一种基于FDALM的三元正极材料制备过程监测方法及系统技术方案

本发明专利技术公开了一种基于FDALM的三元正极材料制备过程监测方法及系统，应用于三元正极材料的烧结过程的监测，三元正极材料的烧结过程是一个典型的流程工业，生产过程涉及众多相互耦合的化学反应，包括化合、水解和副反应。首先在动态自回归隐变量模型的技术上，借助因子建模方法，推导出因子FDALM建模方法，该因子FDALM建模方法对同时兼具动态和多模态特性的数据进行建模，并且利用一种改进的EM算法学习模型参数；然后，为充分发挥每个因子模型的过程输出，借助Bayesian推理技术将子模型的统计值融合成样本的后验故障概率；最后，通过于其他模型比较的仿真结果表明，所提出的监测方法能够跟踪过程的模态波动。能够跟踪过程的模态波动。能够跟踪过程的模态波动。

【技术实现步骤摘要】
一种基于FDALM的三元正极材料制备过程监测方法及系统


[0001]本专利技术涉及三元正极材料制备过程故障检测
，尤其公开 了一种基于因子动态自回归隐变量模型(Factor DynamicAutoregression Latent Variable Model，FDALM)的三元正极材料制备 过程监测方法及系统。

技术介绍

[0002]三元正极材料制备过程是在辊道窑内同时发生物质传输和能量 交换、热量的对流与扩散等多种形式相互耦合的复杂过程。为简化系 统，根据温度的发展趋势来将烧结过程划分为三个温段，即升温段、 恒温段及降温段，每个温区会根据发生的化学反应加入相应的氧气和 温度。在特定的温度和氧气条件下，物料会在相应的温区发生既定的 反应。但如果烧结制度偏离设定过程，将导致产品质量不达标或造成 能源浪费。因此，对烧结过程建立实时监测以调整烧结制度，可以实 时指导操作人员及时调整操作参数。
[0003]然而，辊道窑内部发生的化学反应前后关联，使得当前时刻产生 的数据受到历史时刻数据的影响，即数据呈现高阶动态特征；此外， 辊道窑一天二十四小时不间断运转，化学反应对温度和原料混合比尤 其敏感，外部环境温度呈周期性的变化导致过程呈现多个稳定的工况， 使得过程数据呈现一定的多模态特征。因此，亟需一种同时考虑过程 高阶动态特性和多模态特征的三元正极材料制备过程监测方法，以保 证三元正极材料制备系统平稳运行。
[0004]因此，由于三元正极材料制备过程呈现出的高阶动态特征和多模 态特征，导致传统监测方法故障检测率低和误报率高，是目前亟待解 决的技术问题。

