CN108537323A - 一种基于人工神经网络的铝电解电容器卷芯直径计算方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的铝电解电容器卷芯直径计算方法，包括以下步骤：第一步：输入向量、输出向量、权重向量和神经网络模型定义；第二步：变量归一化；第三步:训练神经网络的样本定义；第四步：利用第三步的样本训练神经网络；第五步保存训练好的网络和权值w；本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法，其提出的计算方法计算精确度远远高于现有计算方法，与理论值非常接近，解决了铝电解电容器卷芯直径计算问题。

Description

一种基于人工神经网络的铝电解电容器卷芯直径计算方法

技术领域

本发明涉及大数据分析和利用人工智能(人工神经网络)精准测算领域，特别涉及一种基于人工神经网络的铝电解电容器卷芯直径计算方法。

背景技术

电容器的核心部件主要是铝壳和卷芯，卷芯直径D_j最佳值应该等于铝壳直径D_l的85％～90％。在这种情况下，电容器卷芯和铝壳之间会有一定的空隙，用于存储、分解电容器使用过程中产生的气体(氯气，氢气)，如果卷芯直径D_j大于铝壳直径D_l的90％，电容器在使用过程中内部压力会变大，极易造成内爆、腐蚀和短路，严重影响电容器寿命，甚至无法入壳；如果卷芯直径D_j小于铝壳直径D_l的80％，电容器的内部的空隙会变得很大，在使用过程中会存储过多的气体，增大气体之间的接触面积和发生化学反应的概率，引起电容器爆炸，除此之外，还会导致材料的浪费，加大了生产成本。

而影响卷芯直径的因素(变量)定义有：1.阳极箔厚度(x₁)、2.阳极箔面积(x₂)、3.阴极箔厚度(x₃)、4.阴极箔面积(x₄)、5.电解纸厚度(x₅)6.电解纸面积(x₆)、7.导箔条厚度(x₇)、8.导箔条面积(x₈)、9.电胶带厚度(x₉)、10.电胶带面积(x₁₀)、11.卷芯直径(x₁₁)、12.电解液密度(x₁₂)、13.含浸充分程度(x₁₃)、14.现场温度(x₁₄)、15.现场湿度(x₁₅)、16.铆卷设备使用年限(x₁₆)、17.卷绕拉力(x₁₇)；

现有的方法及存在的问题：根据电容器的容量和设计原则，计算出铝电解电容器中材料的体积，再加上卷针的体积，求出卷芯的体积，根据卷芯的体积和高度，求出卷芯直径，卷芯高度为h。

阳极箔体积：x₁*x₂

阴极箔体积：x₃*x₄

电解纸张体积x₅*x₆*2(电解纸有两层)

导箔条体积：x₇*x₈

电胶带体积：x₉*x₁₀

卷针体积：(D为卷针直径)

卷芯直径

现有的计算方法存在的问题是未考虑以下因素：

(1)电解液密度(x₁₂)对卷芯直径的影响。在铝电解电容器制作过程中，先把阳极箔，阴极箔，电解纸，导条，电胶带卷绕在卷针上，形成芯包，芯包经过电解液浸泡后，才形成卷芯。电解液的浸泡会对卷芯的构成物质的体积产生一定的影响，因此也会对卷芯体积构成一定的影响，这个影响的大小跟电解液的密度有一定的关系。

(2)含浸充分程度(x₁₃)。含浸越充分，卷芯吸入的电解液越多，在电解液密度相同的情况下，浸泡越充分，卷芯“涨”的越厉害。

(3)现场温度(x₁₄)。因为材料的热胀冷缩，现场温度对卷芯直径也有较为明显的影响。

(4)现场湿度(x₁₅)。现场湿度会影响电解纸的含水量，空气中的水分也会跟芯包中的阳极箔、阴极箔产生一定的物理、化学反应，影响卷芯各构成材料的体积，进而影响卷芯直径。

