우드상에 실제 EMS와 동일하게 구현된 디지털 트윈 모델을 통해 특정 작업조건에 대한 FC의 요구전력을 계산한 후, 디지털 트윈 FC의 전력과 실제 FC에서 생성된 전력 사이의 차이에 대한 평균 제곱근 오차(Root Mean Squared Error ; RMSE)를 계산하고, 미리 정의된 임계값과 비교하여 두 값의 차이가 임계값보다 크면 FC 서브시스템에 이상이 발생한 것으로 판단하도록 구성될 수 있다.
이때, 임계값보다 작은 경우에도 수소 유량에서 오류가 발생할 수 있으므로, 전력 차이가 임계값보다 작은 경우는 디지털 트윈 FC에서 요구되는 수소 유량을 실제 수소 유량과 비교하고, 두 값의 차이에 대한 RMSE가 미리 정해진 임계값을 초과하면 수소 공급에 이상이 발생한 것으로 판단하고, 그렇지 않으면 시스템에 아무런 문제가 없이 정상인 것으로 판단하도록 구성될 수 있다.
다음으로, 배터리(BAT) 서브시스템의 오류를 감지하는 처리과정은, 도 7을 참조하여 상기한 바와 같이, 실제 BAT의 출력전력을 지속적으로 모니터링하고 상기한 바와 같은 RMSE 방법을 기반으로 디지털 트윈 BAT 모델의 출력전력과 비교하여 두 값의 차이가 미리 정의된 임계값보다 크면 BAT 서브시스템에서 이상이 발생한 것으로 판단하고, 그렇지 않으면 디지털 트윈 BAT 모델의 충전상태(SoC)와 실제 BAT 서브시스템의 SoC를 비교하여 BAT의 노후 상태(aging condition)를 검출하는 처리가 수행되도록 구성될 수 있다.
계속해서, 슈퍼커패시터(SC) 서브시스템의 오류를 감지하는 처리과정은, 도 8을 참조하여 상기한 바와 같이, 상기한 BAT의 경우와 마찬가지로 SC 서브시스템에서 생성된 실제 전력을 모니터링하여 SC의 실제 출력전력과 디지털 트윈 SC 모델의 출력전력 사이의 RMSE 기반 차이가 미리 정의된 임계값보다 크면 SC 서브시스템에서 오류가 발생한 것으로 판단하고, 그렇지 않으면 실제 SC와 디지털 트윈 SC 모델의 SoC 차이의 RMSE를 모니터링한 결과에 근거하여 미리 정해진 임계값보다 작으면 SC에 결함이나 심각한 성능저하가 있는 것으로 판단하도록 구성될 수 있다.
마지막으로, 시스템 예측 처리과정은, 도 9를 참조하여 상기한 바와 같이, 예를 들면, 머신러닝(Machine Learning)가 같은 학습기반 기술을 기반으로 FC, BAT, SC의 잔여유효수명(RUL)을 각각 예측하는 처리가 수행되도록 구성될 수 있다.
이를 위해, 도 10 내지 도 12를 참조하여 상기한 바와 같이, 먼저, 일정한 작업조건 하에서 실제 작업 데이터를 취득하여 훈련 데이터집합(training dataset) 및 검증 데이터집합(validation dataset)을 생성하고 전파 알고리즘(propagation algorithm)을 이용하여 인공신경망(ANN) 기반 열화모델(degradation model)의 훈련(training) 및 검증(validate)을 수행한다.
그 후, 훈련된 ANN 모델을 이용하여, FC의 경우 ANN의 입력은 부하 전력(load power)으로 하고 출력은 전압, 전류 및 수소 유량으로 하며, BAT 및 SC의 경우 입력은 부하 전력이고 출력은 전압 및 전류로 하여 FC, BAT, SC 서브시스템의 잔여유효수명(RUL)을 각각 예측하는 처리가 수행되도록 구성될 수 있다.