技术实现思路

[0005]本专利技术提供了一种基于FDALM的三元正极材料制备过程监测 方法及系统，旨在解决由于三元正极材料制备过程呈现出的高阶动态 特征和多模态特征，导致传统监测方法故障检测率低和误报率高的技 术问题。
[0006]本专利技术的一方面涉及一种基于FDALM的三元正极材料制备过 程监测方法，包括以下步骤：
[0007]数据准备与预处理，将收集的历史数据x
h
(k)，k＝1，2，..，T作为模型 训练集，对每个样本进行标准化处理；其中，为m维过程观 测数据，k为时间标签，T为样本数；
[0008]利用时滞辨识和聚类算法分别辨识模型的时滞系数L和系统因 子K，建立因子动态自回归隐变量模型，初始化模型参数Θ
old
；
[0009]采用改进的EM算法辨识因子动态自回归隐变量模型的相关参 数；
[0010]基于得到的因子动态自回归隐变量模型，定义因子动态自回归隐 变量模型每个子模态下的统计量，并确定子模型的控制阈值和 显著性水平α；
[0011]收集在线数据x(k)，k＝1，2，..，N作为模型的测试集，并进行标准化处 理；
[0012]基于所得到的因子动态自回归模型对测试集进行检测，计算每个 子模态下测试样本的并利用Bayesian推理技术融合每个子模态 的统计量，得到样本后验故障概率将与显著性水平α比 较，并输出检测结果。
[0013]进一步地，利用时滞辨识和聚类算法分别辨识模型的时滞系数L 和系统因子K，建立因子动态自回归隐变量模型，初始化模型参数Θ
old
的步骤包括：
[0014]通过趋势相似度算法辨识得到时滞系数L；
[0015]系统因子K的物理解释为数据划分的种类数，通过基于遗传算 法的仿射聚类传播算法辨识得到；
[0016]利用预处理后的数据集，构建因子动态自回归隐变量模型。
[0017]进一步地，采用改进的EM算法辨识因子动态自回归隐变量模型 的相关参数的步骤包括：
[0018]在E步，基于贝叶斯滤波、平滑对扩展动态隐变量期望和系统因 子K的后验分布进行合理估计；
[0019]在M步，借助最大化似然函数的方法对模型参数进行更新，构 造拉格朗日乘子公式，利用在M步中的因子约束更新因子系数。
[0020]进一步地，基于得到的因子动态自回归隐变量模型，定义因子动 态自回归隐变量模型每个子模态下的统计量，并确定子模型的控制 阈值和显著性水平α的步骤中，对于训练好的因子动态自回归隐 变量模型，隐变量是驱动动态变化过程的运行的关键变量，每个子模 态的隐变量可建立相应的统计量，统计量通过以下公式计算出：
[0021][0022]其中，表示第k个子模态的T2统计量，表示隐 变量z
tq
关于x
1：tq
，y
1：tq
的条件期望的转置，covariance表示隐变量z
tq
关于 x
1：tq
，y
1：tq
的协方差，E(z
tq
|x
1：tq
，y
l：tq
)表示隐变量z
tq
关于x
1：tq
，y
1：tq
的条件期 望；
[0023]为了充分利用每个模态的关键信息，借助贝叶斯推理方法将各个 子模态的监测结果融合成故障概率，构造观测样本在第k个模态下发 生故障的事件概率为：
[0024][0025][0026]其中，表示过程数据故障的先验概率，表示过程数 据正常的先验概率，表示第k个模态故障条件下观测样本发 生的条件概率；表示第k个模态下观测变量被观测到的概率； 表示第k个模态正常条件下观测样本发生的条件概率； 表示第k个模态下故障条件下观测样本发生的条件概率； 表示过程数据故障先验概率；表示过程数据正常先验 概率；
[0027]将和与显著性水平α相结合，定义以下公式：
[0028][0029][0030]其中，α表示显著性水平；实际大小是误报和漏报之间的平衡， 为了获取新数据样本的故障概率构造正常和故障条件下观 测样本发生的条件概率，定义以下公式：
[0031][0032][0033]其中，表示第k个模态下正常条件下观测样本发生的条 件概率；表示第k个模态下故障条件下观测样本发生的条件 概率；是每个模态的控制限，其值由子模型的自由度d和显著性 水平α唯一确定；表示第k个子模态的T2统计量。
[0034]进一步地，基于所得到的因子动态自回归模型对测试集进行检测， 计算每个子模态下测试样本的并利用Bayesian推理技术融合每 个子模态的统计量，得到样本后验故障概率将与显著 性水平α比较，并输出检测结果的步骤中，观测数据在每个局部模型 发生故障的概率确定后，进一步利用贝叶斯推理技术将每个子模态故 障发生概率进行融合，得到样本的故障概率样本的故障概率 通过以下公式计算出：
[0035][0036]其中，表示样本的故障概率，P(k|x
t
)因子k关于x
t
的后验 概率；表示在因子模态k下关于新样本x
t
的后验故障概率；
