使用神经网络和EIS信号分析在操作PEM电池时原位量化H2渗透制造技术

提供了用于检测氢气泄漏以及量化聚合物电解质膜燃料电池堆中的氢气泄漏的速率的方法以及诊断燃料电池堆中的氢气泄漏的燃料电池诊断装置。

In situ quantification of H2 penetration was performed using neural networks and EIS signal analysis in the operation of PEM cells

A method for detecting hydrogen leakage and quantifying a rate of hydrogen leakage in a polymer electrolyte membrane fuel cell stack, and a fuel cell diagnostic device for diagnosing hydrogen leak in a fuel cell stack are provided.

【技术实现步骤摘要】
【国外来华专利技术】使用神经网络和EIS信号分析在操作PEM电池时原位量化H2渗透
技术介绍
由于质子交换膜(PEM)燃料电池在低温下工作的能力以及它们的低重量和体积，使得质子交换膜(PEM)燃料电池是最重要的燃料电池类型中的一个。这使得PEM燃料电池成为固定应用和汽车应用中有竞争力的替代电源。然而，PEM燃料电池的广泛使用取决于其可靠性和成本效率。多年以来，尽管燃料电池行业开发了更耐用的膜电极组件(MEA)以避免失效(failure)以及延长工作寿命，但是PEM燃料电池仍然容易遭受氢气泄漏，氢气泄漏会导致性能退化和潜在安全问题。尽管可以推迟膜降解的开始，但是对于现有技术措施，MEA针孔的萌生是不可避免的。由于MEA中针孔的存在，氢气可以通过MEA从阳极泄漏到阴极。按照充分的氢气渗透泄漏速率，由于在阴极侧上与反应剂氧气直接复合，使得燃料电池性能降低。该复合影响用于电化学反应的可用氧气量。在严重的情况下，燃料电池可能遭受燃料和/或空气不足。燃料与氧气的直接复合使得在阴极侧上形成水，由于在阴极中的氧气消耗和/或水积聚导致受影响电池的空气不足。处理MEA针孔的现有工作有限。Weber(AdamZ.Weber，“Gas-CrossoverandMembrane-PinholeEffectsinPolymer-ElectrolyteFuelCells”，JournalofElectrochemicalSociety，155(6)B521-B531，2008)开发了模拟针孔在PEM燃料电池中的影响的数学模型。他关于电池电压和电流密度对性能降低进行说明。Lin等人还考虑电流密度的降低。(R.Lin、E.Gülzow、M.Schulze和K.A.Friedrich，“InvestigationofMembranePinholeEffectsinPolymerElectrolyteFuelCellsbyLocallyResolvedCurrentDensity”，JournalofTheElectrochemicalSociety，158(1)B11-B17，2011)。还可以通过增大泄漏电流和电压的下降以检测氢气泄漏(SoshinNakamura、EiichiKashiwa、HidetoshiSasou、SuguruHariyama，TsutomuAoki、YasujiOgami和HisaoNishikawa，“MeasurementofLeakCurrentGenerationDistributioninPEFCandItsApplicationtoLoadFluctuationTestingUnderLowHumidification”，日本的ElectricalEngineering，Vol.174，No.1，2011；B.T.Huang、Y.Chatillon、C.Bonnet、F.Lapicque、S.Leclerc、M.Hinaje、S.Rael，“ExperimentalinvestigationofpinholeeffectonMEA/cellaginginPEMFC”，Internationaljournalofhydrogenenergy38：543-550，2013)。