专利名称：检测电化学装置缺陷的方法
技术领域：
本发明涉及检测在电化学装置中的缺陷的技术领域。目前，称为“电化学”装置可有各种不同的装置，这些装置通常基于化学能转变为电能的转换或反之亦然的方式。这类装置中的第一类是将化学能转换成电能，以便为电子设备提供电能或者存储这些电能量供以后使用。这类装置的实例诸如电池、燃料电池或超级电容器。这类装置中的第二类涉及使用基于电能来实现化学反应或分离衍生物或反应物等各种方法的装置。这类装置通常使用“电化学”方法，包括电镀、放电沉积法或电解浮选法。这些电化学装置的可靠性和使用寿命受限于不同的化学现象。对于诸如燃料电池之类的化学能转换为电能的装置而言，有两个主要的
化学现象会使其性能下降甚至装置完全损毁。充/放电的周期或累积性的关机和开机的间隙操作或电能功率的变化都会减少这类装置的使用寿命。此外，在装置的操作过程中也会发生一些突发情况，例如在控制所使用电化学方法的一些参数中出现故障(反应物供应的中断、反应衍生物和二次反应衍生物的不当管理)、媒介损失、或者元件或�？槌鱿止收�。这些有害的现象都需要使用诊断方法来检测它们并且尽可能来校正它们。在传统的电化学装置中，传统的诊断方法通常基于一些系统外部或内部的参数的理解，这往往需要专用测试设备，例如，安装在电化学装置内部的传感器。这样的测试设备常常会因为成本过高和实施困难而难以令人满意，这是由于电化学系统的结构原因，几乎都不适宜安装传感器，尤其是将传感器安装在装置内部。此外，因为这些诸如传感器的安装，内部传感器会改变装置，会增加缺陷的可能性并导致错误的诊断。同样，当在移动应用中使用电化学系统，装置的体积必须尽可能的小且必须为诊断设备，这就摈弃了传统方法的使用。以特殊但不排他的情况为例，质子膜燃料电池(PEMFC)的大量研究是为了了解衰减机理以及改善可靠性和使用周期。也已经开发出一些物理模型。但是，它们需要一定数量的参数，为了使用这些参数而来测量这些参数十分困难或甚至是不可能。此外，它们的复杂性通常需要大量的计算时间，这就难以应用于实时诊断。本发明旨在克服这些缺点。本发明的目的是提供一种以非侵入方式检测电化学装置中的缺陷的方法。本发明的另一目的是提供一种使用最少测试设备来检测缺陷的方法。本发明的另一个目的是提供一种适用于检测在电化学装置中的缺陷的通用方法，可适用于不同的类型、结构、尺寸和应用的系统。最后，本发明的还有一个目的是提供一种可以实时检测缺陷的有效方法。为此，本发明提供一种检测在电化学装置中的缺陷的方法，包括获得从电化学装置接收到的至少一个变量的至少一个特征数值的步骤，以及基于所获得的数值来确定所述电化学装置的至少一个缺陷的步骤，其中数学运算包括执行小波变换，以便从所接收到的变量来获得特征数值。所述小波变换优选为离散的小波变换，其中所获得的特征数值包括至少一个基于尺度变量a和变换变量b的小波系数Sa, b。这样的离散化可改善分解至小波所需要的计算时间。尤其是，对于尺度级别变量j小于a来说，可通过将一系列小波系数％,p，分解成多系列小波系数％+1,p来获得多个特征数值。所述数值a的尺度变量优选满足a = a0J,其中j为尺度级别且％为尺度参数，通过对从0至给定分解级别数值j的各个数值的各个系列小波系数％,p连续分解为％个系列 的小波系数％+1,p来获得一系列特征数值。这样在小波分解的过程中产生了内容的高级别。所给定的分解级别优选对应于最大的分解级别，从而在小波分解的过程中获得最高级别的内容。在一个优选实施例中，所述确定步骤包括特征数值与能将第一类缺陷从第二类缺陷中区分的确定元素进行比较步骤。该确定元素可籍助于将多个特征数值预先分类为多个缺陷类型来限定。在所述获得多个特征数值和确定缺陷的步骤之间，还有一个选择步骤，用于从所获得的多个特征数值中选择至少一个相关数值，并且根据所述相关数值进行缺陷确定。这样会加快计算时间。具体而言，如果本方法包括对从电化学装置接收到的变量的预处理步骤是优选的。具体而言，所述预处理步骤优选包括消除从电化学装置所接收到的变量中的至少一个频率分量以优化所需计算时间的步骤。