[0037]通过比较故障概率与显著性水平α来判断系统是否发生故障，判 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FDALM的三元正极材料制备过程监测方法，其特征在于，包括以下步骤：数据准备与预处理，将收集的历史数据x
h
(k)，k＝1，2，..，T作为模型训练集，对每个样本进行标准化处理；其中，为m维过程观测数据，k为时间标签，T为样本数；利用时滞辨识和聚类算法分别辨识模型的时滞系数L和系统因子K，建立因子动态自回归隐变量模型，初始化模型参数Θ
old
；采用改进的EM算法辨识所述因子动态自回归隐变量模型的相关参数；基于得到的因子动态自回归隐变量模型，定义所述因子动态自回归隐变量模型每个子模态下的T
k2
统计量，并确定子模型的控制阈值和显著性水平α；收集在线数据x(k)，k＝1，2，..，N作为模型的测试集，并进行标准化处理；基于所得到的因子动态自回归模型对测试集进行检测，计算每个子模态下测试样本的并利用Bayesian推理技术融合每个子模态的统计量，得到样本后验故障概率将与显著性水平α比较，并输出检测结果。2.如权利要求1所述的基于FDALM的三元正极材料制备过程监测方法，其特征在于，所述利用时滞辨识和聚类算法分别辨识模型的时滞系数L和系统因子K，建立因子动态自回归隐变量模型，初始化模型参数Θ
old
的步骤包括：通过趋势相似度算法辨识得到所述时滞系数L；通过基于遗传算法的仿射聚类传播算法辨识得到系统因子K，所述系统因子K物理解释为数据划分的种类数；利用预处理后的数据集，构建因子动态自回归隐变量模型。3.如权利要求2所述的基于FDALM的三元正极材料制备过程监测方法，其特征在于，所述采用改进的EM算法辨识所述因子动态自回归隐变量模型的相关参数的步骤包括：在E步，基于贝叶斯滤波、平滑对扩展动态隐变量期望和系统因子K的后验分布进行合理估计；在M步，借助最大化似然函数的方法对模型参数进行更新，构造拉格朗日乘子公式，利用在M步中的因子约束更新因子系数。4.如权利要求1所述的基于FDALM的三元正极材料制备过程监测方法，其特征在于，所述基于得到的因子动态自回归隐变量模型，定义所述因子动态自回归隐变量模型每个子模态下的统计量，并确定子模型的控制阈值和显著性水平α的步骤中，对于训练好的因子动态自回归隐变量模型，隐变量是驱动动态变化过程的运行的关键变量，每个子模态的隐变量可建立相应的统计量，统计量通过以下公式计算出：其中，表示第k个子模态的T2统计量，E(z
tq
|x
1：tq
，y
1：tq
)
T
表示隐变量z
tq
关于x
1：tq
，y
1：tq
的条件期望的转置，covariance表示隐变量z
tq
关于x
1：tq
，y
1：tq
的协方差，E(z
tq
|x
1：tq
，y
l：tq
)表示隐变量z
tq
关于x
1：tq
，y
1：tq
的条件期望；为了充分利用每个模态的关键信息，借助贝叶斯推理方法将各个子模态的监测结果融合成故障概率，构造观测样本在第k个模态下发生故障的事件概率为：
其中，表示过程数据故障的先验概率，表示过程数据正常的先验概率，表示第k个模态故障条件下观测样本发生的条件概率；表示第k个模态下观测变量被观测到的概率；表示第k个模态正常条件下观测样本发生的条件概率；表示第k个模态下故障条件下观测样本发生的条件概率；表示过程数据故障先验概率；表示过程数据正常先验概率；将和与显著性水平α相结合，定义以下公式：定义以下公式：其中，α表示显著性水平；实际大小是误报和漏报之间的平衡，为了获取新数据样本的故障概率构造正常和故障条件下观测样本发生的条件概率，定义以下公式：定义以下公式：其中，表示第k个模态下正常条件下观测样本发生的条件概率；表示第k个模态下故障条件下观测样本发生的条件概率；是每个模态的控制限，其值由子模型的自由度d和显著性水平α唯一确定；表示第k个子模态的T2统计量。5.如权利要求1所述的基于FDALM的三元正极材料制备过程监测方法，其特征在于，所述基于所得到的因子动态自回归模型对测试集进行检测，计算每个子模态下测试样本的并利用Bayesian推理技术融合每个子模态的统计量，得到样本后验故障概率将与显著性水平α比较，并输出检测结果的步骤中，观测数据在每个局部模型发生故障的概率确定后，进一步利用贝叶斯推理技术将每个子模态故障发生概率进行融合，得到样本的故障概率样本的故障概率通过以下公式计算出：其中，表示样本的故障概率，P(k|x
t
)因子k关于x
t
的后验概率；表示在因子模态k下关于新样本x
t
的后验故障概率；通过比较故障概率与显著性水平α来判...

【专利技术属性】
技术研发人员：陈宁，谢沐言，陈嘉瑶，阳春华，桂卫华，胡福海，李彬艳，王凯，
申请(专利权)人：中南大学，
类型：发明
国别省市：