여기서, 상기한 바와 같은 일련의 처리과정이 클라우드에서 실행되도록 구성됨으로써, 전체적인 시스템의 연산처리 부하를 크게 경감할 수 있으며, 그것에 의해, 전체적인 시스템의 구성을 간소화하고 비용을 절감할 수 있다.
또한, 상기한 연료전지 시스템은, 예를 들면, 상기한 PEM FC 굴착기 등과 같이, 연료전지를 이용하여 구동되는 시스템이면 크게 제한은 없으며, 또한, 상기한 연료전지는, 예를 들면, 양성자 교환막 연료전지(PEM FC), 고체산화물 연료전지(SOFC), 인산 연료전지(PAFC) 등의 연료전지가 적용될 수 있는 등, 본 발명은 필요에 따라 다양하게 적용될 수 있는 것임에 유념해야 한다.
아울러, 상기한 이상진단 시스템(10)은, 도시되지는 않았으나, 데이터수집 처리부(11), 디지털 트윈 처리부(12), 이상감지 및 예측 처리부(13) 및 제어부(14) 사이의 데이터 전송 및 서버 등과 같은 외부 기기나 다른 이상진단 시스템(10)들과 각종 데이터를 주고받기 위해 유선 또는 무선 통신 중 적어도 하나의 방식으로 통신을 수행하도록 이루어지는 통신부 및 이상진단 시스템(10)의 각 부의 현재 상태 및 동작과 처리결과를 포함하는 각종 데이터를 표시하기 위한 디스플레이 등의 표시수단을 포함하여 이루어지는 출력부를 더 포함하여 구성될 수 있다.
따라서 상기한 바와 같이 하여 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템(10) 및 방법을 용이하게 구현할 수 있으며, 이를 이용하여, 전국 단위의 광범위한 지역에 대하여도 연료전지 시스템의 관리를 위한 모니터링 시스템을 용이하게 구축할 수 있다.
더 상세하게는, 도 14를 참조하면, 도 14는 도 13에 나타낸 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템(10)을 이용한 연료전지 EMS 모니터링 시스템(20)의 전체적인 구성을 개략적으로 나타내는 블록도이다.
도 14에 나타낸 바와 같이, 본 발명의 실시예에 따른 연료전지 EMS 모니터링 시스템(20)은, 각각의 설비나 지역별로 설치되어 있는 복수의 연료전지 EMS 이상진단 시스템(10)과, 각 설비 또는 지역별로 설치되어 있는 각각의 연료전지 EMS 이상진단 시스템(10)으로부터 모니터링 정보를 각각 수신하여 연료전지 시스템의 운전에 대한 빅데이터를 구축하고, 사용자의 요청에 따라 해당하는 각종 정보를 맞춤형으로 제공하는 처리가 수행되도록 구성되는 관제서버(21)를 포함하여 구성될 수 있다.
아울러, 이를 위해, 본 발명의 실시예에 따른 연료전지 EMS 모니터링 시스템(20)은, 도 14에 나타낸 바와 같이, 상기한 바와 같은 모니터링 정보를 사용자가 요청하고 전달받기 위한 사용자 단말기(22)를 더 포함하여 구성될 수 있다.
여기서, 상기한 사용자 단말기(22)는, 예를 들면, PC와 같은 단말장치를 이용하여 구성될 수 있고, 바람직하게는, 스마트폰이나 태블릿 PC 또는 노트북 등과 같이, 개인이 휴대 가능한 정보통신 단말기에 전용의 어플리케이션을 설치하여 구성될 수도 있으나, 본 발명은 반드시 이러한 구성으로만 한정되는 것은 아니며, 즉, 본 발명은 본 발명의 취지 및 본질을 벗어나지 않는 범위 내에서 당업자에 의해 필요에 따라 다양하게 수정 및 변경하여 구성될 수 있는 것임에 유념해야 한다.
