JP2024118039A - 故障検出及び劣化推定装置 - Google Patents
故障検出及び劣化推定装置 Download PDFInfo
- Publication number
- JP2024118039A JP2024118039A JP2023024209A JP2023024209A JP2024118039A JP 2024118039 A JP2024118039 A JP 2024118039A JP 2023024209 A JP2023024209 A JP 2023024209A JP 2023024209 A JP2023024209 A JP 2023024209A JP 2024118039 A JP2024118039 A JP 2024118039A
- Authority
- JP
- Japan
- Prior art keywords
- cell voltage
- mean
- fuel cell
- time
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000006866 deterioration Effects 0.000 title claims abstract description 35
- 239000000446 fuel Substances 0.000 claims abstract description 121
- 239000003054 catalyst Substances 0.000 claims description 47
- 230000015556 catabolic process Effects 0.000 claims description 34
- 238000006731 degradation reaction Methods 0.000 claims description 32
- 230000007423 decrease Effects 0.000 claims description 29
- 230000002596 correlated effect Effects 0.000 claims description 21
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 13
- 229910052739 hydrogen Inorganic materials 0.000 claims description 13
- 239000001257 hydrogen Substances 0.000 claims description 13
- 239000000498 cooling water Substances 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000002826 coolant Substances 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 19
- 238000000034 method Methods 0.000 description 18
- 230000032683 aging Effects 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 7
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Chemical compound [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 229910052697 platinum Inorganic materials 0.000 description 3
- 239000005518 polymer electrolyte Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012888 cubic function Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229920000554 ionomer Polymers 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/043—Processes for controlling fuel cells or fuel cell systems applied during specific periods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/0432—Temperature; Ambient temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04537—Electric variables
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04313—Processes for controlling fuel cells or fuel cell systems characterised by the detection or assessment of variables; characterised by the detection or assessment of failure or abnormal function
- H01M8/04664—Failure or abnormal function
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/10—Fuel cells with solid electrolytes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/10—Fuel cells with solid electrolytes
- H01M8/12—Fuel cells with solid electrolytes operating at high temperature, e.g. with stabilised ZrO2 electrolyte
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Fuel Cell (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
Abstract
【課題】セル電圧が一時的な変動を繰り返す場合であっても、燃料電池の異常や故障を高精度に検出することが可能な故障検出及び劣化推定装置を提供すること。【解決手段】時刻ｔにおける燃料電池のＦＣ電流ｉ(ｔ)、第１セル電圧Ｖ1(ｔ)、第１特徴量Ｘ1(ｔ)、及び、第２特徴量Ｘ2(ｔ)を含む出力データを逐次取得する。次に、出力データの中から、ｉ(t)が代表電流ｉrである時の時刻ｔ及び第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出する。次に、出力データの中から、ｉ(ｔ)が代表電流ｉrである時の時刻ｔ、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出する。次に、Ｖf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2）を差し引くことにより、時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出する。さらに、Ｖmean(ｔ,ｉr)に基づいて、燃料電池が故障又は劣化したか否かを判断する。【選択図】図４
Description
本発明は、故障検出及び劣化推定装置に関し、さらに詳しくは、燃料電池の異常や故障を高精度に、かつ、より早期に検出すること、あるいは、燃料電池の劣化の程度を推定することが可能な故障検出及び劣化推定装置に関する。
固体高分子形燃料電池（以下、単に「燃料電池」ともいう）は、電解質膜の両面に電極触媒を含む触媒層が接合された膜電極接合体（Membrane Electrode Assembly，ＭＥＡ）を備えている。触媒層は、電極反応の反応場となる部分であり、一般に、白金等の触媒粒子を担持したカーボンと固体高分子電解質（触媒層アイオノマ）との複合体からなる。
燃料電池において、触媒層の外側には、通常、ガス拡散層が配置されている。ガス拡散層の外側には、さらにガス流路を備えた集電体（セパレータ）が配置される。燃料電池は、通常、このようなＭＥＡ、ガス拡散層、及び集電体からなる単セルが複数個積層された構造（燃料電池スタック）を備えている。
燃料電池において、触媒層の外側には、通常、ガス拡散層が配置されている。ガス拡散層の外側には、さらにガス流路を備えた集電体（セパレータ）が配置される。燃料電池は、通常、このようなＭＥＡ、ガス拡散層、及び集電体からなる単セルが複数個積層された構造（燃料電池スタック）を備えている。
燃料電池を車載動力源として用いた場合、車両の走行状況に応じて燃料電池の電圧が大きく変動する。燃料電池が低負荷状態にある場合、カソード触媒は高電位状態に曝されるためにカソード触媒から触媒成分が溶出しやすくなる。一方、燃料電池が高負荷状態にある場合、カソード触媒は低電位状態に曝されるために溶出した触媒成分がカソード触媒の表面に再析出しやすくなる。そのため、カソード触媒が高電位状態と低電位状態に繰り返し曝されると、カソード触媒が次第に劣化する。カソード触媒が劣化すると、燃料電池のセル電圧も低下する。
一方、このような電極触媒の経年劣化とは別の原因で、燃料電池のセル電圧が低下する場合がある。この場合、セル電圧の低下の原因を早期に発見することができれば、燃料電池の保守、点検に要する費用を削減できる可能性がある。そのため、燃料電池の故障検出に関し、従来から種々の提案がなされている。
例えば、特許文献１には、
（ａ）燃料電池システムにおける燃料電池スタック電圧の実効値がシミユレータによる模擬結果と一致するように、燃料電池の有効電極面積を算出し、
（ｂ）有効電極面積が正常範囲から外れたときに異常と判断する
燃料電池監視システムが開示されている。
同文献には、このようなシステムにより、保守にかかる工数を大幅に削減し、燃料電池発電システム内部の劣化状況を正確に監視することができる点が記載されている。
（ａ）燃料電池システムにおける燃料電池スタック電圧の実効値がシミユレータによる模擬結果と一致するように、燃料電池の有効電極面積を算出し、
（ｂ）有効電極面積が正常範囲から外れたときに異常と判断する
燃料電池監視システムが開示されている。
同文献には、このようなシステムにより、保守にかかる工数を大幅に削減し、燃料電池発電システム内部の劣化状況を正確に監視することができる点が記載されている。
燃料電池の出力は、通常、時々刻々と変化している。そのため、特定の条件下で計測されるセル電圧が低下した時に、実際のセル電圧の変化のみに基づいて、セル電圧の低下が電極触媒の経年劣化によるものか、あるいは、それ以外の事象（すなわち、燃料電池の異常や故障）によるものかを区別するのは難しい。
この点に関し、特許文献１には、有効電極面積が正常範囲から外れたか否かで異常の有無を検出できると記載されている。しかし、特許文献１では、セル電圧の実効値から有効電極面積を推定しており、一時的なセル電圧の変動が考慮されていない。そのため、一時的なセル電圧の変動による電圧低下を有効電極面積の低下と判断し、燃料電池が正常であるにもかかわらず、異常が生じたと誤認するおそれがある。
さらに、燃料電池の故障の有無や劣化の程度を高精度に推定することが可能な装置が提案された例は、従来にはない。
さらに、燃料電池の故障の有無や劣化の程度を高精度に推定することが可能な装置が提案された例は、従来にはない。
本発明が解決しようとする課題は、セル電圧が一時的な変動を繰り返す場合であっても、燃料電池の異常や故障を高精度に、かつ、より早期に検出すること、あるいは、燃料電池の劣化の程度を高精度に推定することが可能な故障検出及び劣化推定装置を提供することにある。
