Dissertation/ Thesis
Data-driven modelling, state estimation, cell control and motion planning for PEM fuel cell-powered vehicles
| Title: | Data-driven modelling, state estimation, cell control and motion planning for PEM fuel cell-powered vehicles |
|---|---|
| Authors: | Aguilar Plazaola, José Agustín |
| Contributors: | University/Department: Universitat Politècnica de Catalunya. Institut d'Organització i Control de Sistemes Industrials |
| Thesis Advisors: | Husar, Attila Peter, Andrade-Cetto, Juan |
| Source: | TDX (Tesis Doctorals en Xarxa) |
| Publisher Information: | Universitat Politècnica de Catalunya, 2026. |
| Publication Year: | 2026 |
| Physical Description: | 151 p. |
| Subject Terms: | Fuel cell control, Optimization-based control, Model predictive control, Robot parth planning, Data-driven modelling, Hybrid modelling, State estimation, Àrees temàtiques de la UPC::Informàtica, Àrees temàtiques de la UPC::Energies, 004 - Informàtica, 68 - Indústries oficis i comerç d'articles acabats. Tecnologia cibernètica i automàtica, 629 - Enginyeria dels vehicles de transport, 620 - Assaig de materials. Material comercials. Economia de l'energia |
| Description: | Tesi amb menció de Doctorat Internacional |
| Description (Translated): | (English) This doctoral thesis presents novel advances in the areas of modeling, state estimation, path planning, and control to improve energy efficiency and durability of the powertrain of autonomous robots and electric vehicles driven by proton exchange membrane fuel cells. The main objective of the present work is to design and implement algorithms that, based on a thorough knowledge of the systems in question, improve the characteristics and outperform the state-of-the-art methods. Special emphasis is placed on testing the developed algorithms, as much as possible, with dynamic experimental profile data In the area of proton-exchange membrane (PEM) fuel cell modelling, a computationally efficient physical model is proposed. Next, a model with a structure based on neural networks, built exclusively from data, is developed and validated. This model is framed within a new paradigm of machine learning, the computation by reservoirs. Subsequently, a hybrid model is built, combining both the physical model and the data-driven model by means of a fusion algorithm based on radial basis functions. The three models are tested with a set of dynamic experimental data, and it is shown how the proposed hybrid structure outperforms each of the individual models. In the area of state estimation, a particle filter is developed with the objective of estimating internal states (or parameters) of the fuel cell, taking into account the nonlinearity of the system and the uncertainty in its model. The algorithm is capable of estimating the internal variables of a nonlinear system with non-Gaussian probabilistic distribution. The algorithm is implemented to estimate the exchange current density of a fuel cell and is tested with two sets of experimental data, outperforming two state-of-the-art estimation algorithms. The exchange current density estimation is then used to fit an auto-regressive model and predict the evolution of the stack voltage in a durability experiment. In the area of PEM fuel cell control, an architecture composed of a high-level controller is proposed, which is in charge of calculating optimal temperature values with the objective of minimizing the degradation of the catalyst layer of the PEM fuel cell and at the same time maximizing its performance. These optimum values are then sent to the local controller of the fuel cell temperature regulation system. The proposed controller is based on the model predictive control paradigm; for this, a multiobjective cost function is designed, based on state-of-the-art models of the platinum degradation process that occurs during stack operation. The controller is validated in simulation tests and shown how it can adapt the temperature according to load conditions, optimizing the performance of the catalyst layer and minimizing its degradation. In the area of path planning, a new planning algorithm is developed taking into consideration the degradation mechanisms in the catalyst caused by the cell voltage profile. The developed algorithm is an extension of the A* algorithm, including new cost and heuristic functions based on the latest degradation models available in the literature. These functions incorporate penalties