Titel

Herstellungsverfahren und Herstellungssystem zur Herstellung eines Brennstoffzellenstapels

Die vorgestellte Erfindung betrifft ein Herstellungsverfahren und ein Herstellungssystem zur Herstellung eines Brennstoffzellenstapels.

Stand der Technik

Gemäß dem Stand der Technik werden Brennstoffzellen bei der Fertigung mittels für einen jeweiligen Fertigungspunkt spezifischer Einzelprüfungen geprüft, indem jeweilig ermittelte Messwerte mit vorgegebenen Prüfgrenzen abgeglichen werden. Brennstoffzellen, deren Messwerte eine übermäßige Abweichung von den Prüfgrenzen zeigen, werden aussortiert.

Offenbarung der Erfindung

Im Rahmen der vorgestellten Erfindung werden ein Herstellungsverfahren und ein Herstellungssystem zur Herstellung eines Brennstoffzellenstapels vorgestellt. Weitere Merkmale und Details der Erfindung ergeben sich aus den jeweiligen Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Herstellungsverfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Herstellungssystem und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird bzw. werden kann. Die vorgestellte Erfindung dient insbesondere dazu, ein robustes Brennstoffzellensystem bereitzustellen.

Es wird somit gemäß einem ersten Aspekt der vorgestellten Erfindung ein Herstellungsverfahren zur Herstellung eines Brennstoffzellenstapels vorgestellt.

Das Herstellungsverfahren umfasst das Fertigen einer Anzahl Brennstoffzellen in einer Fertigungsstraße durch eine Vielzahl Fertigungsschritte, das Ermitteln von Spannungswerten einer Spannung einer jeweiligen Brennstoffzelle der Anzahl Brennstoffzellen, von einem Startzeitpunkt, zu dem eine Brennstoffzufuhr zu der Brennstoffzelle unterbrochen wird, bis zu einem Endzeitpunkt, das Zuordnen der Spannungswerte zu einer ersten Gruppe, die einen fehlerfreien Zustand der Brennstoffzelle beschreibt, oder einer zweiten Gruppe, die einen fehlerhaften Zustand der Brennstoffzelle beschreibt, mittels eines maschinellen Lerners, das Aussortieren von Brennstoffzellen, deren Spannungswerte durch den maschinellen Lerner der zweiten Gruppe zugeordnet werden und das Zusammenfügen lediglich von Brennstoffzellen, deren Spannungswerte durch den maschinellen Lerner der ersten Gruppe zugeordnet wurden, zu einem Brennstoffzellenstapel.

Unter einem fehlerhaften Zustand ist im Kontext der vorgestellten Erfindung ein Zustand einer Brennstoffzelle zu verstehen, der abnormal ist und zu einer verfrühten Alterung bzw. einer reduzierten Standzeit gegenüber einem Normalzustand führt.

Die vorgestellte Erfindung basiert auf dem Prinzip, dass ein Verhalten einer Brennstoffzelle anhand eines Spannungsverlaufs beim Ende eines Betriebszyklus der Brennstoffzelle, dem sogenannten „bleed-down“, bei dem eine Zufuhr von Brennstoff zu der Brennstoffzelle unterbrochen ist, ermittelt und zur Beurteilung eines Zustands der Brennstoffzelle verwendet wird. Dazu wird der Spannungsverlauf einer jeweiligen Brennstoffzelle, von einem Startzeitpunkt, zu dem eine Brennstoffzufuhr zu der Brennstoffzelle unterbrochen wird, bis zu einem Endzeitpunkt, wie bspw. einem vorgegebenen Betriebszustand oder einem vorgegebenen zeitlichen Abstand zu dem Startzeitpunkt, der bspw. eine Sekunde dauern kann, ausgewertet. Zum Beurteilen eines Zustands einer Brennstoffzelle wird erfindungsgemäß ein maschineller Lerner verwendet, der beim „bleed-down“ ermittelte Spannungswerte, d.h. eine Vielzahl von Spannungswerten bzw. ein Verlauf von Spannungswerten, einer ersten Gruppe, die einen fehlerfreien Zustand beschreibt, oder einer zweiten Gruppe, die einen fehlerhaften Zustand beschreibt, zuordnet. Entsprechend erkennt der maschinelle Lerner fehlerhafte und fehlerfreie Brennstoffzellen automatisch.

