TWI395965B

TWI395965B - 燃料電池故障預測系統及其建立方法

Info

Publication number: TWI395965B
Application number: TW099118209A
Authority: TW
Inventors: Menghui Wang; Hanhsueh Tsai
Original assignee: Nat Univ Chin Yi Technology
Priority date: 2010-06-04
Filing date: 2010-06-04
Publication date: 2013-05-11
Also published as: TW201144841A

Description

燃料電池故障預測系統及其建立方法

本揭示內容是有關於一種監控裝置，且特別是有關於一種燃料電池監控裝置。

燃料電池因為可反覆回充，而深具環保價值。惟，燃料電池要被大量應用時，不免須先保證其可靠性；在重要的工業應用上，我們僅能幫燃料電池建立冗餘式(Redundant)結構來實現不斷電的構想；所需付出的成本則是一組使用效率低落的電池陣列。另一方面，多種燃料電池監控機制也已被提出來，以求及時發覺燃料電池之故障，而避免斷電造成的損失進一步擴大。

因此，本揭示內容之一技術態樣是在提供一種燃料電池故障預測系統，其可在燃料電池尚未故障之時，便察覺將來可能故障之組件，而予以保養或更換。

依據本技術態樣一實施方式，提出一種燃料電池故障預測系統，包括多個偵測器、一數位訊號處理單元、一灰色預測運算單元、一可拓類神經網路分類器及一顯示器。偵測器係用以監控一燃料電池系統之多個狀態訊號。數位訊號處理單元係用以根據上述多個狀態訊號產生至少一組特徵訊號。灰色預測運算單元係用以根據這組特徵訊號產生一組灰色預測訊號。可拓類神經運算單元係被以多個故障模型訓練而成，用以根據特徵訊號產生一偵測資料，且根據灰色預測訊號產生一預測資料。顯示器則係用以顯示偵測資料及預測資料。

值得注意的是，本技術態樣於另一實施方式中，更包括利用一無線訊號收發裝置，將特徵訊號無線傳輸至灰色預測運算單元及可拓類神經網路分類器。

本揭示內容之另一技術態樣是在提供一種燃料電池故障預測系統建立方法，以不需要實際破壞多組燃料電池的方式，取得各種故障資料，進而建立前述之燃料電池故障預測系統。

依據本技術態樣一實施方式，提出一種燃料電池故障預測系統建立方法，包括下列步驟：首先，設置多個偵測器以監控一燃料電池系統之多個狀態訊號。然後，利用狀態訊號建立一燃料電池模型，再利用燃料電池模型產生多組故障特徵訊號。接下來，根據故障特徵訊號來建立多個物元模型，且利用這些物元模型來訓練一可拓類神經網路系統。另一方面，這些故障特徵訊號也被用來建立一灰色預測模型。最後，將灰色預測模型設置於可拓類神經網路系統前，藉此，灰色預測模型可以根據所接收之一實測特徵訊號產生一預測特徵訊號予可拓類神經網路系統。

值得注意的是，本技術態樣於其他實施方式中，提出建立燃料電池模型時，包括建立一電氣化學子模型與一熱動力學子模型。電氣化學子模型係用以描述燃料電池內活化陽極與陰極所產生之電壓降V_act 、描述燃料電池內之歐姆電壓降V_ohmic 、以及描述燃料電池內由擴散限制之質量傳輸所引起的濃度損失V_con 。另一方面，熱動力學子模型係用以描述燃料電池輸出熱動力學之可逆性電壓E_thermo 。此外，上述物元模型包括一抽風扇故障物元模型、一散熱系統故障物元模型、一燃料消耗過大物元模型、一氫氣壓力不足物元模型、一通氣孔堵塞物元模型及一過載物元模型。而且，每一種物元模型都包括一氫氣壓力故障特徵值、一燃料電池工作溫度特徵值、一燃料電池電壓特徵值、一燃料電池電流特徵值、一輸入空氣流量特徵值及一排氣口相對濕度特徵值。