上記課題を解決するために本発明に係る故障検出及び劣化推定装置は、以下の構成を備えている。
（Ａ）時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる第１手段。
但し、「第１セル電圧Ｖ1(ｔ)」とは、全時刻における前記燃料電池のセル電圧の内、前記燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。
（Ｂ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の前記時刻ｔ及び前記第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第２手段。
（Ｃ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の前記時刻ｔ、前記第１特徴量Ｘ1(ｔ)、及び前記第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これを前記メモリに記憶させる第３手段。
（Ｄ）前記Ｖf(ｔ,ｉr)から前記Ｙm(Ｘ1,Ｘ2）を差し引くことにより、前記時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第４手段。
（Ｅ）前記Ｖmean(ｔ,ｉr)に基づいて、前記燃料電池が故障又は劣化したか否かを判断する第５手段。
（Ａ）時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる第１手段。
但し、「第１セル電圧Ｖ1(ｔ)」とは、全時刻における前記燃料電池のセル電圧の内、前記燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。
（Ｂ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の前記時刻ｔ及び前記第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第２手段。
（Ｃ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の前記時刻ｔ、前記第１特徴量Ｘ1(ｔ)、及び前記第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これを前記メモリに記憶させる第３手段。
（Ｄ）前記Ｖf(ｔ,ｉr)から前記Ｙm(Ｘ1,Ｘ2）を差し引くことにより、前記時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第４手段。
（Ｅ）前記Ｖmean(ｔ,ｉr)に基づいて、前記燃料電池が故障又は劣化したか否かを判断する第５手段。
まず、時々刻々と変化するＦＣ電流ｉ(ｔ)、第１セル電圧Ｖ1(ｔ)、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を取得し、これらをメモリに記憶させる。
次に、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時（例えば、ｉr＝０．２Ａ／ｃｍ2である時）の時刻ｔ及びＶ1(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時のセル電圧の経時変化、すなわち、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出する。
同様に、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ、Ｘ1(ｔ)、及びＸ2(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時の一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出する。
さらに、得られたＶf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引くことにより、平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出する。
次に、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時（例えば、ｉr＝０．２Ａ／ｃｍ2である時）の時刻ｔ及びＶ1(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時のセル電圧の経時変化、すなわち、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出する。
同様に、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ、Ｘ1(ｔ)、及びＸ2(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時の一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出する。
さらに、得られたＶf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引くことにより、平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出する。
非故障時において、Ｖf(ｔ,ｉr)には、電極触媒の経時劣化に起因するセル電圧の低下と、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)とが含まれる。また、燃料電池が故障した時には、Ｖf(ｔ,ｉr)には、さらに故障に起因するセル電圧の低下が加算される。そのため、Ｖf(ｔ,ｉr)のみを用いて故障診断を行っても、正確な故障診断はむずかしい。
これに対し、非故障時において、Ｖmean(ｔ,ｉr)には、電極触媒の経時劣化に起因するセル電圧の低下のみが含まれる。また、燃料電池の故障が生じた時には、Ｖmean(ｔ,ｉr)には、さらに故障に起因するセル電圧の低下が加算される。そのため、Ｖmean(ｔ,ｉr)の変化を逐次監視すれば、Ｖmean(ｔ,ｉr)の変化量から故障の有無を判断することができる。一方、故障が検出されなかったときには、Ｖmean(ｔ,ｉr)に基づいて、燃料電池の劣化推定やＩＶ性能推定を行うことができる。
以下、本発明の一実施の形態について詳細に説明する。
［１． 故障検出及び劣化推定方法］
以下では、本発明に係る故障検出及び劣化推定方法に関し、車両で適用されるＦＣシステムを対象に説明する。図１（Ａ）に、電極触媒の経時劣化によるセル電圧の減少の模式図を示す。図１（Ｂ）に、実際のセル電圧の減少の模式図を示す。
［１． 故障検出及び劣化推定方法］
以下では、本発明に係る故障検出及び劣化推定方法に関し、車両で適用されるＦＣシステムを対象に説明する。図１（Ａ）に、電極触媒の経時劣化によるセル電圧の減少の模式図を示す。図１（Ｂ）に、実際のセル電圧の減少の模式図を示す。
ＦＣスタックで用いられる白金触媒は、車の走行に伴い劣化する。そのため、特定の条件下で計測されるセル電圧Ｖは、理想的には、図１（Ａ）に示すように、走行時間ｔの経過と共に単調に減少する。
しかし、実際の車両において計測されるセル電圧は、図１（Ｂ）に示すように、触媒の経時劣化に起因する単調減少成分に加えて、この単調減少の波形を中心にしてセル電圧が一時的に変動する成分Ｙを含んでいる。
しかし、実際の車両において計測されるセル電圧は、図１（Ｂ）に示すように、触媒の経時劣化に起因する単調減少成分に加えて、この単調減少の波形を中心にしてセル電圧が一時的に変動する成分Ｙを含んでいる。
図２（Ａ）に、セル電圧の変化が電極触媒の経時劣化によるセル電圧の減少のみを含む場合において、故障が発生した時のセル電圧の変化の模式図を示す。図２（Ｂ）に、セル電圧の変化が電極触媒の経時劣化によるセル電圧の減少と一時的なセル電圧の変動とを含む場合において、故障が発生した時のセル電圧の変化の模式図を示す。
仮に、図１（Ａ）に示すように、計測されるセル電圧Ｖの変化が電極触媒の経時劣化による単調減少成分のみを含んでいる場合、単調減少曲線の傾きｄＶ／ｄｔは、時間の経過と共に連続的に変化する。しかし、ある時刻ｔにおいて故障が発生すると、図２（Ａ）に示すように、ｄＶ／ｄｔが不連続に変化する。そのため、ｄＶ／ｄｔの変化を逐次監視すれば、ｄＶ／ｄｔの不連続な変化の有無から、故障の有無を判断することができる。
仮に、図１（Ａ）に示すように、計測されるセル電圧Ｖの変化が電極触媒の経時劣化による単調減少成分のみを含んでいる場合、単調減少曲線の傾きｄＶ／ｄｔは、時間の経過と共に連続的に変化する。しかし、ある時刻ｔにおいて故障が発生すると、図２（Ａ）に示すように、ｄＶ／ｄｔが不連続に変化する。そのため、ｄＶ／ｄｔの変化を逐次監視すれば、ｄＶ／ｄｔの不連続な変化の有無から、故障の有無を判断することができる。
しかしながら、実際に計測されるセル電圧は、図１（Ｂ）に示すように、一時的に変動する成分Ｙを含んでいる。そのため、図２（Ｂ）に示すように、実際に計測されるセル電圧を監視するだけでは、計測されたセル電圧の変動が故障以外の原因（一時的なセル電圧の変動）によるものか、あるいは、故障によるものかを区別することは難しい。
そこで、本発明では、一時的なセル電圧の変動分を種々の方法を用いて推定し、実際に計測されるセル電圧から一時的なセル電圧の変動成分を差し引くことにより、電極触媒の経時劣化に起因するセル電圧の減少成分（単調減少成分）を分離する。次いで、分離された単調減少成分の経時変化に基づいて故障の有無を判断する。この点が従来とは異なる。分離方法及び判定方法の詳細については、後述する。
［２． 故障検出及び劣化推定装置］
本発明に係る故障検出及び劣化推定装置は、以下の構成を備えている。
本発明に係る故障検出及び劣化推定装置は、以下の構成を備えている。
［構成１］
以下の構成を備えた故障検出及び劣化推定装置。
（Ａ）時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる第１手段。
但し、「第１セル電圧Ｖ1(ｔ)」とは、全時刻における前記燃料電池のセル電圧の内、前記燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。
（Ｂ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の前記時刻ｔ及び前記第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第２手段。
（Ｃ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の前記時刻ｔ、前記第１特徴量Ｘ1(ｔ)、及び前記第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これを前記メモリに記憶させる第３手段。
（Ｄ）前記Ｖf(ｔ,ｉr)から前記Ｙm(Ｘ1,Ｘ2）を差し引くことにより、前記時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第４手段。
（Ｅ）前記Ｖmean(ｔ,ｉr)に基づいて、前記燃料電池が故障又は劣化したか否かを判断する第５手段。
以下の構成を備えた故障検出及び劣化推定装置。
（Ａ）時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる第１手段。
但し、「第１セル電圧Ｖ1(ｔ)」とは、全時刻における前記燃料電池のセル電圧の内、前記燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。
（Ｂ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の前記時刻ｔ及び前記第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第２手段。