本发明还提出一种包括实施上述方法的指令的计算机程序。本发明还提出一种适用于检测电化学装置缺陷的装置，包括处理�？椋视糜诮邮绽醋运龅缁ё爸玫闹辽僖桓霰淞坎⑶彝ü葱邪ㄐ〔ū浠坏氖Р僮鞔铀霰淞恐胁辽僖桓鎏卣魇担约叭范？椋视糜诟荽铀龃砟？樗邮盏降闹辽僖桓鍪道慈范ㄋ龅缁ё爸玫闹辽僖桓鋈毕�。符合本发明目的的方法、计算机程序和缺陷检测装置将通过阅读下文及其附图而变得更为明晰，附图包括图I示出了根据本发明适用于检测电化学装置中的缺陷的方法的步骤；图2示出了源于离散小波变换应用的第一类树状结构(完整的树状图)；图3示出了源于离散小波变换应用的第二类树状结构(部分的树状图)；图4示出了支持矢量、理论边界以及在现有分类方法中所定义的分离超平面的概念；图5以燃料电池作为具体实例示出了根据本发明的预先缺陷分类的实例；以及，图6示出了根据本发明在电化学装置中的缺陷检测装置。首先，参考
图1，其示出了本发明适用于检测电化学装置中的缺陷的方法的步骤。文中所使用的术语“电化学装置”包括任何能够通过化学能转换来产生电能并能以直接或者暂时存储的方式来提供电能的装置，以及任何能够使用电能转换成化学能的装置，例如能够实现化学反应或分离衍生物或反应物。
这类装置包括电池、燃料电池或超级电容器。这类装置也包括诸如适用于电镀、放电沉积法、电合成、电吸附、电浓缩法和电解浮选的电池的电解槽。这类装置也包括电渗析槽。为了检测在电化学装置中可能存在的缺陷，本发明的方法包括基于从电化学装置接收到的变量S所执行的一定数量的连续操作，其允许进行非浸入式的诊断且无需将传感器插入在所述源中。从所述源接收到的变量S包括允许体现电化学装置特征的任何类型的信号。在产生电能装置的情况中，所述变量S可以简化为任何信号，例如由装置所输出的电压、电流和功率。在使用电能来实施化学转换装置的情况中，所述变量S可以是装置对输入其的特·定参数的响应。如果例如以特定电流作为输入，则变量S可以为该装置的电压响应。反之，如果以特定电压作为输入，则变量可以为该装置的电流响应。最后，如果以特定功率作为输入，则变量可以为该装置的电流响应或者电压响应。在下文非限制性实施例中，变量S为电池以特定电流工作时在终端处所测量到的输出电压，但是容易设想到指定电压或功率的电池可使用电流或指定电压或电流的电池可使用功率，或者对任何操作模式而言，衍生物或反应物的压力或浓度、反应物或衍生物的流速、温度或者在这些变量中的时间或空间的变化。在第一个主要步骤103中，将第一项处理应用于从待诊断的电化学装置所接收到的变量S诊断，以便获得一个或多个数值Vali,其中I ( i Sn，这些数值具有反映电化学装置的一个或多个缺陷的特征。尤其是，如果变量S的属性呈现模拟特性，则所获得的特征数值Vali将为数字变量，以便在其后的数字处理中使用。随后，在第二主要步骤105中，基于这些所获得的特征数值Vali来确认电化学装置的一个或多个缺陷。步骤105可以不必管理，在该步骤中，通过根据所定义的标准对特征数值进行分组，将特征量Vali分成或多或少分组结构，或者根据一些已经分类的数据来进行管理。为了在管理的情况下进行操作，将所获得的特征数值Vali与预先分类的系列数值进行比较，所述各个预先分类系列数值都与电化学装置的特别状态相关联，例如呈现出特别类型缺陷的状态。通过比较，就能推导出电化学装置至少一个的可能缺陷Dp因此，本发明的第一特征是在第一个主要步骤103的过程中，通过使用包括小波变换的数学操作，以便从所接收到的变量S中获得数值Valit5小波是具有确定时间且受限于限制周期的数据函数V。它的称谓“小波”反映了它的致密及其振荡的特性。任何数学函数只要其具有振荡、有限的能量且平均能量等于零的特性都可考虑为小波。与其它分析变量的方法相比，小波分析的第一优点是的许多函数都可作为“小波
其”经常作为小波基使用的函数式为墨西哥帽(Mexican hat function.)函数。其数学表达式为⑴冲)=