상기한 바와 같은 구성으로부터, 본 발명에 따르면, 상기한 바와 같이 구성되는 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템(10)을 각각의 설비별 또는 지역별로 다수개 설치하고, 각각의 이상진단 시스템(10)들이 서로 통신하여 각종 데이터를 주고받도록 하는 동시에, 관제서버(21)의 요청에 따라, 또는, 미리 정해진 설정에 따라 주기적으로 모니터링 데이터를 관제서버(21)로 각각 전송하도록 구성됨으로써, 예를 들면, 전국 단위의 광범위한 지역에 대하여도 대규모의 연료전지 EMS 모니터링 시스템(20)을 용이하게 구축할 수 있다.
따라서 상기한 바와 같이 하여 본 발명의 실시예에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법을 구현할 수 있으며, 그것에 의해, 본 발명에 따르면, 예를 들면, PEMFC 굴착기 등과 같이, 실제 물리적 시스템의 정상 동작조건에서 얻어진 데이터를 클라우드로 전송하여 디지털 트윈 모델을 구축하고, 실제 작업조건을 기반으로 오류가 없는 조건에서 디지털 트윈 모델의 EMS를 통해 FC, BAT, SC 전원에 필요한 전력을 각각 계산하며, 계산된 값들을 물리적 시스템의 실제 동작 데이터와 비교하여 각각의 FC, BAT, SC 서브시스템에 대한 계산값과 실제 측정값의 차이가 미리 정해진 임계값이나 범위를 벗어나는 경우 오류나 고장이 발생한 것으로 판단하여 경고메시지를 발생하고 미리 설정된 연락처에 즉각적인 대처를 요청하는 처리가 수행되도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있다.
또한, 본 발명에 따르면, 상기한 바와 같이 디지털 트윈 기술을 이용하여 연료전지 시스템용 에너지 관리시스템(EMS)의 상태 및 동작을 지속적으로 모니터링하고 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, FC-BAT-SC 하이브리드 전원의 에너지 소비를 적절히 관리하는 에너지 관리시스템(EMS)에 오류나 고장 발생시 이를 즉각적으로 감지하여 대처할 수 있는 장치나 방법이 제시된 바 없었던 종래기술의 연료전지 시스템용 에너지 관리시스템(EMS)들의 한계를 해결할 수 있다.
아울러, 본 발명에 따르면, 상기한 바와 같이 연료전지 시스템용 에너지 관리시스템(EMS)의 오류나 고장 발생을 즉각적으로 감지하여 대처할 수 있도록 하는 동시에, 예를 들면, DC-DC 컨버터, 연료전지(FC), 배터리 뱅크 및 슈퍼커패시터 팩 등과 같이, 하이브리드 연료전지 시스템의 개별 서브시스템의 상태 및 동작을 사물인터넷(IoT) 기술에 기반하여 각종 센서를 통해 지속적으로 모니터링하고, 머신러닝이나 인공신경망(ANN) 등과 같은 인공지능 학습 알고리즘 또는 네트워크 모델에 기반하여 각 서브시스템의 잔여수명을 예측하는 처리가 클라우드를 통해 수행되도록 구성되는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법이 제공됨으로써, 시스템의 전체적인 처리 부하를 경감하고 유지보수의 효율성을 크게 향상시킬 수 있다.
이상, 상기한 바와 같은 본 발명의 실시예를 통하여 본 발명에 따른 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법의 상세한 내용에 대하여 설명하였으나, 본 발명은 상기한 실시예에 기재된 내용으로만 한정되는 것은 아니며, 따라서 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 설계상의 필요 및 기타 다양한 요인에 따라 여러 가지 수정, 변경, 결합 및 대체 등이 가능한 것임은 당연한 일이라 하겠다.