（Ｃ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の前記時刻ｔ、前記第１特徴量Ｘ1(ｔ)、及び前記第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これを前記メモリに記憶させる第３手段。
（Ｄ）前記Ｖf(ｔ,ｉr)から前記Ｙm(Ｘ1,Ｘ2）を差し引くことにより、前記時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第４手段。
（Ｅ）前記Ｖmean(ｔ,ｉr)に基づいて、前記燃料電池が故障又は劣化したか否かを判断する第５手段。
［構成２］
前記Ｖ2(ｔ)と相関があるパラメータは、ＦＣ間欠運転フラグ、ＦＣパワー、エア流量、エアコンプレッサのモータ回転数、水素ポンプの消費電力、水素ポンプの回転数、ＦＣ入口圧力（アノード）、ＥＶ冷却水ポンプの回転数、ＦＣ冷却水ポンプの回転数、ＦＣ用コンバータ電流、車両システムに対する要求パワー、車両システムに対する電流要求値、ＦＣ入口圧力（カソード）、アノードガス流量、エアコンプレッサの消費電力、ＦＣ発電状態、及び、Ａ／Ｃ消費電力からなる群から選ばれるいずれか１以上を含む構成１に記載の故障検出及び劣化推定装置。
前記Ｖ2(ｔ)と相関があるパラメータは、ＦＣ間欠運転フラグ、ＦＣパワー、エア流量、エアコンプレッサのモータ回転数、水素ポンプの消費電力、水素ポンプの回転数、ＦＣ入口圧力（アノード）、ＥＶ冷却水ポンプの回転数、ＦＣ冷却水ポンプの回転数、ＦＣ用コンバータ電流、車両システムに対する要求パワー、車両システムに対する電流要求値、ＦＣ入口圧力（カソード）、アノードガス流量、エアコンプレッサの消費電力、ＦＣ発電状態、及び、Ａ／Ｃ消費電力からなる群から選ばれるいずれか１以上を含む構成１に記載の故障検出及び劣化推定装置。
［構成３］
前記Ｔ(ｔ)と相関があるパラメータは、ラジエータ出口の冷却水温度、エアコンプレッサーのモータ温度、エアコンプレッサーのインバータ温度、水素ポンプのモータ温度、ＦＣ出口冷却水温度、及び、各補機部品の温度からなる群から選ばれるいずれか１以上を含む構成１又は２に記載の故障検出及び劣化推定装置。
前記Ｔ(ｔ)と相関があるパラメータは、ラジエータ出口の冷却水温度、エアコンプレッサーのモータ温度、エアコンプレッサーのインバータ温度、水素ポンプのモータ温度、ＦＣ出口冷却水温度、及び、各補機部品の温度からなる群から選ばれるいずれか１以上を含む構成１又は２に記載の故障検出及び劣化推定装置。
［構成４］
前記第３手段は、次の式（２）を用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む構成１から３までのいずれか１つに記載の故障検出及び劣化推定装置。
Ｙm(Ｘ1,Ｘ2)＝ａ0＋Σａ1pＸ1(ｔ)p＋Σａ2qＸ2(ｔ)q …（２）
但し、
ｐ、ｑは、それぞれ、１以上の整数、
ａ0、ａ1p、及びａ2qは、それぞれ、前記代表電流ｉrごとに同定される係数。
前記第３手段は、次の式（２）を用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む構成１から３までのいずれか１つに記載の故障検出及び劣化推定装置。
Ｙm(Ｘ1,Ｘ2)＝ａ0＋Σａ1pＸ1(ｔ)p＋Σａ2qＸ2(ｔ)q …（２）
但し、
ｐ、ｑは、それぞれ、１以上の整数、
ａ0、ａ1p、及びａ2qは、それぞれ、前記代表電流ｉrごとに同定される係数。
［構成５］
前記第３手段は、ニューラルネットを用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む構成１から４までのいずれか１つに記載の故障検出及び劣化推定装置。
前記第３手段は、ニューラルネットを用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む構成１から４までのいずれか１つに記載の故障検出及び劣化推定装置。
［構成６］
前記第５手段は、
前記Ｖmean(ｔ,ｉr)の減少速度ｄＶmean(ｔ,ｉr)／ｄｔを逐次算出し、
次の式（３．１）～式（３．６）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段
を含む構成１から５までのいずれか１つに記載の故障検出及び劣化推定装置。
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜＞ε31 …（３．１）
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜≧ε31 …（３．２）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜＞ε32 …（３．３）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜≧ε32 …（３．４）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜＞ε33 …（３．５）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜≧ε33 …（３．６）
但し、
ｄＶmean(ｔ－ｍ,ｉr)／ｄｔは、時刻（ｔ－ｍ）（ｍ＞０）における平均Ｉ－Ｖ特性Ｖmean(ｔ－ｍ,ｉr)の減少速度、
ε31、ε32、ε33は、それぞれ、故障の有無を判定するための閾値。
前記第５手段は、
前記Ｖmean(ｔ,ｉr)の減少速度ｄＶmean(ｔ,ｉr)／ｄｔを逐次算出し、
次の式（３．１）～式（３．６）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段
を含む構成１から５までのいずれか１つに記載の故障検出及び劣化推定装置。
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜＞ε31 …（３．１）
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜≧ε31 …（３．２）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜＞ε32 …（３．３）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜≧ε32 …（３．４）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜＞ε33 …（３．５）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜≧ε33 …（３．６）
但し、
ｄＶmean(ｔ－ｍ,ｉr)／ｄｔは、時刻（ｔ－ｍ）（ｍ＞０）における平均Ｉ－Ｖ特性Ｖmean(ｔ－ｍ,ｉr)の減少速度、
ε31、ε32、ε33は、それぞれ、故障の有無を判定するための閾値。
［構成７］
前記メモリには、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の非故障モデルＶn(ｔ,ｉr)が記憶されており、
前記第５手段は、次の式（４．１）～式（４．４）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段を含む構成１から６までのいずれか１つに記載の故障検出及び劣化推定装置。
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜＞ε41 …（４．１）
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜≧ε41 …（４．２）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜＜ε42 …（４．３）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜≦ε42 …（４．４）
但し、
「非故障モデルＶn(ｔ,ｉr)」は、故障検出及び劣化推定の対象である前記燃料電池と同一仕様の燃料電池の使用履歴と電極触媒の経時劣化に起因するセル電圧の低下との関係を示すモデル、
ε41、ε42は、それぞれ、故障の有無を判定するための閾値。
前記メモリには、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の非故障モデルＶn(ｔ,ｉr)が記憶されており、
前記第５手段は、次の式（４．１）～式（４．４）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段を含む構成１から６までのいずれか１つに記載の故障検出及び劣化推定装置。
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜＞ε41 …（４．１）
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜≧ε41 …（４．２）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜＜ε42 …（４．３）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜≦ε42 …（４．４）
但し、
「非故障モデルＶn(ｔ,ｉr)」は、故障検出及び劣化推定の対象である前記燃料電池と同一仕様の燃料電池の使用履歴と電極触媒の経時劣化に起因するセル電圧の低下との関係を示すモデル、
ε41、ε42は、それぞれ、故障の有無を判定するための閾値。
［構成８］
前記Ｖn(ｔ,ｉr)は、
（ａ）物理モデル、又は、
（ｂ）時刻ゼロから前記時刻ｔまでの前記Ｖf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデル
である構成７に記載の故障検出及び劣化推定装置。
前記Ｖn(ｔ,ｉr)は、
（ａ）物理モデル、又は、
（ｂ）時刻ゼロから前記時刻ｔまでの前記Ｖf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデル
である構成７に記載の故障検出及び劣化推定装置。
［２．１． 第１手段］
第１手段は、時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる手段である。
第１手段は、時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる手段である。
［２．１．１． 燃料電池］
本発明において、燃料電池の種類は、特に限定されない。本発明が適用される燃料電池としては、例えば、固体高分子形燃料電池、固体酸化物形燃料電池などがある。
本発明において、燃料電池の種類は、特に限定されない。本発明が適用される燃料電池としては、例えば、固体高分子形燃料電池、固体酸化物形燃料電池などがある。
［２．１．２． ＦＣ電流ｉ(ｔ)］
ＦＣ電流ｉ(ｔ)は、故障検出及び劣化推定に用いるデータを選択する際に用いられる。
通常、燃料電池の劣化状態が同一であっても、ＦＣ電流ｉ(ｔ)が変わると、それに応じてセル電圧Ｖ(ｔ)も変わる。そのため、正確に故障検出及び劣化推定を行うためには、ＦＣ電流ｉ(ｔ)がある特定の値であるときのセル電圧Ｖ(ｔ)を用いる必要がある。
本発明において、記憶されているデータの中から、ＦＣ電流ｉ(ｔ)がある特定の値（代表電流ｉr）であるときのセル電圧Ｖ(ｔ)を抽出し、抽出されたセル電圧Ｖ(ｔ)を用いて故障検出及び劣化推定が行われる。この点については、後述する。
ＦＣ電流ｉ(ｔ)は、故障検出及び劣化推定に用いるデータを選択する際に用いられる。
通常、燃料電池の劣化状態が同一であっても、ＦＣ電流ｉ(ｔ)が変わると、それに応じてセル電圧Ｖ(ｔ)も変わる。そのため、正確に故障検出及び劣化推定を行うためには、ＦＣ電流ｉ(ｔ)がある特定の値であるときのセル電圧Ｖ(ｔ)を用いる必要がある。
本発明において、記憶されているデータの中から、ＦＣ電流ｉ(ｔ)がある特定の値（代表電流ｉr）であるときのセル電圧Ｖ(ｔ)を抽出し、抽出されたセル電圧Ｖ(ｔ)を用いて故障検出及び劣化推定が行われる。この点については、後述する。
［２．１．３． 第１セル電圧Ｖ1(ｔ)］