Durch die Verwendung des maschinellen Lerners kann auf vorgegebene Prüfgrenzen verzichtet werden, sodass eine Anzahl falsch fehlerhaft erkannter Brennstoffzellen minimiert wird. Stattdessen erfolgt die Erkennung fehlerhafter bzw. abnormaler Brennstoffzellen anhand einer durch den maschinellen Lerner erlernten und stetig adaptierten Zuordnungslogik.

Insbesondere ist vorgesehen, dass dem maschinellen Lerner lediglich Spannungswerte und entsprechend keine sogenannten „Labeldaten“, d.h. durch einen Nutzer vorgegebene Grundwahrheiten zum Trainieren des maschinellen Lerners übermittelt werden.

Insbesondere kann vorgesehen sein, dass eine Fehlermeldung auf einer Ausgabeeinheit, wie bspw. einer Anzeige und/oder einem Lautsprecher für den Fall ausgegeben wird, dass der maschinelle Lerner die Spannungswerte der zweiten Gruppe bzw. nicht der ersten Gruppe zuordnet. Dies bedeutet, dass für den Fall, dass eine fehlerhafte Brennstoffzelle erkannt wird, eine Fehlermeldung ausgegeben wird.

Eine Zuordnung von Spannungswerten zu der zweiten Gruppe deutet auf eine Abnormalität in einem Verhalten bzw. einem Aufbau einer jeweiligen Brennstoffzelle, wie bspw. eine Gasleckage oder eine veränderte elektronische Leitfähigkeit, wie bspw. ein Kurzschluss) hin, sodass ein Defekt der Brennstoffzelle in naher Zukunft wahrscheinlich ist und ein entsprechender Hinweis auf einen zu erwartenden Defekt ausgegeben werden kann.

Es kann vorgesehen sein, dass der Endzeitpunkt vorgegeben ist oder in Abhängigkeit des Startzeitpunkts dynamisch bestimmt wird. Ein dynamisch bestimmter Endzeitpunkt kann bspw. ein in Abhängigkeit eines Betriebszustands des Brennstoffzellensystems gewählter Zeitpunkt sein, so dass der Endzeitpunkt sich in Abhängigkeit eines aktuell in dem Brennstoffzellensystem eingestellten Betriebszustands ändert. Dazu kann bspw. ein Zuordnungsschema vorgegeben sein, dass jeweiligen Betriebszuständen jeweilige Endzeitpunkte zuordnet.

Es kann vorgesehen sein, dass der maschinelle Lerner ein unsupervised learning Modell umfasst, das Parameter, die zu einer Zuordnung von Spannungswerten zu der ersten Gruppe führen, anhand von dem maschinellen Lerner zugeführten Spannungswerten verschiedener Brennstoffzellen fortlaufend selbst aktualisiert.

Ein unsupervised learning Modell basiert auf einem Kernprogramm, das eingehende Daten, im vorliegenden Fall Spannungsverläufe beim „bleed-down“, in Gruppen einteilt. Dabei definiert das Kernprogramm jeweilige Unterscheidungsmerkmale, die zur Einteilung in eine jeweilige Gruppe führen, selbst. Entsprechend müssen dem Kernprogramm keine physikalischen Zusammenhänge oder Modelle bereitgestellt werden. Vielmehr ermittelt das Kernprogramm diese Zusammenhänge selbst und definiert dadurch bedingt selbst, was unter einer ersten Gruppe und einer zweiten Gruppe zu verstehen ist. Dabei erfolgt die Definition der ersten Gruppe als einen fehlerfreien Zustand der Brennstoffzelle beschreibend dadurch, dass das Kernprogramm mehr Daten von Brennstoffzellen im fehlerfreien Zustand als Daten von Brennstoffzellen im fehlerhaften Zustand erhält. Entsprechend wird die erste Gruppe anhand von in einem Normalbereich streuenden Spannungswerten gebildet, während die zweite Gruppe solche Spannungswerte betrifft, die außerhalb der ersten Gruppe bzw. einer entsprechenden „Punktewolke“ liegen.