藉此，前述諸實施方式之燃料電池故障預測系統，可以偵測現時之訊號，而判斷其故障類別；而且，還可根據現時之訊號產生預測訊號，判斷將來可能產生之故障類別。

請參考第1圖，第1圖是本揭示內容一實施方式之燃料電池故障預測系統的功能方塊圖。第1圖中，燃料電池故障預測系統包括多個偵測器110、一數位訊號處理單元120、一灰色預測運算單元130、一可拓類神經網路分類器140及一顯示器150。偵測器110係裝設在一個燃料電池系統100的各個部位，以監控燃料電池系統100之多個狀態訊號。數位訊號處理單元120係用以根據上述多個狀態訊號產生至少一組特徵訊號。灰色預測運算單元130係用以根據這組特徵訊號產生一組灰色預測訊號。可拓類神經網路分類器140係被以多個故障模型訓練而成，用以根據特徵訊號產生一偵測資料，且根據灰色預測訊號產生一預測資料。顯示器150則係用以顯示偵測資料及預測資料。茲介紹上述諸構件之建構方法及運作原理如下：請參考第2圖，第2圖是第1圖之燃料電池系統100的詳細結構示意圖，為了方便解釋，圖中更繪示數位訊號處理單元120等其他構件。對燃料電池系統100而言，常見的故障原因可區分為六種類別，分別是抽風扇故障、散熱系統故障、燃料消耗過大、氫氣壓力不足、通氣孔之堵塞與過載。而上述六種類別之任一種故障發生時，又分別會在下列六個狀態上產生數值變化，分別是氫氣壓力、工作溫度、電池電壓、電池電流、輸入空氣流量及排氣口相對濕度。因此，多個偵測器110被裝設在至少可以偵測到上列狀態的位置上，以監控燃料電池系統100之變化。其中那些偵測器110可包含一壓力偵測器111、一流量偵測器112及一電池偵測器113，其中電池偵測器113用以偵測燃料電池之電壓、電流、溫度、排水口濕度，而那些偵測器110所偵測到的多個狀態訊號便統一由數位訊號處理單元120將之數位化，以利後續之處理。更進一步來說，在其他實施方式中，數位訊號處理單元120可將數位化的狀態訊號傳遞給一組無線訊號收發裝置160，例如ZigBee，再由無線訊號收發裝置160傳遞給灰色預測運算單元130、可拓類神經網路分類器140及顯示器150，通常為一電腦170。

請一併參考第3A圖、第3B圖、第3C圖及第3D圖，第3A圖是第1圖之可拓類神經網路分類器140之類神經網路的結構示意圖，第3B圖是第3A圖之可拓距離示意圖，第3C圖是第3B圖之權重調整前的可拓距離示意圖，第3D圖是第3B圖之權重調整後的可拓距離示意圖。具體而言，可拓類神經網路擁有接受不同種類變數作為輸入之適應性，第3A圖包含了輸入層、演算層與輸出層。此架構之流程首先將輸入資料分類並建構成物元模型後進入到可拓類神經網路中，輸入層的數量則是由物元模型之特徵數量所決定，而輸出層則是由資料的類別數決定並存放計算後之可拓距離，最後由屬於各類別之輸出層的可拓距離值(ED值)的最小值，決策出資料之類別。

可拓類神經網路的學習法則可分為非監督式的學習與監督式學習，而非監督式學習是由目前的擁有的特徵樣本值來進行學習，藉由學習找出資料的規律性與相關性，而當有一個資料要輸入辨識時，是尋找最相似者作為辨識結果。本實施方式使用的可拓類神經網路學習法是使用監督式學習，監督式學習是透過學習來調整權重，藉由不斷地學習與訓練來進行調整修正權重與辨識，以此來降低可拓類神經網路的輸出值與目標輸出值之間的差距，由此來提升可拓類神經網路辨識的準確率。因此在學習前必須有學習樣本X={X₁ ,X₂ ,X₃ ,...X_Pm }，而每一個樣本包含著資料的特徵與類別X_i ^m ={X_i1 ^m ,X_i2 ^m ,X_i3 ^m ,...X_in ^m }，學習樣本以符號P表示，P_M 則為樣本的總數，m則為特徵總數。總誤差設為P_N ，總誤差比率則設為E_T ，E _T =P _N /P _M 。而可拓類神經監督式學習之演算步驟如下：

步驟1：將學習資料利用可拓物元模型來建立輸入與輸出之權重值，而物元之表示式如下所示：上式中m代表資料的類別總數，R _k 代表物元模型，N _k 為事物名稱，c_j 為物元模型內第n個特徵，且j=1,2,3,...,n，為關於特徵c_j 之經典域，而經典域範圍可由學習資料決定，如下：其中，x _ij ^k 代表可拓類神經網路之輸入端學習資料。

步驟2：計算出每項特徵之權重中心值，以Z_k 表示，如下所式：Z _k ={z _k
1 ,z _k
2 ,z _k
3 ,...z _kn }

其中若學習資料在同一種特徵中僅只有同一組資料時，因為權重上限就會與權重下限相等，所以利用下列兩式來進行調整，避免可拓距離因此產生無限大的值，其調整方式如下： α 為經典域範圍調整率，當α 設定越大時，則代表經典域範圍也就跟著越大。