(5)铆卷设备使用年限(x₁₆)。生产实践显示，铆卷设备的使用年限会影响铆卷的精度，年限越久精度越差，整个卷芯的直径会受到一定程度的影响。

(6)卷绕拉力(x₁₇)。在铆卷过程中，卷绕拉力设置的越大，卷芯材料之间的挤压越明显，卷芯“越小”，反之越大。鉴于这6种影响卷芯直径的因素很难用线性的数据公式表示，故引入人工神经网络解决精确计算卷芯直径问题。在电容器铝壳直径Dl与高度H已知的情况下，卷芯的高度h(h＝H-5,单位：mm)也是已知的。但是卷芯的直径因为受到多种因素的影响，利用现有的方法、技术很难精确求出来，因此本发明专利提供了一种精准求得铝电解电容器卷芯直径的方法。

发明内容

本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法，可以解决背景技术中所指出的问题。

一种基于人工神经网络的铝电解电容器卷芯直径计算方法，包括以下步骤：

第一步：输入向量、输出向量、权重向量和神经网络模型定义：

1)定义神经网络的输入向量x’＝(x₁,x₂,x₃,...,x₁₇),x₁～x₁₇。

x₁：阳极箔厚度

x₂：阳极箔面积

x₃：阴极箔厚度

x₄：阴极箔面积

x₅：电解纸厚度

x₆：电解纸面积

x₇：导箔条厚度

x₈：导箔条面积

x₉：电胶带厚度

x₁₀：电胶带面积

x₁₁：卷芯直径

x₁₂：电解液密度

x₁₃：含浸充分程度

x₁₄：现场温度

x₁₅：现场湿度

x₁₆：铆卷设备使用年限

x₁₇：卷绕拉力

2)输出向量定义：定义网络的输出y向量为卷芯直径值；

3)权重向量W＝(w₁,w₂,…,w₁₇)，不妨初始化权值向量w₁＝w₂＝…,＝w₁₇＝1

4)定义人工神经网络的输入为向量x＝{x₁,x₂,...x₁₇}，其中x₁：阳极箔厚度，x₂：阳极箔面积，x₃：阴极箔厚度，x₄：阴极箔面积，x₅：电解纸厚度，x₆：电解纸面积，x₇：导箔条厚度，x₈：导箔条面积，x₉：电胶带厚度，x₁₀：电胶带面积，x₁₁：卷芯直径，x₁₂：电解液密度，x₁₃：含浸充分程度，x₁₄：现场温度，x₁₅：现场湿度，x₁₆：铆卷设备使用年限，x₁₇：卷绕拉力；

定义神经网络的权重值为向量W＝(w₁,w₂,…,w₁₇),其中w_i为第i个输入的权重，i＝1,2,3...17；

定义输出为y，y即为卷芯直径；

定义的神经网络模型为：

其中θ为阈值，这里取θ＝0.8*D_l,D_l为铝壳直径。

第二步：变量归一化：

为了消除量纲的影响，将第一步的变量进行预处理，把数据映射到区间[q_s,q_e],q_s,q_e分别为区间的上下限,向量x’映射到区间[q_s,q_e]上变换成向量x，转换方法见公式一，设定q_s＝0.8*D_l,q_e＝0.9*D_l,D_l为铝壳直径；

公式一：

其中x’＝[1,17],q_e,q_s分别为映射区间的上下限值，Min(x’),Max(x’)分别为向量x的最小值，最大值；

第三步：训练神经网络的样本定义

训练集里的第k个样本y^k定义为y^k＝(x^k,aim^k),其中x^k＝x_i ^k,i＝[1,17],k为训练样本个数；aim^k为第k个训练的目标输出；

第四步：利用第三步的样本训练神经网络，重复以下过程，直至训练完成：

Step1:输入向量x^k

Step2:计算

其中k＝1,2,3...,t.t为样本数量,i＝1,2,3...17

C，V分别为电容器的设计容量和电压。

Setp3:比较并更新权值向量w

其中C，V分别为电容器的设计容量和设计电压；

第五步：保存训练好的网络和权值向量w，用户输入新的待计算数据x_d时，通过网络输出y_d即为卷芯直径的精确值。

本发明提供一种基于人工神经网络的铝电解电容器卷芯直径计算方法，其提出的计算方法计算精确度远远高于现有计算方法，与理论值非常接近，解决了铝电解电容器卷芯直径计算问题。