Dem unsupervised learning Modell werden keine vorsortierten Spannungsdaten zum Training bereitgestellt. Vielmehr erfolgt das Training des unsupervised learning Modells lediglich anhand von Spannungsdaten, die auch im realen Betrieb dem unsupervised learning Modell als Eingangssignal bereitgestellt werden. Bspw. kann als unsupervised learning Modell ein sogenannter „k-means- Algorithmus“, ein „Expectation-Maximization-Algorithmus“ oder ein „Density- Based Spatial Clustering of Applications with Noise-Algorithmus“ verwendet werden, der Gruppen mit geringer Varianz und ähnlicher Größe bildet.

Es kann vorgesehen sein, dass der maschinelle Lerner anhand von fehlerhaften Brennstoffzellen trainiert wird.

Um dem erfindungsgemäß vorgesehenen maschinellen Lerner eine exakte Unterscheidung zwischen einer fehlerfreien Brennstoffzelle und einer fehlerhaften Brennstoffzelle bzw. eine Einteilung von Spannungswerten zu der ersten Gruppe oder der zweiten Gruppe zu ermöglichen, können dem maschinellen Lerner in Ausgestaltung der vorgestellten Erfindung Eingangswerte bereitgestellt werden, die anhand von fehlerhaften Brennstoffzellen ermittelt wurden, sodass der maschinelle Lerner sein zugrundliegendes mathematisches Modell entsprechend adaptieren kann.

Es kann vorgesehen sein, dass für den Fall, dass der maschinelle Lerner an einer jeweiligen Brennstoffzelle ermittelte Spannungswerte der zweiten Gruppe zuordnet, der Brennstoffzelle ein Warnhinweis für eine fehlerhafte Fertigung zugeordnet wird.

Ein Warnhinweis, wie bspw. eine Fehlermeldung, die auf einer Anzeige oder einem Lautsprecher ausgegeben wird, kann einen Nutzer über eine Zuordnung einer jeweiligen Brennstoffzelle zu der zweiten Gruppe durch den maschinellen Lerner informieren, so dass der Nutzer die Brennstoffzelle bspw. aus einem Produktionsprozess entfernen oder einem Nachbehandlungsprozess zuführen kann.

Es kann weiterhin vorgesehen sein, dass die Spannungswerte mittels eines mathematischen Verfahrens vorverarbeitet werden.

Durch eine Vorverarbeitung, bei der bspw. im Vorfeld Dimensionen definiert werden, anhand derer der maschinelle Lerner eine Zuordnung vornehmen kann, kann eine Genauigkeit und eine Geschwindigkeit der Zuordnung durch den maschinellen Lerner maximiert werden, da die Anzahl an potenziell zur Verfügung stehenden Dimensionen reduziert wird.

Es kann weiterhin vorgesehen sein, dass das mindestens eine mathematische Verfahren eine Korrelation von Spannungswerten und einer Anzahl vorgegebener geometrischer Parameter umfasst.

Durch eine Vorverarbeitung, bei der geometrische Parameter, insbesondere Ausreißer und/oder Muster vorgegeben werden, kann auf Prüfgrenzen zur Identifikation von fehlerhaften Brennstoffzellen verzichtet werden, sodass eine Anzahl falsch fehlerhaft erkannter Brennstoffzellen minimiert wird.

Es kann weiterhin vorgesehen sein, dass eine Eingriffsgrenze, ab der eine Fehlermeldung ausgegeben wird, mittels der Methode der kleinsten Fehlerquadrate ermittelt wird.

Durch eine Eingriffsgrenze kann eine Ausgabe einer Fehlermeldung bei kleineren Abweichungen in den Spannungswerten, die bspw. innerhalb einer zulässigen Fehlertoleranz liegen, vermieden werden.

Es kann weiterhin vorgesehen sein, dass die Eingriffsgrenze mit zunehmender Anzahl durchgeführter Herstellungszyklen zunehmend abgesenkt wird.

Durch eine zunehmende Absenkung der Eingriffsgrenze wird mit fortschreitend trainiertem maschinellen Lerner zunehmend der maschinelle Lerner als Entscheider für eine Ausgabe einer Fehlermeldung herangezogen. Entsprechend wird ein untrainierter maschineller Lerner vor einer falschen negativen Entscheidung durch eine hohe Eingriffsgrenze geschützt und ein trainierter maschineller Lerner durch eine niedrige Eingriffsgrenze belastet. Dabei kann ein neuer untrainierter maschineller Lerner durch ein von einer zentralen Datenbank vorgegebenen Berechnungsmodell vorkonfiguriert werden, sodass der maschinelle Lerner das bereitgestellte Berechnungsmodell ggf. weiter verfeinert und ggf. an spezifische Gegebenheiten in einem jeweiligen Brennstoffzellensystem anpasst. Gemäß einem zweiten Aspekt betrifft die vorgestellte Erfindung ein Herstellungssystem zur Herstellung eines Brennstoffzellenstapels.

