基于人工智能的燃料电池控制系统及控制方法技术方案

本发明专利技术公开一种基于人工智能的燃料电池控制系统及控制方法。所述基于人工智能的燃料电池控制系统包括数据采集模组、数据传输模组、数据学习模型、控制器、处理器及限制诊断模组，所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速及开度信号，依次经所述数据传输模组、数据学习模型传输至所述控制器，所述控制器根据所述数据学习模型输出的结果产生驱动信号驱动所述处理器控制所述燃料电池控制系统的工作状态，所述数据学习模型包括基于人工智能的深度学习模型通过递归算法精确计算所述燃料电池性能曲线的神经网络结构。同时还提供一种上述燃料电池控制系统的控制方法。

【技术实现步骤摘要】
基于人工智能的燃料电池控制系统及控制方法
本专利技术涉及燃料电池系统控制
，具体涉及一种基于人工智能的燃料电池控制系统及控制方法。
技术介绍
随着燃料电池汽车技术的迅速发展，燃料电池系统作为一种常态的车用发电装置，其将化学能对应转化成电能以为汽车提供动力。在所述燃料电池产品中，鉴于氢燃料电池具有较佳清洁效果，对环境友好的特点，从而受到广泛关注。现有技术的燃料电池作为电力输出设备，其输出的控制系统相对较为复杂，同时所述燃料电池自身性能亦受多种因素影响，且各种不同因素之间相互耦合而彼此影响。为评价所述燃料电池的技术性能优劣，业界有采用性能曲线作为参考标准评价所述的燃料电池的性能。所谓燃料电池性能曲线，是指电堆厂家进行大量的试验标定得到的性能较好的燃料电池性能输出曲线。但是，现有技术的燃料电池性能曲线是基于现有技术手段的基础上获得的，其并未考虑各零部件的功率消耗。因此，通过传统的燃料电池控制方法获取的燃料电池输出曲线并不是最佳的输出曲线。鉴于此，有必要提供一种新的燃料电池控制系统控制所述燃料电池的电力输出，有效改善其性能曲线，提高所述燃料电池的系统性能和环境适应性。
技术实现思路
本专利技术的目的是克服上述技术问题，提供一种基于人工智能的燃料电池控制系统，缩短燃料电池控制系统开发周期，提高燃料电池系统性能，提高经济性和环境适应性。同时，还提供一种采用上述燃料控制系统的人工智能控制方法。本专利技术的技术方案是：一种基于人工智能的燃料电池控制系统，包括依次相接设置的数据采集模组、数据传输模组、数据学习模型、控制器、处理器及限制诊断模组，所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速及开度信号，依次经所述数据传输模组、数据学习模型传输至所述控制器，所述控制器根据所述数据学习模型输出的结果产生驱动信号驱动所述处理器控制所述燃料电池控制系统的工作状态，所述数据学习模型包括基于人工智能的深度学习模型通过递归算法精确计算所述燃料电池性能曲线的神经网络结构。优选地，所述数据采集模组包括多个传感器单元，所述传感器单元是温度测量单元、压力测量单元、流量测量单元、电压测量单元、电流测量单元、转速测量单元及开度测量单元中的至少一种。优选地，所述数据传输模组收集所述多个传感器单元所采集到的模拟感应信号，并对应转换为数字感应信号传输至所述数据学习模型。优选地，所述数据学习模型接收来自所述数据传输模组的数字感应信号，基于人工智能的深度学习模型通过递归算法获得最优燃料电池性能曲线。优选地，所述控制器产生控制信号触发所述燃料电池控制系统的开关命令、执行转速及阀门开关操作指令，驱动所述处理器控制所述燃料电池控制系统处于最佳运行状态。优选地，所述限制诊断模组内预先存储设定的燃料电池工作范围和故障参数，当所述燃料电池控制系统处于故障或者其工作参数超出设定值，则所述限制诊断模组将诊断结果传输至所述控制器，所述控制器对应反馈控制信号控制所述处理器驱动所述燃料电池停止运行。一种基于人工智能的燃料电池控制系统的控制方法，包括如下步骤：检测燃料电池控制系统的净输出功率；通过人工智能算法给出所述燃料电池其中一零部件的指令；判断燃料电池控制系统的净输出功率是否增大，如果增大则给与该零部件指令奖励；如果减小则给与该部件指令惩罚；依次给组成所述燃料电池的其他零部件的变化指令；优化燃料电池零部件执行参数。优选地，所述燃料电池的性能指标与各零部件的实际运行参数之间建立如下函数关系：FCpowernet=f（I，各零部件转速，各零部件开度）。与相关技术相比，本专利技术提供的燃料电池控制系统中，增加设置数据学习模型，所述数据学习模型以人工智能算法进行学习，递归计算最优燃料电池性能，并通过所述控制器和处理器配合产生控制指令控制所述燃料电池控制系统的工作状态，避免现有技术中将电堆性能转化为气体流量、压力、水温等需求的方式来测算所述燃料电池控制系统的实际性能曲线，简化测算方法，提高测算精度，缩短燃料电池系统开发周期，提高燃料电池系统经济性与环境适应性。附图说明图1为本专利技术提供的燃料电池控制系统框架示意图；图2为图1所示燃料电池控制系统的控制方法流程示意图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1，为本专利技术揭示一种基于人工智能的燃料电池控制系统结构框图。所述基于人工智能1燃料电池控制系统10包括数据采集模组11、数据传输模组13、数据学习模型15、控制器17、处理器18及限制诊断模组19。所述数据采集模组11包括多个传感器单元，具体的，所述传感器单元包括温度测量单元111、压力测量单元112、流量测量单元113、电压测量单元114、电流测量单元115、转速测量单元116及开度测量单元117。所述温度测量单元111感测所述燃料电池控制系统10的整体温度参数。所述压力测量单元112对应实时感应所述燃料电池控制系统10的内部压力值。所述流量测量单元113、所述电压测量单元114、所述电流测量单元115实时监测所述燃料电池控制系统10的内部流体参数和输出的电流、电压值。所述转速测量单元116实时监测所述空压机、氢泵、水泵的转速。所述开度测量单元117实时监测所述阀门的开度，如：背压阀开度参数值、旁通阀开度参数值、三通阀开度参数值、排氢阀频率及氢喷频率值。所述数据传输模组13收集所述多个传感器单元所采集到的模拟感应信号，并对应转换为数字感应信号传输至所述数据学习模型15。所述数据学习模型15是基于人工智能的深度学习模型，其接收来自所述数据传输模组13的数字感应信号，通过递归算法获得最优燃料电池性能曲线。在本实施方式中，首先基于人工智能深度学习方式训练所述数据学习模型15，在所述燃料电池的性能指标与各零部件的实际运行参数之间建立如下函数关系：FCpowernet=f（I，各零部件转速，各零部件开度）；即：当所述燃料电池的性能指标与各零部件的实际运行参数之间满足上述公式时，则对应所述料电池控制系统10控制所述燃料电池处于最佳运行状态，对应的，其净输出曲线更加接近标定值。所述控制器17产生控制信号触发所述燃料电池控制系统10的开关命令，执行转速、阀门开关等操作指令，驱动所述处理器18控制所述燃料电池控制系统10处于最佳运行状态。所述限制诊断模组19预先设定所述燃料电池的工作范围和故障参数，当所述燃料电池的输出参数超出所述设定值时，所述限制诊断模组19将诊断结果传输至所述控制器17，所述控制器17对应反馈控制信号控制所述处理器18停止运行。进一步的，当所述燃料电池出现故障时，同样的，所述限制诊断模组19将诊断结果传输至所述本文档来自技高网...