related to the expected voltage profile in the routes that are more detrimental to the catalyst integrity. Simulation tests are performed with different scenarios and the performance of the developed path planner is compared with the conventional A* algorithm. In the area of energy efficiency control, a controller is developed with the objective of including energy optimization in an adaptive cruise control module. Each part of the controller is designed, including the system model, the cost function, and the constraints. A series of simulation tests are performed to compare the performance between the energy-optimized adaptive cruise controller and the conventional one. (Català) Aquesta tesi doctoral presenta nous avenços a les àrees de modelatge, estimació d'estat, planificació de trajectòries i control per millorar l'eficiència energètica i la durabilitat del tren motriu de robots autònoms i vehicles elèctrics propulsats per piles de combustible de membrana d'intercanvi protònic (PEM). L'objectiu principal del present treball és dissenyar i implementar algorismes que, partint d'un coneixement profund dels sistemes en qüestió, millorin les característiques i superin els mètodes més avançats. Es proven els algorismes desenvolupats amb dades de perfils experimentals dinàmics. A l'àmbit de la modelització de piles de combustible tipus PEM, es proposa un model físic computacionalment eficient. A continuació, es desenvolupa i es valida un model amb una estructura basada en xarxes neuronals, construït exclusivament a partir de dades. Aquest model s‟emmarca dins d‟un nou paradigma d‟aprenentatge automàtic, la computació per reservoris. Posteriorment, es construeix un model híbrid, que combina tots dos models mitjançant un algorisme de fusió basat en funcions de base radial. Els tres models es proven amb un conjunt de dades experimentals dinàmiques, i es demostra com l'estructura híbrida proposada supera cadascun dels models per separat. A l'àrea d'estimació d'estats, es desenvolupa un filtre de partícules amb l'objectiu d'estimar els estats interns (o paràmetres) de la pila de combustible, tenint en compte la no-linealitat del sistema i la incertesa en el model. L'algorisme és capaç d'estimar les variables internes d'un sistema no lineal amb distribució probabilística no gaussiana. L'algorisme s'implementa per estimar la densitat de corrent d'intercanvi d'una pila de combustible i es prova amb dos conjunts de dades experimentals, superant dos algorismes d'estimació actuals. A continuació, la variable estimada es fa servir per ajustar un model autoregressiu i predir l'evolució del voltatge de la pila a llarg termini. A l'àmbit del control, es proposa una arquitectura composta per un controlador d'alt nivell que s'encarrega de calcular els valors òptims de temperatura amb l'objectiu de minimitzar la degradació de la capa de catalitzador de la pila de combustible PEM i, alhora, maximitzar-ne el rendiment. Aquests valors òptims són enviats al controlador local del sistema de regulació de temperatura de la pila de combustible. El controlador proposat es basa en el paradigma del control predictiu per models; per fer-ho, es dissenya una funció de costos multiobjectiu, basada en models de l'estat de l'art del procés de degradació del platí que té lloc durant el funcionament de la pila. El controlador es valida en simulació i es mostra com adapta la temperatura en funció de les condicions de càrrega, optimitzant el rendiment del catalitzador i minimitzant-ne la degradació. A l'àrea de la planificació de trajectòries, es desenvolupa un nou algorisme de planificació que pren en compte els mecanismes de degradació al catalitzador causats pel perfil de càrrega. L'algorisme desenvolupat és una extensió de l'algorisme A*, incloent noves funcions de cost i heurístiques basades en els darrers models de degradació disponibles a la literatura. Aquestes funcions incorporen penalitzacions relacionades amb el perfil de càrrega esperat a les rutes més perjudicials per a la integritat del catalitzador. Es fan proves de simulació amb diferents escenaris i es compara el rendiment del planificador de rutes desenvolupat amb l'algorisme A* convencional. En làmbit eficiència energètica, es desenvolupa un control per optimitzar lenergia en un sistema dassistència a la conducció. Es dissenya el controlador, incloent-hi el model del sistema, la funció de cost i restriccions. Es realitzen proves de simulació comparant el controlador proposat