The Korean Society Of Automotive Engineers

Journal Archive

Transaction of the Korean Society of Automotive Engineers - Vol. 26 , No. 5

[ Article ]
Transaction of the Korean Society of Automotive Engineers - Vol. 26, No. 5, pp.598-604
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 Sep 2018
Received 06 Apr 2018 Revised 09 May 2018 Accepted 14 May 2018
DOI: https://doi.org/10.7467/KSAE.2018.26.5.598

퍼지 로직과 인공신경망을 이용한 자동차용 연료전지 스택의 지능형 진단방법 개발
이용현*, 1) ; 강원우1) ; 유승열2)
1)강남대학교 IoT전자공학과
2)한국기술교육대학교 기계공학과

Development of Intelligent Diagnosis Method Using Fuzzy Logic and Artificial Neural Network for PEMFC Stack
Young-Hyun Lee*, 1) ; Wonwoo Kang1) ; Seungyeol Yoo2)
1)Department of IoT Electronic Engineering, Kangnam University, Gyeonggi 16979, Korea
2)School of Mechanical Engineering, Korea University of Technology and Education, Chungnam 31253, Korea
Correspondence to : *E-mail: yhlee@kangnam.ac.kr


*This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium provided the original work is properly cited.
Funding Information ▼

Abstract

For Fuel Cell Electric Vehicles(FCEV) to attain a competitive advantage today, durability and an acceptable automotive system cost are requisite. The durability of the Proton Exchange Membrane Fuel Cell(PEMFC) stack used in the FCEV is ensured particularly in real-time, on-line diagnosis and optimal control. To address price competitiveness, it is necessary for the main part to minimize the cost of the platinum catalyst that is usually not unavoidable. In this paper, we developed intelligent diagnosis methods by using Fuzzy Logic algorithms and Artificial Neural Networks to improve the existing, real-time diagnosis methods. We also deployed an intelligent diagnosis method on a real FCEV stack to verify the algorithm. To analyze the dynamic characteristics, the HWFET(Highway Fuel Economy Test) driving cycle was used.


Keywords: PEMFC, Intelligent stack diagnosis, FCEV stack, Fuzzy logic and artificial neural network
키워드: 양성자 교환막 스택, 지능형 스택 진단, 연료전지 전기차용 실 스택, 퍼지로직 및 인공신경망

1. 서 론

현재 FCEV의 연구개발에서 해결해야 할 당면한 문제는 5000시간의 스택 운전시간 확보와 내연기관 자동차와 유사한 30 $/kW ~ 50 $/kW 정도의 가격확보이다.1) 스택의 목표 운전시간은 FCEV의 각 부품의 내구성, 최적의 제어 및 스택의 실시간 진단을 통해 확보 가능하다. 또한 FCEV의 목표 가격은 부품가격 중 상대적으로 많은 부분을 차지하는 백금촉매제의 최소 담지화에 의해 가능하다.2)

기존의 PEMFC 스택의 진단방법들은, 스택의 열화에 의해 스택의 정상 동작영역(저항 분극화 구간 ≈ 1 A/cm2)에서의 비선형화의 검출을 통해 진단하였다.3-5) 이는 시스템의 비선형화가 주파수영역에서 고조파가 발생하는 원리를 이용한 것으로, 이 방법들의 진단 알고리즘은 스택 전압 스펙트럼의 변화를 통해 진단한다. 또 다른 진단방법으로는 ΔSpectrum 진단방법6)이 있다. 이 진단 알고리즘은 스택의 정상상태 시의 스택 전압 스펙트럼과 비정상상태시 스펙트럼의 차이를 이용하였다.

그러나 스택에서 운전 전류가 큰 폭으로 변하고 동적인 운전 전류의 경우, ΔSpectrum 알고리즘에 의한 진단의 신뢰성이 감소하게 된다. 따라서 본 논문에서는 보다 정확한 진단을 위하여 추가적으로 인공지능(AI : Artificial Intelligence) 기법인 퍼지 로직과 인공신경망을 적용한 지능형 판단 모듈을 개발하였다. 또한 지능형 판단 모듈을 통해 그 진단의 정확성 향상을 실 스택(Short stack : 실제 FCEV용 스택이나 셀 개수가 적은 실험용 스택)에서 실험을 통하여 검증하였다.

