一种成品浆料罐实时用量监测方法及系统与流程

本发明属于锂电池合浆，涉及一种成品浆料罐实时用量监测方法及系统。

背景技术：

1、在锂电池合浆工序中，合浆线各组分的精度直接影响最终浆料的质量。合浆过程中的成品浆料罐实际用量、对应的理论用量预测、传感器输出以及下料速度这几类数据之间存在着复杂的动态关联和相互影响。传统的跟踪主要依赖操作人员经验，通过人工统计两者差异来辅助调整，但精度难以保证，跟踪不够及时。虽然应用了自动流量计等在线测量设备，但对动态变化的跟踪效果仍较差。

2、近年来基于数据驱动的预测方法被初步应用，如时序神经网络可以对规律进行建模。但这类单模型方法泛化性有限，难以适应不同合浆工艺。一些状态估计算法如卡尔曼滤波也可用于数据融合，但对下料速度的动态响应较慢。当前跟踪技术中存在诸多不足。传统依赖经验法则的跟踪机制，难以对过程的动态变化做出实时响应；而现有自动测量设备的精度有限，也难以准确反映多变量复杂耦合的过程；仅依赖单一数据驱动模型的预测技术，则存在泛化性差的问题，难以适应不同工艺条件。另外，独立的状态估计算法对动态响应下料速度较慢，未能实现稳定精准的跟踪。更严重的是，现有技术普遍对异常情况的识别能力较弱，无法进行有效预警。

3、综上，现有跟踪技术难以兼顾准确性与稳定性，对多变量间相互影响考虑不足，且针对不同工艺需要重复调试模型，复用性较差。因此，需要研发一种新的跟踪方法，实现对成品浆料罐实时用量的准确监测，确保合浆配方精度。

技术实现思路

1、本发明所要解决的技术问题在于如何准确监测成品浆料罐的实时用量。

2、本发明是通过以下技术方案解决上述技术问题的：

3、一种成品浆料罐实时用量监测方法，包括以下步骤：

4、步骤1、构建基于lstm-kf算法的浆料用量预测模型；

5、步骤2、采集当前合浆过程中浆料罐用量以及传感器下料速度数据，并对采集的数据进行处理；

6、步骤3、对lstm-kf算法进行训练、验证和检验；

7、步骤4、采用训练好的lstm-kf算法进行成品浆料罐实时用量的连续预测。

8、进一步地，步骤1中所述的构建基于lstm-kf算法的浆料用量预测模型的方法如下：

9、(1)基于kf算法建立转移过程矩阵，使用高斯噪声对目标的量测信息中的误差进行建模，通过预测状态噪声协方差矩阵和测量噪声协方差矩阵得到卡尔曼增益，使用卡尔曼增益将转移后所得状态预测向量与传感器获取得状态向量结合，得到滤波器的状态向量和状态估计噪声协方差矩阵；

10、(2)建立lstm模型，采用遗忘门过滤需要丢弃的信息，输入门确定存方单元状态中的新信息，输出门决定当前单元的输出；正向传播过程结束后，通过反向传播更新lstm的参数，不断重复该过程直到模型收敛，lstm使用遗忘门，输入门和输出门的机制达成之前时刻输入与新时刻输入之间的权衡，建立数据间的映射关系。

11、进一步地，所述的转移过程矩阵的公式如下：

12、xk|k-1＝fxk-1+w

13、pk|k-1＝fpk-1ft+q

14、其中，w为扰动噪声，xk|k-1为状态预测向量，pk|k-1为预测状态噪声协方差矩阵，xk-1为k-1时刻滤波输出的状态向量，pk-1为k-1时刻滤波输出的状态估计协方差矩阵；f为转移矩阵，ft为转移矩阵转置矩阵，q为匀速下扰动噪声协方差矩阵；