10. 연료전지(FC) 에너지 관리시스템(EMS)의 이상진단 시스템
11. 데이터수집 처리부 12. 디지털 트윈 처리부
13. 이상감지 및 예측 처리부 14. 제어부
20. 연료전지 EMS 모니터링 시스템 21. 관제서버
22. 사용자 단말기
11. 데이터수집 처리부 12. 디지털 트윈 처리부
13. 이상감지 및 예측 처리부 14. 제어부
20. 연료전지 EMS 모니터링 시스템 21. 관제서버
22. 사용자 단말기
Claims (16)
- 디지털 트윈(Digital Twin)을 이용한 연료전지(Fuel Cell ; FC) 에너지 관리시스템(Energy Management Syatem ; EMS)의 이상진단 시스템에 있어서,
연료전지(FC)를 이용하여 동작하는 연료전지 시스템 및 상기 연료전지 시스템에 대한 에너지 관리시스템(EMS)의 각 부분에 대하여 센서를 통해 측정된 각각의 측정값 및 동작에 대한 모니터링을 통해 얻어지는 각종 파라미터를 포함하는 데이터를 수집하여 미리 정해진 수신처로 전송하는 처리가 수행되는 데이터수집 처리부;
디지털 트윈(Digital Twin) 기술을 이용하여, 상기 연료전지 시스템의 EMS에 대한 디지털 트윈 모델을 생성하고, 시뮬레이션을 통해 각종 파라미터를 추정하여 시뮬레이션 결과를 포함하는 각종 데이터를 미리 정해진 수신처로 전송하는 처리가 수행되는 디지털 트윈 처리부;
상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 센서 측정값과 디지털 트윈 기반 추정값에 근거하여 상기 연료전지 시스템 및 상기 EMS의 오류나 고장 발생을 감지하고 상기 연료전지 시스템의 잔여유효수명(Remaining Useful Life ; RUL)을 예측하는 처리가 수행되는 이상감지 및 예측 처리부; 및
상기 이상진단 시스템의 전체적인 동작을 제어하는 처리가 수행되는 제어부를 포함하여 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 데이터수집 처리부는,
연료전지 스택(PEMFC Stack), 배터리 뱅크(Battery Bank) 및 슈퍼커패시터 팩(Supercapacitor Pack)을 포함하여 구성되는 FC-BAT-SC 하이브리드 전원 및 상기 FC-BAT-SC 하이브리드 전원에 대한 에너지 관리시스템(EMS)에 대하여, 각각의 FC, BAT, SC 서브시스템의 전류 및 전압을 각각 측정하기 위한 전류센서(Current sensor) 및 전압센서(Voltage sensor)와, 상기 FC 서브시스템에 공급되는 수소의 유량을 측정하기 위한 수소 유량센서(Flowrate sensor)를 포함하는 복수의 측정센서를 포함하여 이루어지는 센서부를 더 포함하여 구성되고,
상기 센서부를 통해 각각의 상기 FC, BAT, SC 서브시스템에 대하여 전류, 전압 및 수소 유량을 포함하는 각종 측정값을 수집하고, 각각의 데이터에서 노이즈(noise)와 이상값(outlier)을 제거하는 전처리를 수행한 후 상기 이상감지 및 예측 처리부로 전송하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 디지털 트윈 처리부는,
디지털 트윈 기술을 이용하여, 상기 데이터수집 처리부에 의해 수집된 실제 측정값 및 파라미터에 근거하여 FC-BAT-SC 하이브리드 전원 및 상기 FC-BAT-SC 하이브리드 전원의 에너지 관리시스템(EMS)에 대한 디지털 트윈 모델을 구축하고,
구축된 디지털 트윈 모델을 이용하여, 실제 작업조건을 기반으로 시뮬레이션을 통해 각각의 FC, BAT, SC 서브시스템의 요구전력 및 충전상태(State of Charge ; SoC)를 포함하는 각종 파라미터를 각각 산출하며,
산출결과를 포함하는 각각의 데이터에서 노이즈(noise)와 이상값(outlier)을 제거하는 전처리를 수행한 후 상기 이상감지 및 예측 처리부로 전송하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 이상감지 및 예측 처리부는,
