Modellierung

Moderne Regelungsverfahren sind essentiell zur hocheffizienten und dynamischen Regelung von wasserstoffbasierten Systemen. In Kombination mit lernenden Modellbildungsverfahren kann ein optimaler, bedarfsgerechter und vorausschauender Betrieb gewährleistet werden.

Eine genaue Prozessabbildung ist sowohl für die Überwachung als auch die Regelung von Wasserstoffsystemen relevant. Die Kombination von physikalischer Modellbildung mit datenbasierten Verfahren (bspw. Gaußprozessregression oder Neuronale Netze) bietet sich insbesondere für die Abbildung von Einflüssen an, die schlecht oder nur mit hohem Aufwand physikalisch modelliert werden können. Außerdem können solche Modelle im Betrieb adaptiert werden, um Effekte von Alterung und Verschleiß abzubilden.

Kognitive Sensorsysteme bestehen aus intelligenten Sensoren, Kommunikationsverbindungen und einer Datenverarbeitung mit fortschrittlichen Methoden und Algorithmen wie Machine Learning. Dabei kommen sowohl Sensoren zur Erfassung physikalischer Größen als auch zunehmend bildgebende Sensoren zum Einsatz. Je nach Anwendungsfall erfolgt die Verarbeitung nahe am Sensor, in der Cloud oder dazwischen in der Edge. Mit den Daten können einzelne Komponenten wie Brennstoffzellen oder Elektrolyseure, aber auch Anlagen und Pipelines und Netze auch sektorenübergreifend gesteuert und überwacht werden. Erst der Einsatz kognitiver Sensoren ermöglicht die Digitalisierung von Wasserstofferzeugung, Verteilung und Nutzung.

Die kontinuierliche Überwachung des Systemzustands liefert entscheidende Erkenntnisse, die in eine störungsfreie und schonende Systemsteuerung einfließen. Durch die Verbindung von Sensorik und Überwachungselektronik können verwertbare Aussagen über den Zustand verschiedener Komponenten, beispielsweise den state-of-health (SoH) von Brennstoffzellen, getroffen werden. Für einen kosteneffizienten Betrieb ist es wichtig, die Anzahl an teuren und komplexen Sensoren zu reduzieren. Unsere modernen Verfahren ermöglichen Ihnen eine umfassende Zustandsüberwachung und im nächsten Schritt die Identifikation von Optimierungspotenzial. Aus regelungstechnischer Sicht bietet sich zudem die Kombination von modernen stochastischen oder optimierungsbasierten Schätzverfahren mit lernenden Methoden zum Erlernen von Betriebszuständen an.

Die Zustandsdiagnose baut auf den Erkenntnissen auf, die aus der Zustandsüberwachung gewonnen werden.

Während die Zustandsüberwachung den momentanen Zustand eines Systems erfasst, werden bei der Zustandsdiagnose die Zustandsdaten detailliert analysiert, um die Ursachen für den aktuellen Systemzustand zu erfassen. Die Analyse erfolgt automatisch, meist unter Verwendung von Machine-Learning-Ansätze oder KI-unterstützt.

Für eine erfolgreiche Zustandsdiagnose ist ein tiefgehendes Systemverständnis erforderlich, das aus der interdisziplinären Zusammenarbeit der Partner in „Hydrogen Power“ erwächst.