然而，通过测量电池电压检测小氢气泄漏不可行，其中随着泄漏速率的逐渐增大，降低的电压非常小。这些研究还仅处理了单个小型MEA。然而，在实际工业应用中，使用包括串联的多个单元电池的较大堆(或组(stack))来提供大量电力；即，数量级为数十千瓦。由于大尺寸和缺乏适当模型，该尺寸的堆需要能够在工作中检测氢气泄漏以及有效地量化其速率的诊断工具。在燃料电池工作期间知道氢气泄漏量可以便于建立减小其对堆性能的影响的减轻标准。
技术实现思路
本公开的一个实施例涉及方法，该方法包括确定聚合物电解质膜燃料电池堆中的氢气泄漏速率，该确定包括针对第一燃料电池测试堆中的氧气浓度的阻抗特征生成第一组数据点，第一燃料电池测试堆没有内部泄漏电池以及针对第二燃料电池测试堆中的氢气和氧气的差压的阻抗特征生成第二组数据点，第二燃料电池测试堆具有至少一个内部泄漏电池。方法包括将来自第一组数据点的氧气浓度的阻抗特征映射至来自第二组数据点的氢气和氧气的差压的阻抗特征。方法还包括使AC信号通过燃料电池堆，检测来自燃料电池堆中的AC信号的阻抗特征，通过将来自AC信号的阻抗特征与第一燃料电池测试堆中的氧气浓度的阻抗特征相匹配来识别燃料电池堆的氧气浓度，以及通过将燃料电池堆的氧气浓度与第二燃料电池测试堆的差压的对应映射的阻抗特征相匹配来计算燃料电池堆的氢气泄漏速率。燃料电池堆具有特定尺寸。第一燃料电池测试堆具有与燃料电池堆的尺寸基本上类似的尺寸以及第二燃料电池测试堆具有与燃料电池堆的尺寸基本上类似的尺寸。方法还包括使用神经网络对氢气泄漏的速率进行量化。可以与上面描述的实施例组合的本公开的另一个实施例包括方法，该方法包括检测聚合物电解质膜燃料电池堆中的氢气泄漏以及量化氢气泄漏的速率。量化包括基于第一燃料电池测试堆中的氧气浓度向神经网络提供表示阻抗特征值的第一组数据点，第一测试堆具有低泄漏以及基于第二燃料电池测试堆中的氢气和氧气的差压提供表示阻抗特征值的第二组数据点，第二测试堆具有比第一燃料电池测试堆高的泄漏。量化包括通过将来自第一燃料电池测试堆的阻抗特征值与来自第二燃料电池测试堆的阻抗特征值相匹配将来自第二燃料电池测试堆的差压与来自第一燃料电池测试堆的氧气浓度相匹配来生成映射以及通过识别差压来计算燃料电池堆的氢气泄漏速率，差压的识别包括：基于氧气浓度检测所述燃料电池堆中的阻抗值；以及使用映射以使用燃料电池堆中的氧气浓度的阻抗值识别差压。方法还包括使AC信号通过燃料电池堆，检测阻抗值，阻抗值由燃料电池堆中的AC信号生成，将阻抗值传输至神经网络，以及使用神经网络的映射识别与阻抗值相对应的氧气浓度和差压。燃料电池堆具有多个板，每个板具有矩形形状。第一测试堆具有多个板，每个板具有燃料电池堆的板的矩形形状。第二测试堆具有多个板，每个板具有燃料电池堆的板的矩形形状。本公开还包括诊断燃料电池堆中的氢气泄漏的燃料电池诊断装置，氢气泄漏具有速率，装置包括频率响应分析器，配置为对燃料电池堆施加AC信号以及配置为测量输出阻抗特征，第一燃料电池测试堆具有与氧气浓度相关联的阻抗特征值，第二燃料电池测试堆具有与氢气和氧气的差压相关联的阻抗特征值，以及神经网络配置为接收来自第一燃料电池堆的阻抗特征值以及来自第二燃料电池堆的阻抗特征值，神经网络配置为使来自第一燃料电池堆的阻抗特征值与来自第二燃料电池堆的阻抗特征值彼此映射，神经网络配置为基于来自燃料电池堆的输出阻抗特征识别来自映射的氧气浓度以及配置为基于氧气浓度输出差压，以及神经网络配置为根据来自映射的氧气浓度和差压计算氢气泄漏的速率。本公开通过下列内容描述了识别工作燃料电池中的氢气泄漏以及估计泄漏速率：(1)将测试堆中一组检测的氧气浓度的阻抗特征映射到内部泄漏测试堆中的氢气和氧气的一组检测的差压的阻抗特征，(2)检测通过工作燃料电池的AC信号的阻抗特征以及识别与该检测的阻抗特征相对应的氧气浓度，以及(3)基于AC信号根据识别的氧气浓度计算工作燃料电池的氢气泄漏速率。附图说明当结合本文档来自技高网...