「第１セル電圧Ｖ1(ｔ)」とは、全時刻における燃料電池のセル電圧の内、燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
Ｖ1(ｔ)は、後述するように、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出するために用いられる。換言すれば、Ｖ1(ｔ)は、電極触媒の経時劣化を推定するために用いられる。
「第１セル電圧Ｖ1(ｔ)」とは、全時刻における燃料電池のセル電圧の内、燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
Ｖ1(ｔ)は、後述するように、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出するために用いられる。換言すれば、Ｖ1(ｔ)は、電極触媒の経時劣化を推定するために用いられる。
例えば、燃料電池車両の場合、通常、動力源として燃料電池と二次電池とを備えている。この場合、燃料電池は、常時発電しているのではなく、車両に対する要求パワーに応じて、発電を行っている状態（間欠運転オフ状態）と、発電を停止している状態（間欠運転オン状態）が繰り返される。そのため、燃料電池が発電している時のセル電圧だけでなく、停止している時のセル電圧も含めてＶf(ｔ,ｉr)を算出すると、電極触媒の経時劣化に起因するセル電圧の低下を正確に推定することができない。そのため、Ｖf(ｔ,ｉr)の算出には、Ｖ1(ｔ)が用いられる。
［２．１．４． 第１特徴量Ｘ1(ｔ)］
「第１特徴量Ｘ1(ｔ)」とは、第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上のパラメータをいう。
「相関があるパラメータ」とは、第２セル電圧Ｖ2(ｔ)と同視できるパラメータ、あるいは、第２セル電圧Ｖ2(ｔ)に換算することが可能なパラメータをいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。すなわち、第２セル電圧Ｖ2(ｔ)には、燃料電池が発電している時（間欠運転オフ時）のセル電圧だけでなく、停止している時（間欠運転オン時）のセル電圧も含まれる。
Ｘ1(ｔ)は、後述するように、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出するための２つのパラメータの内の一つである。
「第１特徴量Ｘ1(ｔ)」とは、第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上のパラメータをいう。
「相関があるパラメータ」とは、第２セル電圧Ｖ2(ｔ)と同視できるパラメータ、あるいは、第２セル電圧Ｖ2(ｔ)に換算することが可能なパラメータをいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。すなわち、第２セル電圧Ｖ2(ｔ)には、燃料電池が発電している時（間欠運転オフ時）のセル電圧だけでなく、停止している時（間欠運転オン時）のセル電圧も含まれる。
Ｘ1(ｔ)は、後述するように、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出するための２つのパラメータの内の一つである。
一時的なセル電圧の変動の主たる原因の一つは、燃料電池に対する要求パワーの変動である。また、要求パワーの変動は、主として、Ｖ2(ｔ)の変動として現れる。そのため、Ｖ2(ｔ)は、一時的なセル電圧の変動と強い相関がある。Ｘ1(ｔ)としてＶ2(ｔ)を用いると、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
なお、Ｙm(Ｘ1,Ｘ2)を推定する場合、第１特徴量Ｘ1(ｔ)として、Ｖ2(ｔ)に代えて、又は、これに加えて、Ｖ2(ｔ)と相関がある他のパラメータを用いても良い。
このようなパラメータとしては、具体的には、以下のようなものがある。Ｘ1(ｔ)には、以下のいずれか１のパラメータを用いても良く、あるいは、２以上のパラメータを組み合わせて用いても良い。
このようなパラメータとしては、具体的には、以下のようなものがある。Ｘ1(ｔ)には、以下のいずれか１のパラメータを用いても良く、あるいは、２以上のパラメータを組み合わせて用いても良い。
（ａ）燃料電池の間欠運転の状態を示すフラグ（ＦＣ間欠運転フラグ）。
（ｂ）燃料電池で発生している電力（ＦＣパワー）。
（ｃ）燃料電池のカソードに供給される空気の流量（エア流量）。
（ｄ）燃料電池のカソードに空気を供給するためのエアコンプレッサのモータ回転数。
（ｅ）燃料電池のアノードに水素を供給するための水素ポンプの消費電力。
（ｆ）燃料電池のアノードに水素を供給するための水素ポンプの回転数。
（ｇ）燃料電池のアノードに供給される水素の圧力（ＦＣ入口圧力（アノード））。
（ｂ）燃料電池で発生している電力（ＦＣパワー）。
（ｃ）燃料電池のカソードに供給される空気の流量（エア流量）。
（ｄ）燃料電池のカソードに空気を供給するためのエアコンプレッサのモータ回転数。
（ｅ）燃料電池のアノードに水素を供給するための水素ポンプの消費電力。
（ｆ）燃料電池のアノードに水素を供給するための水素ポンプの回転数。
（ｇ）燃料電池のアノードに供給される水素の圧力（ＦＣ入口圧力（アノード））。
（ｈ）モータ、インバータなどの駆動系に冷却水を供給するためのポンプの回転数（ＥＶ冷却水ポンプの回転数）。
（ｉ）燃料電池に冷却水を供給するための冷却水ポンプの回転数（ＦＣ冷却水ポンプの回転数）。
（ｊ）ＦＣ用コンバータ電流。
（ｋ）車両システムに対する要求パワー。
（ｌ）車両システムに対する要求電流値。
（ｉ）燃料電池に冷却水を供給するための冷却水ポンプの回転数（ＦＣ冷却水ポンプの回転数）。
（ｊ）ＦＣ用コンバータ電流。
（ｋ）車両システムに対する要求パワー。
（ｌ）車両システムに対する要求電流値。
（ｍ）燃料電池のカソードに供給される空気の圧力（ＦＣ入口圧力（カソード））。
（ｎ）燃料電池のアノードに供給される水素の流量（アノードガス流量）。
（ｏ）燃料電池のカソードに空気を供給するためのエアコンプレッサの消費電力。
（ｐ）ＦＣ発電状態（発電、非発電、起動、修了シーケンスなど）。
（ｑ）空調の消費電力（Ａ／Ｃ消費電力）。
（ｎ）燃料電池のアノードに供給される水素の流量（アノードガス流量）。
（ｏ）燃料電池のカソードに空気を供給するためのエアコンプレッサの消費電力。
（ｐ）ＦＣ発電状態（発電、非発電、起動、修了シーケンスなど）。
（ｑ）空調の消費電力（Ａ／Ｃ消費電力）。
例えば、Ｘ1(ｔ)がＦＣ間欠運転フラグである場合、燃料電池が運転状態にある時のフラグを「１」とし、燃料電池が停止状態にある時にフラグの「０」とする。この場合、時間の経過に伴うＦＣ間欠運転のフラグの変動を平均化処理すると、平均化処理されたＦＣ間欠運転フラグの変動は、Ｖ2(ｔ)の変動と強い相関がある。そのため、Ｖ2(ｔ)に代えて平均化処理されたＦＣ間欠運転フラグを用いた場合であっても、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
ＦＣパワー、エア流量等も同様であり、これらのパラメータは、Ｖ2(ｔ)と正の相関がある。すなわち、基本的には、Ｖ2(ｔ)が大きくなるほど、これらのパラメータも大きくなる関係がある。そのため、Ｘ1(ｔ)として、Ｖ2(ｔ)に代えてこれらのパラメータを用いた場合であっても、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
［２．１．５． 第２特徴量Ｘ2(ｔ)］
「第２特徴量Ｘ2(ｔ)」とは、外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上のパラメータをいう。
「相関があるパラメータ」とは、外気温Ｔ(ｔ)と同視できるパラメータ、あるいは、外気温Ｔ(ｔ)に換算することが可能なパラメータをいう。
Ｘ2(ｔ)は、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出するための２つのパラメータの内の他の一つである。
「第２特徴量Ｘ2(ｔ)」とは、外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上のパラメータをいう。
「相関があるパラメータ」とは、外気温Ｔ(ｔ)と同視できるパラメータ、あるいは、外気温Ｔ(ｔ)に換算することが可能なパラメータをいう。
Ｘ2(ｔ)は、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出するための２つのパラメータの内の他の一つである。
一時的なセル電圧の変動は、燃料電池に対する要求パワーの変動だけでなく、外気温Ｔ(ｔ)の変動によっても生じる。また、Ｔ(ｔ)の変動は、燃料電池の発電効率だけでなく、燃料電池の補機の消費電力にも影響を及ぼす。そのため、Ｔ(ｔ)は、一時的なセル電圧の変動と強い相関がある。Ｘ2(ｔ)として、Ｔ(ｔ)を用いると、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
なお、Ｙm(Ｘ1,Ｘ2)を推定する場合、第２特徴量Ｘ2(ｔ)として、Ｔ(ｔ)に代えて、又は、これに加えて、Ｔ(ｔ)と相関がある他のパラメータを用いても良い。
このようなパラメータとしては、具体的には、以下のようなものがある。Ｘ2(ｔ)には、以下のいずれか１のパラメータを用いても良く、あるいは、２以上のパラメータを組み合わせて用いても良い。
このようなパラメータとしては、具体的には、以下のようなものがある。Ｘ2(ｔ)には、以下のいずれか１のパラメータを用いても良く、あるいは、２以上のパラメータを組み合わせて用いても良い。
（ａ）燃料電池を冷却するためのラジエータ出口の冷却水温度。
（ｂ）燃料電池のカソードに空気を供給するためのエアコンプレッサーのモータ温度。
（ｃ）燃料電池のカソードに空気を供給するためのエアコンプレッサーのインバータ温度、
（ｄ）燃料電池のアノードに水素を供給するための水素ポンプのモータ温度。
（ｅ）燃料電池から排出される冷却水の温度（ＦＣ出口冷却水温度）。
（ｆ）上記以外の各補機部品の温度。
（ｂ）燃料電池のカソードに空気を供給するためのエアコンプレッサーのモータ温度。
（ｃ）燃料電池のカソードに空気を供給するためのエアコンプレッサーのインバータ温度、
（ｄ）燃料電池のアノードに水素を供給するための水素ポンプのモータ温度。
（ｅ）燃料電池から排出される冷却水の温度（ＦＣ出口冷却水温度）。
（ｆ）上記以外の各補機部品の温度。
例えば、Ｘ2(ｔ)が、燃料電池を冷却するためのラジエータ出口の冷却水温である場合、冷却水温の変動は、Ｔ(ｔ)の変動と強い相関がある。一般に、Ｔ(ｔ)が高くなるほど、冷却水温も高くなる。そのため、Ｔ(ｔ)に代えて冷却水温を用いた場合であっても、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
エアコンプレッサーのモータ温度、エアコンプレッサーのインバータ温度等も同様であり、これらのパラメータは、Ｔ(ｔ)と正の相関がある。すなわち、基本的には、Ｔ(ｔ)が高くなるほど、これらのパラメータも大きくなる関係がある。そのため、Ｘ2(ｔ)として、Ｔ(ｔ)に代えてこれらのパラメータを用いた場合であっても、Ｙm(Ｘ1,Ｘ2)を高精度に推定することができる。
［２．２． 第２手段］
第２手段は、出力データの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の時刻ｔ及び第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これをメモリに記憶させる手段である。
第２手段は、出力データの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の時刻ｔ及び第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これをメモリに記憶させる手段である。
