【技術實現步驟摘要】
本專利技術涉及智能控制，具體是電池材料回收制備過程智能優化控制系統及方法。
技術介紹
1、傳統的電池材料回收制備過程存在諸多不足，如工藝參數調控繁瑣、產品質量波動大、能耗較高等。亟需一種智能化、自動化的解決方案，來優化和控制整個回收制備流程，提高資源利用率，降低生產成本。
2、目前，電池材料回收制備過程主要依賴人工經驗進行參數設置和工藝控制，這種傳統方式存在明顯缺陷。由于影響因素的復雜性和不確定性，人工很難準確把握各環節的最優參數組合，往往會導致產品質量的不穩定，同時也造成能源的低效利用。此外，人工控制反應靈活性差，難以及時應對工況的突變，從而影響生產效率。
3、授權公告號為cn117810570b的中國專利公開了一種廢舊鋰電池的回收放電控制方法及相關裝置，基于由廢舊鋰電池的狀態參數進行聚類分析所生成的特征標簽進行分類，獲得各類別的若干個廢舊鋰電池；獲取若干個廢舊鋰電池的實時圖像，確定其正負極位置坐標；基于正負極位置坐標將對應類別的若干個廢舊鋰電池放置于電池放電設備的對應位置中進行放電；在執行放電的過程中，由若干個監測傳感器組合獲取對應的監測數據，并基于監測數據調控放電設備的工作參數；同時基于監測數據持續測算各廢舊鋰電池的殘余電量，當其殘余電量達到預設區間時，結束放電處理；然而該方法未能實現回收參數的控制，以提高回收材料的質量；
4、為此，本專利技術提出電池材料回收制備過程智能優化控制系統及方法。
技術實現思路
1、本專利技術旨在至少解決現有技術
2、為實現上述目的，提出電池材料回收制備過程智能優化控制方法，包括以下步驟：
3、步驟一：使用多模態傳感技術收集測試環境中電池材料回收制備過程中的訓練樣本數據；
4、步驟二：基于訓練樣本數據，訓練以產品質量指標為輸出的質量預測模型；
5、步驟三：基于質量預測模型的預測結果，構建深度強化學習模型的狀態空間，并構建深度強化學習模型的動作空間以及獎勵函數；
6、步驟四：通過特征融合策略融合測試環境中，質量預測模型的預測結果以及傳感器的監測數據，生成融合過程表征向量；
7、步驟五：將融合過程表征向量輸入深度強化學習模型中，對深度強化學習模型進行訓練；
8、步驟六：對于待監測回收制備過程，實時通過多模態傳感技術收集實時傳感器數據，基于實時傳感器數據、質量預測模型和深度強化學習模型，獲得深度強化學習模型輸出的動作；將該動作作為優化策略，對待監測回收制備過程進行參數調控。
9、所述訓練樣本數據的收集包括以下步驟：
10、步驟11：準備n批次不同來源和成分的廢舊電池正負極材料；n為選擇的批次的數量；
11、步驟12：在測試環境中，對每批次的廢舊電池正負極材料循環運行完整回收制備工藝流程，并實時記錄各臺傳感器的監測數據，并同步記錄運行過程中的各項可控關鍵參數；
12、步驟13：測量并記錄萃取回收后獲得的電池材料的質量指標的指標值作為質量指標標簽；
13、步驟14：將所有批次的廢舊電池正負極材料的各臺傳感器實時收集的監測數據、實時的各項可控關鍵參數以及質量指標標簽組成訓練樣本數據。
14、所述基于訓練樣本數據，訓練以產品質量指標為輸出的質量預測模型包括以下步驟：
15、步驟21：將訓練樣本數據轉化為樣本輸入特征；
16、所述將訓練樣本數據轉化為樣本輸入特征包括以下步驟：
17、步驟211：對于每批次的廢舊電池正負極材料，將其對應的每一時刻的傳感器的監測數據進行預處理，并將預處理后的各項監測數據和可控關鍵參數進行特征拼接，獲得每一時刻的特征拼接向量；
18、所述特征拼接向量的構建方式為：
19、對每一時刻的各項傳感器的監測數據分別進行向量化操作，獲得對應的參數特征向量；
20、對于各項可控關鍵參數，使用各自的參數值組成可控參數特征向量；
21、將廢舊電池正負極材料每一時刻的所有傳感器的參數特征向量和可控參數特征向量進行拼接，獲得特征拼接向量。
22、步驟212：預設時間窗口t；對于每批次的廢舊電池正負極材料在運行過程中的每一時刻，收集該時刻對應的各項傳感器的監測數據的監測參數序列和各項可控關鍵參數的可控參數序列；所述監測參數序列為該時刻之前t時刻內，對應的傳感器收集的參數值按時間順序排列組成的序列；所述可控參數序列為該時刻之前t時刻內，對應的可控關鍵參數的參數值按時間順序排列組成的參數值序列；
23、步驟213：每一時刻的監測參數序列和可控參數序列組成樣本輸入特征。
24、步驟22：以每一時刻的樣本輸入特征作為輸入，以后續t0時刻的質量指標的預測值作為輸出，訓練質量預測模型；t0為預設的時間周期時長。
25、所述訓練質量預測模型的方式為：
26、將每一時刻的樣本輸入特征作為質量預測模型的輸入，所述質量預測模型以對該時刻的后續t0時刻的質量指標的預測值作為輸出，以該時刻的后續t0時刻對應的質量指標標簽作為預測目標，以質量指標的預測值和質量指標標簽之間的差值作為預測誤差，以最小化預測誤差之和作為訓練目標；對質量預測模型進行訓練，直至預測誤差之和達到收斂時停止訓練；所述質量預測模型為時間序列預測模型。
