WO2023126704A1 - データ処理装置、データ収集システム及び方法 - Google Patents

データ処理装置、データ収集システム及び方法 Download PDF

Info

Publication number
WO2023126704A1
WO2023126704A1 PCT/IB2022/060363 IB2022060363W WO2023126704A1 WO 2023126704 A1 WO2023126704 A1 WO 2023126704A1 IB 2022060363 W IB2022060363 W IB 2022060363W WO 2023126704 A1 WO2023126704 A1 WO 2023126704A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
fuel cell
deterioration
machine learning
learning model
Prior art date
Application number
PCT/IB2022/060363
Other languages
English (en)
French (fr)
Inventor
力矢 吉田
Original Assignee
ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング filed Critical ロベルト·ボッシュ·ゲゼルシャフト·ミト•ベシュレンクテル·ハフツング
Publication of WO2023126704A1 publication Critical patent/WO2023126704A1/ja

Links

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
    • H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
    • 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
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Definitions

  • the present invention relates to a data processing device, data collection system and method.
  • a fuel cell that generates electricity by chemically reacting fuel gas generally has a structure in which an electrolyte membrane is sandwiched between an anode and a cathode.
  • polymer membranes such as perfluorosulfonic acid are used as electrolyte membranes in polymer electrolyte fuel cells.
  • the electrodes contain a catalyst such as platinum supported by carbon particles.
  • Patent Document 1 Japanese Unexamined Patent Application Publication No. 2012-84245
  • Patent Document 2 Japanese Unexamined Patent Application Publication No. 2019-521491
  • An object of the present invention is to improve the accuracy of predicting deterioration of a fuel cell.
  • One aspect of the present invention is a data processing device (50) for predicting the degree of deterioration of a fuel cell (30).
  • the data processing device (50) stores data on operating conditions and environmental conditions of a plurality of fuel cells (30) placed under different environments, data on the fuel cells (30) at the start of deterioration, and an updating unit (52) that acquires data at the time each data was collected, and a machine learning model (51T), wherein each acquired data a prediction unit (51) for predicting the degree of deterioration of the fuel cell (30) with respect to data input;
  • the update unit (52) calculates the amount of change in physical properties of the fuel cell (30) or the amount of change in power generation performance derived from the change in physical properties of the fuel cell (30) from the data of the operating conditions, T) so that the difference between the degree of deterioration predicted by T) and the amount of change is small, the machine learning model
  • the data collection system (1) includes a plurality of fuel cell systems (10) that respectively operate the fuel cells (30), and a machine learning model (51) that evaluates the degree of deterioration of the fuel cells (30).
  • the data processing device (50) collects each of the data transmitted from each of the fuel cell systems (10), The degree of deterioration predicted by the machine learning model (51T) with respect to data input, and the amount of change in the physical properties of the fuel cell (30) calculated from the data of the operating conditions or the change in physical properties
  • the machine learning model (51T) is trained so that the difference from the derived amount of change in power generation performance becomes small.
  • Another aspect of the present invention is a method of predicting the degree of deterioration of a fuel cell (30) using a machine learning model (51T).
  • the method comprises collecting data on operating conditions and environmental conditions of the plurality of fuel cells (30) placed under different environments, data on the fuel cells (30) at the start of deterioration, and each of the data. inputting each of the obtained data to the machine learning model (51T), and determining the deterioration predicted by the machine learning model (51T) for the input and the amount of change in the physical properties of the fuel cell (30) calculated from the data of the operating conditions or the amount of change in the power generation performance derived from the change in the physical properties. updating the model ( 5 1 T);
  • Fig. 1 shows the configuration of the data collection system.
  • Fig. 2 shows the configuration of the fuel cell and the operating system.
  • Fig. 3 is a flowchart of the process of collecting fuel cell data.
  • Fig. 4 is a flow chart of a process for predicting deterioration of a fuel cell.
  • FIG. 1 shows the configuration of a data collection system 1 of this embodiment.
  • the data collection system 1 comprises a plurality of fuel cell systems 1 ⁇ and data processing devices 5 ⁇ .
  • the data processor 50 collects data on the fuel cell 3 ⁇ operated by each fuel cell system 10, and uses the collected data to predict the degree of deterioration of the fuel cell 3 ⁇ by machine learning. do.
  • the fuel cell system 10 includes a fuel cell 30 and its operating system 31 .
  • Fuel cells 3 ⁇ are placed in different environments.
  • a different environment means that at least one of the operating conditions and environmental conditions of the fuel cell 30 is different.
  • the fuel cell 30 may be incorporated in a power generation system constructed outdoors, or may be mounted on a mobile object such as a vehicle. Also, the fuel cell 30 may be for an experiment installed indoors.
  • the fuel cell system 10 may comprise one fuel cell 30 or multiple fuel cells 30 .
  • the fuel cell 30 generates electricity through chemical reaction of fuel gas.
  • the fuel cell 30 is of a solid polymer type and has a structure in which electrodes and separators are arranged in this order on both sides of an electrolyte membrane. A unit with this structure is called a cell.
  • the fuel cell 30 may be a single cell or a stack of multiple cells. When the fuel cell system 10 includes a plurality of fuel cells 30, each fuel cell 30 may be a separate stack, or one may be a cell and the other a stack.
  • control unit 11 can be realized by reading and executing a program by a processor such as a CPU (Central Processing Unit) or a microcomputer.
  • a processor such as a CPU (Central Processing Unit) or a microcomputer.
  • the storage unit 12 stores a program readable by the control unit 11, and data such as tables and maps necessary for executing the program.
  • a recording medium such as a hard disk, ROM (Read Only Memory), RAM (Random Access Memory) can be used.
  • the storage unit 12 stores configuration data of the fuel cell 30 .
  • Configuration data are data on the basic specifications of the fuel cell 3 ⁇ .
  • the storage unit 12 also stores data on the fuel cell 30 at the start of deterioration.
  • the position detector 16 detects the position of the fuel cell 30, for example, the latitude and longitude, through communication with GPS (Global Positioning System) satellites. By matching this position with a map, the altitude of the environment in which the fuel cell 30 is placed can be calculated.
  • GPS Global Positioning System
  • the data processing device 50 includes a prediction unit 51, an update unit 52, a diagnosis unit 53, a control unit 54, a storage unit 55, a communication unit 56, and a user interface 57.
  • the prediction unit 51 predicts the degree of deterioration of the fuel cell 30 by machine learning.
  • Deterioration refers to an irreversible change in physical properties that reduces power generation performance. Irreversible changes in physical properties are caused by, for example, deterioration of the electrolyte membrane of fuel cells, corrosion of carbon, and oxidation or coarsening of platinum catalysts.
  • the prediction unit 51 has a machine learning model 51T for prediction.
  • the machine learning model 51T outputs a predicted degree of deterioration with respect to input data such as operating conditions and environmental conditions of the fuel cell 30.
  • the machine learning model 51T is a neural network, but the machine learning algorithm is not limited to this, and may be other algorithms such as support vector machine and random forest.
  • the update unit 52 acquires data on the fuel cell 30 from each fuel cell system 10 through the communication unit 56.
  • the updating unit 52 uses the acquired data to update the parameters set in the neural network of the machine learning model 51T and train the machine learning model 51T.
  • Diagnosis section 53 compares the degree of deterioration predicted by prediction section 51 with a reference value, and generates notification data regarding maintenance of fuel cell 30 according to the comparison result.
  • the control section 54 controls each section of the data processing device 50 .
  • the control unit 54 causes the prediction unit 51 to predict the degree of deterioration of the fuel cell 30, and generates prediction result notification data.
  • the control unit 54 can display the prediction result or maintenance-related notification data by the user interface 57 or transmit it to the fuel cell system 1 by the communication unit 56.
  • the processing of the prediction unit 51, update unit 52, diagnosis unit 53, and control unit 54 is realized by reading and executing a program by a computer such as a CPU or a microcomputer. can do.
  • a GPU Graphics Processing Unit
  • a computer optimized for neural networks, or the like can be preferably used for the prediction unit 51.
  • the storage unit 55 stores a computer-readable program and data such as tables necessary for executing the program.
  • the storage unit 55 stores a database of data relating to each fuel cell 30 acquired from each fuel cell system 10.
  • a recording medium such as a hard disk, ROM, or RAM can be used.
  • the communication unit 56 is composed of a network card (NIC) or the like, and communicates with each fuel cell system 10 via the network.
  • NIC network card
  • the user interface 57 includes a keyboard, mouse, display and the like.
  • the user interface 57 accepts an operation instruction from the user via a keyboard or the like, outputs it to the control unit 54, and can display an operation screen or the like on the display according to the instruction from the control unit 54.
  • FIG. 3 shows a process of collecting data of fuel cell 30 in data collection system 1.
  • FIG. Data collection may be performed periodically or may be performed upon request from the user.
  • the control unit 1 1 acquires data on the operating conditions of the fuel cell 3 ⁇ from the operating system 3 1 (step S 1 1) ⁇ Also, the control unit 1 1 , the environmental condition data of the fuel cell 30 is obtained from the sensor 15 and the position detection unit 16 (step S12).
  • Data on operating conditions include, for example, data on the state or power generation performance of the fuel cell 30.
  • the data on the state of the fuel cell 30 is, for example, the amount of fuel gas supplied to the fuel cell 30, the temperature, humidity or pressure inside the fuel cell 30, or the like.
  • the power generation performance data is, for example, current, voltage, impedance, or the like measured by the operating system 31 during power generation.
  • the higher the temperature the more the resin structure of the electrolyte membrane changes, accelerating the deterioration of the electrolyte membrane and tending to lower the ionic conductivity.
  • the temperature changes sharply the electrolyte membrane repeatedly swells and shrinks, causing deterioration of the membrane or peeling of the catalyst layer from the electrolyte membrane, and the fuel cell 30 tends to physically deteriorate.
  • the electrolyte membrane under low humidity tends to be in a dry state and the ionic conductivity tends to decrease. Deterioration such as cracking of the electrolyte membrane and catalyst layer is likely to occur due to drying.
  • data on the state of the fuel cell 30 can serve as an index for predicting the degree of deterioration of the fuel cell 30.
  • Deterioration of the electrolyte membrane, corrosion of carbon, and the like cause a decrease in the power generation performance of the fuel cell 30, so it is possible to predict how much the power generation performance has deteriorated from the data on the power generation performance.
  • the fuel cell 30 tends to have a lower output voltage even under the same current due to deterioration of the catalyst.
  • the impedance tends to change due to deterioration of the electrolyte membrane. Therefore, the drop in output voltage and the change in impedance at the rated current point can serve as an index for predicting the degree of deterioration of the fuel cell.
  • the operating conditions preferably include at least one data of temperature, humidity, current and voltage during power generation of the fuel cell 30 . Since these factors are closely related to the deterioration of the fuel cell 3 ⁇ , the accuracy of predicting the degree of deterioration tends to increase.
  • solid polymer type electrolyte membranes are susceptible to deterioration due to drying, so the conditions of temperature and humidity can be important factors for predicting the degree of deterioration.
  • the environmental condition data includes, for example, the temperature, humidity, atmospheric pressure, position, altitude, hydrogen sulfide gas concentration, etc. of the environment in which the fuel cell 30 is placed.
  • the altitude can also be detected by a sensor for altitude detection, but the control unit 11 detects the position data detected by the position detection unit 16 from the map data stored in the storage unit 12. It can also be obtained by matching with
  • the position of the fuel cell 30 can be a factor in estimating environmental temperature, altitude, and the like.
  • Altitude affects the temperature, humidity, atmospheric pressure, etc. of the environment.
  • the amount of power generation that is required to fluctuate greatly if there are many changes in altitude, and the load fluctuations of the fuel cell 30 also increase, so deterioration is likely to progress.
  • the environmental conditions preferably include data on at least one of environmental temperature and hydrogen sulfide gas concentration. Since these have a large influence on deterioration of the fuel cell 30, the degree of deterioration can be easily predicted with high accuracy.
  • control unit 11 acquires the configuration data of the fuel cell 30 from the storage unit 12 (step S13).
  • Data on the configuration of the fuel cell 30 include, for example, the type of polymer used in the electrolyte membrane of the fuel cell 30, the type of additive in the electrolyte membrane, the amount of platinum used as a catalyst, and the like. is mentioned.
  • the deterioration tendency of the electrolyte membrane may vary depending on the polymer, additives, and the like used in the electrolyte membrane.
  • the platinum particles bond together to reduce the surface area, and the catalytic action tends to decrease, but the degree of decrease varies depending on the original amount of platinum supported. Therefore, if we can also collect configuration data, it will be easier to predict the degree of deterioration of fuel cells.
  • the control unit 11 acquires from the storage unit 12 data on the fuel cell 30 at the start of deterioration (step S14). It is possible to predict the degree of irreversible deterioration with respect to the elapsed time from the start of deterioration, rather than the temporary deterioration of performance.
  • the data on the fuel cell 30 at the start of deterioration include time data at the start of deterioration, data on physical properties or power generation performance of the fuel cell 30 at the start of deterioration, and the like.
  • the time data at the start of deterioration is data relating to the time at which deterioration starts, such as the manufacturing date of the fuel cell 30 and the operation start date.
  • the physical property data is, for example, measured value data such as the impedance (cell resistance) of the electrolyte membrane at the start of deterioration.
  • the power generation performance data is, for example, measured value data such as rated current and output voltage at rated current.
  • the control unit 11 associates each acquired data with the current time data as data representing the time when each data was collected, and transmits the data to the data processing device via the communication unit 13 50 (step S15).
  • the update unit 52 acquires each data (step S21 ) ⁇ The update unit 52 uses each acquired data to train the machine learning model 51T (step S22).
  • the updating unit 52 stores the acquired operating conditions, environmental conditions, and configuration data of the fuel cell 30, the data of the time when each of these data was collected, and the start of deterioration. Input the data about the fuel cell 3 ⁇ at the point in time into the machine learning model 5 1 T. The machine learning model 51T inputs these data as feature quantities and outputs the predicted degree of deterioration.
  • the machine learning model 51T may be a classification model or a regression model.
  • the predicted degree of deterioration is the amount of change in physical properties or the change in power generation performance resulting from the change in physical properties, provided that it is possible to determine how much deterioration the fuel cell 3 ⁇ is in from the degree of deterioration. It may be a continuous value such as a variable, or a discrete value that evaluates these changes step by step. Classification models can be used to predict discrete values of degradation, and regression models can be used to predict continuous values.
  • a discrete value of 1 to 5 obtained by evaluating the amount of change in cell resistance in five levels may be predicted.
  • a normal class where the amount of change in power generation performance is within the allowable range and little deterioration
  • an abnormal class where the amount of change in power generation performance is above the allowable range and deterioration is large, it is possible to distinguish between normal and abnormal conditions.
  • the indicated binary value may be predicted.
  • the prediction unit 51 classifies the class into a normal class with small deterioration or an abnormal class with large deterioration according to the classification model.
  • a predicted value of 1 can be output if .
  • the prediction unit 51 can output a continuous value of 0 to 1 representing the probability of being normal and a continuous value of 0 to 1 representing the probability of being abnormal according to the classification model.
  • the degree of deterioration the amount of change in cell resistance resulting from deterioration of the electrolyte membrane may be predicted. Since deterioration in power generation performance is caused by irreversible changes in physical properties, the degree of deterioration is defined as the amount of power generation performance caused by irreversible changes in physical properties, such as the amount of change in output voltage at rated current. The amount of change may be predicted. In these cases, the degree of deterioration is output as a continuous value.
  • the predicting unit 51 can predict it using a regression model.
  • the prediction unit 51 normalizes the amount of change in the output voltage predicted as a continuous value to 0 to 1, and if the normalized value is 0 or more and less than 5, the degree of deterioration is normal (no deterioration). If the value is between 0.5 and 1.0, a predicted value of 1 indicating anomaly (degradation is outside the allowable range) may be output.
  • the updating unit 52 acquires data on physical properties or power generation performance measurements of the fuel cell 30 at the start of deterioration from the data on the fuel cell 30 at the start of deterioration. Also, the updating unit 52 acquires the measured value data of the physical properties or power generation performance of the fuel cell 30 at the present time from the operating condition data. The updating unit 52 calculates the amount of change in the measured value of the physical property or the amount of change in the measured value of the power generation performance from the deterioration start point to the present time.
  • the updating unit 52 calculates the difference between the measured cell resistance at the start of deterioration and the current cell resistance. .
  • the difference between the calculated measured values can be said to be the measured value of the degree of deterioration.
  • the updating unit 52 adjusts the weights set in the machine learning model 51T, which is a neural network. and update parameters such as bias. This trains the machine learning model 51T so that the predicted value approaches the degree of deterioration under certain operating and environmental conditions.
  • the update unit 52 calculates the cell resistance at the start of deterioration and the current After calculating the difference in cell resistance measurements, the Min value can be used to convert this to a degree of degradation of 1-5.
  • the update unit 52 can update the machine learning model 51T so that the error between the converted degree of deterioration and the predicted degree of deterioration becomes small.
  • the above process is repeated between each fuel cell system 10 and the data processor 50.
  • the data processing device 50 collects data on a plurality of fuel cells 30 placed in different environments, and uses them as training data to update the machine learning model 51T. can be done. Repeated updating using a large amount of training data optimizes the parameters used for predicting the degree of deterioration in the machine learning model 51T, increasing the prediction accuracy of the degree of deterioration.
  • FIG. 4 shows the process of predicting the degree of deterioration of the fuel cell 3 ⁇ in the data processing device 5 ⁇ .
  • Data on operating conditions, environmental conditions, and configuration, data on the fuel cell 30 at the start of deterioration, and time data at which each data was collected are transmitted. Since the flow of processing at this time is the same as steps S11 to S15 in FIG. 3, detailed description is omitted here.
  • the prediction section 51 acquires them (step S41).
  • the prediction unit 51 predicts and outputs the degree of deterioration of the fuel cell 30 for each data input by the machine learning model 51T (step S42).
  • the degree of deterioration output is the predicted value at the time of data collection.
  • the machine learning model 51T has been trained with data collected from fuel cell systems 10 that operate fuel cells 30 with various specifications under various environments. Therefore, the deterioration degree output from the prediction unit 51 reflects a more realistic deterioration tendency than the deterioration degree diagnosed by analyzing the fuel cell 30 alone, and can be said to be a deterioration degree with high prediction accuracy.
  • the control unit 54 generates notification data of the deterioration degree prediction result and transmits it to the fuel cell system 10 (step S43).
  • this notification data can be displayed by the user interface 14. This allows the user of the fuel cell system 10 side to monitor the state of deterioration of the fuel cell 30 . For example, users such as drivers of vehicles equipped with the fuel cell 30 and operating companies of the fuel cell system 10 can consider maintenance of the fuel cell 30.
  • the control unit 54 can also display the notification data by the user interface 57. Based on this notification, a user on the side of the data processing device 50, for example, a user such as a vehicle manufacturer or a dealer, can guide the maintenance of the fuel cell 30 to the driver at an appropriate timing.
  • the manufacturer of the fuel cell 3 ⁇ can also guide the user of the fuel cell system 1 ⁇ to maintenance of the fuel cell 30, and update the deterioration state of the fuel cell 3 ⁇ under various operating and environmental conditions. It can also be used as a reference for the development of a new fuel cell.
  • the diagnosis unit 53 compares the predicted value of the degree of deterioration with the reference value. If the difference between the reference value and the predicted value is less than the min value (step S44: NO), this process ends. If the predicted value is greater than the reference value by more than the min value (step S44: YES), it is assumed that the deterioration has progressed unexpectedly or that an unusual abnormality has occurred. Therefore, the diagnosis unit 53 generates notification data regarding maintenance, and the control unit 54 transmits this to the fuel cell system 10 (step S45). In the fuel cell system 10, this notification data can be displayed by the user interface 14.
  • the notification data related to maintenance may be data that notifies the necessity of maintenance, and may include, for example, a notification recommending maintenance, a notification of the possibility of an abnormality, and the like.
  • Such notification data allows the user of the fuel cell system 10 side to quickly grasp the abnormality of the fuel cell 30 .
  • a user such as a driver of a vehicle equipped with the fuel cell 30 or an operating company of the fuel cell system 10 can inspect or maintain the fuel cell 30.
  • the control unit 54 can also display the notification data through the user interface 57. Based on this notification, a user on the side of the data processing device 50, such as a vehicle manufacturer or a dealer, can guide the driver to inspect or maintain the fuel cell 30.
  • the manufacturer of the fuel cell 30 can guide the maintenance of the fuel cell 30 to the user on the fuel cell system 10 side, and it is also possible to analyze an abnormality that has occurred in the fuel cell 30.
  • the reference value may be a measured value.
  • the diagnostic unit 53 obtains the measured value of the cell resistance at the present time from the fuel cell system 1 ⁇ of the fuel cell 3 ⁇ whose degree of deterioration is predicted. get.
  • the diagnosis unit 53 can use the difference between the measured value of the cell resistance at the start of deterioration obtained previously and the current measured value as a reference value.
  • the reference value may be a degree of deterioration calculated by a computational model, such as a machine learning model different from the machine learning model 51T, a statistical model, or the like.
  • the diagnosis unit 53 has such a calculation model, predicts the degree of deterioration separately from the prediction unit 51, and can use this as a reference value.
  • the diagnosis unit 53 can train the reference value calculation model, for example, with data obtained from the fuel cell 30 for test operation.
  • the operating conditions of the fuel cell 30, each data of the environmental conditions, the fuel at the time of deterioration start Data about the battery 30 and the time these data were collected are transmitted.
  • the degree of deterioration predicted by the machine learning model 51T for the input of each transmitted data and the degree of deterioration calculated from each data, that is, the physical properties of the fuel cell 30 or power generation is updated so that the difference with the amount of change in performance becomes smaller.
  • the data collection system 1 can collect data as needed and train a machine learning model 51T. Real-time prediction is possible because the degree of deterioration in the current environment and operating conditions can be predicted.
  • the fuel cell 30 is of solid polymer type, but the present invention is not limited to this, and can be applied to other fuel cells such as solid oxide type fuel cells.
  • the degree of deterioration may be predicted by the data processing device 50 using the type of the fuel cell 30, such as solid polymer type, solid oxide type, or phosphoric acid type, as one of the input data.
  • the data processing device 50 may have a machine learning model 51T for each type of the fuel cell 30, and use the machine learning model 51T according to the type of the fuel cell 30. This makes it possible to predict the degree of deterioration that reflects the tendency of deterioration of each type of fuel cell 30 .
  • the prediction unit 51 predicts the deterioration degree at the present time, but the prediction unit 51 can predict the deterioration degree at any time. For example, by using time data at a certain future point in time as input data, the prediction unit 51 can predict the degree of deterioration at a future point in time. From the predicted degree of deterioration, the user can judge the possibility of a sudden voltage drop in the future, etc., and can plan the maintenance schedule.
  • the diagnosis unit 53 calculates the degree of deterioration at a future point in time using the calculation model, uses this as a reference value, and compares it with the predicted value of the degree of deterioration in the future. can be done. If the difference between the predicted value and the calculated degree of deterioration exceeds the Min value, the diagnostic unit 53 may generate maintenance-related notification data to prompt maintenance in preparation for future deterioration.
  • the current degree of deterioration is predicted using data such as the current operating conditions, environmental conditions, and the configuration of the fuel cell 30. These time-series data are used as input data.
  • a machine learning model 51T may predict the current degree of deterioration using As a machine learning model 51T for predicting from such time-series data, a recurrent neural network (RNN: Recurrent Neural Network), LSTNet, etc. can be used.
  • RNN Recurrent Neural Network
  • LSTNet recurrent Neural Network
  • RNN is a neural network consisting of an input layer, a hidden layer and an output layer.
  • R N N when each data x n obtained at a certain time T n is input to the input layer, the data x n is weighted by parameters and output from the input layer to the hidden layer, from the hidden layer to the output layer, and then to the output layer outputs the current degree of deterioration Y n.
  • the output h n from the hidden layer of R N N is returned to the input layer and used as one of the input data at the next time T n + !.
  • the degree of deterioration Y n + 1 at time T n + 1 is output with respect to the input of each data x n + 1 acquired at that time and the data h n from the hidden layer. Therefore, it is possible to predict the degree of deterioration reflecting the tendency of deterioration over time.
  • Convolution layer applies multiple convolution filters to multidimensional time series data to extract short-term features and relationships between variables.
  • multidimensional data which is a set of data acquired at time T n
  • time-series data such as multidimensional data, which is a set of data acquired at time T n + 1 are input to the convolution layer.
  • the predicted value of the degree of deterioration at the current time Tn+1 is output from the RR layer and the FCES* layer.
  • the machine learning model 51T may predict the degree of deterioration of the constituent members of the fuel cell 30 instead of the degree of deterioration of the fuel cell 30 as a whole.
  • the impedance value derived from the constituent members such as the electrolyte membrane and the catalyst layer may be used as the measured value of the degree of deterioration used for training the machine learning model 51T.
  • the machine learning model 51T outputs the degree of deterioration focused on each constituent member of the electrolyte membrane or catalyst layer, and the user can determine the degree of deterioration of these constituent members.
  • a recording medium recording a program for causing a computer to execute the method of the present invention may be provided.
  • the recording medium is not particularly limited as long as it is a computer-readable recording medium such as a CPU, and a semiconductor memory, a magnetic disk, an optical disk, or the like can be used.

Landscapes

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

Abstract

燃料電池の劣化の予測精度の向上データ処理装置(50)は、異なる環境下に置かれた複数の燃料電池(30)の運転条件及び環境条件のデータ、劣化開始時点における燃料電池(30)に関するデータ、及び各データが収集された時間のデータを取得する更新部(52)と、機械学習モデル(51T)により、取得した各データの入力に対して燃料電池(30)の劣化度を予測する予測部(51)と、を備える。更新部(52)は、運転条件のデータから燃料電池(30)の物性の変化量又は物性の変化に由来する発電性能の変化量を計算し、機械学習モデル(51T)により予測された劣化度と、計算された変化量との差が小さくなるように、機械学習モデル(51T)を更新する。

Description

【書類名】 明細書
【発明の名称】 データ処理装置、 データ収集システム及び方法
【技術分野】
【。 0 0 1 】 本発明は、 データ処理装置、 データ収集システム及び方法に関する。
【背景技術】
【。 0 0 2】 燃料ガスを化学反応させて発電する燃料電池は、 一般的に電解質膜がアノードとカソー ドによって挟まれた構造を有する。 なかでも、 固体高分子型の燃料電池では、 電解質膜と してパーフルオロスルホン酸等の高分子膜が用いられる。 一般に、 電極はカーボン粒子に より担持された白金等の触媒を含む。
【〇 0 0 3】 上記電解質膜に用いられる樹脂材料や触媒等が劣化すると、 燃料電池の発電性能が低下 する。 そのため、 燃料電池をテス ト運転し、 運転中の燃料電池の状態を診断することが行 われている (例えば、 特許文献 1参照) 。 また燃料電池の性能を予測して運転制御するこ とが行われている (例えば、 特許文献 2参照) 。
【先行技術文献】
【特許文献】
【〇 0 0 4】
【特許文献 1 】 特開 2 0 1 2 — 8 4 2 4 5号公報
【特許文献 2】 特開 2 0 1 9 — 5 2 1 4 9 1号公報
【発明の概要】
【発明が解決しよう とする課題】
【〇 0 0 5】 しかしながら、 現実の燃料電池は様々な環境下で使用され、 燃料電池の仕様もそれぞれ 異なっている。 実験用の燃料電池のテス ト運転により得られる実験的なデータだけでは、 燃料電池の劣化を正確に予測することは難しい。
【〇 0 0 6】 本発明は、 燃料電池の劣化の予測精度の向上を目的とする。
【課題を解決するための手段】
【〇 0 0 7】 本発明の一態様は、 燃料電池 ( 3 0 ) の劣化度を予測するデータ処理装置 ( 5 0 ) であ る。 前記データ処理装置 ( 5 0 ) は、 異なる環境下に置かれた複数の燃料電池 ( 3 0 ) の 運転条件及び環境条件のデータ、 劣化開始時点における前記燃料電池 ( 3 0 ) に関するデ ータ、 及び前記各データが収集された時間のデータを取得する更新部 ( 5 2 ) と、 機械学 習モデル ( 5 1 T) を備え、 前記機械学習モデル ( 5 1 T) により、 前記取得した各デー タの入力に対して前記燃料電池 ( 3 0 ) の劣化度を予測する予測部 ( 5 1 ) と、 を備える 。 前記更新部 ( 5 2 ) は、 前記運転条件のデータから前記燃料電池 ( 3 0 ) の物性の変化 量又は物性の変化に由来する発電性能の変化量を計算し、 前記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記変化量との差が小さくなるように、 前記機械学習モデル
( 5 1 T) を更新する。
【〇 0 0 8】 本発明の他の一態様は、 異なる環境下に置かれた複数の燃料電池 ( 3 0 ) のデータ収集 システム ( 1 ) である。 前記データ収集システム ( 1 ) は、 前記燃料電池 ( 3 0 ) をそれ ぞれ運転する複数の燃料電池システム ( 1 0 ) と、 前記燃料電池 ( 3 0 ) の劣化度を機械 学習モデル ( 5 1 T) により予測するデータ処理装置 ( 5 0 ) と、 を備える。 前記燃料電 池システム ( 1 0 ) は、 前記燃料電池 ( 3 0 ) の運転条件及び環境条件のデータ、 劣化開 始時点における前記燃料電池 ( 3 0 ) に関するデータ、 及び前記各データが収集された時 間のデータを前記データ処理装置 ( 5 0 ) に送信する。 前記データ処理装置 ( 5 0 ) は、 前記各燃料電池システム ( 1 0 ) から送信される前記各データを収集し、 前記収集した各 データの入力に対して前記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記運 転条件のデータから計算される前記燃料電池 ( 3 0 ) の物性の変化量又は物性の変化に由 来する発電性能の変化量との差が小さく なるように、 前記機械学習モデル ( 5 1 T) を訓 練する。
[ 0 0 0 9 ] 本発明の他の一態様は、 機械学習モデル ( 5 1 T) により燃料電池 ( 3 0 ) の劣化度を 予測する方法である。 前記方法は、 異なる環境下に置かれた複数の前記燃料電池 ( 3 0 ) の運転条件及び環境条件のデータ、 劣化開始時点における前記燃料電池 ( 3 0 ) に関する データ、 及び前記各データが収集された時間のデータを取得するステップと、 前記機械学 習モデル ( 5 1 T) に前記取得した各データを入力し、 当該入力に対して前記機械学習モ デル ( 5 1 T) により予測された劣化度と、 前記運転条件のデータから計算される前記燃 料電池 ( 3 0 ) の物性の変化量又は物性の変化に由来する発電性能の変化量との差が小さ くなるように、 前記機械学習モデル ( 5 1 T) を更新するステップと、 を含む。
[発明の効果]
[ 0 0 1 0 ] 本発明によれば、 燃料電池の劣化の予測精度を向上させることができる。
[図面の簡単な説明]
[ 0 0 1 1 ]
[図 1 ] 図 1は、 データ収集システムの構成を示す。
[図 2 ] 図 2は、 燃料電池と運転システムの構成を示す。
[図 3 ] 図 3は、 燃料電池のデータを収集するプロセスのフローチャートである。
[図 4 ] 図 4は、 燃料電池の劣化を予測するプロセスのフローチャートである。
[発明を実施するための形態]
[ 0 0 1 2 ] 以下、 本発明のデータ処理装置、 データ収集システム及び方法の一実施形態について、 図面を参照して説明する。 以下の説明は本発明の一例 (代表例) であり、 本発明はこれに 限定されない。
[ 0 0 1 3 ]
(データ収集システム) 図 1は、 本実施形態のデータ収集システム 1 の構成を示す。 データ収集システム 1は、 複数の燃料電池システム 1 〇及びデータ処理装置 5 〇を備え る。 データ収集システム 1では、 データ処理装置 5 0が、 各燃料電池システム 1 0が運転 する燃料電池 3 〇に関するデータを収集し、 収集したデータを用いて燃料電池 3 〇の劣化 度を機械学習により予測する。
[ 0 0 1 4 ]
(燃料電池システム) 燃料電池システム 1 0は、 燃料電池 3 0 とその運転システム 3 1 を備える。 燃料電池 3 〇は異なる環境下に置かれている。 異なる環境とは、 燃料電池 3 0の運転条件及び環境条 件のうち少なく とも 1つが異なることをいう。 例えば、 燃料電池 3 0は、 屋外に建設され た発電システムに組み込まれていてもよいし、 車両等の移動体に搭載されていてもよい。 また、 燃料電池 3 0は、 屋内に設置された実験用であってもよい。 燃料電池システム 1 0 は、 1つの燃料電池 3 0を備えてもよいし、 複数の燃料電池 3 0を備えてもよい。
[ 0 0 1 5 ] 燃料電池 3 0は、 燃料ガスの化学反応により発電する。 本実施形態において、 燃料電池 3 0は、 固体高分子型であり、 電解質膜の両側に電極及びセパレータがこの順に配置され た構造を有する。 この構造を有する 1つの単位をセルという。 燃料電池 3 0は、 セル単体 であってもよいし、 複数のセルを組み合わせたスタックであってもよい。 燃料電池システ ム 1 〇が複数の燃料電池 3 〇を備える場合、 各燃料電池 3 〇が別体のスタックであっても よいし、 1つがセル、 もう 1つがスタック等であってもよい。
[ 0 0 1 6 ]
Figure imgf000005_0001
る各種データを取得することができる。 制御部 1 1の処理は、 例えば C P U (Central Processing Unit) 等のプロセッサ又はマイクロコンピュータ等により、 プログラムを読 み取って実行することによ り、 実現することができる。
[ 0 0 2 3 ] 記憶部 1 2は、 制御部 1 1が読み取り可能なプログラム、 及び当該プログラムの実行に 必要なテーブル、 地図等のデータを記憶する。 記憶部 1 2 と しては、 例えばハードディス ク、 R OM (Read Only Memory)、 R AM (Random Access Memory) 等の記録媒体を用い ることができる。
[ 0 0 2 4 ] 記憶部 1 2は、 燃料電池 3 0の構成のデータを記憶する。 構成のデータは、 燃料電池 3 〇の基本的な仕様に関するデータである。 また記憶部 1 2は、 劣化開始時点の燃料電池 3 〇に関するデータを記憶する。
[ 0 0 2 5 ]
Figure imgf000006_0001
位置検出部 1 6は、 G P S ( Global Pos i t i oning System) 衛星との通信により、 燃料 電池 3 0の位置、 例えば緯度及び経度を検出する。 この位置を地図と照合することにより 、 燃料電池 3 〇が置かれた環境の高度を計算することができる。
[ 0 0 3 0 ]
(データ処理装置) データ処理装置 5 〇は、 予測部 5 1、 更新部 5 2、 診断部 5 3、 制御部 5 4、 記憶部 5 5 、 通信部 5 6及びユーザインターフェイス 5 7を備える。
[ 0 0 3 1 ] 予測部 5 1は、 燃料電池 3 0の劣化度を機械学習により予測する。 劣化とは、 発電性能 を低下させる不可逆的な物性の変化をいう。 不可逆的な物性の変化は、 例えば燃料電池 3 〇の電解質膜の変質、 カーボンの腐食、 白金触媒の酸化又は粗大化等によって生じる。
[ 0 0 3 2 ] 予測部 5 1は、 予測のために機械学習モデル 5 1 Tを備える。 機械学習モデル 5 1 Tは 、 燃料電池 3 〇の運転条件及び環境条件等のデータの入力に対して予測される劣化度を出 カする。 本実施形態において、 機械学習モデル 5 1 Tはニューラルネッ トワークであるが 、 機械学習のアルゴリズムはこれに限定されず、 サポートベクターマシン、 ランダムフォ レス ト等の他のアルゴリズムであってもよい。
[ 0 0 3 3 ] 更新部 5 2は、 通信部 5 6を介して各燃料電池システム 1 〇から燃料電池 3 〇に関する データを取得する。 更新部 5 2は、 取得したデータを用いて、 機械学習モデル 5 1 Tのニ ューラルネッ トワークに設定されたパラメータを更新し、 機械学習モデル 5 1 Tを訓練す る。
[ 0 0 3 4 ] 診断部 5 3は、 予測部 5 1 により予測された劣化度を参照値と比較し、 その比較結果に 応じて燃料電池 3 0のメンテナンスに関する通知データを生成する。
[ 0 0 3 5 ] 制御部 5 4は、 データ処理装置 5 0の各部を制御する。 例えば、 制御部 5 4は、 予測部 5 1 により燃料電池 3 0の劣化度を予測させ、 予測結果の通知データを生成する。 制御部 5 4は、 予測結果又はメンテナンスに関する通知データを、 ユーザインターフェイス 5 7 により表示させるか、 通信部 5 6により燃料電池システム 1 〇へ送信させることができる 〇 [ 0 0 3 6 ] 上記予測部 5 1、 更新部 5 2、 診断部 5 3及び制御部 5 4の処理は、 C P U、 マイクロ コンピュータ等のコンピュータにより、 プログラムを読み取って実行することによ り実現 することができる。 特に、 予測部 5 1 には、 G P U ( Graphi cs Process ing Uni t)、 又は ニューラルネッ トワーク用に最適化されたコンピュータ等を好ましく使用できる。
[ 0 0 3 7 ] 記憶部 5 5は、 コンピュータが読み取り可能なプログラム、 及び当該プログラムの実行 に必要なテーブル等のデータを記憶する。 例えば、 記憶部 5 5は、 各燃料電池システム 1 〇から取得した、 各燃料電池 3 0に関するデータのデータベースを記憶する。 記憶部 5 5 と しては、 例えばハードディスク、 R O M、 R A M等の記録媒体を用いることができる。
[ 0 0 3 8 ] 通信部 5 6は、 ネッ トワークカード ( N I C ) 等により構成され、 ネッ トワークを介し て各燃料電池システム 1 〇 と通信する。
[ 0 0 3 9 ] ユーザインターフェイス 5 7は、 キーボー ド、 マウス、 ディスプレイ等を含む。 ユーザ インターフェイス 5 7は、 キーボー ド等によりユーザからの操作指示を受け付けて制御部 5 4に出力し、 制御部 5 4からの指示に応じて操作画面等をディスプレイに表示すること ができる。
[ 0 0 4 0 ] 図 3は、 データ収集システム 1 において燃料電池 3 〇のデータを収集するプロセスを示 す。 データの収集は、 定期的に行われてもよいし、 ユーザからの求めに応じて行われても よい。
[ 0 0 4 1 ] 各燃料電池システム 1 〇では、 制御部 1 1が燃料電池 3 〇の運転条件のデータを運転シ ステム 3 1から取得する (ステップ S 1 1 )〇 また制御部 1 1は、 センサ 1 5及び位置検 出部 1 6から燃料電池 3 〇の環境条件のデータを取得する (ステップ S 1 2 ) 。
[ 0 0 4 2 ] 運転条件のデータと しては、 例えば燃料電池 3 〇の状態又は発電性能に関するデータが 挙げられる。 燃料電池 3 0の状態に関するデータは、 例えば燃料電池 3 0への燃料ガスの 供給量、 燃料電池 3 0内の温度、 湿度又は圧力等のデータである。 発電性能のデータは、 例えば発電時に運転システム 3 1 により測定された電流、 電圧又はインピーダンス等であ る。
[ 0 0 4 3 ] 運転条件の変化は燃料電池 3 0の発電性能に影響を与える。 例えば、 燃料ガスの供給量 又は圧力が大きい場合、 求められる発電量が大きいことが推測される。 求められる発電量 が大きい場合、 発電反応に伴う発熱も大きく、 燃料電池 3 0内の温度を上昇させ得る。 こ の温度の上昇によって構成材料の劣化を促進する場合がある。
[ 0 0 4 4 ] 固体高分子型の燃料電池 3 〇では、 求められる発電量の変化、 つま り負荷変動は白金触 媒粒子の凝集等を生じさせやすいことが知られており、 触媒の劣化が進みやすい。 燃料電 池 3 0の起動又は停止時に触媒の担体であるカーボンが腐食する現象が知られており、 起 動停止を伴う運転条件は、 劣化を判断する指標となり得る。
[ 0 0 4 5 ] また、 燃料電池 3 0は、 高温になるほど電解質膜の樹脂構造が変化して電解質膜の劣化 が加速し、 イオン伝導性が低下する傾向がある。 温度変化が激しい場合は電解質膜が膨潤 と収縮を繰り返すことにより、 膜の劣化が生じたり、 電解質膜から触媒層が剥離したり し て、 燃料電池 3 0が物理的に劣化しやすい。 また、 低湿度下の電解質膜は乾燥状態となっ てイオン伝導性が低下する傾向がある。 乾燥によって電解質膜及び触媒層に亀裂が生じる 等の劣化も生じやすくなる。 このように、 燃料電池 3 0の状態に関するデータは、 燃料電 池 3 0の劣化度を予測する指標となり得る。 [ 0 0 4 6 ] 電解質膜の劣化又はカーボンの腐食等は、 燃料電池 3 〇の発電性能の低下を招くため、 発電性能に関するデータからどのぐらい劣化したのかを予測することができる。 例えば、 燃料電池 3 0は触媒の劣化により、 同じ電流下でも出力電圧が低下する傾向がある。 また 、 電解質膜の変質等により、 インピーダンスが変化する傾向がある。 よって、 定格電流点 における出力電圧の低下及びインピーダンスの変化は、 燃料電池 3 〇の劣化度を予測する 指標となり得る。
[ 0 0 4 7 ] なかでも、 運転条件は、 燃料電池 3 0の温度、 湿度、 発電時の電流及び電圧の少なく と も 1つのデータを含むことが好ましい。 これらは燃料電池 3 〇の劣化と大きく関係するこ とから、 劣化度の予測精度が高まりやすい。 特に固体高分子型の電解質膜は乾燥によって 劣化しやすくなるため、 温度及び湿度の条件は劣化度を予測するための重要な要素となり 得る。
[ 0 0 4 8 ] 環境条件のデータと しては、 例えば燃料電池 3 0が置かれた環境の温度、 湿度、 大気圧 、 位置、 高度、 又は硫化水素ガス濃度等のデータが挙げられる。 なお、 高度は、 高度検出 用のセンサによって検出することもできるが、 制御部 1 1が、 位置検出部 1 6によ り検出 された位置のデータを記憶部 1 2に記憶された地図のデータと照合することによ り、 取得 することもできる。
[ 0 0 4 9 ] 環境の温度、 湿度、 又は大気圧等は、 燃料電池 3 0の温度、 湿度、 燃料ガスと して供給 される空気中の酸素ガス濃度等に影響する。 屋内に設置される燃料電池 3 〇に比べて屋外 の移動体に搭載される燃料電池 3 0は特に影響が大きい。 例えば、 夏場の高温下や冬場の 低温下ではその間の温度下にある秋冬と比較して燃料電池 3 〇への負荷が大きく、 劣化し やすい。
[ 0 0 5 0 ] 燃料電池 3 0の位置は、 環境の温度、 高度等を推定する要素となり得る。 高度は、 環境 の温度、 湿度、 大気圧等に影響する。 燃料電池 3 0が移動体に搭載される場合は、 高度の 変動が多いと求められる発電量の変動が大きく、 燃料電池 3 〇の負荷変動も大きくなるた め、 劣化が進みやすくなる。 また硫化ガス濃度が高いほど、 白金の被毒が進み触媒作用が 低下する。
[ 0 0 5 1 ] なかでも、 環境条件は、 環境の温度及び硫化水素ガス濃度の少なく とも 1つ以上のデー タを含むことが好ましい。 これらは燃料電池 3 0の劣化に及ぼす影響が大きいことから、 劣化度の予測精度が高まりやすい。
[ 0 0 5 2 ] 次に、 制御部 1 1は、 燃料電池 3 0の構成のデータを記憶部 1 2から取得する (ステッ プ S 1 3 ) 。 燃料電池 3 0の構成のデータと しては、 例えば燃料電池 3 0の電解質膜に用 いたポリマーの種類、 電解質膜中の添加剤の種類、 触媒と して使用する白金の量等のデー タが挙げられる。
[ 0 0 5 3 ] 電解質膜の劣化傾向は、 電解質膜に用いたポリマーや添加剤等によって異なることがあ る。 また継続使用により 白金粒子同士が結合して表面積が小さくなり、 触媒作用が低下し やすいが、 もともとの白金の担持量によって低下度合いが変わってく る。 よって、 構成の データも収集できれば、 燃料電池 3 〇の劣化度をより予測しやすくなる。
[ 0 0 5 4 ] 次に、 制御部 1 1は、 劣化開始時点における燃料電池 3 0に関するデータを記憶部 1 2 から取得する (ステップ S 1 4 ) 〇 このデータにより、 運転条件又は環境条件による一時 的な性能の低下ではなく、 劣化開始時点からの経過時間に対する不可逆的な劣化度を予測 することができる。 [ 0 0 5 5 ] 劣化開始時点の燃料電池 3 0に関するデータは、 劣化開始時点の時間データ、 劣化開始 時点における燃料電池 3 〇の物性又は発電性能のデータ等を含む。 劣化開始時点の時間デ ータは、 例えば燃料電池 3 0の製造年月 日、 運転開始日等の劣化が開始する時間に関する データである。 物性のデータは、 例えば劣化開始時点における電解質膜のインピーダンス (セル抵抗) 等の測定値のデータである。 発電性能のデータは、 例えば定格電流、 定格電 流における出力電圧等の測定値のデータである。
[ 0 0 5 6 ] 制御部 1 1は、 取得した各データに、 各データが収集された時間を表すデータと して現 時点の時間データを関連付けて、 通信部 1 3を介してデータ処理装置 5 0に送信する (ス テップ S 1 5 ) 。
[ 0 0 5 7 ] データ処理装置 5 0では、 各燃料電池システム 1 0から送信された各データを通信部 5 6 が受信すると、 当該各データを更新部 5 2が取得する (ステップ S 2 1 ) 〇 更新部 5 2 は、 取得した各データを用いて、 機械学習モデル 5 1 Tを訓練する (ステップ S 2 2 ) 。
[ 0 0 5 8 ] 具体的には、 更新部 5 2は、 取得した運転条件、 環境条件、 燃料電池 3 0の構成の各デ ータ、 これら各データが収集された時間のデータ及び劣化開始時点における燃料電池 3 〇 に関するデータを機械学習モデル 5 1 Tに入力する。 機械学習モデル 5 1 Tは、 これらデ ータを特徴量と して入力し、 予測された劣化度を出力する。
[ 0 0 5 9 ] 機械学習モデル 5 1 Tは、 分類モデルであってもよいし、 回帰モデルであってもよい。 予測される劣化度は、 当該劣化度から燃料電池 3 〇がどの程度の劣化の状態にあるのかを 判定することができるのであれば、 物性の変化量又は物性の変化に由来する発電性能の変 化量のよ うな連続値であってもよいし、 これらの変化を段階的に評価する離散値であって もよい。 劣化度と して離散値を予測する場合は分類モデル、 連続値を予測する場合は回帰 モデルを使用することができる。
[ 0 0 6 0 ] 例えば、 劣化度と しては、 上記セル抵抗の変化量を 5段階でレベル評価した 1〜 5の離 散値が予測されてもよい。 また、 発電性能の変化量が許容範囲内にあって劣化が小さい正 常クラスか、 発電性能の変化量が許容範囲を超えて劣化が大きい異常クラスかに分類する ことにより、 正常か異常かを示す 2値が予測されてもよい。
[ 0 0 6 1 ] この場合、 予測部 5 1は、 分類モデルによって劣化が小さい正常クラスか、 劣化が大き い異常クラスかに分類し、 正常な場合は〇の予測値を出力し、 異常な場合は 1の予測値を 出力することができる。 あるいは、 予測部 5 1は、 分類モデルによって正常である確率を 表す〇〜 1の連続値と、 異常である確率を表す〇〜 1の連続値とをそれぞれ出力すること もできる。
[ 0 0 6 2 ] また、 劣化度と して、 電解質膜の劣化に由来するセル抵抗の変化量が予測されてもよい 。 発電性能の低下は不可逆的な物性の変化に起因するため、 劣化度と しては、 定格電流に おける出力電圧の変化量等のように、 不可逆的な物性の変化に伴って生じる発電性能の変 化量が予測されてもよい。 これらの場合、 劣化度は連続値と して出力される。
[ 0 0 6 3 ] 予測部 5 1は、 劣化度が出力電圧の変化量等の連続値である場合、 これを回帰モデルに よって予測することができる。 予測部 5 1 は、 連続値と して予測された出力電圧の変化量 を〇〜 1 に正規化し、 正規化値が〇以上〇 • 5未満であれば、 劣化度と して正常 (劣化が 許容範囲内) を示す〇の予測値を出力し、 〇 . 5以上 1 . 〇以下であれば異常 (劣化が許 容範囲外) を示す 1の予測値を出力するようにしてもよい。
[ 0 0 6 4 ] 一方、 更新部 5 2は、 劣化開始時点の燃料電池 3 0に関するデータから、 劣化開始時点 における燃料電池 3 〇の物性又は発電性能の測定値のデータを取得する。 また更新部 5 2 は、 運転条件のデータから、 現時点における燃料電池 3 0の物性又は発電性能の測定値の データを取得する。 更新部 5 2は、 劣化開始時点から現時点までの物性の測定値の変化量 又発電性能の測定値の変化量を計算する。
[ 0 0 6 5 ] 例えば、 セル抵抗の変化量が劣化度と して予測される場合、 更新部 5 2は、 劣化開始時 点のセル抵抗と現時点のセル抵抗の測定値の差を計算する。 計算された測定値の差は劣化 度の実測値といえる。 この劣化度の実測値と機械学習モデル 5 1 Tの予測値との誤差が小 さくなるように、 更新部 5 2は、 ニューラルネッ トワークである機械学習モデル 5 1 Tに おいて設定される重みやバイアス等のパラメータを更新する。 これにより、 ある運転条件 及び環境条件下での劣化度に予測値が近づく ように、 機械学習モデル 5 1 Tが訓練される 〇
[ 0 0 6 6 ] なお、 セル抵抗の変化量が 5段階でレベル評価された 1〜 5の数値と して予測される場 合、 更新部 5 2は、 劣化開始時点のセル抵抗と現時点のセル抵抗の測定値の差を計算した 後、 閩値を用いてこれを 1〜 5の劣化度に換算すればよい。 更新部 5 2は、 換算後の劣化 度と予測された劣化度との誤差が小さくなるよ うに機械学習モデル 5 1 Tを更新すること ができる。
[ 0 0 6 7 ] 以上のプロセスが各燃料電池システム 1 〇 とデータ処理装置 5 〇 との間で繰り返される 。 これにより、 データ処理装置 5 0は、 異なる環境に置かれた複数の燃料電池 3 0に関す るデータを収集し、 これらを訓練データと して用いて機械学習モデル 5 1 Tを更新するこ とができる。 多くの訓練データを用いて更新を繰り返すと、 機械学習モデル 5 1 Tにおい て劣化度の予測に用いられるパラメータが最適化され、 当該劣化度の予測精度が高まって いく。
[ 0 0 6 8 ] 図 4は、 データ処理装置 5 〇において燃料電池 3 〇の劣化度を予測するプロセスを示す 燃料電池システム 1 〇からデータ処理装置 5 0へ、 予測対象の燃料電池 3 〇の運転条件 、 環境条件、 構成の各データ、 劣化開始時点における燃料電池 3 0に関するデータ及び各 データが収集された時間データが送信される。 このときの処理の流れは、 図 3のステップ S 1 1〜 S 1 5 と同じであるので、 ここでは詳細な説明を省略する。
[ 0 0 6 9 ] データ処理装置 5 〇では、 通信部 5 6が燃料電池システム 1 〇から各データを受信する と、 予測部 5 1がこれらを取得する (ステップ S 4 1 ) 。 予測部 5 1は、 機械学習モデル 5 1 Tにより各データの入力に対して、 燃料電池 3 〇の劣化度を予測して出力する (ステ ップ S 4 2 ) 。 出力された劣化度は、 現時点、 つまりデータ収集時の予測値である。
[ 0 0 7 0 ] 機械学習モデル 5 1 Tは、 様々な仕様を有する燃料電池 3 0を、 様々な環境下で運転す る燃料電池システム 1 〇から収集したデータにより訓練済みである。 よって、 予測部 5 1 から出力される劣化度は、 燃料電池 3 〇単体を分析して診断される劣化度より も現実的な 劣化傾向を反映しており、 予測精度の高い劣化度といえる。
[ 0 0 7 1 ] 制御部 5 4は、 劣化度の予測結果の通知データを生成し、 燃料電池システム 1 〇に送信 する (ステップ S 4 3 ) 。 燃料電池システム 1 0では、 この通知データをユーザインター フェイス 1 4により表示させることができる。 これにより、 燃料電池システム 1 0側のユ ーザは、 燃料電池 3 0の劣化状態をモニターすることができる。 例えば燃料電池 3 0が搭 載された車両の ドライバー、 燃料電池システム 1 0の運営会社等のユーザは、 燃料電池 3 〇のメンテナンスを検討することができる。 [ 0 0 7 2 ] なお制御部 5 4は通知データを、 ユーザインターフェイス 5 7により表示させることも できる。 この通知に基づいて、 データ処理装置 5 0側のユーザ、 例えば車両のメーカーや ディーラー等のユーザは、 適切なタイ ミ ングで燃料電池 3 〇のメンテナンスを ドライバー に案内することが可能である。 燃料電池 3 〇のメーカーは、 燃料電池システム 1 〇側のユ ーザに燃料電池 3 0のメンテナンスを案内することもできるし、 様々な運転条件及び環境 条件における燃料電池 3 〇の劣化状態を新たな燃料電池 3 〇の開発の参考にすることもで きる。
[ 0 0 7 3 ] 一方、 診断部 5 3は、 劣化度の予測値を参照値と比較する。 参照値と予測値の差が閩値 未満の場合 (ステップ S 4 4 : N O ) 、 本処理が終了する。 参照値より も予測値が閩値以 上に大きい場合 (ステップ S 4 4 : Y E S ) 、 劣化が予想外に進んでいるか、 通常とは異 なる異常が発生していることが想定される。 よって、 診断部 5 3は、 メンテナンスに関す る通知データを生成し、 制御部 5 4は、 これを燃料電池システム 1 0に送信する (ステッ プ S 4 5 ) 。 燃料電池システム 1 0では、 この通知データをユーザインターフェイス 1 4 により表示させることができる。
[ 0 0 7 4 ] メンテナンスに関する通知データは、 メンテナンスの必要性を通知するデータであれば よく、 例えばメンテナンスを推奨する通知、 異常の可能性の通知等を含むことができる。 このような通知データによ り、 燃料電池システム 1 0側のユーザは、 燃料電池 3 0の異常 を早期に把握することができる。 例えば燃料電池 3 0が搭載された車両の ドライバー、 燃 料電池システム 1 〇の運営会社等のユーザは、 燃料電池 3 〇の点検又はメンテナンスを実 施することができる。 なお制御部 5 4は通知データを、 ユーザインターフェイス 5 7によ り表示させることもできる。 この通知に基づいて、 データ処理装置 5 0側のユーザ、 例え ば車両のメーカーやディーラー等のユーザは、 燃料電池 3 〇の点検又はメンテナンスを ド ライバーに案内することが可能である。 燃料電池 3 0のメーカーは燃料電池システム 1 〇 側のユーザに燃料電池 3 〇のメンテナンスを案内することもできるし、 燃料電池 3 〇に生 じた異常の解析等も可能である。
[ 0 0 7 5 ] 参照値は、 実測値であってもよい。 例えば、 劣化度と してセル抵抗の変化量が予測され た場合、 診断部 5 3は、 劣化度が予測された燃料電池 3 〇の燃料電池システム 1 〇から、 現時点におけるセル抵抗の測定値を取得する。 診断部 5 3は、 先に取得した劣化開始時点 におけるセル抵抗の測定値と現時点の測定値との差を参照値と して用いることができる。
[ 0 0 7 6 ] 参照値は、 計算モデル、 例えば機械学習モデル 5 1 Tとは異なる機械学習モデルや統計 モデル等によって計算された劣化度であってもよい。 診断部 5 3は、 このような計算モデ ルを備えて、 予測部 5 1 とは別に劣化度を予測し、 これを参照値と して用いることができ る。 診断部 5 3は、 参照値の計算モデルを、 例えばテス ト運転用の燃料電池 3 0から取得 したデータにより訓練することができる。
[ 0 0 7 7 ] 以上のように、 本実施形態によれば、 燃料電池システム 1 〇からデータ処理装置 5 0へ 、 燃料電池 3 0の運転条件、 環境条件の各データ、 劣化開始時点における燃料電池 3 0に 関するデータ及びこれらデータが収集された時間のデータが送信される。 データ処理装置 5 〇では、 送信された各データの入力に対して機械学習モデル 5 1 Tにより予測された劣 化度と、 各データから計算される劣化度、 つまり燃料電池 3 0の物性又は発電性能の変化 量との差が小さくなるよ うに、 機械学習モデル 5 1 Tが更新される。
[ 0 0 7 8 ] 上記データ収集システム 1 によれば、 実験用の燃料電池 3 0ではなく、 様々な環境下で 異なる運転履歴を有する複数の燃料電池 3 〇のデータを収集することができる。 大規模な データセッ トを使用して劣化度を予測するよう、 機械学習モデル 5 1 Tを訓練することが できる。 現実的な劣化を予測することが可能となり、 劣化度の予測精度が向上する。
[ 0 0 7 9 ] データ収集システム 1では、 必要に応じてデータを収集し、 機械学習モデル 5 1 Tを訓 練することができる。 現在の環境及び運転状況における劣化度を予測することができるた め、 リアルタイムな予測が可能である。
[ 0 0 8 0 ] 以上、 本発明の好ましい実施形態について説明したが、 本発明は、 これらの実施形態に 限定されず、 本発明の範囲内で種々の変形が可能である。
[ 0 0 8 1 ]
(変形例 1 ) 上記実施形態では燃料電池 3 0は固体高分子型であったが、 これに限定されず、 固体酸 化物型等の他の燃料電池にも本発明を適用することができる。 固体高分子型、 固体酸化物 型、 又はリ ン酸型等の燃料電池 3 0の種類を入力データの 1つと して用いて、 データ処理 装置 5 0により劣化度を予測してもよい。 または、 データ処理装置 5 0が燃料電池 3 0の 種類ごとに機械学習モデル 5 1 Tを備え、 燃料電池 3 〇の種類に応じた機械学習モデル 5 1 Tを使い分けてもよい。 これにより、 各種類の燃料電池 3 0の劣化傾向を反映した劣化 度を予測することができる。
[ 0 0 8 2 ]
(変形例 2 ) 上記実施形態では予測部 5 1 によって現時点の劣化度を予測したが、 予測部 5 1 は任意 の時点の劣化度を予測することができる。 例えば、 ある未来の時点の時間のデータを入力 データと して使用することにより、 予測部 5 1は、 未来の時点での劣化度を予測すること ができる。 予測された劣化度から、 ユーザは将来急激な電圧低下が生じる可能性等を判断 することができ、 メンテナンスのスケジュールを計画することができる。
[ 0 0 8 3 ] このとき、 診断部 5 3は、 計算モデルによって未来の時点の劣化度を計算し、 これを参 照値と して用いて、 未来の劣化度の予測値と比較することができる。 予測値と計算された 劣化度の差が閩値を超える場合、 診断部 5 3は、 メンテンナンスに関する通知データを生 成し、 将来の劣化に備えたメンテンナンスを促してもよい。
[ 0 0 8 4 ]
(変形例 3 ) 上記実施形態では、 現在の運転条件、 環境条件、 燃料電池 3 0の構成等のデータを用い て現在の劣化度が予測されるが、 これらの時系列データを入力データと して機械学習モデ ル 5 1 Tが現在の劣化度を予測してもよい。 このような時系列データから予測する機械学 習モデル 5 1 Tと しては、 再帰型ニューラルネッ トワーク ( R N N : Recurrent Neural Network) , L S T N e t等を用いることができる。
[ 0 0 8 5 ]
R N Nは、 入力層、 隠れ層及び出力層からなるニューラルネッ トワークである。 R N N では、 ある時間 T nに取得した各データ x nが入力層に入力されると、 データ x nがパラ メータにより重み付けられながら、 入力層から隠れ層、 隠れ層から出力層へと出力され、 出力層からは現在の劣化度 Y nが出力される。 このとき、 R N Nの隠れ層からの出力 h n は入力層へ戻され、 次の時間 T n + ! における入力データの 1つと して使用される。 次の 時間 T n + 1 においてはその時点に取得した各データ x n + 1 と隠れ層からのデータ h n との入力に対して時間 T n + 1 における劣化度 Y n + 1が出力される。 よって、 時間的な 劣化傾向を反映した劣化度の予測が可能である。
[ 0 0 8 6 ]
L S T n e tの場合は、 Convolut i on層、 R R ( Re current and Re current-skip) 層及 び F C E S〇 ( Ful ly Connected and El ement-wi se Sum Output) 層を備える。 Convolut i on層は、 多次元時系列データに対し、 畳み込みフィルタを複数適用させること で短期間の特徴及び変数間の関係について抽出する。 つまり、 時間 T nに取得した各デー タの集合である多次元データと、 時間 T n + 1 に取得した各データの集合である多次元デ ータ等の時系列データが畳み込み層に入力することによ り、 R R層及び F C E S〇層から 、 現在の時間 T n + 1 における劣化度の予測値が出力される。
[ 0 0 8 7 ]
(変形例 4 ) 機械学習モデル 5 1 Tは、 燃料電池 3 〇全体の劣化度ではなく、 燃料電池 3 〇の構成部 材の劣化度を予測してもよい。 具体的には、 機械学習モデル 5 1 Tの訓練に用いる劣化度 の実測値に電解質膜及び触媒層等の構成部材由来のインピーダンス値を用いればよい。 こ れにより、 機械学習モデル 5 1 Tからは、 電解質膜又は触媒層の各構成部材に注目 した劣 化度が出力され、 ユーザはこれら構成部材の劣化度合いを判定することができる。
[ 0 0 8 8 ] 本発明の方法をコンピュータに実行させるプログラムが記録された記録媒体が提供され てもよい。 記録媒体と しては、 C P U等のコンピュータが読み取り可能な記録媒体であれ ば特に限定されず、 半導体メモリ、 磁気ディスク、 又は光ディスク等を使用可能である。
【符号の説明]
[ 0 0 8 9 ]
1 • • ・ データ収集システム、 1 0 • • ・燃料電池システム、 ! 1 • • • 制御部、 1 5 •
• ・ センサ、 1 6 • • ・位置検出部、 5 0 • • ・ データ処理装置、 5 1 • • • 予測部、 5 1 T • • •機械学習モデル、 5 2 • • • 更新部、 5 3 • • • 診断部、 5 4 • • • 制御部