「代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)」とは、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の、時刻ｔとセル電圧Ｖ(ｔ)との関係を示す一群のデータをいう。
「代表電流ｉr」とは、故障検出及び劣化推定を行う場合において、非故障時のセル電圧Ｖ(ｔ)と故障時のセル電圧Ｖ(ｔ)とを比較する際の基準となるＦＣ電流ｉ(ｔ)をいう。
「代表電流ｉr」とは、故障検出及び劣化推定を行う場合において、非故障時のセル電圧Ｖ(ｔ)と故障時のセル電圧Ｖ(ｔ)とを比較する際の基準となるＦＣ電流ｉ(ｔ)をいう。
代表電流ｉrは、１個であっても良く、あるいは、２個以上であっても良い。
換言すれば、故障検出は、
（ａ）いずれか１個の代表電流ｉr（例えば、ｉr＝０．２Ａ／ｃｍ2である時）に対するＶf(ｔ,ｉr)が後述する条件を満たした時に故障と判断しても良く、あるいは、
（ｂ）２個以上の代表電流ｉr（例えば、ｉr＝０．２Ａ／ｃｍ2、０．４Ａ／ｃｍ2、及び、０．６Ａ／ｃｍ2である時）に対するＶf(ｔ,ｉr)が、それぞれ、同時に後述する要件を満たしたときに故障と判断しても良い。
換言すれば、故障検出は、
（ａ）いずれか１個の代表電流ｉr（例えば、ｉr＝０．２Ａ／ｃｍ2である時）に対するＶf(ｔ,ｉr)が後述する条件を満たした時に故障と判断しても良く、あるいは、
（ｂ）２個以上の代表電流ｉr（例えば、ｉr＝０．２Ａ／ｃｍ2、０．４Ａ／ｃｍ2、及び、０．６Ａ／ｃｍ2である時）に対するＶf(ｔ,ｉr)が、それぞれ、同時に後述する要件を満たしたときに故障と判断しても良い。
［２．２．１． 任意の時刻ｔにおけるＩ－Ｖ特性の算出］
図３に、燃料電池を搭載した車両の走行データから、任意の時刻ｔにおけるＩ－Ｖ特性を算出する方法の模式図を示す。燃料電池車両が完成した後、実際に車両を走行させると、走行状況に応じてセル電圧Ｖ(ｔ)、ＦＣ電流ｉ(ｔ)などが時々刻々と変化する。これらを車両計測データとして、逐次メモリに記憶させる。
図３に、燃料電池を搭載した車両の走行データから、任意の時刻ｔにおけるＩ－Ｖ特性を算出する方法の模式図を示す。燃料電池車両が完成した後、実際に車両を走行させると、走行状況に応じてセル電圧Ｖ(ｔ)、ＦＣ電流ｉ(ｔ)などが時々刻々と変化する。これらを車両計測データとして、逐次メモリに記憶させる。
実際に車両を走行させると、燃料電池の発電条件は、軽負荷（低電流、高電圧）の状態から高負荷（高電流、低電圧）の状態に至るまで様々に変化する。一方、電極触媒の経時劣化は徐々に進行する。そのため、電極触媒の経時劣化に関し、ある時間間隔内（時刻ｔ±α内）にあるデータは、「ある時刻ｔにおけるデータ」と見なすことができる。
そのため、時刻(ｔ±α)内にあるデータの中から、ＦＣ電流ｉ(ｔ)と第１セル電圧Ｖ1(ｔ)との組み合わせからなる様々なデータを抽出すると、ある時刻ｔにおけるＩ－Ｖ特性を得ることができる。αの値は、特に限定されるものではなく、目的に応じて最適な値を選択することができる。αの値は、通常、１時間～１０時間程度である。
そのため、時刻(ｔ±α)内にあるデータの中から、ＦＣ電流ｉ(ｔ)と第１セル電圧Ｖ1(ｔ)との組み合わせからなる様々なデータを抽出すると、ある時刻ｔにおけるＩ－Ｖ特性を得ることができる。αの値は、特に限定されるものではなく、目的に応じて最適な値を選択することができる。αの値は、通常、１時間～１０時間程度である。
図３の上図は、走行時間が０ｈである時（すなわち、走行時間が０ｈと見なせる時）のＩ－Ｖ特性の一例を示す。「○」は、それぞれ、抽出されたデータを表す。図３に示す例では、ＦＣ電流ｉ(ｔ)が０．２、０．４、０．６、０．８、及び、１．０Ａ／ｃｍ2であるときの第１セル電圧Ｖ1(ｔ)が示されている。これらのデータを適当な関数で近似すると、走行時間が０ｈであり、かつ、任意の電流ｉ(ｔ)における第１セル電圧Ｖ1(ｔ)を算出することができる。例えば、これらのデータを３次関数で近似する場合、走行時間が０ｈである時のＩ－Ｖ特性は、次の式（１．１）で表される。
Ｖf1(ｔ,ｉ)＝ａ1ｉ3＋ｂ1ｉ2＋ｃ1ｉ＋ｄ1 …（１．１）
但し、
Ｖf1(ｔ,ｉ)は、走行時間が０ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ1、ｂ1、ｃ1、及び、ｄ1は、それぞれ、走行時間ごとに同定される係数。
但し、
Ｖf1(ｔ,ｉ)は、走行時間が０ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ1、ｂ1、ｃ1、及び、ｄ1は、それぞれ、走行時間ごとに同定される係数。
図３の中段及び下段は、それぞれ、走行時間が３０００ｈ及び５０００ｈである時のＩ－Ｖ特性の一例を示す。走行時間が３０００ｈ又は５０００ｈである時も同様であり、蓄積されたデータの中から走行時間が３０００ｈ又は５０００ｈと見なせるＦＣ電流ｉ(ｔ)と第１セル電圧Ｖ1(ｔ)との組み合わせからなる様々なデータを抽出し、これらを適当な関数で近似すれば良い。例えば、これらのデータを３次関数で近似する場合、走行時間が３０００ｈ又は５０００ｈである時のＩ－Ｖ特性は、それぞれ、次の式（１．２）又は式（１．３）で表される。
Ｖf2(ｔ,ｉ)＝ａ2ｉ3＋ｂ2ｉ2＋ｃ2ｉ＋ｄ2 …（１．２）
但し、
Ｖf2(ｔ,ｉ)は、走行時間が３０００ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ2、ｂ2、ｃ2、及び、ｄ2は、それぞれ、走行時間ごとに同定される係数。
但し、
Ｖf2(ｔ,ｉ)は、走行時間が３０００ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ2、ｂ2、ｃ2、及び、ｄ2は、それぞれ、走行時間ごとに同定される係数。
Ｖf3(ｔ,ｉ)＝ａ3ｉ3＋ｂ3ｉ2＋ｃ3ｉ＋ｄ3 …（１．３）
但し、
Ｖf3(ｔ,ｉ)は、走行時間が５０００ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ3、ｂ3、ｃ3、及び、ｄ3は、それぞれ、走行時間ごとに同定される係数。
但し、
Ｖf3(ｔ,ｉ)は、走行時間が５０００ｈであり、かつ、ＦＣ電流がｉ(ｔ)である時の第１セル電圧、
ａ3、ｂ3、ｃ3、及び、ｄ3は、それぞれ、走行時間ごとに同定される係数。
なお、一般に、走行時間が長くなるほど、電極触媒の経時劣化が進行する。そのため、Ｖf2(ｔ,ｉ)は、通常、Ｖf1(ｔ,ｉ)より低い値となる。同様に、Ｖf3(ｔ,ｉ)は、通常、Ｖf2(ｔ,ｉ)より低い値となる。
［２．２．２． 代表Ｉ－Ｖ特性の算出］
任意の時刻ｔにおけるＩ－Ｖ特性が分かると、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ及び第１セル電圧Ｖ1(ｔ)を知ることができる。また、これらが分かると、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出することができる。
任意の時刻ｔにおけるＩ－Ｖ特性が分かると、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ及び第１セル電圧Ｖ1(ｔ)を知ることができる。また、これらが分かると、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出することができる。
図４（Ａ）に、代表電流ｉr＝０．２Ａ／ｃｍ2である時の代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)の経時変化の一例を示す。図４（Ｂ）に、代表電流ｉr＝０．４Ａ／ｃｍ2である時の代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)の経時変化の一例を示す。
図４（Ａ）及び図４（Ｂ）は、それぞれ、図３に示すデータの中から、ＦＣ電流ｉ(ｔ)が０．２Ａ／ｃｍ2又は０．４Ａ／ｃｍ2である時の第１セル電圧Ｖ1(ｔ)を抜き出し、Ｖ1(ｔ)を時刻ｔに対して描いたものである。
図４（Ａ）及び図４（Ｂ）は、それぞれ、図３に示すデータの中から、ＦＣ電流ｉ(ｔ)が０．２Ａ／ｃｍ2又は０．４Ａ／ｃｍ2である時の第１セル電圧Ｖ1(ｔ)を抜き出し、Ｖ1(ｔ)を時刻ｔに対して描いたものである。
代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)は、セル電圧の一時的な変動分Ｙm(Ｘ1,Ｘ2)と、それ以外の成分Ｖmean(ｔ,ｉr)とを含む。Ｖmean(ｔ,ｉr)は、通常、電極触媒の経時劣化に起因するセル電圧の低下のみからなる。しかし、燃料電池が故障した時には、Ｖmean(ｔ,ｉr)には、さらに故障に起因するセル電圧の低下が加算される。
従って、正確に故障判定を行うためには、Ｖf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引き、Ｖmean(ｔ,ｉr)を分離する必要がある。そのためには、まずＹm(Ｘ1,Ｘ2)を知る必要がある。
従って、正確に故障判定を行うためには、Ｖf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引き、Ｖmean(ｔ,ｉr)を分離する必要がある。そのためには、まずＹm(Ｘ1,Ｘ2)を知る必要がある。
［２．３． 第３手段］
第３手段は、出力データの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の時刻ｔ、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これをメモリに記憶させる手段である。
第３手段は、出力データの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の時刻ｔ、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これをメモリに記憶させる手段である。
制御対象である燃料電池と同一仕様の燃料電池について、予め、ＹmとＸ１及びＸ2との関係を表す関数又はこれに相当するもの取得しておき、これをメモリに記憶させておく。
実際の故障検出の際には、まず、蓄積されたデータの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の
（ａ）時刻ｔ、
（ｂ）第２セル電圧Ｖ2(ｔ)及び／又はこれと等価なパラメータを含む第１特徴量Ｘ1(ｔ)、並びに、
（ｃ）外気温Ｔ(ｔ)及び／又はこれと等価なパラメータを含む第２特徴量Ｘ2(ｔ)
を抽出する。
次いで、Ｘ1(ｔ)及びＸ2(ｔ)を予め取得した関数又はこれに相当するものに代入し、Ｙm(Ｘ1,Ｘ2)を算出する。
実際の故障検出の際には、まず、蓄積されたデータの中から、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の
（ａ）時刻ｔ、
（ｂ）第２セル電圧Ｖ2(ｔ)及び／又はこれと等価なパラメータを含む第１特徴量Ｘ1(ｔ)、並びに、
（ｃ）外気温Ｔ(ｔ)及び／又はこれと等価なパラメータを含む第２特徴量Ｘ2(ｔ)
を抽出する。
次いで、Ｘ1(ｔ)及びＸ2(ｔ)を予め取得した関数又はこれに相当するものに代入し、Ｙm(Ｘ1,Ｘ2)を算出する。
Ｙm(Ｘ1,Ｘ2)の算出方法は、特に限定されるものではなく、目的に応じて最適な方法を選択することができる。Ｙm(Ｘ1,Ｘ2)の算出方法としては、具体的には、以下のような方法がある。
［２．３．１． 重回帰モデルを用いる方法］
第３手段は、次の式（２）を用いてＹm(Ｘ1,Ｘ2)を算出する手段を含んでいても良い。
Ｙm(Ｘ1,Ｘ2)＝ａ0＋Σａ1pＸ1(ｔ)p＋Σａ2qＸ2(ｔ)q …（２）
但し、
ｐ、ｑは、それぞれ、１以上の整数、
ａ0、ａ1p、及びａ2qは、それぞれ、代表電流ｉrごとに同定される係数。
第３手段は、次の式（２）を用いてＹm(Ｘ1,Ｘ2)を算出する手段を含んでいても良い。
Ｙm(Ｘ1,Ｘ2)＝ａ0＋Σａ1pＸ1(ｔ)p＋Σａ2qＸ2(ｔ)q …（２）
但し、
ｐ、ｑは、それぞれ、１以上の整数、
ａ0、ａ1p、及びａ2qは、それぞれ、代表電流ｉrごとに同定される係数。