附图说明

图1为理论值、现有卷芯直径计算方法和本发明提出的卷芯直径计算方法比较；

图2-1至图2-6为人工神经网络训练数据。

具体实施方式

下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

本发明实施例提供的一种基于人工神经网络的铝电解电容器卷芯直径计算方法，包括以下步骤：

第一步：输入向量、输出向量、权重向量和神经网络模型定义：

1)定义神经网络的输入向量x’＝(x₁,x₂,x₃,...,x₁₇),x₁～x₁₇。

x₁：阳极箔厚度

x₂：阳极箔面积

x₃：阴极箔厚度

x₄：阴极箔面积

x₅：电解纸厚度

x₆：电解纸面积

x₇：导箔条厚度

x₈：导箔条面积

x₉：电胶带厚度

x₁₀：电胶带面积

x₁₁：卷芯直径

x₁₂：电解液密度

x₁₃：含浸充分程度

x₁₄：现场温度

x₁₅：现场湿度

x₁₆：铆卷设备使用年限

x₁₇：卷绕拉力

2)输出向量定义：定义网络的输出y向量为卷芯直径值；

3)权重向量W＝(w₁,w₂,…,w₁₇)，不妨初始化权值向量w₁＝w₂＝…,＝w₁₇＝1

4)定义人工神经网络的输入为向量x＝{x₁,x₂,...x₁₇}，其中x₁：阳极箔厚度，x₂：阳极箔面积，x₃：阴极箔厚度，x₄：阴极箔面积，x₅：电解纸厚度，x₆：电解纸面积，x₇：导箔条厚度，x₈：导箔条面积，x₉：电胶带厚度，x₁₀：电胶带面积，x₁₁：卷芯直径，x₁₂：电解液密度，x₁₃：含浸充分程度，x₁₄：现场温度，x₁₅：现场湿度，x₁₆：铆卷设备使用年限，x₁₇：卷绕拉力；

定义神经网络的权重值为向量W＝(w₁,w₂,…,w₁₇),其中w_i为第i个输入的权重，i＝1,2,3...17；

定义输出为y，y即为卷芯直径；

定义的神经网络模型为：

其中θ为阈值，这里取θ＝0.8*D_l,D_l为铝壳直径。

第二步：变量归一化：

为了消除量纲的影响，将第一步的变量进行预处理，把数据映射到区间[q_s,q_e],q_s,q_e分别为区间的上下限,向量x’映射到区间[q_s,q_e]上变换成向量x，转换方法见公式一，设定q_s＝0.8*D_l,q_e＝0.9*D_l,D_l为铝壳直径；

公式一：

其中x’＝[1,17],q_e,q_s分别为映射区间的上下限值，Min(x’),Max(x’)分别为向量x的最小值，最大值；

第三步：训练神经网络的样本定义

训练集里的第k个样本y^k定义为y^k＝(x^k,aim^k),其中x^k＝x_i ^k,i＝[1,17],k为训练样本个数；aim^k为第k个训练的目标输出；

第四步：利用第三步的样本训练神经网络，重复以下过程，直至训练完成：

Step1:输入向量x^k

Step2:计算

其中k＝1,2,3...,t.t为样本数量,i＝1,2,3...17

C，V分别为电容器的设计容量和电压。

Setp3:比较并更新权值向量w

其中C，V分别为电容器的设计容量和设计电压；

第五步：保存训练好的网络和权值向量w，用户输入新的待计算数据x_d时，通过网络输出y_d即为卷芯直径的精确值。

案例一：

(1)电容器型号(以HE2E102K30X050BGQBIC为例)确定后，训练人工神经网络的数据由工厂生产的历史数据获得，也可以由人工测量获得，数据见图2-1至图2-6；对于某一种型号的电容器，采集的训练数据不得少于200条。

