一种锂离子电池生产过程中的故障溯源方法与流程

本发明涉及工业过程中的故障诊断领域，特别是涉及一种锂离子电池生产过程中的故障溯源方法。

背景技术：

锂离子电池生产过程中自动化水平较高，集成度、复杂度日益提高，不同过程变量之间关联耦合，这使得如人为误操作和设备零部件异常等任意微小的问题都能引发连锁反应，导致整个系统的运行故障，造成巨大的经济损失。故障检测与诊断技术是保障工业生产安全和降低维护成本的关键技术之一，其主要分为定性和定量两种方法。定性方法基于领域专家或专业技工积累的经验知识对故障进行分析和诊断，其优点是诊断机理明确，可解释性强，但故障识别率和分类率较低；定量方法进一步包括基于模型和数据的方法。其中，基于模型的方法构建工业过程的机理模型，根据系统输入仿真得到正常状态下中间变量和输出变量的估计值，进而比较实测数据识别故障和异常；基于数据的方法不依托系统结构和参数，仅通过构建数据模型判定是否存在故障。二者相比，由于现代工业系统的复杂性，基于模型的方法（kavuriysn.areviewofprocessfaultdetectionanddiagnosis:parti:quantitativemodel-basedmethods[j].computers&chemicalengineering,2003.）难以准确刻画过程变量的动态特性，而基于数据的方法（seversonk,chaiwatanodomp,braatzrd.perspectivesonprocessmonitoringofindustrialsystems[j].annualreviewincontrol,2016,42:190-200.）则绕过过程机理，基于支持向量机、贝叶斯网络、随机森林和神经网络等机器学习模型，根据输入输出拟合系统变量之间的非线性关联关系从而实现故障诊断，具有广阔的应用前景。

然而，基于数据的常用诊断模型存在一个共有问题，即复杂模型的可解释性问题。以神经网络为例，其内部执行的特征变换对于用户来说是一个难以理解的黑盒，无法从中获取故障因果和影响变量，其诊断性能的稳定性也难以保障。工业系统故障诊断方法必须具备高可靠性，这就要求基于数据的方法能够有效寻找造成故障的物理量变化，从而揭示故障发生的原因，实现故障溯源分析，提高诊断方法的可信度。

基于此，本领域需要新的基于数据的锂离子电池生产过程中的故障溯源方法来解决上述问题。

技术实现要素：

本发明针对现有技术中存在的上述不足，提供了一种锂离子电池生产过程中的故障溯源方法。

一种锂离子电池生产过程中的故障溯源方法，包括以下步骤：

步骤10：获取锂离子电池生产过程中正常态和故障态样本集合；

步骤20：对步骤10中正常态和故障态数据进行数据二值化操作；

步骤30：构造用于区分经二值化操作后的正常态与故障态数据的二值特征组合来优化模型；

步骤40：求解使得步骤30构建的二值特征组合优化模型中模型目标函数达到极值的二值特征组集合；

步骤50：将步骤40获得的二值特征组集合逆向转换为基于物理量的产生式规则集合；

步骤60：根据步骤50获得的产生式规则集合进行故障溯源分析。

二值化操作前后的数据可以相互转换，优化模型找到能够区分正常与故障态二值化特征的最优组合，然后可以反向转化为对应于原始数据的正常与故障态判别规则。

优选的，步骤10中，正常态和故障态样本包含能够反映锂离子电池生产过程的物理量，所述物理量包括过程变量和控制变量；通过数据采集系统采集正常态和故障态下一段连续时间的物理量实测值构成正常态和故障态样本集合。

更优选的，步骤20包括：

步骤201：将正常态和故障态各物理量进行混合排序，搜索所有相邻的正常和故障态物理量值的均值作为二值化参考点；

步骤202：对于每个物理量，以正常态样本的均值和方差构建高斯分布函数，计算故障态样本位于正常态样本高斯分布函数3倍标准差范围内的数量r，设定数量阈值上、下限tt、tb以获取二值化点；

步骤203：对于每个物理量，根据其值与所有二值化点值的相对大小将其映射为二值化特征，所有二值化特征组成二值化向量。

进一步优选的，步骤202中，二值化点的获取包括三种情况：当r＞tt时，将对应物理量二值化参考点的最大、最小值作为二值化点；当tb≤r≤tt时，将对应物理量二值化参考点的统计值作为二值化点；当r＜tb时，将对应物理量的所有二值化参考点作为二值化点。

