Plug Power 加速燃料电池控制系统开发
“我们没有时间研究用 C 或 C++ 来实现我们的算法的可能性。幸运的是，MATLAB 让我们只用几行代码就能对我们的想法进行检验。它帮助我们节省了大量时间，并将我们向打造具有商业价值的现场能源系统的目标又推进了一步。”
挑战
解决方案
结果
- 缩短开发时间
- 提高流程效率
- 降低运营支出
为了实现将未来发电技术投入使用的目标，Plug Power 公司设计并开发了基于燃料电池的现场能源系统。他们使用 MathWorks 工具来提高产品性能，降低成本，并改进制造和集成流程。
“这些系统必须可靠且高效。为此，我们先使用 MathWorks 工具快速开发和仿真控制算法，然后再将其部署到系统上。”Plug Power 的控制工程师 Rebecca Dinan 解释道。
挑战
为了在缩短上市时间的同时打造可靠且经济高效的产品，Plug Power 必须对燃料电池系统准确建模并对新算法或改进算法进行快速测试，然后在硬件上实现这些算法。
为了获得最优性能，发电模块（包括燃料电池）和重组油处理模块需要在严格的温度范围内运行，这带来进一步的控制设计挑战。正如 Dinan 所述，“电力需求的变化会严重干扰系统。我们需要自动化整个系统的控制。”
这些自动化的控制算法必须以更少的投入提供相同水平的性能，从而使公司能够通过减少控制系统中的传感器数量来降低成本。
解决方案
Plug Power 使用 MATLAB 和 Simulink 来开发和测试算法，仿真组件和系统，并简化从想法到实现的开发过程。
在最近的项目中，Dinan 开发了一种控制算法，该算法通过操作鼓风机来保持催化剂温度恒定。她首先在实验室手动移动鼓风机，以确定鼓风机在现实中如何影响温度。
然后，她使用 MATLAB 分析数据并执行系统辨识。“我输入数据并使用 MATLAB 确定所有开环传递函数参数，如增益、时滞和时间常量，”Dinan 解释道。
使用这些参数，她很快在 Simulink 中开发了包含比例积分导数 (PID) 控制器的模型。Dinan 说，“我们为 PID 控制器提供一个设定值，并使用鼓风机将温度调节到该设定值 - 类似于汽车中的巡航控制。我使用了 Simulink 中的 PID 模块来实现这一点。该模块很简单，我可以直接使用。”
当需要使用更复杂的策略来处理系统的动态特性时，Dinan 使用 Control System Toolbox 和 Deep Learning Toolbox 调节模型预测控制器。
Dinan 还利用 Deep Learning Toolbox 创建了一个模型以预测燃料电池系统的电力需求。该模型基于大量历史电力负荷数据。
“Deep Learning Toolbox 支持快速数据分析、模型创建和验证，”Dinan 说道。
然后，Dinan 使用一行 MATLAB 代码创建三维图来分析系统的各个方面，例如信噪比。
在对控制进行调整后，Dinan 将经过预测试的算法转发给嵌入式软件工程师以便于实现。
借助使用 MATLAB 开发的 GUI，Plug Power 将能够通过仿真鼓风机定位的效果来进一步加速控制系统的开发。
Plug Power 的另一个团队正在使用 Simulink 创建下一代燃料电池系统的完整模型，以期加速控制设计。目前，他们正在用物理系统验证其 Simulink 系统模型。
结果
缩短了开发时间。使用 MathWorks 工具，Plug Power 将算法开发时间缩短了数周。“使用 MATLAB，我仅用不到一周的时间就开发出了模式识别算法并获得了预期的结果。在 C++ 中，要完成同样的任务，需要花费几个月的时间来编写所有矩阵数学代码，”Dinan 说道。
提高了流程效率。MathWorks 工具使控制工程师能够快速设计和验证控制算法。Dinan 报告说，“在 MATLAB 中开发的算法使我更有信心它能在系统中工作，而且以后需要改动时，我也不必去找软件开发人员才能做出更改。”
降低了运营支出。Dinan 指出，“MathWorks 工具能够帮助我们节省运营支出并减轻系统组件老化现象。我们可以对想法进行仿真，找出错误或效率欠佳之处并予以纠正，然后在系统上测试算法。换句话说，MathWorks 工具能帮助我们采取预防措施。”Plug Power 还将他们下一代系统中包括传感器在内的部件数量减少了 50%。
