Prädiktive Ausfallerkennung von Brennstoffzellen

Durch die nationale und europaweite Wasserstoffstrategie, in der Wasserstoff den Schlüssel zur Erreichung der Klimaziele darstellt, werden auch Brennstoffzellen zukünftig im Bereich der Mobilität als Antriebstechnik genutzt werden . Brennstoffzellen sind jedoch sehr sensible Systeme, die schon bei geringen Abweichungen des optimalen Arbeitspunktes, erheblich an Leistungsvermögen einbüßen können. Hierbei können irreparable Schäden entstehen, die die restliche Lebenszeit stark reduzieren. Dabei geht ein Totalschaden der Brennstoffzelle sogar mit einem Totalschaden des Fahrzeuges einher, da die Brennstoffzelle nicht als Austauschkomponente vorgesehen ist.

Eine frühzeitige Erkennung von Fehlverhalten in Form von prädiktiver Ausfallerkennung für Brennstoffzellen steigert die Lebensdauer und Sicherheit der Brennstoffzelle und bietet die Möglichkeit individuelle Optimierungen durchzuführen. Das Fraunhofer IMS steht dabei im Kontakt zu Brennstoffzellenherstellern und -Systementwicklern, um innovative Lösungen für eine prädiktive Ausfallerkennung für Brennstoffzellen mittels Embedded KI zu realisieren.

Die Brennstoffzelle ist ein komplexes System und kann durch Fehlverhalten und Fehler deutlich in der verbleibenden Lebenszeit reduziert werden. Diese Fehler werden aktuell erst bei der Wartung bzw. bei deutlicher Reduzierung der Leistungsfähigkeit erkannt. Dann kann es aber schon zu spät sein und die Brennstoffzelle wird dauerhaft geschädigt und die Lebenszeit verringert. Dieses Problem wird mit Hilfe von KI basierten Systemen zur prädiktiven Ausfallerkennung lösbar. Außerdem ist anhand des Verhaltens der Brennstoffzelle eine Prognose möglich, mit der man die Betriebsparameter optimieren kann.

Das Fraunhofer IMS bietet hier Kompetenzen im Bereich der Merkmalsextraktion und AIfES an, um stromsparende, kleine und schnelle Systeme zur Überwachung der Brennstoffzelle zu realisieren. Die Daten werden direkt auf dem System in oder an der Brennstoffzelle bearbeitet und benötigen keine Internet- oder Cloudverbindung: perfekt für mobile Anwendungen!

Das Fraunhofer IMS entwickelt möglichst kleine neuronale Netze, indem entscheidende Merkmale vorab extrahiert werden. Durch die minimale Größe des neuronalen Netzes steigt die Nachvollziehbarkeit des Datenverarbeitungsprozesses (Greybox Ansatz) und unterstützt somit den Einsatz der neuronalen Netze auch in sicherheitssensitiven Anwendungen.

Dieses Prinzip ist jedoch nicht auf die Brennstoffzellenanwendung beschränkt. Eine Adaption der prädiktiven Ausfallerkennung auf diverse weitere Anwendungsfälle und Komponenten im Automobil, wie z.B. Katalysatoren oder Turbolader, ist möglich. Weil das Verfahren plattformunabhängig und schon auf kleinen ressourcenbeschränkten Systemen funktioniert, kann es an vielen Stellen eingesetzt werden, wo es sehr stark auf Kosteneffizienz ankommt.