상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 데이터를 수신하여 데이터베이스의 형태로 저장하는 것에 의해 상기 연료전지 시스템 및 상기 EMS에 대한 데이터베이스를 구축하고,
상기 데이터수집 처리부 및 상기 디지털 트윈 처리부로부터 각각 전송되는 실제 측정값과 상기 디지털 트윈 모델에 기반한 추정값에 근거하여, 연료전지(FC) 서브시스템의 오류감지 처리와, 배터리(BAT) 서브시스템의 오류감지 처리와, 슈퍼커패시터(SC) 서브시스템의 오류감지 처리 및 각각의 상기 FC, BAT, SC 서브시스템에 대한 잔여유효수명(RUL)을 예측하여 상기 연료전지 시스템의 유지관리계획(maintenance schedule)을 수립하는 시스템 예측처리를 포함하는 처리과정이 각각 수행되며,
각각의 상기 FC, BAT, SC 서브시스템에 대한 오류감지 처리시 이상이 발생한 것으로 판단되는 경우는 해당 내용에 대한 경고를 발생하는 동시에, 미리 정해진 설정에 따라 운영자(operator)나 관리자 또는 담당부서나 관계기관을 포함하는 미리 설정된 연락처에 해당 사실을 알리고 즉시 대응을 요청하는 취지의 알림 메시지를 전송하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 4항에 있어서,
상기 연료전지(FC) 서브시스템의 오류감지 처리는,
상기 디지털 트윈 모델을 통해 각각의 작업조건에 대한 FC의 요구전력을 계산하고,
상기 디지털 트윈 모델을 통해 추정된 FC의 전력값과 실제 측정된 FC의 전력값 사이의 차이에 대한 평균 제곱근 오차(Root Mean Squared Error ; RMSE)를 계산하여 미리 정의된 제 1 임계값과 비교하며,
비교 결과 상기 RMSE가 상기 제 1 임계값보다 크면 상기 FC 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 1 임계값 이하인 경우는 상기 디지털 트윈 모델을 통해 추정된 FC의 수소 유량과 실제 측정된 수소 유량의 차이에 대한 RMSE를 산출하여 미리 정의된 제 2 임계값과 비교하며,
비교 결과 상기 수소 유량의 차이에 대한 RMSE가 상기 제 2 임계값보다 크면 수소 공급에 이상이 발생한 것으로 판단하고, 상기 제 2 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 4항에 있어서,
상기 배터리(BAT) 서브시스템의 오류감지 처리는,
실제 BAT의 출력전력을 지속적으로 모니터링하여 상기 디지털 트윈 모델을 통해 추정된 BAT 출력전력과 실제 측정된 BAT 출력전력 사이의 차이에 대한 RMSE를 산출하고 미리 정의된 제 3 임계값과 비교하며,
비교 결과 상기 RMSE가 상기 제 3 임계값보다 크면 상기 BAT 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 3 임계값 이하이면 상기 디지털 트윈 모델을 통해 추정된 BAT 충전상태(SoC)와 실제 측정된 BAT의 SoC 사이의 차이에 대한 RMSE를 산출하여 미리 정의된 제 4 임계값과 비교하며,
비교 결과 상기 SoC 차이에 대한 RMSE가 상기 제 4 임계값보다 크면 이상발생 및 노후상태(aging condition)인 것으로 판단하고, 상기 제 4 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 4항에 있어서,
상기 슈퍼커패시터(SC) 서브시스템의 오류감지 처리는,
실제 SC 서브시스템의 출력전력을 지속적으로 모니터링하여 상기 디지털 트윈 모델을 통해 추정된 SC 출력전력과 실제 측정된 SC 출력전력 사이의 차이에 대한 RMSE를 산출하고 미리 정의된 제 5 임계값과 비교하며,
비교 결과 상기 RMSE가 상기 제 5 임계값보다 크면 상기 SC 서브시스템에 이상이 발생한 것으로 판단하고, 상기 제 5 임계값 이하이면 상기 디지털 트윈 모델을 통해 추정된 SC의 SoC와 실제 측정된 SC의 SoC 사이의 차이에 대한 RMSE를 산출하여 미리 정의된 제 6 임계값과 비교하며,
