CN109603617B - 一种混合匀浆系统及其应用 - Google Patents
一种混合匀浆系统及其应用 Download PDFInfo
- Publication number
- CN109603617B CN109603617B CN201811542243.2A CN201811542243A CN109603617B CN 109603617 B CN109603617 B CN 109603617B CN 201811542243 A CN201811542243 A CN 201811542243A CN 109603617 B CN109603617 B CN 109603617B
- Authority
- CN
- China
- Prior art keywords
- data
- viscosity
- compensation
- slurry
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 claims abstract description 94
- 239000002002 slurry Substances 0.000 claims abstract description 76
- 238000003756 stirring Methods 0.000 claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 54
- 238000007405 data analysis Methods 0.000 claims abstract description 32
- 238000002156 mixing Methods 0.000 claims abstract description 22
- 239000007788 liquid Substances 0.000 claims abstract description 19
- 239000000463 material Substances 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 66
- 239000013598 vector Substances 0.000 claims description 30
- 239000006185 dispersion Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000005056 compaction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 230000003993 interaction Effects 0.000 description 9
- 238000013500 data storage Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013019 agitation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 239000013543 active substance Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000007767 bonding agent Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000011267 electrode slurry Substances 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F27/00—Mixers with rotary stirring devices in fixed receptacles; Kneaders
- B01F27/80—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis
- B01F27/90—Mixers with rotary stirring devices in fixed receptacles; Kneaders with stirrers rotating about a substantially vertical axis with paddles or arms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/21—Measuring
- B01F35/211—Measuring of the operational parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01F—MIXING, e.g. DISSOLVING, EMULSIFYING OR DISPERSING
- B01F35/00—Accessories for mixers; Auxiliary operations or auxiliary devices; Parts or details of general application
- B01F35/20—Measuring; Control or regulation
- B01F35/21—Measuring
- B01F35/2136—Viscosity
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Accessories For Mixers (AREA)
Abstract