本願発明者らによる車両の計測データの解析から、一時的なセル電圧の変動分Ｙは、第１特徴量Ｘ1(ｔ)及び第２特徴量Ｘ2(ｔ)と相関が高いことが明らかとなった。式（２）は、このような知見に基づいて、Ｙm（Ｙの推定値）をＸ1(ｔ)のｐ次多項式とＸ2（ｔ）のｑ次多項式の和で近似した重回帰モデルである。
式（２）を用いてＹm(Ｘ1,Ｘ2)を算出する場合、予め故障検出の対象である燃料電池と同一仕様の燃料電池について試験を行い、Ｘ1(ｔ)、Ｘ2(ｔ)が変動したときの実際のセル電圧の変動分Ｙが、式（２）で表されるモデル式の変動分Ｙmに一致するように、Ｘ1(ｔ)及びＸ2(ｔ)の次数ｐ及びｑ、並びに、各係数ａ0、ａ1p、及び、ａ2qを同定しておく。各係数は、代表電流ｉrごとに同定しておく。さらに、同定されたこれらの係数をメモリに記憶させておく。
実際の故障検出においては、取得されたＸ1(ｔ)及びＸ2(ｔ)を式（２）に代入する。これにより、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時のＹm(Ｘ1,Ｘ2)を算出することができる。
実際の故障検出においては、取得されたＸ1(ｔ)及びＸ2(ｔ)を式（２）に代入する。これにより、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時のＹm(Ｘ1,Ｘ2)を算出することができる。
［２．３．２． ニューラルネットワークを用いる方法］
第３手段は、ニューラルネットを用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含んでいても良い。
予め故障検出の対象である燃料電池と同一仕様の燃料電池について、ニューラルネットを用いてＹmとＸ1及びＸ2との関係について学習させ、予測モデルを構築しておく。
実際の故障検出においては、取得されたＸ1(ｔ)及びＸ2(ｔ)を構築された予測モデルに入力する。これにより、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉｒである時のＹm(Ｘ1,Ｘ2)を出力させることができる。
第３手段は、ニューラルネットを用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含んでいても良い。
予め故障検出の対象である燃料電池と同一仕様の燃料電池について、ニューラルネットを用いてＹmとＸ1及びＸ2との関係について学習させ、予測モデルを構築しておく。
実際の故障検出においては、取得されたＸ1(ｔ)及びＸ2(ｔ)を構築された予測モデルに入力する。これにより、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉｒである時のＹm(Ｘ1,Ｘ2)を出力させることができる。
図５に、ニューラルネットを用いたＹm(Ｘ1,Ｘ2)の算出方法の模式図を示す。図５は、ニューラルネットの一例であり、特徴量Ｘ1、Ｘ2に対して、Ｙmを予測するモデルとなっている。
［２．４． 第４手段］
第４手段は、Ｖf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2）を差し引くことにより、時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これをメモリに記憶させる手段である。
第４手段は、Ｖf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2）を差し引くことにより、時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これをメモリに記憶させる手段である。
「平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)」とは、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の、時刻ｔと、一時的なセル電圧の変動分を除いたセル電圧Ｖとの関係を示す一群のデータをいう。
非故障時において、Ｖmean(ｔ,ｉr)は、理想的には、電極触媒の経時劣化によるセル電圧の低下のみを含む。しかし、非故障時には、Ｖmean(ｔ,ｉr)は、電極触媒の経時劣化によるセル電圧の低下分に故障に起因するセル電圧の低下が加算された値となる。そのため、Ｖmean(ｔ,ｉr)を用いると、正確に故障検出をすることができる。
非故障時において、Ｖmean(ｔ,ｉr)は、理想的には、電極触媒の経時劣化によるセル電圧の低下のみを含む。しかし、非故障時には、Ｖmean(ｔ,ｉr)は、電極触媒の経時劣化によるセル電圧の低下分に故障に起因するセル電圧の低下が加算された値となる。そのため、Ｖmean(ｔ,ｉr)を用いると、正確に故障検出をすることができる。
［２．５． 第５手段］
第５手段は、Ｖmean(ｔ,ｉr)に基づいて、燃料電池が故障又は劣化したか否かを判断する手段である。
本発明において、Ｖmean(ｔ,ｉr)を用いた故障検出の方法は、特に限定されるものではなく、目的に応じて最適な方法を選択することができる。故障検出方法としては、具体的には以下のようなものがある。これらは、いずれか１つを用いても良く、あるいは、物理的に可能な限りにおいて、２つ以上を組み合わせて用いても良い。
第５手段は、Ｖmean(ｔ,ｉr)に基づいて、燃料電池が故障又は劣化したか否かを判断する手段である。
本発明において、Ｖmean(ｔ,ｉr)を用いた故障検出の方法は、特に限定されるものではなく、目的に応じて最適な方法を選択することができる。故障検出方法としては、具体的には以下のようなものがある。これらは、いずれか１つを用いても良く、あるいは、物理的に可能な限りにおいて、２つ以上を組み合わせて用いても良い。
［２．５．１． ｄＶmean(ｔ,ｉr)／ｄｔを用いた故障検出方法］
第５手段は、
Ｖmean(ｔ,ｉr)の減少速度ｄＶmean(ｔ,ｉr)／ｄｔを逐次算出し、
次の式（３．１）～式（３．６）のいずれか１以上を満たした時に燃料電池が故障したと判断する手段
を含んでいても良い。
第５手段は、
Ｖmean(ｔ,ｉr)の減少速度ｄＶmean(ｔ,ｉr)／ｄｔを逐次算出し、
次の式（３．１）～式（３．６）のいずれか１以上を満たした時に燃料電池が故障したと判断する手段
を含んでいても良い。
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜＞ε31 …（３．１）
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜≧ε31 …（３．２）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜＞ε32 …（３．３）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜≧ε32 …（３．４）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜＞ε33 …（３．５）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜≧ε33 …（３．６）
但し、
ｄＶmean(ｔ－ｍ,ｉr)／ｄｔは、時刻（ｔ－ｍ）（ｍ＞０）における平均Ｉ－Ｖ特性Ｖmean(ｔ－ｍ,ｉr)の減少速度、
ε31、ε32、ε33は、それぞれ、故障の有無を判定するための閾値。
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜≧ε31 …（３．２）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜＞ε32 …（３．３）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜≧ε32 …（３．４）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜＞ε33 …（３．５）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜≧ε33 …（３．６）
但し、
ｄＶmean(ｔ－ｍ,ｉr)／ｄｔは、時刻（ｔ－ｍ）（ｍ＞０）における平均Ｉ－Ｖ特性Ｖmean(ｔ－ｍ,ｉr)の減少速度、
ε31、ε32、ε33は、それぞれ、故障の有無を判定するための閾値。
「ｔ－ｍ」は、時刻ｔにおいて取得された現在データと対比するための過去データが取得された時刻を表す。ｍの値は、特に限定されるものではなく、目的に応じて最適な値を選択することができる。
図６（Ａ）に、時刻ｔにおけるＶmean(ｔ,ｉr）の減少速度ｄＶmean(ｔ,ｉr)／ｄｔと、時刻(ｔ－ｍ)におけるＶmean(ｔ－ｍ,ｉr)の減少速度ｄＶmean(ｔ－ｍ,ｉr)／ｄｔを用いた故障検出方法の模式図を示す。図６（Ｂ）に、時刻ｔにおけるＶmean(ｔ,ｉr）の減少速度ｄＶmean(ｔ,ｉr)／ｄｔのみを用いた故障検出方法の模式図を示す。
上述したように、故障が発生した場合、Ｖmean(ｔ,ｉr)には、故障に起因するセル電圧の減少が加算されるため、Ｖmean(ｔ,ｉr)は、電極触媒の経時劣化のみに基づいて想定される値よりも小さくなる。その結果、図６に示すように、ｄＶmean(ｔ,ｉr)／ｄｔは、電極触媒の経時劣化のみに基づいて想定される値よりも負に大きくなる。
上述したように、故障が発生した場合、Ｖmean(ｔ,ｉr)には、故障に起因するセル電圧の減少が加算されるため、Ｖmean(ｔ,ｉr)は、電極触媒の経時劣化のみに基づいて想定される値よりも小さくなる。その結果、図６に示すように、ｄＶmean(ｔ,ｉr)／ｄｔは、電極触媒の経時劣化のみに基づいて想定される値よりも負に大きくなる。
そのため、式（３．１）又は式（３．２）に示すように、現在の時刻ｔにおけるｄＶmean(ｔ,ｉr)／ｄｔと、過去のある時刻（ｔ－ｍ）におけるｄＶmean(ｔ－ｍ,ｉr)／ｄｔとの差の絶対値がある閾値ε31を超えている時、又はε31以上である時には、故障が発生したと判断することができる（図６（Ａ））。
あるいは、式（３．３）又は式（３．４）に示すように、ｄＶmean(ｔ－ｍ,ｉr)／ｄｔに対するｄＶmean(ｔ,ｉr)／ｄｔの比の絶対値がある閾値ε32を超えている時、又はε31以上である時には、故障が発生したと判断することができる（図６（Ａ））。
あるいは、式（３．５）又は式（３．６）に示すように、ｄＶmean(ｔ,ｉr)／ｄｔの絶対値がある閾値ε33を超えている時、又はε33以上である時には、故障が発生したと判断することができる（図６（Ｂ））。
あるいは、式（３．３）又は式（３．４）に示すように、ｄＶmean(ｔ－ｍ,ｉr)／ｄｔに対するｄＶmean(ｔ,ｉr)／ｄｔの比の絶対値がある閾値ε32を超えている時、又はε31以上である時には、故障が発生したと判断することができる（図６（Ａ））。
あるいは、式（３．５）又は式（３．６）に示すように、ｄＶmean(ｔ,ｉr)／ｄｔの絶対値がある閾値ε33を超えている時、又はε33以上である時には、故障が発生したと判断することができる（図６（Ｂ））。
一方、故障が検出されなかった場合、Ｖmean(ｔ,ｉr)は、電極触媒の経時劣化によるセル電圧の低下が考慮されたＩＶ特性の推定値を表す。そのため、Ｖmean(ｔ,ｉr)を用いて、劣化推定、燃料消費予測、航続距離予測などが可能となる。
［２．５．２． 非故障モデルＶn(ｔ,ｉr)を用いた故障検出方法］
メモリには、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の非故障モデルＶn(ｔ,ｉr)が記憶されていても良い。
この場合、第５手段は、次の式（４．１）～式（４．４）のいずれか１以上を満たした時に燃料電池が故障したと判断する手段を含んでいても良い。
メモリには、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の非故障モデルＶn(ｔ,ｉr)が記憶されていても良い。
この場合、第５手段は、次の式（４．１）～式（４．４）のいずれか１以上を満たした時に燃料電池が故障したと判断する手段を含んでいても良い。
