🔬 applied physics

Model-Free Detection and Accommodation of Sensor Faults for a PEM Electrolyzer

Dieses Papier schlägt einen neuartigen modellfreien Ansatz auf Basis ultra-lokaler Modelle vor, um Sensorfehler in einem mit erneuerbaren Energien betriebenen PEM-Elektrolysesystem zu detektieren und zu kompensieren, wodurch die geschlossene Regelungsstabilität und Leistung gewährleistet wird, ohne auf vorherige Systemmodelle angewiesen zu sein.

Ursprüngliche Autoren: Meziane Ait Ziane, Michel Zasadzinski, Cédric Join, Michel Fliess

Veröffentlicht 2026-07-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Meziane Ait Ziane, Michel Zasadzinski, Cédric Join, Michel Fliess

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, das perfekte Brot (das ist Ihr Wasserstoffbrennstoff) in einem sehr wählerischen, hochmodernen Ofen (dem PEM-Elektrolyseur) zu backen. Dieser Ofen wird von einem Solarpanel angetrieben, das wie ein launischer Freund agiert: Manchmal ist es hell und sonnig (hohe Spannung), und manchmal ist es bewölkt (niedrige Spannung). Um den Ofen reibungslos am Laufen zu halten, verwenden Sie einen speziellen Dimmer (einen DC/DC-Wandler), um die Leistung anzupassen.

Hier liegt das Problem: Sie haben ein Thermometer (einen Sensor), das Ihnen sagt, wie heiß der Ofen ist. Aber was wäre, wenn dieses Thermometer anfängt zu lügen? Vielleicht bleibt es bei „300 Grad“ hängen, obwohl der Ofen eigentlich eiskalt ist, oder es fängt einfach an, mit statischem Rauschen zu rauschen. Wenn das Gehirn Ihres Ofens diesem lügenden Thermometer vertraut, wird es versuchen, das Brot bei der falschen Temperatur zu backen, und Ihre Wasserstoffproduktion gerät außer Kontrolle.

Lange Zeit versuchten Wissenschaftler, dies zu lösen, indem sie eine massive, komplexe mathematische Karte davon erstellten, wie genau der Ofen im Inneren und Äußeren funktioniert. Sie dachten: „Wenn wir jeden einzelnen Draht und jede chemische Reaktion kennen, können wir vorhersagen, wann das Thermometer lügt.“ Aber diese Arbeit besagt: Nö, das ist zu kompliziert.

Stattdessen schlagen die Autoren einen „modellfreien“ Ansatz vor. Stellen Sie sich das so vor: Anstatt den gesamten Bauplan des Ofens zu studieren, hört Ihr Steuerungssystem einfach auf das aktuelle Verhalten. Es verwendet einen cleveren Trick, ein „ultralokales Modell“. Stellen Sie sich einen smarten Assistenten vor, der nicht wissen muss, wie der Ofen gebaut wurde; er beobachtet einfach, was passiert, wenn man den Regler dreht und was das Thermometer genau jetzt anzeigt.

So funktioniert dieser „smarte Assistent“ in drei einfachen Schritten:

Die Vermutung: Der Assistent sagt voraus, was das Thermometer basierend auf den Daten der letzten Sekunden sagen sollte.
Der Check: Er vergleicht die Vorhersage mit dem tatsächlichen Messwert. Wenn sie übereinstimmen, ist alles in Ordnung. Wenn sie nicht übereinstimmen, ruft der Assistent: „Hey! Etwas stimmt nicht!“ Diese Differenz wird als Residuum bezeichnet.
Die Korrektur: Sobald der Assistent die Lüge entdeckt (den Sensorausfall), gerät er nicht in Panik. Er berechnet genau, wie sehr das Thermometer lügt. Dann passt er das Gehirn des Ofens an, um die Lüge zu ignorieren und sich auf das eigentliche Ziel zu konzentrieren.

Die Autoren testeten diese Idee mithilfe von Computersimulationen (noch kein echter physischer Ofen im Labor, aber ein sehr detaillierter digitaler Zwilling). Sie legten ein Szenario fest, in dem die Solarleistung zwischen 25 V und 55 V schwankt. Zudem führten sie eine „Lüge“ ein, bei der der Sensor plötzlich einen Strom meldete, der um 2 Ampere zu hoch (oder 4 Ampere zu niedrig) war, zu spezifischen Zeiten.