步驟3：讀取i-th訓練樣本資料與特徵數k，如下所示：

步驟4：利用x _i ^k 開始計算可拓距離(Extension distance,ED)，如下所示：由上式所衍生的可拓距離示意圖如第3B圖所示。可拓距離可用以表示點x與範圍〈W ^L ,W ^U 〉之距離，由第3B圖可知當特徵值之經典域範圍越大時，學習資料之範圍也越大，此時計算可拓距離時則靈敏度越低；相反的若特徵值之經典域範圍越小時，代表資料樣本越精確，而靈敏度越高。

步驟5：尋找所有類別的最小可拓距離：其最小可拓距離之類別即判斷為類別k*，此時若k*類別與資料類別k相同，即k*=k，並跳到步驟7；若資料類別不相等k*≠k，則繼續步驟6之動作。

步驟6：調整k類別與k*類別之權重值。

(1)更新權重上、下限值大小，運算步驟如下：

(2)更新權重中心值大小，運算步驟如下：其中，η為學習率(Learning rate)，學習率的大小會影響收斂速度以及收斂之精準度，學習率如果越大則容易達至收斂，但收斂之精準度也可能會降低。相反的，如果學習率越小可讓收斂較精準，但是學習次數與時間將可能會增加。而調整過程中之示意圖如第3C圖及第3D圖所示，在第3C圖中，因ED_{k*_old} <ED_{k_old} ，代表所判斷之類別並非資料之類別，此時透過上述諸式作調整後，如第3D圖學習資料所計算之ED_{k*_new} >ED_{k_new} ，表示透過調整權重已改變其所歸屬的類別至正確類別。

步驟7：重複步驟3至步驟7之步驟，直到所有學習資料皆讀取並學習完成分類完畢。

步驟8：當所有資料之分類程序都已達到收斂狀態或總誤差率到達到目標值則停止，否之則返回步驟3繼續。

經過以上幾個步驟後，本實施方式並藉由可拓類神經網路之監督式學習法，從中學習與調整權重值，由不斷學習及訓練下，所修正權重值與辨識率，可降低可拓類神經網路之輸出值與目標輸出值之間的差距，因此可提升可拓類神經網路辨識之準確率。

請一併參考第4圖與第5圖，第4圖是第3A圖之可拓類神經網路的學習步驟流程圖，第5圖是第3A圖之可拓類神經網路的操作步驟流程圖。從第4圖中可清楚的看出可拓類神經之學習方式，以及如何結束學習，本學習只要達到診斷著想要之辨識率就可跳出迴圈，並逕行可拓類神經診斷燃料電池之故障辨識。從第5圖中則可清楚的看出可拓類神經之運作方式。

然而，在建立上述之可拓類神經網路分類器140時，必須取得足夠多的故障樣本。而若以真實的燃料電池系統100進行破壞性的故障資料蒐集，則耗費成本及時間皆相當可觀。因此，本揭示內容之另一技術態樣是在提供一種燃料電池故障預測系統建立方法，以不需要實際破壞多組燃料電池的方式，取得各種故障資料，進而建立前述之燃料電池故障預測系統。

依據本技術態樣一實施方式，提出一種燃料電池故障預測系統建立方法，包括下列步驟：首先，設置多個偵測器以監控一燃料電池系統之多個狀態訊號。然後，利用狀態訊號建立一燃料電池模型，再利用燃料電池模型產生多組故障特徵訊號。接下來，根據故障特徵訊號來建立多個物元模型，且利用這些物元模型來訓練一拓類神經網路系統。另一方面，這些故障特徵訊號也被用來建立一灰色預測模型。最後，將灰色預測模型設置於拓類神經網路系統前，藉此，灰色預測模型可以根據所接收之一實測特徵訊號產生一預測特徵訊號予可拓類神經網路系統。

具體而言，實際燃料電池之輸出電壓是由一熱力學的輸出電壓減去各種消耗引起的電壓損失：V=E_thermo +V_act +V_ohmic +V_con E_thermo 表示燃料電池輸出熱動力學之可逆性電壓：上式中與是燃料電池所需氫氣與氧氣之壓力，而T為燃料電池工作溫度。

V_act 是由於活化陽極與陰極所產生之電壓降：上式中ξ _i (i=1-4)是各種燃料電池之特性系數，I _FC 為燃料電池電流值，(單位：大氣壓/atm)是氧氣濃度。

V_ohmic 稱為歐姆電壓降，因電荷傳送之電阻將導致燃料電池的電壓損失，這是遵循歐姆定律。若能使用較薄之電解質膜與高導電材料，可將燃料電池之歐姆損失達到最小化： V_ohmic =-I _FC (R _M +R _C )