Das Herstellungssystem umfasst eine Fertigungsstraße und eine Recheneinheit, wobei die Recheneinheit dazu konfiguriert ist, eine mögliche Ausgestaltung des vorgestellten Herstellungsverfahrens auszuführen.

Unter einer Recheneinheit ist im Kontext der vorgestellten Erfindung ein Computer, insbesondere ein Prozessor bzw. ein Subprozessor oder jeder weitere programmierbare Schaltkreis zu verstehen.

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.

Es zeigen:

Figur 1 eine schematische Darstellung einer möglichen Ausgestaltung des vorgestellten Herstellungsverfahrens.

Figur 2 eine schematische Darstellung einer möglichen Ausgestaltung des vorgestellten Herstellungssystems.

In Figur 1 ist ein Herstellungsverfahren 100 dargestellt. Das Herstellungsverfahren 100 umfasst einen Fertigungsschritt 101, bei dem eine Anzahl Brennstoffzellen in einer Fertigungsstraße durch eine Vielzahl Fertigungsschritte gefertigt wird, einen Ermittlungsschritt 103, bei dem Spannungswerte einer Spannung einer jeweiligen Brennstoffzelle der Anzahl Brennstoffzellen, von einem Startzeitpunkt, zu dem eine Brennstoffzufuhr zu der Brennstoffzelle unterbrochen wird, bis zu einem Endzeitpunkt ermittelt werden, einen Zuordnungsschritt 105, bei dem die Spannungswerte einer ersten Gruppe, die einen fehlerfreien Zustand der Brennstoffzelle beschreibt, oder einer zweiten Gruppe, die einen fehlerhaften Zustand der Brennstoffzelle beschreibt, mittels eines maschinellen Lerners zugeordnet werden, einen Aussortierungsschritt 107, bei dem Brennstoffzellen, deren Spannungswerte durch den maschinellen Lerner der zweiten Gruppe zugeordnet werden, aussortiert werden, und einen Zusammenfügungsschritt 109, bei dem lediglich Brennstoffzellen zu einem Brennstoffzellenstapel zusammengefügt werden, deren Spannungswerte durch den maschinellen Lerner der ersten Gruppe zugeordnet wurden.

Insbesondere kann der maschinelle Lerner dazu konfiguriert sein, sogenannte „End-of-Line“ elektrochemische Messungen wie bspw. „Bleed Down Zeiten“ bzw. entsprechende Punktewolken von Messwerten als Basis für eine Zuordnung der Messwerte zu einer von mindestens zwei Gruppen zu verwenden, und fehlerhafte Brennstoffzellen zu erkennen bzw. von fehlerfreien Brennstoffzellen zu unterscheiden. Dazu kann der maschinelle Lerner bspw. geometrische Maße, wie bspw. Abstände, Toleranzeinhaltung etc.) ermitteln oder als Eingabeparameter übermittelt bekommen.

Entsprechend erkennt der maschinelle Lerner Eigenschaften, die zu auffälligen Bleed Down Werten oder besonders niedrigen Strom/ Spannungswerten führen, sodass entsprechende Brennstoffzellen vor einer Zusammenfügung zu einem Brennstoffzellenstapel aussortiert und verworfen werden können.

In Figur 2 ist ein Herstellungssystem 200 dargestellt. Das Herstellungssystem 200 umfasst eine Fertigungsstraße 201, wie bspw. eine Anzahl Maschinen 205, insbesondere eine Anzahl Fertigungsroboter, und eine Recheneinheit 203. Die Recheneinheit ist dazu konfiguriert, das Herstellungsverfahren 100 durchzuführen. Dazu kann die Recheneinheit 100 bspw. mit Sensoren 207 an der Fertigungsstraße verbunden sein und jeweilige Maschinen 205 der Fertigungsstraße derart ansteuern, dass diese eine aktuell bearbeitete Brennstoffzelle verwerfen, wenn diese durch den maschinellen Lerner der zweiten Gruppe zugeordnet bzw. als fehlerhaft erkannt wird.