Die Ergebnisse waren vielversprechend. In den Simulationen erkannte das System den Fehler fast augenblicklich, als der Sensor anfing zu lügen. Ohne die Korrektur hätte der Ofen versucht, dem falschen Messwert zu folgen. Aber mit dieser neuen „modellfreien“ Strategie erkannte das System: „Ah, der Sensor ist defekt“, und korrigierte sich selbst. Der tatsächliche Stromfluss durch das System blieb perfekt auf Kurs und erreichte das gewünschte Ziel, während der Sensor Lügen erzählte und die Solarleistung auf und ab tanzte.

Die Arbeit argumentiert explizit gegen die Abhängigkeit von komplexen, vorab erstellten mathematischen Modellen des Systems für diese spezifische Aufgabe. Sie zeigen, dass man nicht jeden einzelnen Widerstand oder Kondensatorwert kennen muss (wie die erwähnten Komponenten von 100,06 Ω oder 901,43 F), um den Sensor zu korrigieren. Man braucht lediglich das ultralokale Modell.

Was ist also der Kern der Sache? Die Autoren schlagen vor, dass diese Methode ein starker Kandidat für den realen Einsatz ist, da sie schnell ist und keinen schweren Computer für die Berechnungen benötigt. Sie haben den physischen Roboter noch nicht gebaut, aber in ihrer digitalen Welt funktionierte es einwandfrei und hielt die Wasserstoffproduktion trotz des Chaos stabil. Es ist ein wenig so, als würde man einem Auto beibringen, selbstständig zu fahren, indem man einfach nur die Straße beobachtet, anstatt zuerst die gesamte Landkarte der Stadt auswendig zu lernen.

Technisches Resümee: Modellfreie Detektion und Kompensation von Sensorfehlern in einer PEM-Elektrolyse

Problemstellung
Protonenaustauschmembran-Elektrolyseure (PEMWE), die mit DC/DC-Wandlern gekoppelt sind, sind entscheidend für die Produktion von grünem Wasserstoff unter Nutzung erneuerbarer Energiequellen (RES). Diese Systeme sind jedoch anfällig für verschiedene Fehler, einschließlich Sensorausfällen. Während es Strategien zur aktiven fehlertoleranten Regelung (AFTC) für Komponentenfehler (z. B. Gate-Fehler in Wandlern) gibt, mangelt es in der Literatur an spezifischen Ansätzen zur Kompensation von Sensorfehlern in PEMWE-Systemen, die unter variablen RES-Spannungen betrieben werden. Ohne Kompensation führt ein Sensorfehler ( $f$ ) dazu, dass die Regelschleife die fehlerhafte Messung ( $y_m$ ) statt des tatsächlichen Systemoutputs ( $y$ ) regelt, was zu einer Abweichung vom gewünschten Wasserstoffproduktions-Sollwert führt. Die Herausforderung besteht darin, diese Sensorfehler in einem geschlossenen Regelkreis, der Eingangsspannungs-Variationen unterliegt, ohne auf komplexe mathematische Modelle des Elektrolyseurs zurückzugreifen, zu detektieren, zu schätzen und zu kompensieren.

Methodik
Die Autoren schlagen einen modellfreien Ansatz vor, der auf dem Konzept eines ultra-lokalen Modells basiert – einer Technik, die zunehmend in der Regelungstechnik eingesetzt wird. Die Methodik besteht aus drei Hauptkomponenten:

Ultra-lokale Modellierung und Regelung:
Anstatt das hochordnende analytische Modell des PEMWE (abgeleitet aus der elektrochemischen Impedanzspektroskopie) zu verwenden, wird das System durch das ultra-lokale Modell $\dot{y}_m = F + \alpha u$ dargestellt. Hierbei repräsentiert $F$ die unbekannten Dynamiken und Störungen, $\alpha$ ist ein konstanter Koeffizient und $u$ ist der Stellgrößeneingang. Ein „intelligenter proportionaler“ (iP) Regler wird verwendet, um $F$ zu schätzen und das Stellgesetz $u = -(\hat{F} - \dot{y}^* + K_p e)/\alpha$ zu generieren.
Residuenbildung und Fehlerdetektion:
Zur Detektion von Fehlern wird ein Residuen-Signal $r(t)$ erzeugt, indem die gemessene Ausgabe $y_m$ mit einer rekonstruierten Ausgabe $\hat{y}_m$ verglichen wird, die aus der Integration des ultra-lokalen Modells abgeleitet wurde.
$r(t) = y_m(t) - \beta(t)\hat{y}_m(t)$
Der Parameter $\beta(t)$ wird dynamisch angepasst, basierend auf der stationären Beziehung zwischen dem Stellgrößeneingang und der RES-Spannung ( $V_{RES}$ ), wobei berücksichtigt wird, dass das System aufgrund der $V_{RES}$ -Variationen nicht linear zeitinvariant (LTI) ist. Ein Schwellenwert $\rho(t)$ wird basierend auf dem Rauschniveau und der minimal detektierbaren Fehlermagnitude festgelegt. Wenn $|r(t)| > \rho(t)$ , wird ein Fehler gemeldet.
Fehlerabschätzung und Kompensation:
Sobald ein Fehler detektiert wurde, wird dessen Magnitude $\hat{f}$ direkt aus dem Residuum geschätzt:
$\hat{f}(t) = \frac{r(t)}{1 - \beta(t)}$
Die Kompensationsstrategie beinhaltet die Modifikation der Tracking-Fehlerdefinition im iP-Regler. Anstatt die Rohmessung zu verwenden, nutzt der Regler den kompensierten Fehler:
$e(t) = y_m(t) - y^*(t) - \hat{f}(t)$
Dies ermöglicht es dem Regler, den tatsächlichen Output $y$ trotz des Sensorfehlers auf den Referenzwert $y^*$ zu regeln.