15、令扰动噪声服从均值为0，方差为q的高斯噪声，在匀速下扰动噪声协方差矩阵，公式如下：

16、

17、目标的状态转移方式通过转移矩阵f描述，公式如下：

18、

19、其中，δt为量测间隔。

20、进一步地，所述的通过预测状态噪声协方差矩阵和测量噪声协方差矩阵得到卡尔曼增益，使用卡尔曼增益将转移后所得状态预测向量与传感器获取得状态向量结合，得到滤波器的状态向量和状态估计噪声协方差矩阵的过程具体如下：

21、所述的测量噪声协方差矩阵的公式为：

22、

23、其中，σc2为用量噪声的方差，σv2为下料速度量测噪声的方差；

24、通过预测状态噪声协方差矩阵pk|k-1和量测噪声协方差矩阵r得到卡尔曼增益为：

25、k＝pk|k-1ht(hpk|k-1ht+r)-1

26、其中观测矩阵为：

27、

28、使用卡尔曼增益kk将转移后所得状态预测向量xk|k-1与传感器获取得状态向量z＝[ck,vk]结合，得到滤波器的状态向量和状态估计噪声协方差矩阵为：

29、xk＝xk|k-1+kk(zk-hxk|k-1)

30、pk＝(i-kkh)xk|k-1

31、其中，xk和pk作为下一时刻的输入，持续的对剂量值进行预测。

32、进一步地，所述的采用遗忘门过滤需要丢弃的信息的方法如下：

33、当前时刻的输入xt和上一时刻的输出ht-1经遗忘门后的输出为：

34、ft＝sigmod(wf[ht-1,xt]+bf)

35、其中，wf和bf为遗忘门的权重和偏置；

36、所述的输入门确定存方单元状态中的新信息的方法如下：

37、通过sigmod的部分决定值的更新，输出向量it，通过tanh的部分则创建一个新的候选值～ct加入到状态中，则当前的状态为：

38、

39、it＝sigmoid(wi[ht-1,xt]+bi)

40、

41、其中，wi和bi为输入门的权重和偏置，wn和bn为tanh部分的权重和偏置；

42、所述的输出门决定当前单元的输出的方法如下：

43、上一时刻的输出ht-1和xt经处理后，输出的ot和当前时刻的状态ct，通过tanh的部分相乘，得到最终输出为：

44、ht＝ottanh(ct)

45、ot＝sigmoid(wo[ht-1,xt]+b0)

46、其中wo和bo为输入门的权重和偏置。

47、进一步地，步骤2中所述的采集当前合浆过程中浆料罐用量以及传感器下料速度数据的过程如下：采集的用量的时间序列长度为n，令li＝{cr,k,k＝1,2,...,n}为数据集中第i条用量的时间序列数据集，vi＝{vr,k,k＝1,2,...,n}为真实下料速度集，其中cr,k和vr,k分别为传感器的真实用量和真实下料速度；

48、所述的对采集的数据进行处理的过程如下：

49、使用滑动窗口从用量时间序列数据集li中提取长度为wl数据，得到：

50、i＝{cr,k,k＝j,j+1,...,wl+j-1}

51、使用公式对用量进行差分处理，将输入的用量转化为平均下料速度：

52、

53、考虑到目标瞬时下料速度与期望输出的平均下料速度同样存在时序特征上的关联，在预测平均下料速度时，将瞬时下料速度也作为输入，则预测平均下料速度的lstm的第j个输入向量为：