【技术保护点】
1.一种基于人工智能的燃料电池控制系统，包括依次相接设置的数据采集模组、数据传输模组、数据学习模型、控制器、处理器及限制诊断模组，所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速及开度信号，依次经所述数据传输模组、数据学习模型传输至所述控制器，所述控制器根据所述数据学习模型输出的结果产生驱动信号驱动所述处理器控制所述燃料电池控制系统的工作状态，其特征在于，所述数据学习模型包括基于人工智能的深度学习模型通过递归算法精确计算所述燃料电池性能曲线的神经网络结构。/n

【技术特征摘要】
1.一种基于人工智能的燃料电池控制系统，包括依次相接设置的数据采集模组、数据传输模组、数据学习模型、控制器、处理器及限制诊断模组，所述数据采集模组实时采集所述燃料电池的温度、压力、流量、电压、电流、转速及开度信号，依次经所述数据传输模组、数据学习模型传输至所述控制器，所述控制器根据所述数据学习模型输出的结果产生驱动信号驱动所述处理器控制所述燃料电池控制系统的工作状态，其特征在于，所述数据学习模型包括基于人工智能的深度学习模型通过递归算法精确计算所述燃料电池性能曲线的神经网络结构。


2.根据权利要求1所述的基于人工智能的燃料电池控制系统，其特征在于，所述数据采集模组包括多个传感器单元，所述传感器单元是温度测量单元、压力测量单元、流量测量单元、电压测量单元、电流测量单元、转速测量单元及开度测量单元中的至少一种。


3.根据权利要求2所述的基于人工智能的燃料电池控制系统，其特征在于，所述数据传输模组收集所述多个传感器单元所采集到的模拟感应信号，并对应转换为数字感应信号传输至所述数据学习模型。


4.根据权利要求1所述的基于人工智能的燃料电池控制系统，其特征在于，所述控制器产生控制信号触发所述燃料电池控制系统的开关命令、执行转速及阀门开关操作指令，驱动所述处理器控制所述燃料电池控制系统处于最佳运行状态。<...

【专利技术属性】
技术研发人员：孙一堡，庞深，
申请(专利权)人：北京氢澜科技有限公司，
类型：发明
国别省市：北京;11