本發(fā)明涉及一種用于制造燃料電池堆的制造方法和制造系統(tǒng)。

背景技術：

1、根據現有技術，燃料電池在制造時借助對于對應的制造點專用的單個檢查來進行檢查，其方式是，分別將求取到的測量值與預給定的檢查邊界進行比較。測量值與檢查邊界的偏差過大的燃料電池被篩選出去。

技術實現思路

1、在本發(fā)明的框架內提出一種用于制造燃料電池堆的制造方法和制造系統(tǒng)。本發(fā)明的其他特征和細節(jié)由對應的從屬權利要求、說明書和附圖得出。在此結合根據本發(fā)明的制造方法所說明的特征和細節(jié)當然在根據本發(fā)明的制造方面也適用，并且反之亦然，使得對于針對單個發(fā)明方面的公開內容而言總是被相互引用或者可以相互引用。

2、本發(fā)明特別用于提供堅固的燃料電池系統(tǒng)。

3、因此，根據本發(fā)明的第一方面提出一種用于制造燃料電池堆的制造方法。

4、該制造方法包括在流水線上通過多個制造步驟制造數個燃料電池，從起始時間點到結束時間點求取數個燃料電池中的對應的燃料電池的電壓的電壓值，在起始時間點中斷對燃料電池的燃料供應，借助機器學習器將所述電壓值分配給說明燃料電池的無故障狀態(tài)的第一組或者分配給說明燃料電池的有故障狀態(tài)的第二組，篩選出其電壓值被機器學習器分配給第二組的燃料電池，并且僅將其電壓值被機器學習器分配給第一組的燃料電池組裝成燃料電池堆。

5、有故障狀態(tài)在本發(fā)明的上下文中理解為燃料電池的一種狀態(tài)，該狀態(tài)是不正常的并且導致提早老化或者說與正常狀態(tài)相比減少使用壽命。

6、所提出的發(fā)明基于此原理，即，根據電壓變化進程在燃料電池的運行周期結束時進行、即在所謂的“放電”時求取燃料電池的行為并將其用于評判燃料電池的狀態(tài)，在放電時中斷給燃料電池供應燃料。為此從起始時間點到結束時間點分析評價對應的燃料電池的電壓變化進程，在起始時間點中斷向燃料電池的燃料供應，結束時間點例如是預給定的運行狀態(tài)或者預給定的到起始時間點的時間間隔，該間隔例如可以持續(xù)一秒。

7、為了評判燃料電池狀態(tài)，根據本發(fā)明使用機器學習器，該機器學習器在“放電”時將求取的那些電壓值，即多個電壓值或者說電壓值變化進程，分配給說明無故障狀態(tài)的第一組或分配給說明有故障狀態(tài)的第二組。相應地，機器學習器自動識別有故障的燃料電池和無故障的燃料電池。

8、通過使用機器學習器可以放棄預給定的檢查邊界，使得被錯誤地識別成為有故障的燃料電池的數量最小化。取而代之，根據由機器學習器學習并持續(xù)適配的分配邏輯進行對有故障的或者說不正常的燃料電池的識別。

9、尤其設置，為了訓練機器學習器，向機器學習器只傳輸電壓值，相應地不傳輸所謂的“標簽數據”，即通過使用者預給定的基本事實。

10、可以尤其設置，如果機器學習器將電壓值分配給第二組或者說不是分配給第一組，則在輸出單元例如顯示器和/或揚聲器上輸出故障報告。這意味著，如果識別到有故障的燃料電池，則輸出故障報告。

11、將電壓值分配給第二組意味著對應的燃料電池的行為或構建中的異常，例如氣體泄漏或電傳導性改變(例如短路)，使得燃料電池的缺陷在不久的將來很可能發(fā)生并且可以輸出針對預期缺陷的相應指示。

12、可以設置，預給定結束時間點或者根據開始時間點動態(tài)地確定結束時間點。動態(tài)確定的結束時間點例如可以是根據燃料電池系統(tǒng)的運行狀態(tài)選擇的時間點，使得結束時間點根據在燃料電池系統(tǒng)中當前設定的運行狀態(tài)而改變。為此可以例如預給定分配圖表，該分配圖表各個結束時間點分配給對應的運行狀態(tài)。

13、可以設置，機器學習器包括無監(jiān)督學習模型，該模型根據供應給機器學習器的、不同燃料電池的電壓值連續(xù)地自我更新導致將電壓值分配給第一組的參數。