amb un covencional. (Español) Esta tesis doctoral presenta avances novedosos en las áreas de modelado, estimación de estado, planificación de trayectorias y control para mejorar la eficiencia energética y la durabilidad del tren motriz de robots autónomos y vehículos eléctricos propulsados por pilas de combustible de membrana de intercambio protónico (PEM). El objetivo principal del presente trabajo es diseñar e implementar algoritmos que, partiendo de un conocimiento profundo de los sistemas en cuestión, mejoren las características y superen a los métodos más avanzados. Se prueban los algoritmos desarrollados con datos de perfiles experimentales dinámicos. En el ámbito de la modelización de pilas de combustible tipo PEM, se propone un modelo físico computacionalment eficiente. A continuación, se desarrolla y valida un modelo con una estructura basada en redes neuronales, construido exclusivamente a partir de datos. Este modelo se enmarca dentro de un nuevo paradigma de aprendizaje automático, la computación por reservorios. Posteriormente, se construye un modelo híbrido, que combina ambos modelos mediante un algoritmo de fusión basado en funciones de base radial. Los tres modelos se prueban con un conjunto de datos experimentales dinámicos, y se demuestra cómo la estructura híbrida propuesta supera a cada uno de los modelos por separado. En el área de estimación de estados, se desarrolla un filtro de partículas con el objetivo de estimar los estados internos (o parámetros) de la pila de combustible, teniendo en cuenta la no linealidad del sistema y la incertidumbre en su modelo. El algoritmo es capaz de estimar las variables internas de un sistema no lineal con distribución probabilística no gaussiana. El algoritmo se implementa para estimar la densidad de corriente de intercambio de una pila de combustible y se prueba con dos conjuntos de datos experimentales, superando a dos algoritmos de estimación actuales. A continuación, la variable estimada se utiliza para ajustar un modelo autorregresivo y predecir la evolución del voltaje de la pila a largo plazo. En el ámbito del control, se propone una arquitectura compuesta por un controlador de alto nivel que se encarga de calcular los valores óptimos de temperatura con el objetivo de minimizar la degradación de la capa de catalizador de la pila de combustible PEM y, al mismo tiempo, maximizar su rendimiento. Estos valores óptimos son enviados al controlador local del sistema de regulación de temperatura de la pila de combustible. El controlador propuesto se basa en el paradigma del control predictivo por modelos; para ello, se diseña una función de costes multiobjetivo, basada en modelos del estado del arte del proceso de degradación del platino que tiene lugar durante el funcionamiento de la pila. El controlador se valida en simulación y se muestra cómo adapta la temperatura en función de las condiciones de carga, optimizando el rendimiento del catalizador y minimizando su degradación. En el área de la planificación de trayectorias, se desarrolla un nuevo algoritmo de planificación que toma en cuenta los mecanismos de degradación en el catalizador causados por el perfil de carga. El algoritmo desarrollado es una extensión del algoritmo A*, incluyendo nuevas funciones de coste y heurísticas basadas en los últimos modelos de degradación disponibles en la literatura. Estas funciones incorporan penalizaciones relacionadas con el perfil de carga esperado en las rutas más perjudiciales para la integridad del catalizador. Se realizan pruebas de simulación con diferentes escenarios y se compara el rendimiento del planificador de rutas desarrollado con el algoritmo A* convencional. En el ámbito eficiencia energética, se desarrolla un control para optimizar la energía en un sistema de asistencia a la conducción. Se diseña el controlador, incluyendo el modelo del sistema, la función de costo y restricciones. Se realizan pruebas de simulación comparando el controlador propuesto con uno convencional. DOCTORAT EN AUTOMÀTICA, ROBÒTICA I VISIÓ (Pla 2013) |
| Document Type: | Dissertation/Thesis |
| File Description: | application/pdf |
| Language: | English |
| DOI: | 10.5821/dissertation-2117-463586 |
| Access URL: | https://hdl.handle.net/10803/697678 https://dx.doi.org/10.5821/dissertation-2117-463586 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by/4.0/ |
| Accession Number: | edstdx.10803.697678 |
| Database: | TDX |
Be the first to leave a comment!