비교 결과 상기 SoC 차이에 대한 RMSE가 상기 제 6 임계값보다 크면 결함이나 성능저하가 발생한 것으로 판단하고, 상기 제 6 임계값 이하인 경우는 정상인 것으로 판단하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 4항에 있어서,
상기 시스템 예측 처리는,
머신러닝(Machine Learning)을 포함하는 학습기반 기술을 이용하여, 일정한 작업조건 하에서 실제 작업 데이터를 취득하여 훈련 데이터집합(training dataset) 및 검증 데이터집합(validation dataset)을 생성하고, 전파 알고리즘(propagation algorithm)을 이용하여 인공신경망(ANN) 기반 열화모델(degradation model)의 훈련(training) 및 검증(validate)을 수행하며,
훈련된 상기 ANN 모델을 이용하여, FC의 경우 상기 ANN의 입력을 부하 전력(load power)으로 하고 출력은 전압, 전류 및 수소 유량으로 하며, 상기 BAT 및 상기 SC의 경우 입력을 부하 전력으로 하고 출력은 전압 및 전류로 하여 각각의 상기 FC, BAT, SC 서브시스템에 대한 잔여유효수명(RUL)을 각각 예측하는 처리가 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 이상진단 시스템은,
클라우드 컴퓨팅(cloud computing) 기술을 이용하여, 상기 데이터수집 처리부, 상기 디지털 트윈 처리부, 상기 이상감지 및 예측 처리부 및 상기 제어부의 각각의 처리가 클라우드 기반으로 수행되도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 연료전지는,
양성자 교환막 연료전지(Proton Exchange Membrane Fuel Cell ; PEMFC), 고체산화물 연료전지(Solid Oxide Fuel Cell ; SOFC), 인산 연료전지(Phosphoric Acid Fuel Cell ; PAFC) 중 적어도 하나를 이용하여 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 연료전지 시스템은,
PEMFC 굴착기(Excavator)를 포함하는 연료전지를 이용하여 구동되는 장치로 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 이상진단 시스템은,
상기 데이터수집 처리부, 상기 디지털 트윈 처리부, 상기 이상감지 및 예측 처리부 및 상기 제어부의 사이의 데이터 전송 및 서버를 포함하는 외부 기기나 다른 에너지 관리시스템들과 각종 데이터를 주고받기 위해 유선 또는 무선 통신 중 적어도 하나의 방식으로 통신을 수행하도록 이루어지는 통신부; 및
상기 이상진단 시스템의 각 부분의 현재 상태 및 동작과 처리결과를 포함하는 각종 데이터를 표시하기 위한 디스플레이를 포함하는 표시수단을 포함하여 이루어지는 출력부를 더 포함하여 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 제 1항에 있어서,
상기 이상진단 시스템은,
상기 이상진단 시스템을 각각의 설비별 또는 지역별로 다수개 설치하고, 각각의 상기 이상진단 시스템을 통해 취득되는 모니터링 데이터를 중앙의 서버로 전송하도록 구성됨으로써,
광범위한 지역에 대하여도 모니터링 작업이 용이하게 이루어질 수 있도록 구성되는 것을 특징으로 하는 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템.
- 연료전지(FC) 에너지 관리시스템(EMS)의 이상진단방법에 있어서,
연료전지 및 연료전지 에너지 관리시스템의 이상진단을 위한 이상진단 시스템을 구현하는 처리가 수행되는 시스템 구축단계; 및
상기 이상진단 시스템을 이용하여 상기 연료전지 및 상기 에너지 관리시스템의 상태 및 동작을 모니터링하고 이상발생을 감지하는 처리가 수행되는 진단단계를 포함하여 구성되고,
상기 이상진단 시스템은,
청구항 1항 내지 청구항 13항 중 어느 한 항에 기재된 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템을 이용하여 구성되는 것을 특징으로 하는 연료전지 에너지 관리시스템의 이상진단방법.
