基于RVAE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RVAE的三元正极材料制备过程监测方法及系统，通过构建基于变分自编码器的烧结过程非线性动态系统模型；对构建的烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导烧结过程非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数；根据基于循环变分自编码器的非线性动态系统模型，定义烧结过程非线性动态系统模型的统计量，并通过核密度估计得到烧结过程非线性动态系统模型的控制阈值；收集在线数据作为非线性动态系统模型的测试集，在线计算监测统计量与控制限对比，判断故障是否发生。本发明专利技术能够显著改善故障检测率和误报率，为烧结过程平稳运行提供有力保障。平稳运行提供有力保障。平稳运行提供有力保障。

【技术实现步骤摘要】
基于RVAE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RVAE(Recurrent neural network
‑
Variational auto
‑
encoder，循环变分自编码器)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，由于辊道窑中前后温区发生温度的对流、前后反应相互耦合，使得当前采样时刻的样本受到过去时刻状态的影响，所采集的过程温度数据打破传统的静态假设而呈现强烈的动态特征，即数据呈现时滞动态特征。同时，由于原料成分波动、催化剂失活以及硅碳棒老化等因素，烧结制度与产品质量的关系复杂，呈现出强烈的非线性特征。
[0004]因此，三元正极材料制备过程呈现出的时滞动态特征和非线性特征，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RVAE的三元正极材料制备过程监测方法及系统，旨在解决元正极材料制备过程呈现出的时滞动态特征和非线性特征，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RVAE的三元正极材料制备过程监测方法，包括以下步骤：
[0007]构建基于变分自编码器的烧结过程非线性动态系统模型；
[0008]通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导烧结过程非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数；
[0009]根据基于循环变分自编码器的非线性动态系统模型，定义烧结过程非线性动态系统模型的统计量，并通过核密度估计得到烧结过程非线性动态系统模型的控制阈值；
[0010]收集在线数据作为非线性动态系统模型的测试集，并进行标准化处理；
[0011]基于构建的烧结过程非线性动态系统模型对测试集进行检测，计算测试样本的统计量，将计算出的统计量与预设的监测控制限进行比较来判断故障是否发生，并输出检测结果。
[0012]进一步地，构建基于变分自编码器的烧结过程非线性动态系统模型的步骤包括：
[0013]将收集的历史数据作为模型训练集，对模型训练集中的每个标本进行标准化处理；
[0014]基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型。
[0015]进一步地，基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型的步骤中，得到的烧结过程非线性动态系统模型的数学结构为：
[0016]z(1)＝μ(1)+σ(1)
×
ε,ε～N(0,I)
[0017]z(t)＝q(h(t
‑
1))+B(t)μ(t)+σ(t)
×
ε
[0018]h(t
‑
1)＝[z(t
‑
1)
T
,z(t
‑
2)
T
…
,z(t
‑
T)
T
][0019][0020][0021]其中，z(1)为第1个时刻的隐变量，μ(1)和σ(1)为第1个时刻由推理网络计算得到的均值和方差；z(t)为第t个时刻的隐变量；和分别为第t个时刻重构的过程变量和质量变量；μ(t)和σ(t)为第t个时刻由推理网络计算得到的均值和方差；ε是重参数因子，服从标准高斯分布；B(t)为第t个时刻过渡矩阵；T表示过程的时滞系数；h(t
‑
1)为包含过去T个时间长度隐变量的状态增量；q(*)、f(*)和g(*)为神经网络逼近的非线性函数。
[0022]进一步地，通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导最终非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数的步骤中，
[0023]根据前向传播算法，循环神经网络不同时刻隐藏层输出为：
[0024]h(t)＝f(Uz(t)+Wh(t
‑
1)+b)
[0025]其中，U和W为权重矩阵，z(t)为不同时刻推理网络计算出的隐变量，h(t)为隐藏层单元，h(t
‑
1)为上一时刻隐藏层输出，b是偏置项，f(*)为激活函数；
[0026]推导出的烧结过程非线性动态系统模型的损失函数为：
[0027][0028]其中，J(Φ,Θ)为损失函数，weight(t)为t时刻权重样本权重，x(t)为t时刻过程变量，μ
x(t)
为过程变量的期望均值，y(t)为t时刻质量变量，μ
y(t)
为质量变量的期望均值，weight(0)为初始样本权重，D
KL
为KL散度，z(1)为初始时刻隐变量，φ(1)为初始神经网络参数，N(0,I)为标准高斯分布，z(t)为t时刻隐变量，h(t
‑
1)为t
‑