54、

55、使用滑动窗口从下料速度数据集vi中提取长度wl下料速度数据，得到预测瞬时下料速度的lstm模型第j个输入向量为：

56、iv＝{vr,k,k＝j,...,wl+j-1}

57、对数据进行归一化，获取归一化的瞬时下料速度和平均下料速度时间序列，即i′l和i′v，其中归一化公式如下：

58、

59、构建出的预测用量平均下料速度的lstm和预测用量瞬时下料速度的lstm的输入分别为，其中j的范围为从1到n：

60、

61、i′v,j＝{v′r,k,k＝1,...,wl}

62、其中，i'表示归一化后的数据集，ii表示时序数据集，imax和imin分表表示各特征序列中的最小值。

63、进一步地，步骤3中所述的对lstm-kf算法进行训练、验证和检验的过程如下：以最小化均方根误差为损失函数，预测平均下料速度和预测瞬时下料速度的lstm模型；学习率使用adam优化器进行自适应学习率调整，同时设置当前批量大小；采用训练集数据对lstm模型进行训练，通过损失函数可视化验证模型的收敛；采用验证集数据进行五折交叉验证来验证模型的泛化性；采用测试集数据对时序数据分类效果及模型拟合情况进行检验；

64、所述的损失函数的公式如下：

65、

66、其中，l表示均方根误差计算，n表示输入向量的长度，vr表示输入的用量下料速度，vp表示模型预测的下料速度。

67、进一步地，步骤4中所述的采用训练好的lstm-kf算法进行成品浆料罐实时用量的连续预测的步骤如下：

68、(1)通过预处理构建输入向量，输入到lstm模型中，由lstm模型分别对目标的平均下料速度和瞬时下料速度进行预测；完成预测后，进行反归一化处理，得到平均下料速度预测以及瞬时下料速度预测值

69、(2)kf算法使用的匀速运动模型将上一时刻的滤波下料速度vf,k-1作为k-1时刻到k时刻之间的平均下料速度，计算k时刻的用量预测结果；同理，kf算法将k-1时刻滤波下料速度直接作为k时刻的瞬时下料速度；

70、所述的k时刻的用量预测结果的计算公式为：

71、

72、(3)lstm-kf算法则通过使用由lstm预测出的瞬时下料速度和修正的速度预测vf,k-1，通过kf算法，得到最终的下料速度预测vp,k，计算公式为：

73、vp,k＝u(vp,k,vf,k-1)

74、(4)再次使用kf算法将k时刻的用量预测cp,k和下料速度vp,k与k时刻量测用量cm,k以及量测下料速度vm,k结合，得到k时刻的最终用量估计和下料速度估计，分别为：

75、cf,k＝u(cp,k,cm,k)

76、vf,k＝u(vp,k,vm,k)

77、(5)重复以上步骤，实现成品浆料罐实时用量的连续预测。

78、一种成品浆料罐实时用量监测系统，包括：模型构建模块、数据采集与处理模块、模型训练模块、模型应用模块；

79、所述的模型构建模块用于构建基于lstm-kf算法的浆料用量预测模型；

80、所述的数据采集与处理模块用于采集当前合浆过程中浆料罐用量以及传感器下料速度数据，并对采集的数据进行处理；

81、所述的模型训练模块用于对lstm-kf算法进行训练、验证和检验；

82、所述的模型应用模块用于采用训练好的lstm-kf算法进行成品浆料罐实时用量的连续预测。

83、进一步地，模型构建模块中所述的构建基于lstm-kf算法的浆料用量预测模型的方法如下：

84、(1)基于kf算法建立转移过程矩阵，使用高斯噪声对目标的量测信息中的误差进行建模，通过预测状态噪声协方差矩阵和测量噪声协方差矩阵得到卡尔曼增益，使用卡尔曼增益将转移后所得状态预测向量与传感器获取得状态向量结合，得到滤波器的状态向量和状态估计噪声协方差矩阵；

85、(2)建立lstm模型，采用遗忘门过滤需要丢弃的信息，输入门确定存方单元状态中的新信息，输出门决定当前单元的输出；正向传播过程结束后，通过反向传播更新lstm的参数，不断重复该过程直到模型收敛，lstm使用遗忘门，输入门和输出门的机制达成之前时刻输入与新时刻输入之间的权衡，建立数据间的映射关系。