- 연료전지 에너지 관리시스템(EMS)의 모니터링 시스템에 있어서,
각각의 설비나 지역별로 설치되는 복수의 연료전지 EMS 진단시스템;
각각의 설비 또는 지역별로 설치되어 있는 각각의 상기 연료전지 EMS 진단시스템들로부터 모니터링 정보를 각각 수신하여 각각의 연료전지 및 EMS에 대한 빅데이터를 구축하고, 사용자의 요청에 따라 해당하는 각종 정보를 맞춤형으로 제공하는 처리가 수행되도록 이루어지는 관제서버; 및
사용자가 원하는 정보를 상기 연료전지 EMS 진단시스템이나 상기 관제서버에 요청하고 전달받기 위한 사용자 단말기를 포함하여 구성되고,
상기 연료전지 EMS 진단시스템은,
청구항 1항 내지 청구항 13항 중 어느 한 항에 기재된 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템을 이용하여 구성되는 것을 특징으로 하는 연료전지 에너지 관리시스템의 모니터링 시스템.
- 제 15항에 있어서,
상기 사용자 단말기는,
PC를 포함하는 정보처리장치를 이용하여 구성되거나,
또는, 스마트폰이나 태블릿 PC, 또는, 노트북을 포함하는 개인이 휴대 가능한 정보통신 단말기에 전용의 어플리케이션을 설치하여 구성되는 것을 특징으로 하는 연료전지 에너지 관리시스템의 모니터링 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210119649A KR102632527B1 (ko) | 2021-09-08 | 2021-09-08 | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210119649A KR102632527B1 (ko) | 2021-09-08 | 2021-09-08 | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230036776A true KR20230036776A (ko) | 2023-03-15 |
| KR102632527B1 KR102632527B1 (ko) | 2024-02-02 |
Family
ID=85642026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210119649A KR102632527B1 (ko) | 2021-09-08 | 2021-09-08 | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102632527B1 (ko) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116840722A (zh) * | 2023-06-09 | 2023-10-03 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
| KR102600657B1 (ko) | 2023-06-15 | 2023-11-08 | 김종현 | 디지털 트윈 모델 기반 공장 에너지 관리 시스템의 제어 방법, 장치 및 시스템 |
| CN117849653A (zh) * | 2024-03-08 | 2024-04-09 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
| CN117892114A (zh) * | 2024-03-14 | 2024-04-16 | 燚璞锐科技(江苏)有限公司 | 基于物联网的起重机故障预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090027504A (ko) * | 2007-09-12 | 2009-03-17 | 엘지전자 주식회사 | 연료 전지와 2차 전지를 구비한 시스템 및 이의 충전제어방법 |
| JP5083233B2 (ja) * | 1997-12-22 | 2012-11-28 | 株式会社エクォス・リサーチ | 燃料電池システム |
| KR20200049345A (ko) * | 2018-10-31 | 2020-05-08 | 삼성중공업 주식회사 | 하이브리드 선박 |
| KR20210075258A (ko) | 2019-12-12 | 2021-06-23 | 주식회사 호룡 | 에너지 저장장치를 이용한 전기식 굴착기 |
-
2021
- 2021-09-08 KR KR1020210119649A patent/KR102632527B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5083233B2 (ja) * | 1997-12-22 | 2012-11-28 | 株式会社エクォス・リサーチ | 燃料電池システム |
| KR20090027504A (ko) * | 2007-09-12 | 2009-03-17 | 엘지전자 주식회사 | 연료 전지와 2차 전지를 구비한 시스템 및 이의 충전제어방법 |
| KR20200049345A (ko) * | 2018-10-31 | 2020-05-08 | 삼성중공업 주식회사 | 하이브리드 선박 |
| KR20210075258A (ko) | 2019-12-12 | 2021-06-23 | 주식회사 호룡 | 에너지 저장장치를 이용한 전기식 굴착기 |
Non-Patent Citations (1)