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜＞ε41 …（４．１）
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜≧ε41 …（４．２）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜＜ε42 …（４．３）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜≦ε42 …（４．４）
但し、ε41、ε42は、それぞれ、故障の有無を判定するための閾値。
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜≧ε41 …（４．２）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜＜ε42 …（４．３）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜≦ε42 …（４．４）
但し、ε41、ε42は、それぞれ、故障の有無を判定するための閾値。
［Ａ． 非故障モデルＶn(ｔ,ｉr)］
「非故障モデルＶn(ｔ,ｉr)」とは、故障検出の対象である燃料電池と同一仕様の燃料電池の使用履歴と、電極触媒の経時劣化に起因するセル電圧の低下との関係を示すモデルをいう。換言すれば、非故障モデルＶn(ｔ,ｉr)とは、故障が生じていないと仮定したした時の使用履歴とセル電圧との関係を示すモデルをいう。
「非故障モデルＶn(ｔ,ｉr)」とは、故障検出の対象である燃料電池と同一仕様の燃料電池の使用履歴と、電極触媒の経時劣化に起因するセル電圧の低下との関係を示すモデルをいう。換言すれば、非故障モデルＶn(ｔ,ｉr)とは、故障が生じていないと仮定したした時の使用履歴とセル電圧との関係を示すモデルをいう。
Ｖn(ｔ,ｉr)は、使用履歴とセル電圧との関係を導くことができるものである限りにおいて、特に限定されない。Ｖn(ｔ,ｉr)としては、例えば、
（ａ）物理モデル、
（ｂ）時刻ゼロから時刻ｔまでのＶf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデル
などがある。
（ａ）物理モデル、
（ｂ）時刻ゼロから時刻ｔまでのＶf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデル
などがある。
［Ａ．１． 物理モデル］
Ｖn(ｔ,ｉr)は、物理モデルであっても良い。「物理モデル」とは、理論式を用いて電極触媒の経時劣化を推定し、推定された電極触媒の経時劣化に基づいて、時刻ｔにおけるセル電圧Ｖ(ｔ)を推定することが可能なモデルをいう。
例えば、参考文献１には、燃料電池触媒の劣化予測方法が開示されている。同文献に記載の方法を用いると、時刻ｔにおけるセル電圧Ｖ（ｔ）、ＦＣ電流ｉ(ｔ)、及びセル温度Ｔ(ｔ)が与えられた時の、時刻ｔにおける白金触媒表面積ＥＣＳＡ(ｔ)を推定することができる。さらに、得られたＥＣＳＡ(ｔ)を次の式（５）に代入すると、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の非故障時のセル電圧Ｖn(ｔ,ｉr)を算出することができる。
［参考文献１］特開２０１０－２３６９８９号公報
Ｖn(ｔ,ｉr)は、物理モデルであっても良い。「物理モデル」とは、理論式を用いて電極触媒の経時劣化を推定し、推定された電極触媒の経時劣化に基づいて、時刻ｔにおけるセル電圧Ｖ(ｔ)を推定することが可能なモデルをいう。
例えば、参考文献１には、燃料電池触媒の劣化予測方法が開示されている。同文献に記載の方法を用いると、時刻ｔにおけるセル電圧Ｖ（ｔ）、ＦＣ電流ｉ(ｔ)、及びセル温度Ｔ(ｔ)が与えられた時の、時刻ｔにおける白金触媒表面積ＥＣＳＡ(ｔ)を推定することができる。さらに、得られたＥＣＳＡ(ｔ)を次の式（５）に代入すると、任意の時刻ｔにおいて、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時の非故障時のセル電圧Ｖn(ｔ,ｉr)を算出することができる。
［参考文献１］特開２０１０－２３６９８９号公報
Ｖn(ｔ,ｉr)＝Ｖ(０,ｉr)＋Ｋ・ｌｎ{ＥＣＳＡ(ｔ)／ＥＣＳＡ(０)} …（５）
但し、
Ｖn(ｔ,ｉr)は、時刻ｔにおける非故障時のセル電圧［Ｖ］、
ｉrは、代表電流［Ａ／ｃｍ2］
ｔは、時刻［ｓ］、
Ｋは、定数。
但し、
Ｖn(ｔ,ｉr)は、時刻ｔにおける非故障時のセル電圧［Ｖ］、
ｉrは、代表電流［Ａ／ｃｍ2］
ｔは、時刻［ｓ］、
Ｋは、定数。
［Ａ．２． ｒ次多項式］
Ｖn(ｔ,ｉr)は、時刻ゼロから時刻ｔまでのＶf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデルであっても良い。
一時的なセル電圧の変動を含むＶf(ｔ,ｉr)をｒ次多項式（相対的に低次の多項式）で近似すると、一時的なセル電圧の変動が相殺された平均的なＩ－Ｖ特性が得られる。故障が生じていない場合、ｒ次多項式で近似されたＩ－Ｖ特性は、故障に起因するセル電圧の低下を含まないＶmean(ｔ,ｉr)に似た形状になる。
Ｖn(ｔ,ｉr)は、時刻ゼロから時刻ｔまでのＶf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデルであっても良い。
一時的なセル電圧の変動を含むＶf(ｔ,ｉr)をｒ次多項式（相対的に低次の多項式）で近似すると、一時的なセル電圧の変動が相殺された平均的なＩ－Ｖ特性が得られる。故障が生じていない場合、ｒ次多項式で近似されたＩ－Ｖ特性は、故障に起因するセル電圧の低下を含まないＶmean(ｔ,ｉr)に似た形状になる。
しかし、故障が生じた場合、ｒ次多項式で近似されたＩ－Ｖ特性は、故障前のＩ－Ｖ特性と故障後のＩ－Ｖ特性の双方を含むデータを用いて近似が行われる。そのため、ｒ次多項式は、故障が生じた直後は故障によるセル電圧の低下が反映されにくい。一方、Ｖmean(ｔ,ｉr)は、故障によるセル電圧の低下が直ちに反映される。そのため、ｒ次多項式で近似されたＩ－Ｖ特性とＶmean(ｔ,ｉr)とを対比すると、故障の有無を判断することができる。
［Ａ．３． 検出方法］
図７に、非故障モデルＶn(ｔ,ｉr)を用いた故障検出方法の模式図を示す。図７に示すように、故障が発生すると、Ｖmean(ｔ,ｉr)は、Ｖn(ｔ,ｉr)に比べて低くなる。そのため、式（４．１）又は式（４．２）に示すように、現在の時刻ｔにおけるＶmean(ｔ,ｉr)と、Ｖn(ｔ,ｉr)との差の絶対値がある閾値ε41を超えている時、又はε41以上である時には、故障が発生したと判断することができる。
あるいは、式（４．３）又は式（４．４）に示すように、Ｖn(ｔ,ｉr)／ｄｔに対するＶmean(ｔ,ｉr)の比の絶対値がある閾値ε42未満である時、又はε42以下である時には、故障が発生したと判断することができる。
図７に、非故障モデルＶn(ｔ,ｉr)を用いた故障検出方法の模式図を示す。図７に示すように、故障が発生すると、Ｖmean(ｔ,ｉr)は、Ｖn(ｔ,ｉr)に比べて低くなる。そのため、式（４．１）又は式（４．２）に示すように、現在の時刻ｔにおけるＶmean(ｔ,ｉr)と、Ｖn(ｔ,ｉr)との差の絶対値がある閾値ε41を超えている時、又はε41以上である時には、故障が発生したと判断することができる。
あるいは、式（４．３）又は式（４．４）に示すように、Ｖn(ｔ,ｉr)／ｄｔに対するＶmean(ｔ,ｉr)の比の絶対値がある閾値ε42未満である時、又はε42以下である時には、故障が発生したと判断することができる。
一方、故障が検出されなかった場合、Ｖmean(ｔ,ｉr)だけでなくＶn(ｔ,ｉr)もまた、電極触媒の経時劣化によるセル電圧の低下が考慮されたＩＶ特性の推定値を表す。そのため、Ｖmean(ｔ,ｉr)又はＶn(ｔ,ｉr)を用いて、劣化推定、燃料消費予測、航続距離予測などが可能となる。
［４． 作用］
まず、時々刻々と変化するＦＣ電流ｉ(ｔ)、第１セル電圧Ｖ1(ｔ)、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を取得し、これらをメモリに記憶させる。
次に、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時（例えば、ｉr＝０．２Ａ／ｃｍ2である時）の時刻ｔ及びＶ1(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時のセル電圧の経時変化、すなわち、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出する。
同様に、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ、Ｘ1(ｔ)、及びＸ2(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時の一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出する。
さらに、得られたＶf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引くことにより、平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出する。
まず、時々刻々と変化するＦＣ電流ｉ(ｔ)、第１セル電圧Ｖ1(ｔ)、第１特徴量Ｘ1(ｔ)、及び第２特徴量Ｘ2(ｔ)を取得し、これらをメモリに記憶させる。
次に、ＦＣ電流ｉ(ｔ)が代表電流ｉrである時（例えば、ｉr＝０．２Ａ／ｃｍ2である時）の時刻ｔ及びＶ1(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時のセル電圧の経時変化、すなわち、代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出する。
同様に、ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の時刻ｔ、Ｘ1(ｔ)、及びＸ2(ｔ)をメモリから読み出し、ｉ(ｔ)がｉrである時の一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出する。
さらに、得られたＶf(ｔ,ｉr)からＹm(Ｘ1,Ｘ2)を差し引くことにより、平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出する。
非故障時において、Ｖf(ｔ,ｉr)には、電極触媒の経時劣化に起因するセル電圧の低下と、一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)とが含まれる。また、燃料電池が故障した時には、Ｖf(ｔ,ｉr)には、さらに故障に起因するセル電圧の低下が加算される。そのため、Ｖf(ｔ,ｉr)のみを用いて故障診断を行っても、正確な故障診断はむずかしい。
これに対し、非故障時において、Ｖmean(ｔ,ｉr)には、電極触媒の経時劣化に起因するセル電圧の低下のみが含まれる。また、燃料電池の故障が生じた時には、Ｖmean(ｔ,ｉr)には、さらに故障に起因するセル電圧の低下が加算される。そのため、Ｖmean(ｔ,ｉr)の変化を逐次監視すれば、Ｖmean(ｔ,ｉr)の変化量から故障の有無を判断することができる。一方、故障が検出されなかったときには、Ｖmean(ｔ,ｉr)に基づいて、燃料電池の劣化推定やＩＶ性能推定を行うことができる。
以上、本発明の実施の形態について詳細に説明したが、本発明は上記実施の形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内で種々の改変が可能である。
本発明に係る故障検出及び劣化推定装置は、燃料電池を搭載した車両の燃料電池の故障判定、劣化推定、消費燃料予測、航続距離予測などに用いることができる。
Claims (8)
- 以下の構成を備えた故障検出及び劣化推定装置。
（Ａ）時刻ｔにおける燃料電池の
（ａ）ＦＣ電流ｉ(ｔ)、
（ｂ）第１セル電圧Ｖ1(ｔ)、