1时刻隐变量状态增量，φ(t)为t时刻神经网络参数，I为单位矩阵，q(*)和p(*)为神经网络逼近的非线性函数。
[0029]进一步地，基于构建的烧结过程非线性动态系统模型对测试集进行检测，计算测试样本的统计量，将计算出的统计量与预设的监测控制限进行比较来判断故障是否发生，
并输出检测结果的步骤中，计算出的测试样本的统计量为：
[0030][0031]其中，T2(t)为统计量；H(t)＝[x(t),z(t)]，为输入变量；为对H(t)进行奇异值分解所得到的奇异值；n
z
为其主元个数；为对应特征向量所张成的主元空间；为主元空间的转置，H
T
为输入变量的转置，为由奇异值构成的逆对角矩阵的逆矩阵；
[0032]通过在线计算过程数据的统计量与控制限相比较来判断故障是否发生，其判断逻辑为：
[0033][0034]其中，T2(t)为统计量，为控制限。
[0035]本专利技术的另一方面涉及一种基于RVAE的三元正极材料制备过程监测系统，包括：
[0036]构建模块，用于构建基于变分自编码器的烧结过程非线性动态系统模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RVAE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：构建基于变分自编码器的烧结过程非线性动态系统模型；通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的所述烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导所述烧结过程非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数；根据基于循环变分自编码器的非线性动态系统模型，定义所述烧结过程非线性动态系统模型的统计量，并通过核密度估计得到所述烧结过程非线性动态系统模型的控制阈值；收集在线数据作为所述非线性动态系统模型的测试集，并进行标准化处理；基于构建的所述烧结过程非线性动态系统模型对所述测试集进行检测，计算测试样本的统计量，将计算出的所述统计量与预设的监测控制限进行比较来判断故障是否发生，并输出检测结果。2.如权利要求1所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述构建基于变分自编码器的烧结过程非线性动态系统模型的步骤包括：将收集的历史数据作为模型训练集，对所述模型训练集中的每个标本进行标准化处理；基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型。3.如权利要求2所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型的步骤中，得到的所述烧结过程非线性动态系统模型的数学结构为：z(1)＝μ(1)+σ(1)
×
ε,ε～N(0,I)z(t)＝q(h(t
‑
1))+B(t)μ(t)+σ(t)
×
εh(t
‑
1)＝[z(t
‑
1)
T
,z(t
‑
2)
T
…
,z(t
‑
T)
T
]]其中，z(1)为第1个时刻的隐变量，μ(1)和σ(1)为第1个时刻由推理网络计算得到的均值和方差；z(t)为第t个时刻的隐变量；和分别为第t个时刻重构的过程变量和质量变量；μ(t)和σ(t)为第t个时刻由推理网络计算得到的均值和方差；ε是重参数因子，服从标准高斯分布；B(t)为第t个时刻过渡矩阵；T表示过程的时滞系数；h(t
‑
1)为包含过去T个时间长度隐变量的状态增量；q(*)、f(*)和g(*)为神经网络逼近的非线性函数。4.如权利要求1所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的所述烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导最终非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数的步骤中，根据前向传播算法，循环神经网络不同时刻隐藏层输出为：h(t)＝f(Uz(t)+Wh(t
‑
1)+b)其中，U和W为权重矩阵，z(t)为不同时刻推理网络计算出的隐变量，h(t)为隐藏层单
元，h(t
‑
1)为上一时刻隐藏层输出，b是偏置项，f(*)为激活函数；推导出的所述烧结过程非线性动态系统模型的损失函数为：其中，J(Φ,Θ)为损失函数，weight(t)为t时刻权重样本权重，x(t)为t时刻过程变量，μ
x(t)
为过程变量的期望均值，y(t)为t时刻质量变量，μ
y(t)
为质量变量的期望均值，weight(0)为初始样本权重，D
KL
为KL散度，z(1)为初始时刻隐变量，φ(1)为初始神经网络参数，N(0,I)为标准高斯分布，z(t)为t时刻隐变量，h(t
‑
1)为t
‑
1时刻隐变量状态增量，φ(t)为t时刻神经网络参数，I为单位矩阵，q(*)和p(*)为神经网络逼近的非线性函数。5.如权利要求1所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述基于构建的所述烧结过程非线性动态系统模型对所述测试集进行检测，计算测试样本的统计量，将计算出的所述统计量与预设的监测控制限进行比较来判断故障是否发生，并输出检测结果的步骤中，所述计算出的测试样本的统计量为：其中，T2(t)为统计量；H(t)＝[x(t),z(t)]，为输入变量；为对H(t)进行奇异值分解所得到的奇异值；n
z
为其主元个数；为对应特征向量所张成的主元空间；为主元空间的转置，H
T
为输入变...

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