1.1 FCEV 스택 진단용 Multi-simulator의 개발

Fig. 1은 상기의 방법 외에 저자들이 개발한 다양한 진단방법 및 스택 내부의 수분량의 실시간 검출방법을 포함한 Multi-simulator의 도식이다. Multi-simulator는 여러 진단 알고리즘의 상호비교를 통해 진단 알고리즘 신뢰성 검증 및 확보 그리고 정확도를 비교하기 위해 사용하였다. 하나의 예로, Fig. 2는 두 개의 알고리즘 비교를 위한 블록도로서, 이 경우 IM 알고리즘과 ΔSpectrum 알고리즘의 출력을 비교하여 두 알고리즘의 결과를 비교하였다. 전기화학적 모델은 기존의 모델을 사용하였다.3)


Fig. 1 
MSfDia (Multi simulator for PEMFC diagnosis)


Fig. 2 
Block diagram for comparison the IM algorithm with the ΔSpectrum algorithm

각각의 비교 오차(ε)는 정적인 경우(Fig. 3)와 동적인 경우(Fig. 4)에서와 같다. 50 %의 비정상 셀을 가진 스택에서, 정적인 경우는 0 %, 동적인 경우 두 알고리즘의 출력차이는 약 4 % 오차를 보인다. 동적인 경우에는 시간적 누적 오차평균(Cumulative mean value)을 사용하였다.


Fig. 3 
Error comparison(ε) of the two algorithms in static state


Fig. 4 
Error comparison(ε) of the two algorithms in dynamic state


2. FCEV Short Stack에서의 실험과 지능형 판단 모듈 설계
2.1 FCEV의 Short Stack에서의 실험을 위한 운전모드 data 분석 및 실험 조건

FCEV 차량용 스택의 실 운전 모드에서의 진단 알고리즘의 검증을 위해 Fig. 5와 같이 고속주행모드 HWFET 운전모드(km/h)를 그에 해당하는 스택전류(Stack current, A)의 시간적 변화로 변환하였다.


Fig. 5 
HWFET dynamic driving cycle (blue line) and the corresponding stack current profile (red line)

실험 대상과 실험 조건은 아래 Table 1과 같다.

Table 1 
Specification of the FCEV short stack and experiment conditions
The number of the cells 10 cells
Operational current rage 0 A ~ 540 A
Test driving current range 0 A ~ 300 A
The defected cell in the stack 5th cell
Test current frequency 16 Hz, 32 Hz
Amplitude & frequency of the test input current Amplitude : 9 A (300 A of 3 %)
4.5sin(2π16t) + 4.5sin(2π32t) A
Sampling frequency of stack voltage 4096 Hz
The number of FFT data 2048

기존의 IM 알고리즘을 사용해 정상(Normal), 비정상(Defected) 스택 THD(Total Harmonic Distortion) 값을 비교하였다(Fig. 6).3)Fig. 6에서 보이는 것과 같이, 명확한 차이를 이용하여 THD 값의 시간적 변화로써 스택의 상태를 진단하는 데 문제가 있을 수 있다.


Fig. 6 
THD value of normal/defected stack (Between 0 ~ 240 sec)

보다 정확한 진단을 위해 기존의 진단방법에 추가하여 지능형 판단 모듈(Intelligent decision maker)을 설계하였다.

2.2 지능형 판단 모듈 설계
2.2.1 Fuzzy decision maker의 입출력 정의

지능형 판단 모듈의 출력은 스택의 상태(SoS : State of Stack)로 정의하고 정상 스택의 경우 진단 결과가 0에 가까운 값이, 비정상 스택의 경우 1에 가까운 값이 출력되게 표준화하였다. 당 실험의 경우 10개의 셀 중 한 개의 셀이 비정상인 경우는 약 10 %인 0.1에 근사한 값이 출력되어야 한다. 이를 통해 스택의 비정상 유무와 그 정도를 판단할 수 있다. 동적시스템의 경우, SoS의 시간적 평균(SoS)을 식 (1)과 같이 정의하였다.

SoS¯=i=1nSoSin, i=1,2,..n(1) 

여기서 n은 샘플링 된 데이터를 나타낸다. 실 차량용 스택의 주행 모드 운전 시 ΔSpectrum의 값6) 외에 ΔCurrent 값을 지능형 판단 모듈의 입력으로 사용하였다. ΔCurrent 값은 주행 모드 시 전류의 급격한 변화 상태를 감지하기 위해 도입한 입력 값이다. 운전 전류의 변화는 스택 전압의 낮은 주파수 진폭성분 값의 변화로 나타난다. 이러한 이유로 큰 값을 갖는 스택전류의 측정 또는 ΔCurrent를 측정하는 대신, 스택의 주파수 응답에서 약 10 Hz 이하의 낮은 주파수 성분들의 값의 변화를 이용하였다. 이는 연료전지 셀의 시정수(τ)가 약 12 ~ 13 ms3)이고, 대역폭이 약 12 Hz임으로 타당하다 하겠다. 스택이 몇 개의 셀을 갖는가와 상관없이 스택의 대역폭은 동일하다. 다음 절에 소개될 지능형 판단 모듈은 Math-Works 사의 매트랩(MATLAB)을 이용하여 설계하였다.