（ｃ）第２セル電圧Ｖ2(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第１特徴量Ｘ1(ｔ)、並びに、
（ｄ）外気温Ｔ(ｔ)、及び、これと相関があるパラメータからなる群から選ばれるいずれか１以上を含む第２特徴量Ｘ2(ｔ)
を含む出力データを逐次取得し、これらをメモリに記憶させる第１手段。
但し、「第１セル電圧Ｖ1(ｔ)」とは、全時刻における前記燃料電池のセル電圧の内、前記燃料電池が間欠運転オフの状態にあるときのセル電圧をいう。
「第２セル電圧Ｖ2(ｔ)」とは、全時刻における前記燃料電池のセル電圧をいう。
（Ｂ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ）が代表電流ｉrである時の前記時刻ｔ及び前記第１セル電圧Ｖ1(ｔ)を抽出し、これらを用いて代表Ｉ－Ｖ特性Ｖf(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第２手段。
（Ｃ）前記出力データの中から、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の前記時刻ｔ、前記第１特徴量Ｘ1(ｔ)、及び前記第２特徴量Ｘ2(ｔ)を抽出し、これらを用いて一時的なセル電圧の変動分Ｙm(Ｘ1,Ｘ2)を算出し、これを前記メモリに記憶させる第３手段。
（Ｄ）前記Ｖf(ｔ,ｉr)から前記Ｙm(Ｘ1,Ｘ2）を差し引くことにより、前記時刻ｔにおける平均Ｉ－Ｖ特性Ｖmean(ｔ,ｉr)を算出し、これを前記メモリに記憶させる第４手段。
（Ｅ）前記Ｖmean(ｔ,ｉr)に基づいて、前記燃料電池が故障又は劣化したか否かを判断する第５手段。 - 前記Ｖ2(ｔ)と相関があるパラメータは、ＦＣ間欠運転フラグ、ＦＣパワー、エア流量、エアコンプレッサのモータ回転数、水素ポンプの消費電力、水素ポンプの回転数、ＦＣ入口圧力（アノード）、ＥＶ冷却水ポンプの回転数、ＦＣ冷却水ポンプの回転数、ＦＣ用コンバータ電流、車両システムに対する要求パワー、車両システムに対する電流要求値、ＦＣ入口圧力（カソード）、アノードガス流量、エアコンプレッサの消費電力、ＦＣ発電状態、及び、Ａ／Ｃ消費電力からなる群から選ばれるいずれか１以上を含む請求項１に記載の故障検出及び劣化推定装置。
- 前記Ｔ(ｔ)と相関があるパラメータは、ラジエータ出口の冷却水温度、エアコンプレッサーのモータ温度、エアコンプレッサーのインバータ温度、水素ポンプのモータ温度、ＦＣ出口冷却水温度、及び、各補機部品の温度からなる群から選ばれるいずれか１以上を含む請求項１に記載の故障検出及び劣化推定装置。
- 前記第３手段は、次の式（２）を用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む請求項１に記載の故障検出及び劣化推定装置。
Ｙm(Ｘ1,Ｘ2)＝ａ0＋Σａ1pＸ1(ｔ)p＋Σａ2qＸ2(ｔ)q …（２）
但し、
ｐ、ｑは、それぞれ、１以上の整数、
ａ0、ａ1p、及びａ2qは、それぞれ、前記代表電流ｉrごとに同定される係数。 - 前記第３手段は、ニューラルネットを用いて前記Ｙm(Ｘ1,Ｘ2)を算出する手段を含む請求項１に記載の故障検出及び劣化推定装置。
- 前記第５手段は、
前記Ｖmean(ｔ,ｉr)の減少速度ｄＶmean(ｔ,ｉr)／ｄｔを逐次算出し、
次の式（３．１）～式（３．６）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段
を含む請求項１に記載の故障検出及び劣化推定装置。
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜＞ε31 …（３．１）
｜ｄＶmean(ｔ,ｉr)／ｄｔ－ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ｜≧ε31 …（３．２）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜＞ε32 …（３．３）
｜[ｄＶmean(ｔ,ｉr)／ｄｔ]／[ｄＶmean(ｔ－ｍ,ｉr)／ｄｔ]｜≧ε32 …（３．４）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜＞ε33 …（３．５）
｜ｄＶmean(ｔ,ｉr)／ｄｔ｜≧ε33 …（３．６）
但し、
ｄＶmean(ｔ－ｍ,ｉr)／ｄｔは、時刻（ｔ－ｍ）（ｍ＞０）における平均Ｉ－Ｖ特性Ｖmean(ｔ－ｍ,ｉr)の減少速度、
ε31、ε32、ε33は、それぞれ、故障の有無を判定するための閾値。 - 前記メモリには、前記ＦＣ電流ｉ(ｔ)が前記代表電流ｉrである時の非故障モデルＶn(ｔ,ｉr)が記憶されており、
前記第５手段は、次の式（４．１）～式（４．４）のいずれか１以上を満たした時に前記燃料電池が故障したと判断する手段を含む請求項１に記載の故障検出及び劣化推定装置。
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜＞ε41 …（４．１）
｜Ｖmean(ｔ,ｉr)－Ｖn(ｔ,ｉr)｜≧ε41 …（４．２）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜＜ε42 …（４．３）
｜Ｖmean(ｔ,ｉr)／Ｖn(ｔ,ｉr)｜≦ε42 …（４．４）
但し、
「非故障モデルＶn(ｔ,ｉr)」は、故障検出及び劣化推定の対象である前記燃料電池と同一仕様の燃料電池の使用履歴と電極触媒の経時劣化に起因するセル電圧の低下との関係を示すモデル、
ε41、ε42は、それぞれ、故障の有無を判定するための閾値。 - 前記Ｖn(ｔ,ｉr)は、
（ａ）物理モデル、又は、
（ｂ）時刻ゼロから前記時刻ｔまでの前記Ｖf(ｔ,ｉr)をｒ次多項式（ｒは、１以上１０以下の整数）で近似したモデル
である請求項７に記載の故障検出及び劣化推定装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023024209A JP2024118039A (ja) | 2023-02-20 | 2023-02-20 | 故障検出及び劣化推定装置 |
| PCT/JP2023/040704 WO2024176535A1 (ja) | 2023-02-20 | 2023-11-13 | 故障検出及び劣化推定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023024209A JP2024118039A (ja) | 2023-02-20 | 2023-02-20 | 故障検出及び劣化推定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024118039A true JP2024118039A (ja) | 2024-08-30 |
Family
ID=92500841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023024209A Pending JP2024118039A (ja) | 2023-02-20 | 2023-02-20 | 故障検出及び劣化推定装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2024118039A (ja) |
| WO (1) | WO2024176535A1 (ja) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4905182B2 (ja) * | 2007-03-01 | 2012-03-28 | トヨタ自動車株式会社 | 燃料電池システム |
| JP7127667B2 (ja) * | 2020-06-16 | 2022-08-30 | 株式会社豊田中央研究所 | 触媒劣化抑制装置 |
-
2023
- 2023-02-20 JP JP2023024209A patent/JP2024118039A/ja active Pending
- 2023-11-13 WO PCT/JP2023/040704 patent/WO2024176535A1/ja unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024176535A1 (ja) | 2024-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2124280B1 (en) | A fuel cell system, electrode catalyst degradation judgment method, and moving body | |
| CN107342430B (zh) | 利用燃料电池组的燃料电池堆健康监测 | |
| CN108258268B (zh) | 燃料电池组合电堆系统水故障的控制方法及装置 | |
| EP2622672B1 (en) | Fuel cell system, method and program of determining cause of negative voltage, and storage medium storing program | |
| US11688869B2 (en) | Method and control unit for conditioning a fuel cell stack | |
| JP4764390B2 (ja) | パターン認識技法を使用する水蓄積における電池間の変動性の検出 | |
| CN106159295B (zh) | 燃料电池系统的控制方法和系统 | |
| US20120276466A1 (en) | In-vehicle algorithm for fuel cell stack health quantification | |
| US10892502B2 (en) | Apparatus and method for controlling operation of fuel cell system | |
| CN102412405B (zh) | 预测燃料电池堆中的燃料电池的最小电池电压趋势的方法 | |
| US10971745B2 (en) | Cell reversal diagnostics for a fuel cell stack | |
| CN103326047B (zh) | 燃料电池车中原位检测水蒸汽传递装置退化的模型基方法 | |
| JP2007311255A (ja) | 組電池状態測定装置、組電池劣化判定方法および組電池劣化判定プログラム | |
| JP2009152067A (ja) | 燃料電池システム | |
| CN106299417B (zh) | 用于控制燃料电池系统的运行的设备和方法 | |
| KR20120096614A (ko) | 연료전지용 수소 공급 시스템의 고장 진단 방법 | |
| JP2007123007A (ja) | 燃料電池システムの診断方法および診断装置 | |
| CN112519636B (zh) | 燃料电池车辆的驾驶控制设备及驾驶控制方法 | |
| US11296344B2 (en) | Operating control method and control system of fuel cell stack | |
| WO2024176535A1 (ja) | 故障検出及び劣化推定装置 | |
| JP5444789B2 (ja) | 燃料電池劣化判定装置 | |
| Salim et al. | A review on fault diagnosis tools of the proton exchange membrane fuel cell | |
| JP7379832B2 (ja) | 燃料電池システム | |
| US20150244010A1 (en) | Method and apparatus for diagnosing state of fuel cell system | |
| CN116404213A (zh) | 一种燃料电池系统电压一致性的故障诊断方法 |