【技术保护点】
一种方法，包括：确定聚合物电解质膜燃料电池堆中的氢气泄漏速率，所述确定包括：针对第一燃料电池测试堆中的氧气浓度的阻抗特征生成第一组数据点，所述第一燃料电池测试堆没有内部泄漏电池；以及针对第二燃料电池测试堆中的氢气和氧气的差压的阻抗特征生成第二组数据点，所述第二燃料电池测试堆具有至少一个内部泄漏电池；将来自所述第一组数据点的氧气浓度的阻抗特征映射至来自所述第二组数据点的氢气和氧气的差压的阻抗特征；使AC信号通过所述燃料电池堆；检测来自所述燃料电池堆中的所述AC信号的阻抗特征；通过将来自所述AC信号的阻抗特征与所述第一燃料电池测试堆中的氧气浓度的阻抗特征进行匹配来识别燃料电池堆的氧气浓度；以及通过将燃料电池堆的氧气浓度与所述第二燃料电池测试堆的差压的阻抗特征进行匹配来计算燃料电池堆的氢气泄漏速率。

【技术特征摘要】
【国外来华专利技术】2014.02.19 US 61/941,9271.一种方法，包括：确定聚合物电解质膜燃料电池堆中的氢气泄漏速率，所述确定包括：针对第一燃料电池测试堆中的氧气浓度的阻抗特征生成第一组数据点，所述第一燃料电池测试堆没有内部泄漏电池；以及针对第二燃料电池测试堆中的氢气和氧气的差压的阻抗特征生成第二组数据点，所述第二燃料电池测试堆具有至少一个内部泄漏电池；将来自所述第一组数据点的氧气浓度的阻抗特征映射至来自所述第二组数据点的氢气和氧气的差压的阻抗特征；使AC信号通过所述燃料电池堆；检测来自所述燃料电池堆中的所述AC信号的阻抗特征；通过将来自所述AC信号的阻抗特征与所述第一燃料电池测试堆中的氧气浓度的阻抗特征进行匹配来识别燃料电池堆的氧气浓度；以及通过将燃料电池堆的氧气浓度与所述第二燃料电池测试堆的差压的阻抗特征进行匹配来计算燃料电池堆的氢气泄漏速率。2.根据权利要求1所述的方法，其中所述燃料电池堆具有尺寸，所述第一燃料电池测试堆具有与所述燃料电池堆的尺寸基本上类似的尺寸并且所述第二燃料电池测试堆具有与所述燃料电池堆的尺寸基本上类似的尺寸。3.根据权利要求1所述的方法，其中所述确定包括使用神经网络对氢气泄漏的速率进行量化。4.一种方法，包括：检测聚合物电解质膜燃料电池堆中的氢气泄漏；对氢气泄漏的速率进行量化，所述量化包括：基于第一燃料电池测试堆中的氧气浓度向神经网络提供表示阻抗特征值的第一组数据点，第一测试堆具有低泄漏；基于第二燃料电池测试堆中的氢气和氧气的差压提供表示阻抗特征值的第二组数据点，第二测试堆具有比第一燃料电池测试堆高的泄漏；通过将来自第一燃料电池测试堆的阻抗特征值与来自第二燃料电池...

【专利技术属性】
技术研发人员：G·H·莫萨，J·W·德瓦尔，F·戈尔娜拉吉，
申请(专利权)人：百拉得动力系统公司，西蒙·弗雷泽大学，
类型：发明
国别省市：加拿大,CA