更优选的，步骤30中，二值特征组合优化模型包含三项目标和四项约束；

三项目标为：二值化特征组与正常态样本的匹配度、二值化特征组与故障态样本的差异度和二值化特征组中元素的数量；

四项约束包括：二值化特征组元素数量约束、产生式规则单向性约束、正常态样本匹配性约束和故障态样本差异性约束，

其中，模型目标函数表示最小化为二值化特征组与正常态样本的匹配度、二值化特征组与故障态样本的差异度和二值化特征组中元素的数量三者的加权和。

进一步优选的，二值特征组合优化模型表示为：

其中，第一行表示模型目标函数，min表示最小化，s、m、d、l均表示优化变量，x和y分别表示正常态和故障态样本集合，公式(1)-(8)表示优化变量的约束条件，s.t.表示需满足公式(1)-(8)所示的约束条件；mi表示二值化特征组与第i个正常态样本的匹配度，di表示二值化特征组与第j个故障态样本的差异度，l表示二值化特征组中元素的数量，α和β为对应目标的权重；表示具有2n个元素的拓展二值化特征组，前n个元素为二值化特征组元素，后n个是前面的二值化特征值元素按元素取反值，k和p分别代表二值特征组编号和组内元素编号；表示拓展的二值化向量，拓展方式与二值化特征组相同。一个优化模型包含三要素：目标函数，优化变量和约束条件。模型的目标是在满足约束条件的基础上，搜索优化变量的值，使得目标函数最大max或最小化min。

更优选的，步骤40中，二值特征组集合的求解方法为分支定界法、遗传算法或粒子群算法。

更优选的，步骤50包括：

步骤501：根据每个物理量对应二值化点的数量，确定二值特征组元素对应的物理量；

步骤502：根据二值特征组元素对应的物理量和二值化点的值，将其转换为若-则（if-then）产生式规则，表示为若（if）某物理量>（大于）或<（小于）限值，则（then）某故障发生。

进一步优选的，步骤60中，根据产生式规则中包含的物理量和该物理量所对应的限值（限值是通过二值化点值反向转换得到的）分析导致故障发生的原因，实现故障溯源。

本发明面向锂离子电池生产过程中的故障溯源问题，不依赖于锂离子电池生产过程中的系统机理和先验知识，从数据的角度创新地构建了二值特征组合优化模型，实现多项故障判定规则并行发现以实现故障溯源分析。本发明提出了用于锂离子电池生产过程中的故障溯源透明性数据模型，能够有效地通过产生式规则表达，具有良好的可解释性和可接受性。

附图说明

图1是本发明的锂离子电池生产过程中的故障溯源方法的流程图。

图2是本发明实施例中tennesseeeastman过程对应的正常和故障样本物理量分布图。

图3是本发明实施例中锂离子动力电池浆料制备过程示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明提供一种基于二值化特征组合优化的工业过程故障溯源方法。如图1所示，该方法包括以下步骤：

步骤10：获取工业过程正常态和故障态样本集合；

所述步骤10的正常态和故障态样本包含能够反映工业过程状态的主要物理量，包括过程变量和控制变量；通过数据采集系统采集正常态和故障态下一段连续时间的物理量实测值构成样本集合。

正常态样本集合表示为，故障态样本集合表示为，其中nx和ny分别表示正常态和故障态样本的数量，n表示包括过程变量和控制变量在内的主要物理量的数量之和。

在本发明的一个实施例中，以tennesseeeastman（te）过程为例获取正常态和故障态样本集合，数据参考http://web.mit.edu/braatzgroup/links.html。te过程包含5个单元和8种物质，具体为4种输入a、c、d和e，2种输出g和h，催化剂b和副产品f。实施例选取其中的22个过程变量pv(1)-pv(22)和11个操作变量ov(1)-ov(11)作为反映工业过程状态的主要物理量，选取100个正常态样本和3类不同故障f(2)、f(7)和f(10)各80个故障态样本构成样本集合。

步骤20：对正常态和故障态数据进行数据二值化操作；

所述步骤20具体包括：

步骤201：将正常态和故障态各物理量进行混合排序，搜索所有相邻的正常和故障态物理量值的均值作为二值化参考点；

步骤202：对于每个物理量，以正常态样本的均值和方差构建高斯分布函数，计算故障态样本位于正常态样本高斯分布函数3倍标准差范围内的数量r，设定数量阈值上下限tt和tb以获取二值化点；

所述步骤202中二值化点的获取包括三种情况：当r＞tt时，将对应物理量二值化参考点的最大最小值作为二值化点；当tb≤r≤tt时时，将对应物理量二值化参考点的最大值、最小值、平均值、中位数和众数等统计值作为二值化点；r＜tb时，将对应物理量的所有二值化参考点作为二值化点。

步骤203：对于每个物理量，根据其值与所有二值化点值的相对大小将其映射为二值化特征，均由0和1构成，若物理量大于二值化点值，则为1；否则为0。所有二值化特征组成长度为r的二值化向量。

步骤30：构造用于区分正常态与故障态数据的二值特征组合优化模型；

所述步骤30中的二值特征组合优化模型属于有约束混合整数线性规划问题，其包含三项目标和四项主要约束；目标函数表示最小化为二值化特征组与正常态样本的匹配度、二值化特征组与故障态样本的差异度和二值化特征组中元素的数量三者的加权和；四项主要约束包括二值化特征组元素数量约束（约束1）、产生式规则单向性约束（约束2）、正常态样本匹配性约束（约束3）和故障态样本差异性约束（约束4）。