86、进一步地，所述的转移过程矩阵的公式如下：

87、xk|k-1＝fxk-1+w

88、pk|k-1＝fpk-1ft+q

89、其中，w为扰动噪声，xk|k-1为状态预测向量，pk|k-1为预测状态噪声协方差矩阵，xk-1为k-1时刻滤波输出的状态向量，pk-1为k-1时刻滤波输出的状态估计协方差矩阵；f为转移矩阵，ft为转移矩阵转置矩阵，q为匀速下扰动噪声协方差矩阵；

90、令扰动噪声服从均值为0，方差为q的高斯噪声，在匀速下扰动噪声协方差矩阵，公式如下：

91、

92、目标的状态转移方式通过转移矩阵f描述，公式如下：

93、

94、其中，δt为量测间隔。

95、进一步地，所述的通过预测状态噪声协方差矩阵和测量噪声协方差矩阵得到卡尔曼增益，使用卡尔曼增益将转移后所得状态预测向量与传感器获取得状态向量结合，得到滤波器的状态向量和状态估计噪声协方差矩阵的过程具体如下：

96、所述的测量噪声协方差矩阵的公式为：

97、

98、其中，σc2为用量噪声的方差，σv2为下料速度量测噪声的方差；

99、通过预测状态噪声协方差矩阵pk|k-1和量测噪声协方差矩阵r得到卡尔曼增益为：

100、k＝pk|k-1ht(hpk|k-1ht+r)-1

101、其中观测矩阵为：

102、

103、使用卡尔曼增益kk将转移后所得状态预测向量xk|k-1与传感器获取得状态向量z＝[ck,vk]结合，得到滤波器的状态向量和状态估计噪声协方差矩阵为：

104、xk＝xk|k-1+kk(zk-hxk|k-1)

105、pk＝(i-kkh)xk|k-1

106、其中，xk和pk作为下一时刻的输入，持续的对剂量值进行预测。

107、进一步地，所述的采用遗忘门过滤需要丢弃的信息的方法如下：

108、当前时刻的输入xt和上一时刻的输出ht-1经遗忘门后的输出为：

109、ft＝sigmod(wf[ht-1,xt]+bf)

110、其中，wf和bf为遗忘门的权重和偏置；

111、所述的输入门确定存方单元状态中的新信息的方法如下：

112、通过sigmod的部分决定值的更新，输出向量it，通过tanh的部分则创建一个新的候选值加入到状态中，则当前的状态为：

113、

114、it＝sigmoid(wi[ht-1,xt]+bi)

115、

116、其中，wi和bi为输入门的权重和偏置，wn和bn为tanh部分的权重和偏置；

117、所述的输出门决定当前单元的输出的方法如下：

118、上一时刻的输出ht-1和xt经处理后，输出的ot和当前时刻的状态ct，通过tanh的部分相乘，得到最终输出为：

119、ht＝ottanh(ct)

120、ot＝sigmoid(wo[ht-1,xt]+b0)

121、其中wo和bo为输入门的权重和偏置。

122、进一步地，数据采集与处理模块中所述的采集当前合浆过程中浆料罐用量以及传感器下料速度数据的过程如下：采集的用量的时间序列长度为n，令li＝{cr,k,k＝1,2,...,n}为数据集中第i条用量的时间序列数据集，vi＝{vr,k,k＝1,2,...,n}为真实下料速度集，其中cr,k和vr,k分别为传感器的真实用量和真实下料速度；

123、所述的对采集的数据进行处理的过程如下：

124、使用滑动窗口从用量时间序列数据集li中提取长度为wl数据，得到：

125、i＝{cr,k,k＝j,j+1,...,wl+j-1}

126、使用公式对用量进行差分处理，将输入的用量转化为平均下料速度：

127、

128、考虑到目标瞬时下料速度与期望输出的平均下料速度同样存在时序特征上的关联，在预测平均下料速度时，将瞬时下料速度也作为输入，则预测平均下料速度的lstm的第j个输入向量为：