根据小波基，小波的族Ua,b(t))a,b根据下列方程式通过时间变换和展缩(或小波压缩)来定义(2) Wa,b这种小波族可用作为分解的基�。湓市矸治鏊ǖ谋淞縎。变量b称为“转换变量”，是时间位置参数；变量a称为“尺度变量”，对应于尺寸因子。大的尺度对应于信号全局，而小的尺度则对应于细节的描述。使用小波变换，能在所有的尺度上对变量进行分析，从而得到多分辨率的分析。
因此，可以获得在信号所包含的不同尺度上所发生的不同现象(以及其缺陷)的信息。在分解的各个级别上，都能获得不同尺度的信号，从而允许在分解从一个尺度变换至另一(更细)尺度之前标定现象。为了执行小波变换，对于各个尺度变量a，小波都会从时间轴的原点移动一个分析变量(通过改变变换变量b)，以便计算两者之间的校正序列。这些校正的结果对应于一系列“小波系数” Sa, b，其在小波的形态接近于待分析的变量时为最大且满足下列方程式(3) S".b =* a,b Wt
R式中，*表示共轭，并且R为实数集。因此，变量S可由这些系数Sa, b来表示，所述系数可作为确定装置缺陷的特征数值Val”当变量a和b连续变化时，就称之为变量S的连续小波变换(CWT)。这样的连续小波变换提供信号S(g)的完整表达式，但是这个代价是难以执行公式(2)并且导致很高的冗余。为了克服这个问题,优选使用称为离散小波变换的小波变换类型,离散小波变换对变量a和b限制使用少量的离散数值。就多种应用而言，a和b的数值可根据下式定义来选择(4) a = a,其中 a。> I(5)b = k. b0. aQj，其中 bQ > 0 且 j 和 k 为整数变量j和k分别为尺度和变换的级别。所获得的结果是一系列离散数值称之为小波系列分解。纯粹为了说明目的，文中选择的数值为b。= I和a。= 2，对应于二元分解，在二元分解中，尺度变量假设为连续的数值1、2、4、8等。在该特定情况下，用于分解信号的小波满足下列等式
I t -~2J k(6) WjM (0 =(i'k) e Z2且小波系数定义为(7) sJ^ =
R并且初始变量S根据下列等式对应于小波进行定义(8)= Sj’ j’k (0
v J)�Z AreZ出于简化信号处理的目的，仅仅只考虑两种类型的元素待分析变量以及用于分析或滤波的函数。为此目的，信号的离散小波变换可视为信号通过一个滤波器组。在确定的尺寸中，离散小波变换包括通过从预定尺度至由Btl个滤波器构成的滤波器组的系数。在因子％等于2的实例中，低通滤波器给出信号的粗略图像；高通滤波器给出信号的细节。这两个滤波器是互补的由一个滤波器所消除的频率可由另一个滤波器来恢复。滤波器组交叠使用产生如图2和3所图示的树状结构。在各个尺度级别j上，获得一系列系数％,p，其中参数p表示在树中的位置且在0和2^1之间变化，并且对于对应一系列系数Wj,p的各个节点而言，该参数等于其左边节点的数值。该数值可认为是频率索引。系列系数Wu包括系数序列其中k在0至2^-1之间变化，所述参数M对应于待分解信号的分解最大级，其在例如信号长度为2的整数幂的情况下对应于所述信号长度的自然对数。就固定尺度级别j而言，系列系数Wj,p满足(9) Wj,p = {Sj,k, k = 0, . . . ,2.M}。 图2示出了适用于3个级联滤波的变量S。在从0至最大分解级别M的各个尺度级别j上，获得连续的一系列系数％,p，其对应于将低通滤波器(标识为“Lo”)和高通滤波器(标识为“Hi”)应用于前一尺度级别j_l的各个系列系数Wj—w。这样的变换被称为小波包分解，是在允许完整的特征各个完整的分解级别上的变量S的条件下完成。在j级别上，获得2」系列的系数(或节点)。由于信号是各个分解级别上的完整表示，所以这种籍助于具有几个级别的完整的“树”的变量S的表示就成了多余的。采用这种树结构，有可能只选择出给定缺陷的“有价值”的数据包并且只使用这些数据包来识别缺陷。图3示出了另一实例，示出了具有三个连续滤波级别的局部树。在该特定情况下，高通和低通滤波器仅仅只能应用于具有零的“树位置”变量P的系列系数(表示为变量S的“低频”份量)，于是在这样的情况下，系列数值货0,0，Wlj0和W2A分别对应于尺度a = 0, a =2 和 a = 4。在该情况下，分解受限于适用任何j的系列系数WjI变量S的“高频”分量不再被分解且因此其分析不如低频分量分析的那样详细和具体。这样的分解，在选择所需获得的系数方面，其完整性不如与图2所示的分解，但是当变量S的范围分解成便于确定事先预知的缺陷时是非常有效的。在这样的情况下，分解得越快，则在计算时间方面就越有效并且直接聚焦于特定类型的缺陷。通常，在分解到小波或小波包之后所获得的系数允许使用这些信号的频谱。在分解信号中与特定缺陷有关的任何变化都会呈现在离散小波变换的一个或多个分解级别中或者呈现在小波包分解的一个或多个数据包中。这样的分解允许使用所获得的不同系列的系数Wj, p来体现其一个或多个特征，诸如能量、熵值、平均值、最大值、最小值、标准偏差、满足标准的事件的数量等。随后，这些特征(类似于系列系数％,p)可对应于特征数值Vali,该特征数值将用于在第二主要步骤105中确定可能的缺陷。为此，将所获得的数值Vali与一系列的先前分类数值进行比较，并且各个该分类数值都与电化学装置的特定状态相关，诸如，对应于常规状态Dtl或特定缺陷类型的状态Dp从该比较中能够推导出电化学装置的可能缺陷。
现有分类所使用的数值在其属性上类似于在步骤103中所获得的特征数值的数值，该数值可分类成一个或多个对应于特定缺陷类型的缺陷分类C1X2。该数值与缺陷有关，可以使用待分析的装置制造商所提供的数据或训练和反馈形成的数据。预先将数值分类为缺陷类别允许定义一个和多个适用于类别分辨的确定元素。在步骤105中，所获得的特征数值Vali与这些确定元素相比较，以便确定数值Vali是否属于缺陷类别。这类确定元素的构成取决于所考虑维度的数量。如果预先分类只是以相关的单一确定轴完成的话，则这些确定元素就是一些与数值Vali进行比较的阈值。在两维分类的情况下，可以观察到在两个数值Vali之间的相关性，确定元素可以 为例如直线。一般来说，在N维空间中，确定元素是分离面，例如在线性情况中的分离超平面。数值的预先分类可采用不同的方法来实现。一个特定的优选方法是使用支持向量的机制。支持向量机制(或SVM)是基于有监督学习的鉴别技术。支持向量机制所具有的优点是能够高维度数据工作、具有扎实的理论基础以及在实际工作中提供良好的效果。此外，不论应用模型如何，支持向量机制的性能类似或好于其它分类方法的性能。支持向量机制基于下列两个基本概念I)分类的“理想”分隔的结构允许最大化到训练序列的边界的最小距离。这种方法是通过应用已知算法将问题公式化为二次方程优化问题的方法来完成的。2)支持向量机制将表示输入数据的空间变换为更高维度的空间也可能为无限维度的，从而使用核函数将数据不能线性分离的情况减少为可以适当空间进行线性分离的情况。这样的方法最初允许将变量分成两个类别。然而，可将分类扩展至更大数量的类别。考虑需分离为两个类别"-I"和"+1"的情况，以及下列训练序列(IO)D = {(Xi, Yi) G RnX {-1,1}其中 i = I, . . . k}有两种情况适用于构建分离属于两个不同类别数据的优化超平面即数据是线性分离的或者数据不是线性分离的。在第一种情况下，数据是线性分离的，优化超平H面满足⑴){咻)Siy1=+1
= w.x, +Z < -I, si ys = -I该式也可表示为(12) Yi. Ii(Xi) = Yi (w. Xi+b)彡 1，其中 i = I, k在超平面距离点X的距离可根据下列公式由该点在超平面上的垂直投影给出的
+ b\(13)咖)=-丨 I, ,, I
IHI因此，可以定义边界Ma对应于在两个类别条件下的观察点和超平面之间的最小
距离
权利要求
1.ー种适用于检测电化学装置中的缺陷的缺陷检测方法，包括从所述电化学装置所接收到的至少ー个变量(S)中获得至少ー个特征数值(Vali) (103)，以及从所述获得的数值中确定所述电化学装置的至少ー个缺陷(Di),其中数学操作包括执行小波变换，以便从所接收到的变量⑶中获得特征数值(Vali)。