二值特征组合优化模型表示为：

其中，第一行表示模型目标函数，min表示最小化，s、m、d、l均表示优化变量，x和y分别表示正常态和故障态样本集合，公式(1)-(8)表示优化变量的约束条件，s.t.表示需满足公式(1)-(8)所示的约束条件；mi表示二值化特征组与第i个正常态样本的匹配度，di表示二值化特征组与第j个故障态样本的差异度，l表示二值化特征组中元素的数量，α和β为对应目标的权重；表示具有2n个元素的拓展二值化特征组，前n个元素为二值化特征组元素，后n个是前面的二值化特征值元素按元素取反值（二值化特征组表示为一串有0和1组成的序列，按元素取反指将0和1取反，例如：原二值化特征组：000111000，取反二值化特征组：111000111），k和p分别代表二值特征组编号和组内元素编号；表示拓展的二值化向量，拓展方式与二值化特征组相同。

步骤40：求解使得模型目标函数达到极值的二值特征组集合；

所述步骤40中的二值特征组集合的求解方法包括分支定界法、遗传算法、粒子群算法等。求解二值特征组合优化模型的过程中，当找到的最优解能够完全区分正常态和故障态样本集合时，计算结束；若部分正常态的数据无法被有效区分，则删去已被区分的正常态数据并重新求解模型得到额外的二值特征组。所有的二值特征组构成二值特征组集合。

步骤50：将二值特征组集合逆向转换为基于物理量的产生式规则集合；

所述步骤50具体包括：

步骤501：根据每个物理量对应二值化点的数量，确定二值特征组元素对应的物理量；

步骤502：根据二值特征组元素对应的物理量和二值化点的值，将其转换为if-then产生式规则。拓展二值特征组合优化模型中二值化特征组和二值化向量的目的是为了涵盖if-then产生式规则符号的方向。当拓展二值化特征组前n个元素存在“1”时，则转换后的产生式规则为正向大于规则；当拓展二值化特征组后n个元素存在“1”时，转换后的产生式规则为反向小于规则。

在本发明的一个实施例中，故障f(2)的if-then产生式规则集合包括1组7项规则：pv(10)>0.511、pv(11)>80.889、pv(18)<64.022、pv(19)<174.540、pv(22)>78.360、ov(6)>61.121、ov(9)<34.434；故障f(7)的if-then产生式规则集合包括1组1项规则ov(4)>69.709；故障f(10)的if-then产生式规则集合包括1组1项规则pv(19)<216.560。如图2是标准化的故障态和正常态最后80个样本对应的物理量分布（此时的物理量已处于稳定状态），对应图2三种故障的标准化后规则为f(2)：pv(10)>14.276、pv(11)>3.512、pv(18)<-3.946、pv(19)<-5.509、pv(22)>4.121、ov(6)>14.391、ov(9)<-4.889；f(7)：ov(4)>6.693；f(10)：pv(19)<-1.617。可以看出，所提方法有效识别出用于区分故障态和正常态样本的关键物理量并将其分布规律转化为产生式规则。

步骤60：根据产生式规则集合进行故障溯源分析；

所述步骤60中，根据产生式规则中包含的物理量和对应限值分析导致故障发生的原因，实现故障溯源；

在本说明书的另一个实施例中，以锂离子动力电池浆料制备过程为例验证本发明方法的有效性。浆料制备过程（如图3所示）是锂离子动力电池制造的第一道工序，其将电极活性粉料和溶剂等原料按一定比例混合放入分散罐，经由搅拌机带动搅拌器制成均匀、流动性好的浆料。浆料制备过程可能存在多种故障和质量波动，如设备故障、传感器故障、浆料粘度和固含量超标，存在结块或气泡等，而这些故障能够直接反应到过程变量中，并可通过本发明的方法筛选并转化成对应的产生式规则。浆料制备过程的过程变量包括搅拌转速、搅拌电流、真空压力、冷却水阀状态、料液温度等。例如，当产生浆料高温告警时，直接从数据库中导出从工序开始到当前的数据与相同时间范围内正常状态数据，调用本发明方法生成产生式规则，可得到料液温度与正常状态存在明显偏差，同时冷却水阀状态为关闭，可推断冷却水阀出现故障或未调至自动开启状态；当浆料粘度偏离标准时，按照工艺流程分阶段将正常和故障数据通过发明方法导出多项规则，可以看出在搅拌某阶段搅拌电流大于正常状态，可推断该阶段注水量不能满足需求，导致搅拌机阻力增大，进一步结合工艺标准判断故障原因出自工人误操作或是物料本身；当发生压力传感器故障时，通过本发明方法可直接锁定真空压力值异常，进而采取措施消除故障。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。