R _M =ρMl /A

上式中R_C 為接觸電子流之電阻，R_M 為通過質子交換薄膜之阻抗，l 為厚度，A為面積，ψ 為選用的材料係數。方程式之推導與證立，請參考學者Ryan O’Hayre，Suk-Won Cha，Whitney Colella，Fritz B.Prinz合著之FUEL CELL FUNDAMENTALS一書。

V_con 表示由擴散限制之質量傳輸所引起之濃度損失：V_con =-B ln[1-(J /J _MAX )]上式中B(單位：伏特/V)表示為任何類型燃料電池之常數，J _MAX 為最大電流密度，J 為電池所產生之電流密度。

藉此，在建立了燃料電池模型後，就可以模擬各種故障狀態，進而取得足夠多的樣本來訓練可拓類神經網路分類器140，而毋須耗費過多的成本與時間進行實際故障之偵測。

最後，灰色預測運算單元130之運作原理與建立方式介紹如下：灰色系統理論主要是用於研究少樣本或者是少量的資訊的不確定性，而使用灰色理論的關聯度可以用有價值的資訊來解決不可知資訊的系統問題，所以灰色理論常被運用在資訊不易收集和環境常激烈變動的狀態，要完成預測之目的，首先要建立預測之模型，即利用過去之歷史資料，利用統計或建模方法，產生一組預測之數學模型。傳統的預測方法如時間序列法(Time series method)、統計方法或最近的人工智慧方法如專家系統與類神經網路均需大量的歷時史資料，才能得到較佳的預測結果，而灰色理論中的灰色預測GM(1,1)僅需要少量的樣本即可以推測出未來的數值變化，而且只需要6個數據就可以進行預測，因為它可以將不規則的數列通過累加生成後出現指數規則，再以累加生成數建立微分方程，因此可以最少6組數據就可以建模，若將以灰色理論之GM(1,1)為主要預測模型，設原始檢測資料之矩陣為X=(x(1),x(2),...,x(n))，則根據灰色理論GM(1,1)模型，則系統變化狀態可利用一階微分方程描述如下：為提高預測之精度，本實施方式將原始數據作二次累加生成(2-AGO)，則z是原始數據之二次累加生成的值其定義如下：Y =(y (1)y (2)…z (n ))

Z =(z (1)z (2)…z (n ))其中：，；在上式中，x(t)為在第t次檢測到的數據，在灰色理論中，上式的一階微分方程稱為白化方程式，可用於描述白色系統(或資料非常完全的系統)，對於灰色系統或預測可將式近似為下式：以及。在上式中a和b兩參數之最佳解，可利用最小平方法(least square method)求解，則有：其中：Y =[y (2)y (3)…y (n )]^T

參數â 和求解後，則累加生成的值的預測值為：量測資料之預測值可利用下式求取：利用上式，本實施方式之灰色預測運算單元130僅需6筆資料，就可預測系統下一特徵數據，再利用已完成之可拓類神經網路分類器140，便可事先預知燃料電池系統否已達故障之臨界點，並且可進一步預測其可能發生之故障種類。

最後，請參考第6圖，第6圖是第1圖之燃料電池故障預測系統的工作步驟流程圖。第6圖中，本實施方式之燃料電池故障預測系統在偵測器110及數位訊號處理單元120裝設妥當、灰色預測運算單元130及可拓類神經網路分類器140建構完成後，便可運作如下：首先，如步驟201所示，偵測器110取得燃料電池系統100的多個狀態訊號；然後，如步驟202所示，數位訊號處理單元120將狀態訊號數位化，取出特徵值，形成至少一組特徵訊號後傳遞給灰色預測運算單元130及可拓類神經網路分類器140。接下來，如步驟203所示，灰色預測運算單元130根據特徵訊號產生一組灰色預測訊號，以反應燃料電池系統100下一個週期可能產生的狀態訊號。當然，與此同時，上述之特徵訊號亦可逕自輸入可拓類神經網路分類器140以確認燃料電池系統100當下週期有無故障。承上所述，如步驟204所示，可拓類神經網路分類器140利用可拓類神經網路分析灰色預測訊號，以實現潛在故障症兆分析，進而產生偵測資料與預測資料。最後，如步驟205所示，偵測資料與預測資料會被傳遞至顯示器150以提醒使用者是否須更換零件進行維修，而不必待燃料電池系統100真正發生故障。