Wesentliche Beiträge

Erste Anwendung auf PEMWE-Sensorfehler: Die Arbeit beansprucht, die erste Arbeit zu sein, die sich spezifisch mit der aktiven fehlertoleranten Regelung für Sensorfehler in PEMWE-Systemen in Verbindung mit DC/DC-Wandlern befasst.
Modellfreie Architektur: Die Detektions- und Kompensationsmechanismen beruhen nicht auf dem analytischen mathematischen Modell des PEMWE oder des Wandlers. Dies vermeidet die Komplexität der Modellierung von Degradation, Nichtlinearitäten und Parameterschwankungen.
Umgang mit variablen Eingängen: Der vorgeschlagene Ansatz berücksichtigt explizit die Variationen der Spannungen der erneuerbaren Energiequelle ( $V_{RES}$ ), wodurch sichergestellt wird, dass der Schwellenwert für die Fehlerdetektion und die Schätzung sowohl während der Transienten als auch im stationären Betrieb gültig bleiben.

Simulationsergebnisse
Der Ansatz wurde mittels numerischer Simulationen eines PEMWE-Systems validiert, das mit einem gestapelten interleaved Buck-Converter (SIBC) gekoppelt ist. Es wurden zwei Szenarien getestet:

Konstante $V_{RES}$ (40 V): Ein Sensorfehler von +2 A wurde bei $t=30$ s eingeführt.
Variable $V_{RES}$ : Die Eingangsspannung variierte zwischen 25 V und 55 V, wobei ein Sensorfehler von -4 A bei $t=60$ s eingeführt wurde.

In beiden Fällen zeigten die Ergebnisse:

Detektion: Das Residuum $r(t)$ überschritt den Schwellenwert $\rho(t)$ fast unmittelbar nach Eintritt des Fehlers.
Schätzung: Der geschätzte Fehler $\hat{f}$ folgte der tatsächlichen Fehlermagnitude präzise.
Kompensation: Ohne AFTC wich der geregelte Output $y$ nach dem Fehler vom Sollwert $y^*$ ab. Mit aktivierter AFTC kompensierte das System den Fehler erfolgreich und stellte sicher, dass der tatsächliche Strom $y$ trotz des Sensorfehlers und der Eingangsspannungsvariationen gegen den Sollwert $y^*$ konvergierte.
Transientes Verhalten: Die AFTC-Logik wurde so konzipiert, dass sie während der Transientenphasen inaktiv bleibt, um Fehlalarme zu vermeiden, und erst aktiviert wird, wenn die stationären Bedingungen wiederhergestellt sind.

Bedeutung und Ansprüche
Die Autoren behaupten, dass ihr modellfreier Ansatz eine robuste Lösung bietet, um die Systemstabilität und -leistung bei Sensorfehlern aufrechtzuerhalten. Durch die Nutzung des ultra-lokalen Modells erreicht die Methode eine Fehlerkompensation ohne den Rechenaufwand oder die Modellierungsungenauigkeiten, die mit analytischen Ansätzen verbunden sind. Das Paper schließt mit der Feststellung, dass diese Technik aufgrund ihrer geringen Rechenanforderungen ein starker Kandidat für die Echtzeitimplementierung auf Testständen ist. Als zukünftige Arbeit wird die physische Implementierung dieser Methode auf einem realen Teststand identifiziert.

Mehr davon