| Title |
|---|
| 호아이 부 안 쯔엉 외 5인, ‘수소연료전지 굴삭기에 관한 기초연구,’유공압건설기계학회 학술대회논문집, pp. 256-261, 2019.6. * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116840722A (zh) * | 2023-06-09 | 2023-10-03 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
| CN116840722B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种质子交换膜燃料电池性能退化评估及寿命预测方法 |
| KR102600657B1 (ko) | 2023-06-15 | 2023-11-08 | 김종현 | 디지털 트윈 모델 기반 공장 에너지 관리 시스템의 제어 방법, 장치 및 시스템 |
| CN117849653A (zh) * | 2024-03-08 | 2024-04-09 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
| CN117849653B (zh) * | 2024-03-08 | 2024-05-07 | 备倍电科技(深圳)有限公司 | 一种基于电源管理的工作状态监测方法及系统 |
| CN117892114A (zh) * | 2024-03-14 | 2024-04-16 | 燚璞锐科技(江苏)有限公司 | 基于物联网的起重机故障预测方法及系统 |
| CN117892114B (zh) * | 2024-03-14 | 2024-05-24 | 燚璞锐科技(江苏)有限公司 | 基于物联网的起重机故障预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102632527B1 (ko) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102632527B1 (ko) | 디지털 트윈을 이용한 연료전지 에너지 관리시스템의 이상진단 시스템 및 방법 | |
| Chen et al. | Degradation prediction of proton exchange membrane fuel cell based on grey neural network model and particle swarm optimization | |
| EP2436081B1 (en) | Control system for a flow cell battery | |
| CN113708493A (zh) | 基于云边协同的配电终端运维方法、装置和计算机设备 | |
| CN116914939A (zh) | 基于大数据的储能管理系统、方法和储能电站系统 | |
| JP2003223917A (ja) | コジェネレーションプラント運転支援システム及び運転支援方法 | |
| CN116341919B (zh) | 一种数据与模型联合驱动的安全风险评估预警方法 | |
| KR102216850B1 (ko) | 인공지능 기반의 연료 전지 관리 시스템 | |
| KR20150084613A (ko) | 데이터 마이닝을 이용한 타워크레인 고장예측방법 | |
| CN115514100A (zh) | 一种基于多元储能和控制的混合储能系统 | |
| CN116755964A (zh) | 一种加固服务器的故障预测与健康管理系统 | |
| CN116880151A (zh) | 一种多余度计算机控制系统 | |
| CN117175655A (zh) | 一种分布式新能源电力系统的蓄能控制方法及系统 | |
| CN103616877A (zh) | 能源管网的监控诊断方法和系统 | |
| CN117411185A (zh) | 储能电力系统监控方法、装置、设备及可读存储介质 | |
| CN117394412A (zh) | 一种电网储能系统的调度控制系统及方法 | |
| CN115777156A (zh) | 用于运行燃料电池系统的方法 | |
| Jacome et al. | A review of model-based prognostic for proton exchange membrane fuel cell under automotive load cycling | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| KR102630120B1 (ko) | 디지털 트윈을 이용한 연료전지 시스템의 에너지 관리시스템 및 방법 | |
| CN113064075B (zh) | 一种基于边缘计算及深度学习的电机寿命预估方法 | |
| CN114142069A (zh) | 一种基于燃料电池健康状态评估的在线监控装置及方法 | |
| US20060083961A1 (en) | Asynchronous diagnostics in a fuel cell or fuel cell system | |
| Li et al. | A fault diagnosis method for VRLA battery in data center | |
| KR102587617B1 (ko) | 선박의 모터 부하를 모니터링하는 시스템 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |