DE102023204701B3 - Diagnostic method for determining a condition of a fuel cell system - Google Patents
Diagnostic method for determining a condition of a fuel cell system Download PDFInfo
- Publication number
- DE102023204701B3 DE102023204701B3 DE102023204701.2A DE102023204701A DE102023204701B3 DE 102023204701 B3 DE102023204701 B3 DE 102023204701B3 DE 102023204701 A DE102023204701 A DE 102023204701A DE 102023204701 B3 DE102023204701 B3 DE 102023204701B3
- Authority
- DE
- Germany
- Prior art keywords
- fuel cell
- cell system
- machine learner
- time
- point
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 96
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 29
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 88
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 44
- 239000007789 gas Substances 0.000 claims abstract description 39
- 230000035699 permeability Effects 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000010926 purge Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 11
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 6
- 239000001257 hydrogen Substances 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04223—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids during start-up or shut-down; Depolarisation or activation, e.g. purging; Means for short-circuiting defective fuel cells
- H01M8/04231—Purging of the reactants
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/0444—Concentration; Density
- H01M8/04447—Concentration; Density of anode reactants at the inlet or inside the fuel cell
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/0444—Concentration; Density
- H01M8/04462—Concentration; Density of anode exhausts
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
Die vorgestellte Erfindung betrifft ein Diagnoseverfahren (100) zum Bestimmen eines Zustands eines Brennstoffzellensystems (400), wobei das Diagnoseverfahren (100) umfasst:
- Trainieren (101) eines maschinellen Lerners zu einem ersten Zeitpunkt derart, dass dieser anhand von mindestens einer in einer Messleitung (411) eines Brennstoffzellensystems (400) gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in einem Anodensubsystem (403) des Brennstoffzellensystems (400) bestimmt,
- Erneutes Trainieren (103) des maschinellen Lerners, zu einem zweiten Zeitpunkt derart, dass dieser anhand von mindestens einer in der Messleitung (411) des Brennstoffzellensystems (400) gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in dem Anodensubsystem (403) des Brennstoffzellensystems (400) bestimmt,
- Bestimmen einer Stickstoffpermeabilität von Brennstoffzellen des Brennstoffzellensystems (400) anhand einer Änderung des maschinellen Lerners zwischen dem ersten Zeitpunkt und dem zweiten Zeitpunkt.
- training (101) a machine learner at a first point in time such that it determines at least one output gas concentration in an anode subsystem (403) of the fuel cell system (400) based on at least one input gas concentration measured in a measuring line (411) of a fuel cell system (400),
- Retraining (103) the machine learner at a second time such that it determines at least one output gas concentration in the anode subsystem (403) of the fuel cell system (400) based on at least one input gas concentration measured in the measuring line (411) of the fuel cell system (400),
- determining a nitrogen permeability of fuel cells of the fuel cell system (400) based on a change in the machine learner between the first time and the second time.
Description
Die vorgestellte Erfindung betrifft ein Diagnoseverfahren zum Bestimmen eines Zustands eines Brennstoffzellensystems, ein Brennstoffzellensystem und ein Programmprodukt gemäß den beigefügten Ansprüchen.The presented invention relates to a diagnostic method for determining a state of a fuel cell system, a fuel cell system and a program product according to the appended claims.
Stand der TechnikState of the art
Die Stickstoffpermeabilität, d. h., die Durchlässigkeit für Stickstoff, verändert sich bei Brennstoffzellen bzw. deren Membranen über die Zeit hinweg. Insbesondere zeigen ältere Brennstoffzellen eine höhere Stickstoffpermeabilität als jüngere bzw. neue Brennstoffzellen.Nitrogen permeability, i.e. the permeability to nitrogen, changes over time in fuel cells or their membranes. In particular, older fuel cells show a higher nitrogen permeability than younger or newer fuel cells.
Ist die Stickstoffpermeabilität einer Brennstoffzelle zu hoch, sind gründlichere, d. h., bspw. längere oder häufigere Purgevorgänge erforderlich. Dies führt zu einem erheblich höheren Wasserstoffverbrauch im Vergleich zu einem Neuzustand.If the nitrogen permeability of a fuel cell is too high, more thorough purging processes, i.e. longer or more frequent purging processes, are required. This leads to significantly higher hydrogen consumption compared to a new condition.
Die Stickstoffpermeabilität jeweiliger Brennstoffzellen zu beobachten ist daher vorteilhaft, um einen eventuell nötigen Austausch eines Brennstoffzellenstapels oder dessen Wartung zu planen.Observing the nitrogen permeability of individual fuel cells is therefore advantageous in order to plan a possible necessary replacement of a fuel cell stack or its maintenance.
Weiterhin können bei bekannter Stickstoffpermeabilität zustandsabhängige Maßnahmen getroffen werden, um die Membranen zu schützen und die Lebensdauereines jeweiligen Brennstoffzellenstapels zu maximieren.Furthermore, if the nitrogen permeability is known, condition-dependent measures can be taken to protect the membranes and maximize the lifetime of a particular fuel cell stack.
Ein Verfahren zur Bestimmung einer Stickstoffkonzentration in einem Anodensubsystem eines Brennstoffzellensystems ist aus der
Offenbarung der ErfindungDisclosure of the invention
Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Diagnoseverfahren beschrieben sind, gelten selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Brennstoffzellensystem bzw. dem erfindungsgemäßen Programmprodukt und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann.Features and details described in connection with the diagnostic method according to the invention naturally also apply in connection with the fuel cell system according to the invention or the program product according to the invention and vice versa, so that with regard to the disclosure of the individual aspects of the invention, reference is or can always be made to each other.
Die vorgestellte Erfindung dient insbesondere dazu eine Veränderung einer Stickstoffpermeabilität von Brennstoffzellen eines Brennstoffzellensystem zu bestimmen.The invention presented serves in particular to determine a change in nitrogen permeability of fuel cells of a fuel cell system.
Es wird somit gemäß einem ersten Aspekt der vorgestellten Erfindung ein Diagnoseverfahren zum Bestimmen eines Zustands eines Brennstoffzellensystems vorgestellt. Das Diagnoseverfahren umfasst das Trainieren eines maschinellen Lerners zu einem ersten Zeitpunkt derart, dass dieser anhand von mindestens einer in einer Messleitung eines Brennstoffzellensystems gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in einem Anodensubsystem des Brennstoffzellensystems bestimmt, das erneute Trainieren des maschinellen Lerners, zu einem zweiten Zeitpunkt derart, dass dieser anhand von mindestens einer in der Messleitung des Brennstoffzellensystems gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in dem Anodensubsystem des Brennstoffzellensystems bestimmt und das Bestimmen einer Stickstoffpermeabilität von Brennstoffzellen des Brennstoffzellensystems anhand einer Änderung des maschinellen Lerners zwischen dem ersten Zeitpunkt und dem zweiten Zeitpunkt.Thus, according to a first aspect of the invention presented, a diagnostic method for determining a state of a fuel cell system is presented. The diagnostic method comprises training a machine learner at a first point in time such that it determines at least one output gas concentration in an anode subsystem of the fuel cell system based on at least one input gas concentration measured in a measuring line of a fuel cell system, retraining the machine learner at a second point in time such that it determines at least one output gas concentration in the anode subsystem of the fuel cell system based on at least one input gas concentration measured in the measuring line of the fuel cell system, and determining a nitrogen permeability of fuel cells of the fuel cell system based on a change in the machine learner between the first point in time and the second point in time.
Unter einem maschinellen Lerner ist im Kontext der vorgestellten Erfindung ein mathematisches Modell zu verstehen, das einer gemessenen, d. h., einer mittels eines Sensors ermittelten Eingangskonzentration eine Ausgangskonzentration zuordnet, zu verstehen. Ein maschineller Lerner kann bspw. ein künstliches neuronales Netzwerk und/oder ein Gauß-Prozess Modell, insbesondere mit NARX-Struktur umfassen.In the context of the invention presented, a machine learner is understood to be a mathematical model that assigns an output concentration to a measured input concentration, i.e. an input concentration determined by a sensor. A machine learner can, for example, comprise an artificial neural network and/or a Gaussian process model, in particular with a NARX structure.
Insbesondere kann der maschinelle Lerner dazu verwendet werden, einen Purgeprozess zum Spülen des Brennstoffzellensystems einzustellen, d. h., Purgezeiten bzw. Purgeintervalle an eine jeweilig bestimmte Ausgangskonzentration anzupassen. Entsprechend kann durch den maschinellen Lerner ein „virtuelles Massenspektrometer“ bereitgestellt werden, das eine Gaskonzentration, insbesondere eine Stickstoffkonzentration und/oder eine Wasserstoffkonzentration im Anodensubsystem des Brennstoffzellensystems bestimmt.In particular, the machine learner can be used to set a purge process for purging the fuel cell system, i.e. to adapt purge times or purge intervals to a specific initial concentration. Accordingly, the machine learner can provide a "virtual mass spectrometer" that determines a gas concentration, in particular a nitrogen concentration and/or a hydrogen concentration in the anode subsystem of the fuel cell system.
Das vorgestellte Diagnoseverfahren basiert auf einem mehrfachen bzw. wiederholten Training des erfindungsgemäß vorgesehenen maschinellen Lerners. Dazu wird der maschinelle Lerner zu einem ersten Zeitpunkt, wie bspw. dem Auslieferungszeitpunkt trainiert und später, zu einem zweiten Zeitpunkt, bspw. bei einer Wartung bzw. Inspektion, erneut trainiert bzw. retrainiert.The diagnostic method presented is based on multiple or repeated training of the machine learner provided according to the invention. For this purpose, the machine learner is trained at a first point in time, such as the time of delivery, and later, at a second point in time, e.g. during maintenance or inspection, it is trained or retrained again.
Da sich die physikalischen Eigenschaften, insbesondere die Stickstoffpermeabilität von Brennstoffzellen des Brennstoffzellensystems über die Zeit ändern, führt das erneute Training zu dem zweiten Zeitpunkt zu einer Veränderung des maschinellen Lerners bzw. eines dem maschinellen Lerner zugrundeliegenden mathematischen Modells. Entsprechend ordnet der zu dem zweiten Zeitpunkt trainierte maschinelle Lerner bzw. zweite maschinelle Lerner jeweiligen Eingangsgaskonzentrationen andere Werte bzw. andere Ausgangkonzentrationen zu als der zu dem ersten Zeitpunkt trainierte maschinelle Lerner bzw. erste maschinelle Lerner. Entsprechend ordnet der erste maschinelle Lerner jeweiligen Eingangsgaskonzentrationen erste Ausgangsgaskonzentrationen und der zweite maschinelle Lerner den jeweiligen Eingangsgaskonzentrationen zweite Ausgangsgaskonzentrationen zu.Since the physical properties, in particular the nitrogen permeability of fuel cells of the fuel cell system, change over time, the retraining at the second point in time leads to a change in the machine learner or a mathematical model underlying the machine learner. Accordingly, the machine learner trained at the second point in time or the second machine learner assigns different input gas concentrations to the respective input gas concentrations. values or different output concentrations than the machine learner or first machine learner trained at the first point in time. Accordingly, the first machine learner assigns first output gas concentrations to the respective input gas concentrations and the second machine learner assigns second output gas concentrations to the respective input gas concentrations.
Der zweite maschinelle Lerner ist eine veränderte Version des ersten maschinellen Lerners. Dazu kann der erste maschinelle Lerner verändert werden oder ein neuer maschineller Lerner, der auf dem ersten maschinellen Lerner bzw. einer Kopie des ersten maschinellen Lerners basiert, eingesetzt und durch das Training zu dem zweiten Zeitpunkt entsprechend angepasst werden. Entsprechend kann vorgesehen sein, dass der erste maschinelle Lerner und der zweite maschinelle Lerner parallel betrieben werden, um bspw. einen Unterschied zwischen den Ausgaben der jeweiligen maschinellen Lerner zu bestimmen.The second machine learner is a modified version of the first machine learner. To do this, the first machine learner can be modified or a new machine learner based on the first machine learner or a copy of the first machine learner can be used and adapted accordingly by training at the second point in time. Accordingly, it can be provided that the first machine learner and the second machine learner are operated in parallel, for example to determine a difference between the outputs of the respective machine learners.
Die vorgestellte Erfindung basiert auf dem Prinzip, dass der Änderung des maschinellen Lerners von dem ersten Zeitpunkt zu dem zweiten Zeitpunkt bzw. der Änderung zwischen dem ersten maschinellen Lerner zu dem zweiten maschinellen Lerner eine Stickstoffpermeabilität, insbesondere ein Kennwert, der eine Stickstoffpermeabilität quantifiziert, zugeordnet wird.The presented invention is based on the principle that the change in the machine learner from the first point in time to the second point in time or the change between the first machine learner and the second machine learner is assigned a nitrogen permeability, in particular a characteristic value that quantifies a nitrogen permeability.
Es kann vorgesehen sein, dass die Änderung des maschinellen Lerners anhand einer Abweichung zwischen einer ersten Ausgangskonzentration, die von dem zu dem ersten Zeitpunkt trainierten maschinellen Lerner ermittelt wurde und einer zweiten Ausgangskonzentration, die von dem zu dem zweiten Zeitpunkt trainierten maschinellen Lerner ermittelt wurde, bestimmt wird.It can be provided that the change in the machine learner is determined based on a deviation between a first initial concentration determined by the machine learner trained at the first point in time and a second initial concentration determined by the machine learner trained at the second point in time.
Ein Unterschied im Zustand des Brennstoffzellensystems zwischen dem ersten Zeitpunkt und dem zweiten Zweitpunkt bedingt einen Unterschied zwischen durch den ersten maschinellen Lerner ermittelten ersten Ausgangsgaskonzentrationen und durch den zweiten maschinellen Lerner ermittelten zweiten Ausgangsgaskonzentrationen. Entsprechend kann anhand des Unterschieds zwischen den ersten Ausgangsgaskonzentrationen und den zweiten Ausgangsgaskonzentrationen auf den Zustand des Brennstoffzellensystems, insbesondere auf eine Stickstoffpermeabilität geschlossen werden. Dazu kann bspw. ein Zuordnungsschema verwendet werden, das einem jeweiligen Unterschied zwischen ersten Ausgangsgaskonzentrationen und zweiten Ausgangsgaskonzentrationen einen Wert einer Stickstoffpermeabilität zuordnet. Dieses Zuordnungsschema kann bspw. ein weiterer maschineller Lerner sein, der anhand von verschiedenen Trainingsbrennstoffzellensystemen, die verschiedene Stickstoffpermeabilitäten zeigen, trainiert wurde. Dabei können die Trainingsbrennstoffzellensysteme selbstverständlich real oder simuliert ausgestaltet sein.A difference in the state of the fuel cell system between the first point in time and the second point in time causes a difference between the first output gas concentrations determined by the first machine learner and the second output gas concentrations determined by the second machine learner. Accordingly, the state of the fuel cell system, in particular a nitrogen permeability, can be determined based on the difference between the first output gas concentrations and the second output gas concentrations. For this purpose, for example, an assignment scheme can be used that assigns a nitrogen permeability value to a respective difference between the first output gas concentrations and the second output gas concentrations. This assignment scheme can, for example, be another machine learner that was trained using various training fuel cell systems that show different nitrogen permeabilities. The training fuel cell systems can of course be real or simulated.
Es kann weiterhin vorgesehen sein, dass ein Steuerungsparameter für ein Purgeventil des Brennstoffzellensystems in Abhängigkeit einer jeweiligen durch den maschinellen Lerner bestimmten Ausgangskonzentration gewählt wird, und die Änderung des maschinellen Lerners anhand einer Abweichung zwischen einem ersten Steuerungsparameter, der in Abhängigkeit des zu dem ersten Zeitpunkt trainierten maschinellen Lerners ermittelt wurde und einem zweiten Steuerungsparameter, der in Abhängigkeit des zu dem zweiten Zeitpunkt trainierten maschinellen Lerners ermittelt wurde, bestimmt wird.It can further be provided that a control parameter for a purge valve of the fuel cell system is selected as a function of a respective initial concentration determined by the machine learner, and the change in the machine learner is determined on the basis of a deviation between a first control parameter that was determined as a function of the machine learner trained at the first point in time and a second control parameter that was determined as a function of the machine learner trained at the second point in time.
Durch eine indirekte Bestimmung einer Veränderung des maschinellen Lerners und, dadurch bedingt, des Zustands des Brennstoffzellensystems, über einen in Abhängigkeit einer Ausgangsgaskonzentration des maschinellen Lerners gewählten Steuerungsparameters, kann eine in dem Brennstoffzellensystem implementierte Regelungsschleife dazu verwendet werden, auf die Stickstoffpermeabilität der Brennstoffzellen des Brennstoffzellensystems zu schließen. Dazu kann bspw. eine Zeit zwischen zwei Purgevorgängen bzw. ein Purgeintervall als Steuerungsparameter ausgewertet werden. Entsprechend kann direkt einer Änderung des Steuerungsparameters nach dem zweiten Zeitpunkt ein Kennwert zur Quantifizierung der Stickstoffpermeabilität zugeordnet werden. Dazu kann bspw. ein Zuordnungsschema verwendet werden, das einem jeweiligen Unterschied zwischen einem in Abhängigkeit des ersten maschinellen Lerners ermittelten ersten Steuerungsparameter und einem in Abhängigkeit des zweiten maschinellen Lerners ermittelten zweiten Steuerungsparameter, einen Wert einer Stickstoffpermeabilität zuordnet. Dieses Zuordnungsschema kann bspw. ein weiterer maschineller Lerner sein, der anhand von verschiedenen Trainingsbrennstoffzellensystemen, die verschiedene Stickstoffpermeabilitäten zeigen, trainiert wurde. Dabei können die Trainingsbrennstoffzellensysteme selbstverständlich real oder simuliert ausgestaltet sein.By indirectly determining a change in the machine learner and, as a result, the state of the fuel cell system via a control parameter selected as a function of an initial gas concentration of the machine learner, a control loop implemented in the fuel cell system can be used to infer the nitrogen permeability of the fuel cells of the fuel cell system. For this purpose, for example, a time between two purging processes or a purging interval can be evaluated as a control parameter. Accordingly, a characteristic value for quantifying the nitrogen permeability can be assigned directly to a change in the control parameter after the second point in time. For this purpose, for example, an assignment scheme can be used that assigns a value of nitrogen permeability to a respective difference between a first control parameter determined as a function of the first machine learner and a second control parameter determined as a function of the second machine learner. This assignment scheme can, for example, be another machine learner that has been trained using various training fuel cell systems that show different nitrogen permeabilities. The training fuel cell systems can of course be real or simulated.
Es kann weiterhin vorgesehen sein, dass die Änderung des maschinellen Lerners anhand einer Abweichung zwischen einem ersten Modellparameter eines mathematischen Modells des zu dem ersten Zeitpunkt trainierten maschinellen Lerners zu einem zweiten Modellparameter eines mathematischen Modells des zu dem zweiten Zeitpunkt trainierten maschinellen Lerners bestimmt wird.It can further be provided that the change in the machine learner is determined based on a deviation between a first model parameter of a mathematical model of the machine learner trained at the first point in time and a second model parameter of a mathematical model of the machine learner trained at the second point in time.
Eine Änderung des maschinellen Lerners von dem ersten Zeitpunkt zu dem zweiten Zeitpunkt bedingt insbesondere eine Änderung von Modellparametern, wie bspw. einer Gewichtung von Regressionsparametern eines Gauß-Prozesses, des maschinellen Lerners. Entsprechend kann anhand eines Unterschieds zwischen jeweiligen Modellparametern des ersten maschinellen Lerners zu jeweiligen Modellparametern des zweiten maschinellen Lerners ein Kennwert zur Quantifizierung der Stickstoffpermeabilität zugeordnet werden. Dazu kann bspw. ein Zuordnungsschema verwendet werden, das einem jeweiligen Unterschied zwischen einem ersten Modellparameter des ersten maschinellen Lerners und einem zweiten Modellparameter des zweiten maschinellen Lerners, einen Wert einer Stickstoffpermeabilität zuordnet. Dieses Zuordnungsschema kann bspw. ein weiterer maschineller Lerner sein, der anhand von verschiedenen Trainingsbrennstoffzellensystemen, die verschiedene Stickstoffpermeabilitäten zeigen, trainiert wurde. Dabei können die Trainingsbrennstoffzellensysteme selbstverständlich real oder simuliert ausgestaltet sein.A change in the machine learner from the first point in time to the second point in time requires, in particular, a change in model parameters, such as a weighting of regression parameters of a Gaussian process, of the machine learner. Accordingly, a characteristic value for quantifying the nitrogen permeability can be assigned based on a difference between the respective model parameters of the first machine learner and the respective model parameters of the second machine learner. For this purpose, for example, an assignment scheme can be used that assigns a value of nitrogen permeability to a respective difference between a first model parameter of the first machine learner and a second model parameter of the second machine learner. This assignment scheme can, for example, be another machine learner that was trained using various training fuel cell systems that show different nitrogen permeabilities. The training fuel cell systems can of course be real or simulated.
Es kann weiterhin vorgesehen sein, dass der maschinelle Lerner zumindest während des zweiten Zeitpunkts anhand einer Grundwahrheit trainiert wird, die mittels eines an dem Anodensubsystem des Brennstoffzellensystems angeordneten Gaskonzentrationssensors ermittelt wird.It can further be provided that the machine learner is trained at least during the second point in time using a ground truth which is determined by means of a gas concentration sensor arranged on the anode subsystem of the fuel cell system.
Ein an dem Anodensubsystem des Brennstoffzellensystems angeordneter Gaskonzentrationssensor, wie bspw. ein Wasserstoffkonzentrationssensor und/oder ein Stickstoffkonzentrationssensor ermittelt reale Werte, die tatsächliche physikalische Bedingungen in einem jeweiligen Brennstoffzellensystem, d. h., eine jeweilige Stickstoffpermeabilität repräsentieren.A gas concentration sensor arranged on the anode subsystem of the fuel cell system, such as a hydrogen concentration sensor and/or a nitrogen concentration sensor, determines real values that represent actual physical conditions in a respective fuel cell system, i.e., a respective nitrogen permeability.