Claims

【書類名】 請求の範囲
【請求項 1】 燃料電池 ( 3 0 ) の劣化度を予測するデータ処理装置 ( 5 0 ) であって、 異なる環境下に置かれた複数の燃料電池 ( 3 0 ) の運転条件及び環境条件のデータ、 劣 化開始時点における前記燃料電池 ( 3 0 ) に関するデータ、 及び前記各データが収集され た時間のデータを取得する更新部 ( 5 2 ) と、 機械学習モデル ( 5 1 T) を備え、 前記機械学習モデル ( 5 1 T) により、 前記取得し た各データの入力に対して前記燃料電池 ( 3 0 ) の劣化度を予測する予測部 ( 5 1 ) と、 を備え、 前記更新部 ( 5 2 ) は、 前記運転条件のデータから前記燃料電池 ( 3 0 ) の物性の変化 量又は物性の変化に由来する発電性能の変化量を計算し、 前記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記変化量との差が小さくなるよ うに、 前記機械学習モデル
( 5 1 T) を更新する データ処理装置 ( 5 0 ) 。
【請求項 2】 前記更新部 ( 5 2 ) は、 前記燃料電池 ( 3 0 ) の構成のデータをさらに取得し、 前記運 転条件、 前記環境条件及び前記構成のデータと、 前記劣化開始時点における前記燃料電池 ( 3 0 ) に関するデータと、 前記各データが収集された時間のデータとの入力に対して、 前記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記変化量との差が小さくな るように、 前記機械学習モデル ( 5 1 T) を更新する 請求項 1 に記載のデータ処理装置 ( 5 0 ) 。
【請求項 3 ] 前記予測部 ( 5 1 ) は、 前記機械学習モデル ( 5 1 ) により未来の時点の劣化度を予測 する 請求項 1又は 2に記載のデータ処理装置 ( 5 0 ) 。
【請求項 4】 前記劣化度の参照値を計算する診断部 ( 5 3 ) を備え、 前記診断部 ( 5 3 ) は、 前記機械学習モデル ( 5 1 T) によ り予測された前記劣化度と 前記参照値との差が閩値を超える場合、 前記燃料電池 ( 3 0 ) のメンテナンスに関する通 知データを生成する 請求項 1〜 3のいずれか一項に記載のデータ処理装置 ( 5 0 ) 。
【請求項 5 ] 前記運転条件は、 前記燃料電池 ( 3 0 ) の温度、 湿度、 発電時の電流及び電圧の少なく とも 1つ以上を含む 請求項 1〜 4のいずれか一項に記載のデータ処理装置 ( 5 0 ) 。
【請求項 6】 前記環境条件は、 前記燃料電池 ( 3 0 ) が置かれた環境の温度及び硫化水素ガス濃度の 少なく とも 1つ以上を含む 請求項 1〜 5のいずれか一項に記載のデータ処理装置 ( 5 0 ) 。
【請求項 ? ] 異なる環境下に置かれた複数の燃料電池 ( 3 0 ) のデータ収集システム ( 1 ) であって 前記燃料電池 ( 3 0 ) をそれぞれ運転する複数の燃料電池システム ( 1 0 ) と、 前記燃料電池 ( 3 0 ) の劣化度を機械学習モデル ( 5 1 T) により予測するデータ処理 装置 ( 5 0 ) と、 を備え、 前記燃料電池システム ( 1 0 ) は、 前記燃料電池 ( 3 0 ) の運転条件及び環境条件のデ ータ、 劣化開始時点における前記燃料電池 ( 3 0 ) に関するデータ、 及び前記各データが 収集された時間のデータを前記データ処理装置 ( 5 0 ) に送信し、 前記データ処理装置 ( 5 0 ) は、 前記各燃料電池システム ( 1 0 ) から送信される前記 各データを収集し、 前記収集した各データの入力に対して前記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記運転条件のデータから計算される前記燃料電池 ( 3 0 ) の物性の変化量又は物性の変化に由来する発電性能の変化量との差が小さくなるよ うに、 前記機械学習モデル ( 5 1 T) を訓練する データ収集システム ( 1 ) 〇
【請求項 8 ] 機械学習モデル ( 5 1 T) によ り燃料電池 ( 3 0 ) の劣化度を予測する方法であって、 異なる環境下に置かれた複数の前記燃料電池 ( 3 0 ) の運転条件及び環境条件のデータ 、 劣化開始時点における前記燃料電池 ( 3 0 ) に関するデータ、 及び前記各データが収集 された時間のデータを取得するステップと、 前記機械学習モデル ( 5 1 T) に前記取得した各データを入力し、 当該入力に対して前 記機械学習モデル ( 5 1 T) により予測された劣化度と、 前記運転条件のデータから計算 される前記燃料電池 ( 3 0 ) の物性の変化量又は物性の変化に由来する発電性能の変化量 との差が小さくなるように、 前記機械学習モデル ( 5 1 T) を更新するステップと、 を含 む 方法。
PCT/IB2022/060363 2021-12-28 2022-10-28 データ処理装置、データ収集システム及び方法 WO2023126704A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021213575 2021-12-28
JP2021-213575 2021-12-28

Publications (1)

Publication Number Publication Date
WO2023126704A1 true WO2023126704A1 (ja) 2023-07-06

Family

ID=84361453

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/IB2022/060363 WO2023126704A1 (ja) 2021-12-28 2022-10-28 データ処理装置、データ収集システム及び方法

Country Status (1)

Country Link
WO (1) WO2023126704A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024008495A1 (de) * 2022-07-04 2024-01-11 Robert Bosch Gmbh VERFAHREN ZUR ERMITTLUNG ZUMINDEST EINER ZELLENKENNGRÖßE EINES ZELLENSYSTEMS, EIN ZELLENSYSTEM UND EIN COMPUTERPROGRAMM

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3486987A2 (en) * 2016-09-26 2019-05-22 LG Chem, Ltd. Artificially intelligent fuel cell system
KR102169047B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3486987A2 (en) * 2016-09-26 2019-05-22 LG Chem, Ltd. Artificially intelligent fuel cell system
KR102169047B1 (ko) * 2020-07-14 2020-10-22 지엘홀딩스 주식회사 딥러닝 기능이 탑재된 연료 전지 제어 시스템 및 이를 이용한 제어 방법
KR102190845B1 (ko) * 2020-08-21 2020-12-14 주식회사 아이씨티솔루션스 Ai기반 건물 전력부하 예측을 통한 연료전지 발전시스템 운전제어방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024008495A1 (de) * 2022-07-04 2024-01-11 Robert Bosch Gmbh VERFAHREN ZUR ERMITTLUNG ZUMINDEST EINER ZELLENKENNGRÖßE EINES ZELLENSYSTEMS, EIN ZELLENSYSTEM UND EIN COMPUTERPROGRAMM

Similar Documents

Publication Publication Date Title
Pan et al. Performance degradation prediction of proton exchange membrane fuel cell using a hybrid prognostic approach
Liu et al. Prognostics methods and degradation indexes of proton exchange membrane fuel cells: A review
Rigamonti et al. Ensemble of optimized echo state networks for remaining useful life prediction
Jouin et al. Prognostics and Health Management of PEMFC–State of the art and remaining challenges
Mao et al. Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics
Mao et al. Investigation of PEMFC fault diagnosis with consideration of sensor reliability
Wu et al. Fault diagnosis and prognostic of solid oxide fuel cells
Zhou et al. RETRACTED: Online adaptive water management fault diagnosis of PEMFC based on orthogonal linear discriminant analysis and relevance vector machine
Pan et al. Health degradation assessment of proton exchange membrane fuel cell based on an analytical equivalent circuit model
Mao et al. Selection of optimal sensors for predicting performance of polymer electrolyte membrane fuel cell
Mao et al. Effectiveness of a novel sensor selection algorithm in PEM fuel cell on-line diagnosis
Wu et al. A hybrid prognostic model applied to SOFC prognostics
Zuo et al. Data-driven flooding fault diagnosis method for proton-exchange membrane fuel cells using deep learning technologies
Mao et al. Polymer electrolyte membrane fuel cell fault diagnosis and sensor abnormality identification using sensor selection method
Nagulapati et al. Machine learning based fault detection and state of health estimation of proton exchange membrane fuel cells
WO2023126704A1 (ja) データ処理装置、データ収集システム及び方法
KR102397652B1 (ko) 가변 주파수를 이용한 연료전지 고장 진단 시스템 및 이를 이용한 진단 방법
Aubry et al. Fuel cell diagnosis methods for embedded automotive applications
Kim et al. Pre-diagnosis of flooding and drying in proton exchange membrane fuel cells by bagging ensemble deep learning models using long short-term memory and convolutional neural networks
CN113547919A (zh) 一种燃料电池车远程故障监测方法及系统
Benouioua et al. Diagnostic of fuel cell air supply subsystems based on pressure signal records and statistical pattern recognition approach
CN115248382A (zh) 一种质子交换膜燃料电池控制方法
He et al. A quick evaluation method for the lifetime of the fuel cell MEA with the particle filter algorithm
Yuan et al. Fault diagnosis of fuel cells by a hybrid deep learning network fusing characteristic impedance
Allal et al. Efficient health indicators for the prediction of the remaining useful life of proton exchange membrane fuel cells

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22809908

Country of ref document: EP

Kind code of ref document: A1