2.根据权利要求I所述的缺陷检测方法，其特征在于，所述小波变换是离散小波变换，其中所获得的特征数值包括至少ー个小波系数Sa, b且其取决于数值a的尺度变量和数值b的变换变量。
3.根据权利要求2所述的缺陷检测方法，其特征在干，所述多个特征数值通过将系列小波系数分解成多个系列小波系数Wm,p来获得,其尺度级别j小于a。
4.根据权利要求3所述的缺陷检测方法，其特征在于，所述数值的尺度变量a满足a=V，其中j为尺度级别以及％为尺度參数，并且系列特征数值通过对各个系列的小波系数Wj,p以从O至给定的分解级别的各个数值j连续分解成％个系列的小波系数％+1,p来获得。
5.根据权利要求4所述的缺陷检测方法，其特征在干，所述给定的分解级别对应于最大的分解级别M。
6.根据权利要求I至5中任ー项所述的缺陷检测方法，其特征在于，所述确定步骤包括用于特征数值与至少ー个确定元素(H)相比较的步骤，所述确定元素(H)至少从第二缺陷类别(C2)中分离出至少ー个第一缺陷类别(C1)15
7.根据权利要求6所述的缺陷检测方法，其特征在于，所述确定元素(H)籍助于预先将多个特征数值分类成多个缺陷类别(CpC2)的方法来定义。
8.根据权利要求I至7中任ー项所述的缺陷检测方法，其特征在于，在所述获得多个特征数值(103)和确定缺陷(105)之间，具有选择步骤(104)，用于从所获得的多个特征数值中选择至少ー个相关的数值(Val/ )，以及所述缺陷确定根据所述相关数值(Val/ )来实现。
9.根据权利要求I至8中任ー项所述的缺陷确定方法，其特征在于，还包括预处理步骤(101)，用于预处理从电化学装置所接收到的变量。
10.根据权利要求9所述的缺陷确定的步骤，其特征在于，所述预处理步骤包括消除从电化学装置所接收到的变量至少ー个频率分量的步骤。
11.计算机程序，可通过电信网络下载和/或存储在计算机内存中和/或存储在与所述计算机读卡器协同的存储介质中，其包括执行根据权利要求I至10任一所述的缺陷检测方法的步骤的指令。
12.ー种适用于电化学装置的缺陷检测装置，包括 -处理�？�(203)，适用于从所述电化学装置接收至少一个变量(S)并且通过执行包括小波变换的数学操作由所述变量(S)产生至少ー个特征数值(Vali),以及， -确定�？�(205)，适用于从所述处理�？榻邮盏降闹辽侃`个数值来确定所述电化学装置的至少ー个缺陷。
13.根据权利要求12所述的缺陷检测装置，其特征在于，所述确定�？榘ㄈ毕莘掷嗖考涫视糜谙煊Υ铀龃砟？榻邮盏降奶卣魇道刺峁┲甘救毕莸谋淞�(Di)。
14.根据权利要求13所述的缺陷检测装置，其特征在于，所述缺陷分类部件使用了神经网络。
15.根据权利要求12至14中任ー项所述的缺陷检测装置，其特征在于所述小波变换包括将变量(S)分解为多个小波系数，所述分解是离散变换至小波系数Sa, b，取决于数值a的尺度变量和数值b的变换变量。
全文摘要
本发明涉及一种适用于检测电化学装置中的缺陷的缺陷检测方法，包括从所述电化学装置所接收到的至少一个变量(S)中获得至少一个特征数值(Vali)(103)，以及从所述获得的数值中确定所述电化学装置的至少一个缺陷(Di)。该方法包括执行小波变换，以便从所接收到的变量(S)中获得特征数值(Vali)。本发明还涉及实施该方法的装置以及对应的计算机程序。
文档编号G01N37/00GK102696025SQ201080038636
公开日2012年9月26日 申请日期2010年6月24日 优先权日2009年6月25日
发明者丹尼尔·海西尔, 丹尼斯·康杜索, 卢德米拉·戈蒂埃, 纳迪阿·尤斯菲-斯泰纳, 菲利普·莫科泰久伊 申请人:弗朗什-孔岱大学, 法国电力公司, 法国科学技术运输管理和网络学院
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