Entsprechend bedingt ein Training des maschinellen Lerners mit einer Grundwahrheit, die die tatsächlichen physikalischen Bedingungen repräsentiert bzw. umfasst, eine Adaptation des maschinellen Lerners an die tatsächlichen physikalischen Bedingungen, sodass dieser eine Zuordnung von Eingangsgasparametern zu Ausgangsgasparametern unter Einbeziehung der tatsächlichen physikalischen Bedingungen vornimmt und anhand der Zuordnung entsprechend auf die tatsächlichen physikalischen Bedingungen rückgeschlossen werden kann.Accordingly, training the machine learner with a ground truth that represents or includes the actual physical conditions requires an adaptation of the machine learner to the actual physical conditions, so that it assigns input gas parameters to output gas parameters taking the actual physical conditions into account and, based on the assignment, the actual physical conditions can be inferred accordingly.
Insbesondere kann vorgesehen sein, dass die Ausgangskonzentration eine Konzentration von Wasserstoff und/oder Stickstoff umfasst.In particular, it can be provided that the initial concentration comprises a concentration of hydrogen and/or nitrogen.
Es kann weiterhin vorgesehen sein, dass das Brennstoffzellensystem in Abhängigkeit der bestimmten Stickstoffpermeabilität eingestellt wird.It can further be provided that the fuel cell system is adjusted depending on the determined nitrogen permeability.
Durch Einstellen des Brennstoffzellensystems in Abhängigkeit der bestimmten Stickstoffpermeabilität kann bspw. das Brennstoffzellensystem auf die aktuelle Stickstoffpermeabilität adaptiert werden.By adjusting the fuel cell system depending on the specific nitrogen permeability, the fuel cell system can, for example, be adapted to the current nitrogen permeability.
Es kann weiterhin vorgesehen sein, dass die bestimmte Stickstoffpermeabilität auf einer Anzeige ausgegeben und/oder in einem Speicher hinterlegt wird.It can further be provided that the determined nitrogen permeability is displayed on a display and/or stored in a memory.
Anhand einer auf einer Anzeige ausgegebenen Stickstoffpermeabilität, die bspw. als quantitativer Wert oder als Ampelschema ausgegeben werden kann, kann einem Nutzer ein Zustand des Brennstoffzellensystems dargestellt werden. Dabei kann bspw. ein empfohlenes Wartungsintervall dynamisch in Abhängigkeit der Stickstoffpermeabilität bestimmt werden.The status of the fuel cell system can be shown to a user based on the nitrogen permeability displayed on a display, which can be displayed as a quantitative value or as a traffic light system. For example, a recommended maintenance interval can be determined dynamically depending on the nitrogen permeability.
Anhand einer in einem Speicher hinterlegten Stickstoffpermeabilität können Folgeprozesse, wie bspw. eine Steuerung des Brennstoffzellensystems, auf die Stickstoffpermeabilität bzw. deren Wert zugreifen und entsprechend dynamisch auf die Stickstoffpermeabilität adaptieren.Based on a nitrogen permeability stored in a memory, subsequent processes, such as a control of the fuel cell system, can access the nitrogen permeability or its value and adapt dynamically to the nitrogen permeability accordingly.
Es kann weiterhin vorgesehen sein, dass der maschinelle Lerner zu dem ersten Zeitpunkt anhand eines Trainingsbrennstoffzellensystems trainiert wird.It may further be provided that the machine learner is trained at the first point in time using a training fuel cell system.
Mittels eines Trainingsbrennstoffzellensystems, wie bspw. einem identischen Referenzsystem oder einem simulierten Brennstoffzellensystem kann ein Auslieferungszustand eines Brennstoffzellensystems valide abgebildet bzw. simuliert werden, sodass auf einen Betrieb eines jeweiligen Brennstoffzellensystems zu Trainingszwecken im Auslieferungszustand verzichtet werden kann.By means of a training fuel cell system, such as an identical reference system or a simulated fuel cell system, the delivery state of a fuel cell system can be validly mapped or simulated, so that operation of a respective fuel cell system in the delivery state for training purposes can be dispensed with.
Gemäß einem zweiten Aspekt betrifft die vorgestellte Erfindung ein Brennstoffzellensystem zum Wandeln von Energie.According to a second aspect, the presented invention relates to a fuel cell system for converting energy.
Das vorgestellte Brennstoffzellensystem umfasst einen Brennstoffzellenstapel, der ein Anodensubsystem und ein Kathodensubsystem umfasst, eine Abgasleitung, eine Purgeleitung, eine Messleitung, die in Strömungsrichtung nach einer Verbindung von Purgeleitung (409) und Abgasleitung (407) angeordnet ist, und eine Recheneinheit. Die Recheneinheit ist dazu konfiguriert, eine mögliche Ausgestaltung des vorgestellten Diagnoseverfahrens auszuführen.The fuel cell system presented comprises a fuel cell stack, which comprises an anode subsystem and a cathode subsystem, an exhaust line, a purge line, a measuring line, which is arranged in the flow direction after a connection between the purge line (409) and the exhaust line (407), and a computing unit. The computing unit is configured to carry out a possible embodiment of the presented diagnostic method.