14、無監(jiān)督學習模型基于核心程序，該核心程序將詳細的數據，在當前情況下為在“放電”時的電壓變化進程，劃分成組。在此核心程序本身定義導致劃分成各個組的各個區(qū)分特征。相應地不必給核心程序提供物理的相互關系或者模型。而是核心程序本身求取這些相互關系并且由此本身由條件決定地定義：要將第一組理解為什么、將第二組理解為什么。在此，將第一組定義為燃料電池的無故障狀態(tài)說明性地由此進行：與從處于有故障狀態(tài)下的燃料電池獲得的數據相比，核心程序從處于無故障狀態(tài)下的燃料電池獲得更多的數據。相應地，借助在正常范圍內起控制作用的電壓值形成第一組，而第二組涉及處于第一組或者相應的“點云”之外的那些電壓值。

15、不給無監(jiān)督學習模型提供用于訓練的預篩選電壓值。而是無監(jiān)督學習模型的訓練僅根據也在真實運行中作為輸入信號提供給無監(jiān)督學習模型的電壓數據來進行。

16、例如可以使用所謂的“k均值算法(k-means-algorithmus)”、“期望最大化算法(expectation-maximization-algorithmus)”或者“基于密度的空間聚類與噪聲算法(density-based?spatial?clustering?of?applications?with?noise-algorithmus)”作為無監(jiān)督學習模型，該算法形成帶有小的差異和相似的大小的組。

17、可以設置，根據有故障的燃料電池來訓練機器學習器。

18、為了使得根據本發(fā)明設置的機器學習器能夠在無故障的燃料電池和有故障的燃料電池之間準確區(qū)別或者說能夠將電壓值劃分到第一組或第二組，在本發(fā)明構型中可以給機器學習器提供根據有故障的燃料電池所求取的輸入值，使得機器學習器可以相應適配其底層數學模型。

19、可以設置，如果機器學習器將在對應的燃料電池上求取的電壓值分配給第二組，則將“有故障的制造”的報警指示分配給該燃料電池。

20、在顯示器或者揚聲器上輸出的報警指示、例如故障報告，可以告知使用者由機器學習器將對應的燃料電池分配給第二組，使得使用者可以例如從生產過程中去除該燃料電池或者將其供應給后處理過程。

21、此外可以設置，借助數學方法預處理電壓值。

22、在預處理時例如在準備階段定義維度，機器學習器可以根據這些維度進行分配，通過該預處理，可以使由機器學習器進行的分配的精度和速度最大化，因為減少了潛在要供使用的維度的數量。

23、此外可以設置，至少一個數學方法包括電壓值和數個預給定幾何參數的相關。

24、在預處理時預給定幾何參數，特別預給定異常值和/或范例，通過該預處理，可以放棄用于識別有故障的燃料電池的檢查邊界，使得被錯誤地識別為有故障的燃料電池的數量最小化。

25、此外可以設置，借助最小平方差方法求取干預邊界，從該干預邊界起輸出故障報告。

26、通過干預邊界，可以避免在電壓值的偏差較小(例如該偏差處于允許的公差內)的情況下輸出故障報告。

27、此外可以設置，隨著執(zhí)行的制造周期的數量增加，干預邊界越來越降低。

28、通過干預邊界的越來越降低，隨著不斷訓練的機器學習器，機器學習器逐漸被用作用于輸出故障報告的決策者。相應地，通過高的干預邊界保護未訓練過的機器學習器避免做出錯誤的負面決策，通過低的干預邊界使訓練過的機器學習器進行負擔。在此可以通過由中央數據庫預給定的計算模型預配置新的未訓練過的機器學習器，使得機器學習器必要時進一步細化所提供的計算模型并且必要時使其適配于對應的燃料電池系統(tǒng)中的特定的給定條件。

29、根據本發(fā)明的第二方面，提出一種用于制造燃料電池堆的制造系統(tǒng)。

30、制造系統(tǒng)包括流水線和計算單元，其中，計算單元被配置為用于，實施所提出的制造方法的可能構型。

31、本發(fā)明上下文中的計算單元理解為計算機，特別是處理器或者子處理器或者任何其他可編程開關電路。

32、本發(fā)明的其他優(yōu)點、特征和細節(jié)由下面的說明書得出，在下面的說明書中參照附圖對本發(fā)明實施例進行了詳細說明。在此，在權利要求書中和說明書中提及的特征分別單獨地或者任意組合地對發(fā)明有實質意義。