2.2.2 Fuzzy decision maker의 설계

Fuzzy decision maker의 두 개의 입력으로는 ΔSpectrum, ΔCurrent이며 출력은 SoS이다.

Fuzzy sets definition(Term Sets)의 Base variable 범위는 아래와 같다.

0 ≦ ΔSpectrum ≦ 0.25
0 ≦ ΔCurrent ≦ 0.25
0(정상) ≦ SoS ≦ 1(비정상)

Linguistic variable definition은 아래와 같다.

ΔSpectrum = {High, not High}
ΔCurrent = {High, not High}
SoS = {Normal, Defected}

입출력의 Fuzzy sets definition(Membership function)은 각각 Fig. 7, 8, 9와 같다. 이 Fuzzy set의 설계 첫 번째 단계에서는 기존지식에 의해 설계한 후, 최적화 단계를 거쳐 확정하게 된다.


Fig. 7 
Membership function of ΔSpectrum


Fig. 8 
Membership function of ΔCurrent


Fig. 9 
Membership function of SoS

Fuzzy decision maker의 판단 표면(Decision surface)은 Fig. 10과 같다. 이를 통해 기존 설계의도를 판단할 수 있고, 또한 최적화가 가능하다.


Fig. 10 
Decision surface

Fuzzy decision maker의 Rule base는 아래와 같다.

Rule 1: IF (ΔSpectrum is High) and (ΔCurrent is not High) THEN (SoS is Defected)
Rule 2: IF (ΔSpectrum is High) and (ΔCurrent is High) THEN (SoS is Normal)
Rule 3: IF (ΔSpectrum is Low) and (ΔCurrent is not High) THEN (SoS is Normal)
Rule 4: IF (ΔSpectrum is Low) and (ΔCurrent is High) THEN (SoS is Normal)

Fuzzy decision maker에 사용한 Fuzzy operator는 아래와 같다.

Type : Mamdani
Fuzzy And : min
Fuzzy Or : max
Implication 방법 : min
Aggregation 방법 : max
Defuzzification 방법 : centroid

Fuzzy parameter와 Membership function의 최적화는 시뮬레이션과 실험을 통해 수행하였다.

2.3 Neural network decision maker의 설계
2.3.1 Neural network 구조

인공신경망(Neural network)의 구조는 Fig. 117)과 같고, 파라미터 및 학습조건은 아래와 같다. 인공신경망의 입력은 Fuzzy decision maker와 동일한 입력과 출력을 사용하였다.


Fig. 11 
Structure of the neural network

설정된 본 인공신경망의 학습방법(알고리즘)은 Levenberg-Marquardt, Back-propagation이며, Hidden neurons의 개수는 10개이다.

Training(학습), Validation(검증) 및 Test(테스트)에 사용된 데이터는 총 480개의 Sample이며, 그 중 240개는 정상 스택의 데이터, 그리고 240개는 비정상 스택의 데이터이다. 이 480개 Sample은 다시 학습을 위해 336개 Sample(70 %), 검증을 위해 72개 Sample(15 %) 그리고 테스트를 위해 72개의 Sample을 사용하였다.

2.3.2 Neural network 학습방법 및 결과

인공신경망은 Weight와 Bias를 임의의 초기화한 후, 학습을 통해 Weight와 Bias 값이 정해지며, 이는 근사함수를 찾는 과정이다. 학습, 검증 및 테스트과정에서 ΔSpectrum와 ΔCurrent를 입력받아 그때의 출력 SoS를 학습하게 된다. 사용된 데이터의 양 및 양의 배분은 2.3.1과 같다.

Fig. 12는 학습, 검증, 테스트 과정에서의 오차(Error)를 나타내고, ±0.003의 빈도수가 가장 높은 것을 알 수 있다. 이는 약 ±0.3 %의 오차에 해당한다. 설정된 본 인공신경망의 학습방법인 Levenberg-Marquardt 방법에서는 Weight와 bias를 Network error의 변화(Gradient)를 고려하여 Error가 최소화하게 Weight와 Bias를 조정한다. Error는 원하는 값과 인공신경망의 출력의 차이를 나타낸다.


Fig. 12 
Error histogram of the neural network

Epoch(Iteration)에 따른 Gradient의 변화 및 오차의 최소치 탐색 파라미터인 Marquardt adjustment parameter Mu(μ)의 변화를 Fig. 13에 나타내었다. 학습과정이 진행될수록 오차가 지속적으로 감소함을 알 수 있다. 학습 프로세스의 종료조건을 나타내는 지표의 하나인 Validation check의 값은 최대 6으로 정하였음(Option)도 알 수 있다. 본 인공신경망의 Performance는 Fig. 14에 나타내었으며, 10번째 Epoch의 Validation에서 최소의 MSE(Mean Squared Error)가 출력된 것을 알 수 있다. 이를 통해 본 인공신경망이 학습 및 검증되었음을 알 수 있다.