Gemäß einem dritten Aspekt betrifft die vorgestellte Erfindung ein Programmprodukt, das Befehle umfasst, die bei einer Ausführung durch eine Recheneinheit die Recheneinheit dazu konfigurieren, eine mögliche Ausgestaltung des vorgestellten Diagnoseverfahrens auszuführen.According to a third aspect, the presented invention relates to a program product comprising instructions which, when executed by a computing unit, configure the computing unit to carry out a possible embodiment of the presented diagnostic method.
Vorteile, die zu dem Diagnoseverfahren zum Bestimmen eines Zustands eines Brennstoffzellensystems gemäß dem ersten Aspekt der Erfindung ausführlich beschrieben worden sind, gelten gleichermaßen bei dem Brennstoffzellensystem zum Wandeln von Energie gemäß dem zweiten Aspekt der Erfindung sowie bei dem Programmprodukt gemäß dem dritten Aspekt der Erfindung.Advantages that have been described in detail for the diagnostic method for determining a state of a fuel cell system according to the first aspect of the invention apply equally to the fuel cell system for converting energy according to the second aspect of the invention and to the program product according to the third aspect of the invention.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein.Further advantages, features and details of the invention emerge from the following description, in which embodiments of the invention are described in detail with reference to the drawings. The features mentioned in the claims and in the description can each be essential to the invention individually or in any combination.
Es zeigen:
-
1 eine mögliche Ausgestaltung des vorgestellten Diagnoseverfahrens, -
2 eine Veränderung von Ausgangsgaskonzentrationswerten die durch eine Veränderung eines maschinellen Lerners durch erneutes Training bedingt ist, -
3 eine Veränderung von Steuerungsparametern eines Purgevorgangs, die durch eine Änderung eines maschinellen Lerners durch erneutes Training bedingt ist, -
4 eine mögliche Ausgestaltung des vorgestellten Brennstoffzellensystems,
-
1 a possible design of the presented diagnostic procedure, -
2 a change in initial gas concentration values caused by a change in a machine learner through retraining, -
3 a change in control parameters of a purge process caused by a change in a machine learner through retraining, -
4 a possible design of the presented fuel cell system,
In
Das Diagnoseverfahren 100 umfasst einen ersten Trainingsschritt 101, bei dem ein maschineller Lerner zu einem ersten Zeitpunkt derart trainiert wird, dass dieser anhand von mindestens einer in einer Messleitung eines Brennstoffzellensystems, wie bspw. einem Trainingsbrennstoffzellensystem gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in einem Anodensubsystem des Brennstoffzellensystems bestimmt.The
Weiterhin umfasst das Diagnoseverfahren 100 einen zweiten Trainingsschritt 103, bei dem zuvor in dem ersten Trainingsschritt 101 trainierte maschinelle Lerner zu einem zweiten Zeitpunkt derart trainiert wird, dass dieser anhand von mindestens einer in der Messleitung eines jeweiligen Brennstoffzellensystems gemessenen Eingangsgaskonzentration, mindestens eine Ausgangsgaskonzentration in dem Anodensubsystem des Brennstoffzellensystems bestimmt.Furthermore, the
Weiterhin umfasst das Diagnoseverfahren 100 einen Bestimmungsschritt 105, bei dem eine Stickstoffpermeabilität von Brennstoffzellen des Brennstoffzellensystems anhand einer Änderung des maschinellen Lerners zwischen dem ersten Zeitpunkt und dem zweiten Zeitpunkt bestimmt wird.Furthermore, the
In
Ein erster Verlauf 201 entspricht durch einen maschinellen Lerner, der zu einem ersten Zeitpunkt trainiert wurde, ermittelten Ausgangsgaskonzentrationswerten.A
Ein zweiter Verlauf 203 entspricht durch den maschinellen Lerner, der zu einem zweiten Zeitpunkt trainiert wurde, ermittelten Ausgangsgaskonzentrationswerten.A
Anhand einer Abweichung zwischen dem ersten Verlauf 201 und dem zweiten Verlauf 203, wie durch Pfeil 205 angedeutet, kann auf eine Veränderung des Brennstoffzellensystems, insbesondere auf eine Stickstoffpermeabilität jeweiliger Brennstoffzellen des Brennstoffzellensystems geschlossen werden.Based on a deviation between the
In
Ein erster Verlauf 301 entspricht einer Aktivität des Purgeventils, die in Abhängigkeit von durch einen zu einem ersten Zeitpunkt trainierten maschinellen Lerner eingestellt bzw. eingeregelt wurde.A
Ein zweiter Verlauf 303 entspricht einer Aktivität des Purgeventils, die in Abhängigkeit von durch den zu einem zweiten Zeitpunkt trainierten maschinellen Lerner eingestellt bzw. eingeregelt wurde.A