(2)在(1)的基础上，按照本发明提供的方法第一步～第五步，即可完成对人工神经网络的训练。

(3)利用(2)训练好的神经网络，把需要求卷芯直径的业务数据x1～x17作为输入，则神经网络的输出即为当前卷芯直径的精确值。

(4)经过工程验证，本发明专利所阐述的方法能够将卷芯直径的精度提高80％～95％，如图1所示，本发明提出的计算方法计算精确度远远高于现有(传统)计算方法，与理论值(真实值)非常接近，解决了铝电解电容器卷芯直径计算问题。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (2)

1.一种基于人工神经网络的铝电解电容器卷芯直径计算方法，其特征在于，包括以下步骤：

第一步：输入向量、输出向量、权重向量和神经网络模型定义：

1)定义神经网络的输入向量x’＝(x₁,x₂,x₃,...,x₁₇),x₁～x₁₇。

x₁：阳极箔厚度

x₂：阳极箔面积

x₃：阴极箔厚度

x₄：阴极箔面积

x₅：电解纸厚度

x₆：电解纸面积

x₇：导箔条厚度

x₈：导箔条面积

x₉：电胶带厚度

x₁₀：电胶带面积

x₁₁：卷芯直径

x₁₂：电解液密度

x₁₃：含浸充分程度

x₁₄：现场温度

x₁₅：现场湿度

x₁₆：铆卷设备使用年限

x₁₇：卷绕拉力

2)输出向量定义：定义网络的输出y向量为卷芯直径值；

3)权重向量W＝(w₁,w₂,…,w₁₇)，初始化权值向量w₁＝w₂＝…,＝w₁₇＝1

4)定义人工神经网络的输入为向量x＝{x₁,x₂,...x₁₇}；

定义神经网络的权重值为向量W＝(w₁,w₂,…,w₁₇)；

定义输出为y，y为卷芯直径；

定义的神经网络模型为：

其中θ为阈值，这里取θ＝0.8*D_l；D_l为铝壳直径；

第二步：变量归一化：

为了消除量纲的影响，将第一步的变量进行预处理，把数据映射到区间[q_s,q_e],q_s,q_e分别为区间的上下限,向量x’映射到区间[q_s,q_e]上变换成向量x，转换方法见公式一，设定q_s＝0.8*D_l；q_e＝0.9*D_l；D_l为铝壳直径；

公式一：

其中x’＝[1,17],q_e,q_s分别为映射区间的上下限值，Min(x’),Max(x’)分别为向量x的最小值，最大值；

第三步：训练神经网络的样本定义

训练集里的第k个样本y^k定义为y^k＝(x^k,aim^k),其中x^k＝x_i ^k,i＝[1,17],k为训练样本个数；aim^k为第k个训练的目标输出；

第四步：利用第三步的样本训练神经网络，重复以下过程，直至训练完成：

Step1:输入向量x^k

Step2:计算

其中k＝1,2,3...,t.t为样本数量,i＝1,2,3...17

C，V分别为电容器的设计容量和电压；

Setp3:比较并更新权值向量w

其中C，V分别为电容器的设计容量和设计电压；

第五步：保存训练好的网络和权值向量w，用户输入新的待计算数据x_d时，通过网络输出y_d即为卷芯直径的精确值。

2.根据权利要求1所述的一种基于人工神经网络的铝电解电容器卷芯直径计算方法，其特征在于，所述定义人工神经网络的输入为向量x＝{x₁,x₂,...x₁₇}，其中x₁：阳极箔厚度，x₂：阳极箔面积，x₃：阴极箔厚度，x₄：阴极箔面积，x₅：电解纸厚度，x₆：电解纸面积，x₇：导箔条厚度，x₈：导箔条面积，x₉：电胶带厚度，x₁₀：电胶带面积，x₁₁：卷芯直径，x₁₂：电解液密度，x₁₃：含浸充分程度，x₁₄：现场温度，x₁₅：现场湿度，x₁₆：铆卷设备使用年限，x₁₇：卷绕拉力；

所述定义神经网络的权重值为向量W＝(w₁,w₂,…,w₁₇),其中w_i为第i个输入的权重，i＝1,2,3...17。