Fig. 13 
Training state graphs


Fig. 14 
Performance graphs

2.4 실 스택에서의 지능형 판단 모듈을 사용한 진단 결과

지능형 판단 모듈을 사용한 진단 알고리즘의 실험적 검증은 Table 1과 같은 조건에서 대면적 셀(300 cm2)을 사용하여 수행하였다. 실 차량용 스택의 주행 운전모드에서의 비정상 셀 진단 성능을 동적인 SoS와 그의 누적 평균값(SoS)을 통하여 검증하였다. 정상 스택의 경우 진단 결과 누적 평균값(SoS)이 0에 가까운 값이, 비정상 스택의 경우 누적 평균값(SoS)이 1에 가까운 값이 출력되어야 한다. 당 실험의 경우 10개의 셀 중 한 개의 셀이 비정상인 경우는 누적 평균값(SoS)이 약 10 %인 0.1에 근사한 값이 출력되어야 한다. Fig. 15는 Fuzzy decision maker를 사용 시 정상 스택 누적 평균값(SoS)은 0.00이고 비정상 스택 평균은 누적 평균값(SoS)이 0.10임을 알 수 있다. 또한 Fig. 16은 Neural network decision maker 사용 시 정상 스택 평균은 누적 평균값(SoS)이 0.00, 비정상 스택 평균의 경우 누적 평균값(SoS)이 0.09임을 보인다. 동적인 SoS의 변화도 Fig. 15Fig. 16에 나타내었다.


Fig. 15 
Mean value of SoS(SoS) in case of the fuzzy decision maker (Between 0 ~ 240 sec in HWFET)


Fig. 16 
Mean value of SoS(SoS) in case of the neural network decision maker (Between 0 ~ 240 sec in HWFET)


3. 결 론

본 논문에서, 기존의 PEMFC 스택 진단하는 방법을 보다 정교하게 수행하기 위해 추가적으로 퍼지 및 인공신경망을 사용한 지능적 판단 모듈을 설계하였다. 이의 검증을 위해 실 연료전지 스택에서 검증을 HWFET 주행모드에서 수행하였다.

실 스택에서의 알고리즘 동작결과는 10개 셀이 모두 정상일 때는 스택의 상태를 나타내는 SoS 값의 누적평균이 퍼지 모듈의 경우 0.00, 한 개의 셀이 비정상인 경우 0.10이었고, 인공신경망을 사용한 지능형 판단 모듈의 결과는 모두 정상일 때는 0.00, 한 개의 셀이 비정상인 경우 0.09이었다. 이는 원하는 진단 결과와 거의 일치하는 결과로 지능형 판단 모듈의 도입으로 좀 더 명확한 진단이 가능함을 보였다.


Acknowledgments

본 연구는 지식경제부(산업통산자원부)의 산업기술혁신사업(산업융합원천기술 개발사업) 중 과제번호 10040003의 과제 및 강남대학교 연구지원 프로그램의 일부지원에 의하여 수행된 결과입니다.


References
1. DOE(U.S. Department of Energy), DOE Technical Targets for Fuel Cell Systems and Stacks for Transportation Applications, https://www.energy.gov/eere/fuelcells/doe-technical-targets-fuel-cell-systems-and-stacks-transportation-applications (2018).
2. S. Y. Yoo, and Y. -H. Lee, “Methods for Diagnosis and Minimum PT-Loading of PEM Fuel Cell Stack”, Transactions of KIEE, 62(1), p105-108, (2013).
3. Y. -H. Lee, S. Y. Yoo, and J. H. Kim, “Development of Real-time Diagnosis Method for PEMFC Stack via Intermodulation Method”, Transactions of KSAE, 22(7), p76-83, (2014).
4. Y. -H. Lee, J. H. Kim, and S. Y. Yoo, “On-line and Real-time Diagnosis Method for Proton Membrane Fuel Cell (PEMFC) Stack by the Superposition Principle”, Journal of Power Sources, 326, p264-269, (2016).
5. E. Ramschak, V. Peinecke, P. Prenninger, T. Schaffer, W. Baumgartner, and V. Hacker, “Online Stack Monitoring Tool for Dynamically and Stationary Operated Fuel Cell Systems”, Fuel Cells Bulletin, 2006(10), p12-15, (2006).
6. W. W. Kang, Y. -H. Lee, and S. Y. Yoo, “Development of a Real-time Diagnosis Method for PEMFC Stack via ΔSpectrum(delta spectrum) Method”, Information and Control Symposium, p129-131, (2016).
7. The MathWorks, Neural Network Toolbox, https://kr.mathworks.com/help/nnet/ref/view.html (2018).