雖然本發明已以諸實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100‧‧‧燃料電池系統

110‧‧‧偵測器

111‧‧‧壓力偵測器

112‧‧‧流量偵測器

113‧‧‧電池偵測器

120‧‧‧數位訊號處理單元

130‧‧‧灰色預測運算單元

140‧‧‧可拓類神經網路分類器

150‧‧‧顯示器

160‧‧‧無線訊號收發裝置

170‧‧‧電腦

201-205‧‧‧步驟

為讓本揭示內容之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下：第1圖是本揭示內容一實施方式之燃料電池故障預測系統的功能方塊圖。

第2圖是第1圖之燃料電池系統100的詳細結構示意圖。

第3A圖是第1圖之可拓類神經網路分類器140之類神經網路的結構示意圖。

第3B圖是第3A圖之可拓距離示意圖。

第3C圖是第3B圖之權重調整前的可拓距離示意圖。

第3D圖是第3B圖之權重調整後的可拓距離示意圖。

第4圖是第3A圖之可拓類神經網路的學習步驟流程圖。

第5圖是第3A圖之可拓類神經網路的操作步驟流程圖。

第6圖是第1圖之燃料電池故障預測系統的工作步驟流程圖。

100．．．燃料電池系統

110．．．偵測器

120．．．數位訊號處理單元

130．．．灰色預測運算單元

140．．．可拓類神經網路分類器

150．．．顯示器

Claims

一種燃料電池故障預測系統，包括：複數個偵測器，係用以監控一燃料電池系統之複數個狀態訊號；一數位訊號處理單元，係用以根據該複數個狀態訊號產生至少一組特徵訊號；一灰色預測運算單元，係用以根據該組特徵訊號產生一組灰色預測訊號；一可拓類神經網路分類器，係以複數個故障模型訓練而成，用以根據該組特徵訊號產生一偵測資料，且根據該組灰色預測訊號，產生一故障預測資料；一顯示器，係用以顯示該偵測資料及故障預測資料；以及一無線訊號收發裝置，用以將該組特徵訊號無線傳輸至該灰色預測運算單元及該可拓類神經運算單元。
一種燃料電池故障預測系統建立方法，包括：設置複數個偵測器以監控一燃料電池系統之複數個狀態訊號；利用該些狀態訊號建立一燃料電池模型；利用該燃料電池模型產生複數組故障特徵訊號；根據該些故障特徵訊號建立複數個物元模型；利用該些物元模型訓練一可拓類神經網路系統；利用該些故障特徵訊號建立一灰色預測模型；以及將該灰色預測模型設置於該可拓類神經網路系統前，以根據所接收之一實測特徵訊號產生一預測特徵訊號予該可拓類神經網路系統。
如請求項2所述之燃料電池故障預測系統建立方法，其中該燃料電池模型包括一電氣化學子模型與一熱動力學子模型。
如請求項3所述之燃料電池故障預測系統建立方法，其中該電氣化學子模型係用以描述燃料電池內活化陽極與陰極所產生之電壓降V_act ：其中，ξ _i (i=1-4)是燃料電池之特性係數，I _FC 是燃料電池電流值，(單位：大氣壓/atm)是氧氣濃度。
如請求項3所述之燃料電池故障預測系統建立方法，其中該電氣化學子模型係用以描述燃料電池內之歐姆電壓降V_ohmic ：V_ohmic =-I _FC (R _M +R _C )其中，R_C 為接觸電子流之電阻，R_M 為通過質子交換薄膜之阻抗。
如請求項3所述之燃料電池故障預測系統建立方法，其中該電氣化學子模型係用以描述燃料電池內由擴散限制之質量傳輸所引起的濃度損失V_con ：V_con =-B ln[1-(J /J _MAX )]其中，B(單位：伏特/V)為燃料電池之類型常數，J _MAX 為最大電流密度，J 為燃料電池所產生之電流密度。
如請求項3所述之燃料電池故障預測系統建立方法，其中該熱動力學子模型係用以描述燃料電池輸出熱動力學之可逆性電壓E_thermo ：其中，是燃料電池所需氫氣之壓力，是燃料電池所需氧氣之壓力，而T為燃料電池工作溫度。
如請求項2所述之燃料電池故障預測系統建立方法，其中該些物元模型包括一抽風扇故障物元模型、一散熱系統故障物元模型、一燃料消耗過大物元模型、一氫氣壓力不足物元模型、一通氣孔堵塞物元模型及一過載物元模型。
如請求項8所述之燃料電池故障預測系統建立方法，其中每一該些物元模型包括一氫氣壓力故障特徵值、一燃料電池工作溫度特徵值、一燃料電池電壓特徵值、一燃料電池電流特徵值、一輸入空氣流量特徵值及一排氣口相對濕度特徵值。