27、所述基于質量預測模型的預測結果，構建深度強化學習模型的狀態空間，并構建深度強化學習模型的動作空間以及獎勵函數的方式為：
28、所述深度強化學習模型設置為actor-critic模型；
29、將所述狀態空間標記為s，所述狀態空間s反映整個回收制備過程的實時狀態，所述狀態空間的構建方式為：
30、將回收制備過程按固定時間窗口進行分段；所述固定時間窗口的大小為t0；
31、對于每一時間分段，將每一時刻的融合過程表征向量按時間順序組成的表征向量集合作為狀態空間；
32、所述融合過程表征向量的構建方式為：
33、收集廢舊電池正負極材料在回收制備過程中，每一時刻對應的特征拼接向量；
34、將每一時刻的特征拼接向量輸入至質量預測模型，獲得質量預測模型輸出的后續t0時刻的質量指標的預測值；
35、對每一時刻對應各項傳感器的監測數據的監測參數序列使用一維卷積網絡提取局部特征序列；
36、將局部特征序列輸入lstm模型中，獲得全局上下文編碼向量c_t；
37、將質量指標的預測值和全局上下文編碼向量c_t拼接，獲得融合過程表征向量。
38、將所述動作空間標記為a，所述動作空間a包括actor模型輸出的可控關鍵參數的調整量，將下一時間分段內采取的參數調整動作標記為a；
39、所述獎勵函數標記為q，所述獎勵值函數q＝r(s，本文檔來自技高網...
【技術保護點】
1.電池材料回收制備過程智能優化控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述訓練樣本數據的收集包括以下步驟：
3.根據權利要求2所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述基于訓練樣本數據，訓練以產品質量指標為輸出的質量預測模型包括以下步驟：
4.根據權利要求3所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述將訓練樣本數據轉化為樣本輸入特征包括以下步驟：
5.根據權利要求4所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述訓練質量預測模型的方式為：
6.根據權利要求5所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述特征拼接向量的構建方式為：
7.根據權利要求6所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述基于質量預測模型的預測結果，構建深度強化學習模型的狀態空間，并構建深度強化學習模型的動作空間以及獎勵函數的方式為：
8.根據權利要求7所述的電池材料回收制備過程智
9.根據權利要求8所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述基于實時傳感器數據、質量預測模型和深度強化學習模型，獲得深度強化學習模型輸出的動作的方式為：
10.電池材料回收制備過程智能優化控制系統，其用于實現權利要求1-9中任意一項所述的電池材料回收制備過程智能優化控制方法，其特征在于，包括樣本數據收集模塊、預測模型訓練模塊、強化模型訓練模塊以及動作決策模塊；其中，各個模塊之間通過電性方式連接；
11.一種電子設備，其特征在于，包括：處理器和存儲器，其中，
12.一種計算機可讀存儲介質，其特征在于，其上存儲有可擦寫的計算機程序；
...【技術特征摘要】
1.電池材料回收制備過程智能優化控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述訓練樣本數據的收集包括以下步驟：
3.根據權利要求2所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述基于訓練樣本數據，訓練以產品質量指標為輸出的質量預測模型包括以下步驟：
4.根據權利要求3所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述將訓練樣本數據轉化為樣本輸入特征包括以下步驟：
5.根據權利要求4所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述訓練質量預測模型的方式為：
6.根據權利要求5所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述特征拼接向量的構建方式為：
7.根據權利要求6所述的電池材料回收制備過程智能優化控制方法，其特征在于，所述基于質量預...
【專利技術屬性】
技術研發人員：李智，殷曉飛，王懷棟，蔡璐，董成，吳丹，何松良，張富蓉，徐國富，
申請(專利權)人：常州厚豐新能源有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。