Anhand einer Abweichung zwischen dem ersten Verlauf 301 und dem zweiten Verlauf 303, wie durch Pfeil 305 angedeutet, kann auf eine Veränderung des Brennstoffzellensystems, insbesondere auf eine Stickstoffpermeabilität jeweiliger Brennstoffzellen des Brennstoffzellensystems geschlossen werden.Based on a deviation between the
In
Die Recheneinheit 413 ist dazu konfiguriert, das Diagnoseverfahren 100 gemäß
Claims (11)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102023204701.2A DE102023204701B3 (en) | 2023-05-19 | 2023-05-19 | Diagnostic method for determining a condition of a fuel cell system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102023204701.2A DE102023204701B3 (en) | 2023-05-19 | 2023-05-19 | Diagnostic method for determining a condition of a fuel cell system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102023204701B3 true DE102023204701B3 (en) | 2024-09-26 |
Family
ID=91082204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102023204701.2A Active DE102023204701B3 (en) | 2023-05-19 | 2023-05-19 | Diagnostic method for determining a condition of a fuel cell system |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE102023204701B3 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007032528A1 (en) | 2006-07-17 | 2008-02-21 | GM Global Technology Operations, Inc., Detroit | Anode stoichiometry control for fuel cells |
-
2023
- 2023-05-19 DE DE102023204701.2A patent/DE102023204701B3/en active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102007032528A1 (en) | 2006-07-17 | 2008-02-21 | GM Global Technology Operations, Inc., Detroit | Anode stoichiometry control for fuel cells |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102018212140A1 (en) | Plant control apparatus and control method therefor, rolling mill control apparatus and control method and program therefor | |
| DE19702951A1 (en) | Method controlling cessation of denitrification phase on waste water treatment plant | |
| DE10006455A1 (en) | Process for operating a technical system | |
| WO2013010630A1 (en) | Method for safely and economically operating an electrolyser | |
| WO2022063702A1 (en) | Quality control for products produced in series | |
| AT520682B1 (en) | Method for determining an operating state of an electrochemical system | |
| DE102023204701B3 (en) | Diagnostic method for determining a condition of a fuel cell system | |
| DE102020212654A1 (en) | Device and computer-implemented method for determining a state of a fuel cell system | |
| DE102017222327A1 (en) | Method for the automated process control of a digital printing machine | |
| DE102015220991A1 (en) | Method for determining a gas concentration in a measuring gas with a gas sensor | |
| AT524477B1 (en) | Method for determining the relative humidity at a cathode input of a fuel cell stack of a fuel cell system | |
| DE102016011140A1 (en) | Method for determining a hydrogen leak | |
| DE102018003278A1 (en) | Method for setting a pressure level | |
| DE10221392A1 (en) | Method and device for measuring a gas concentration | |
| WO2019158762A1 (en) | Method and devices for automatically determining and/or compensating for the influence of a wake turbulence on a wind turbine | |
| DE102021214309A1 (en) | Method for operating a fuel cell system, control unit | |
| WO2012004274A1 (en) | Electronic apparatus with a cooling apparatus | |
| EP3155588A1 (en) | Whole-body image recording and image processing system and method for operating same | |
| DE102023211365A1 (en) | Method for controlling a fuel cell system | |
| DE102023204445A1 (en) | Conditioning procedures and diagnostic procedures for a fuel cell system | |
| DE102023204462A1 (en) | Diagnostic method for diagnosing a condition of a fuel cell system in a vehicle | |
| WO2024165309A1 (en) | Method for controlling a fuel cell system | |
| DE102023101294A1 (en) | Computer-implemented method for determining a compensation function | |
| DE102018210197A1 (en) | Method for detecting completion of a hydrogen / air front pass through a fuel cell stack and fuel cell system | |
| DE102023204454A1 (en) | Diagnostic method for diagnosing a condition of a fuel cell system in a vehicle with flowing media |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: H01M0008042980 Ipc: H01M0008046940 |
|
| R163 | Identified publications notified | ||
| R012 | Request for examination validly filed | ||
| R016 | Response to examination communication | ||
| R016 | Response to examination communication | ||
| R018 | Grant decision by examination section/examining division |