129、

130、使用滑动窗口从下料速度数据集vi中提取长度wl下料速度数据，得到预测瞬时下料速度的lstm模型第j个输入向量为：

131、iv＝{vr,k,k＝j,...,wl+j-1}

132、对数据进行归一化，获取归一化的瞬时下料速度和平均下料速度时间序列，即i′l和i′v，其中归一化公式如下：

133、

134、构建出的预测用量平均下料速度的lstm和预测用量瞬时下料速度的lstm的输入分别为，其中j的范围为从1到n：

135、

136、i′v,j＝{v′r,k,k＝1,...,wl}

137、其中，i'表示归一化后的数据集，ii表示时序数据集，imax和imin分表表示各特征序列中的最小值。

138、进一步地，模型训练模块中所述的对lstm-kf算法进行训练、验证和检验的过程如下：以最小化均方根误差为损失函数，预测平均下料速度和预测瞬时下料速度的lstm模型；学习率使用adam优化器进行自适应学习率调整，同时设置当前批量大小；采用训练集数据对lstm模型进行训练，通过损失函数可视化验证模型的收敛；采用验证集数据进行五折交叉验证来验证模型的泛化性；采用测试集数据对时序数据分类效果及模型拟合情况进行检验；

139、所述的损失函数的公式如下：

140、

141、其中，l表示均方根误差计算，n表示输入向量的长度，vr表示输入的用量下料速度，vp表示模型预测的下料速度。

142、进一步地，模型应用模块中所述的采用训练好的lstm-kf算法进行成品浆料罐实时用量的连续预测的步骤如下：

143、(1)通过预处理构建输入向量，输入到lstm模型中，由lstm模型分别对目标的平均下料速度和瞬时下料速度进行预测；完成预测后，进行反归一化处理，得到平均下料速度预测以及瞬时下料速度预测值

144、(2)kf算法使用的匀速运动模型将上一时刻的滤波下料速度vf,k-1作为k-1时刻到k时刻之间的平均下料速度，计算k时刻的用量预测结果；同理，kf算法将k-1时刻滤波下料速度直接作为k时刻的瞬时下料速度；

145、所述的k时刻的用量预测结果的计算公式为：

146、

147、(3)lstm-kf算法则通过使用由lstm预测出的瞬时下料速度和修正的速度预测vf,k-1，通过kf算法，得到最终的下料速度预测vp,k，计算公式为：

148、vp,k＝u(vp,k,vf,k-1)

149、(4)再次使用kf算法将k时刻的用量预测cp,k和下料速度vp,k与k时刻量测用量cm,k以及量测下料速度vm,k结合，得到k时刻的最终用量估计和下料速度估计，分别为：

150、cf,k＝u(cp,k,cm,k)

151、vf,k＝u(vp,k,vm,k)

152、(5)重复以上步骤，实现成品浆料罐实时用量的连续预测。

153、一种存储介质，存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行所述成品浆料罐实时用量监测方法的步骤。

154、本发明的优点在于：

155、本发明的技术方案通过训练并应用lstm网络对历史进行模式学习，可快速响应变化；与此同时，将lstm预测输出与卡尔曼滤波递归估计进行融合，可使状态评估更稳定准确；相比依赖预置单一模型，本发明具有更强大的适应性，可减少针对不同工艺条件的重复建模，通过建立规律的lstm预测模型，能够对合浆过程的动态变化做出快速响应，提高跟踪的实时性。相较于现有技术，本发明的技术方案采用lstm与卡尔曼滤波的融合，可显著提升状态估计的精度和稳定性；充分利用lstm对复杂时序模式的建模能力和卡尔曼滤波的递归估计算法，增强了方案对动态变化的适应性。该方案提供实时、准确、可靠的状态评估，大大提升了合浆质量监控水平；该方案计算量适中，可通过并行化实现工业过程的实时在线监测与控制。通过快速、精准地识别异常，该方案增强了合浆过程的稳定性，降低了质量风险。综上，该方案显著提高了合浆的可控性，对保证电池质量具有重要意义。