本发明公开了一种混合匀浆系统及其在混合搅拌过程浆料粘度监测和补偿的方法，属于工业过程建模和软测量技术领域。所述混合匀浆系统包括：搅拌装置、控制模块、数据分析模块和补偿装置，所述控制模块实时采集搅拌过程数据并传输给数据分析模块，接收数据分析模块返回的粘度测量值和补偿量，并向补偿装置发送补偿指令；所述数据分析模块通过数据链路连接控制模块，接收控制模块采集的搅拌过程数据，通过粘度软测量模型和补偿量预测模型，实时计算粘度测量值和补偿量，并反馈给控制模块；所述补偿装置接收控制模块指令，向搅拌装置内补偿料液。该系统实现了浆料粘度指标的实时监测和自动补偿，提高搅拌过程生产效率，进而降低成本，提高企业的竞争力。
Description
技术领域
本发明涉及工业过程建模和软测量技术领域，尤其涉及一种混合均浆系统及其在混合搅拌过程浆料粘度监测和补偿的方法。
背景技术
随着锂离子电池材料与工艺技术的逐步成熟与不断完善，其应用领域也在不断扩展。锂电池生产企业对于提高生产效率与合格率以及产品品质方面的管控要求越来越高。在锂电池制造过程中，匀浆是生产过程中的第一道工序，匀浆工序的主要工作是溶剂和粘接剂分别与粉末状的活性物质按一定的比例混合于搅拌装置中，经高速搅拌均匀后，制成浆状的浆料。
一般的搅拌装置主要包含电动机、搅拌器和储料罐以及多种传感器，由电动机驱动搅拌器对储料罐中的原料进行搅拌，其广泛应用于混合、分散、溶解、萃取、反应等物理化学工艺过程，涉及造纸、冶金、石化、医药等诸多领域。浆料粘度是混合搅拌过程重要的参数之一，是衡量浆料配比和混合均匀程度的重要指标。
对于锂电池浆料来说，较好的稳定性是电池生产过程中保证电池一致性的一个重要指标，但是目前的锂电池浆料的制备工艺复杂，每一个步骤的粘度值都影响到最终浆料的分散性好坏，所以需要对浆料的每一个步骤进行粘度管控。然而，粘度与温度、压力、液位等参数不同，目前缺少稳定、可靠的传感器进行实时在线监测。
目前，粘度测量一般采用离线采样分析的方法进行，这会导致测量的滞后性较大，尤其对于不能运行时采样的搅拌装置，必须等装置停车后才能进行测量，对生产效率造成较大影响。CN 108261947 A公开了一种锂离子电池的匀浆装置，包括驱动电机、搅拌测量组件、信息分析系统及显示面板，所述搅拌测量组件包括转轴、搅拌件、测试件及浆料容器，所述测试件测试浆料容器内的电池浆料的参数，并将参数传递至与驱动电机相连的信息分析系统，所述信息分析系统根据所述参数计算电池浆料的粘度值，并将粘度值传递至显示面板。在每一步加料匀浆中，均需装卸测试头进行测试。
另外，当粘度实测值高于工艺标准时，一般采用加水补偿的方式进行粘度调整，称取的水量往往根据操作工的经验确定，对于经验欠缺的工人，粘度调整过程一般会进行多次，由此导致搅拌时间非必要性的延长。
综上可知，传统的离线分析和调整的方法不能满足高效生产的要求，而利用高精度粘度传感器进行直接测量成本较高，因此，本领域急需一种新的系统和方法来实现浆料粘度的在线监测以及粘度补偿量的精准预测。
发明内容
本发明的目的在于提供一种混合匀浆系统，在现有搅拌装置的基础上搭建一套兼具数据采集、建模分析和补偿控制的辅助系统，并在此基础上，实现浆料浓度的在线检测，从而消除测量的滞后性；同时针对粘度不符合工艺标准的情况，实现自动补液，从而减少人工补液，提高生产效率。
为实现上述目的，本发明采用如下技术方案：
一种混合匀浆系统，包括：搅拌装置、控制模块、数据分析模块和补偿装置，
所述控制模块实时采集搅拌过程数据并传输给数据分析模块，接收数据分析模块返回的粘度测量值和补偿量，并向补偿装置发送补偿指令；
所述数据分析模块通过数据链路连接控制模块，接收控制模块采集的搅拌过程数据，通过粘度软测量模型和补偿量预测模型，实时计算粘度测量值和补偿量，并反馈给控制模块；
所述补偿装置接收控制模块指令，向搅拌装置内补偿料液。
本发明混合匀浆系统的工作原理为：对混合搅拌过程中的生产数据进行采集、传输和存储；数据分析模块通过粘度软测量模型和补偿量预测模型实现浆料粘度的间接测量和补偿水量预测；控制模块利用分析结果控制补偿装置进行自动补偿。
所述的搅拌过程数据包括系统中可直接获取的搅拌机相关数据以及人工记录的粘度实测和补偿量实测数据。
所述搅拌装置是搅拌过程的执行机构，同时作为控制模块的控制对象和数据源，以及补偿装置的补偿对象。
所述搅拌装置包括搅拌机和分散罐，所述搅拌机包括分散罐抬升机构和伸入分散罐内部的搅拌机构，所述搅拌机构和分散罐抬升机构由控制模块控制；所述分散罐通过管路与所述补偿装置连接。
所述控制模块控制搅拌装置和补偿装置，实时采集过程数据通过数据链路传输给数据分析模块，接收其返回的粘度测量值进行显示，并控制补偿装置实现准确补偿。
所述控制模块包括人机交互装置、主控制器和交换机，所述人机交互装置将操作人员的操作信息发送指令给主控制器，同时显示当前生产状态和搅拌过程实时值，实现人机对话；所述主控制器接收人机交互装置的指令，控制搅拌装置和补偿装置，同时采集搅拌过程数据传输至数据分析模块；所述交换机连通搅拌装置、补偿装置、主控制器和人机交互装置，通过数据链路连接数据分析模块进行数据交换。
所述数据链路连接控制模块单元与数据分析模块，保障数据的高速可靠传输。
所述数据分析模块接收控制模块采集的过程数据进行存储，通过历史数据建立浆料粘度软测量模型和补偿量预测模型，实时计算粘度测量值和补偿量反馈给控制模块。
所述数据分析模块包括数据存储单元和数据处理单元，所述数据存储单元将接收的搅拌过程数据存储在实时/历史数据库中；所述数据处理单元提取数据存储单元中的历史数据建立浆料粘度软测量模型和补偿量预测模型，应用模型实时计算当前粘度值和相应补偿量，反馈给控制模块。
本发明中基于内加权稀疏偏最小二乘法离线建立所述粘度软测量模型，基于多层自编码网络建立粘度补偿量预测模型。融合多元统计分析和人工智能技术进行模型建立。
所述补偿装置接收控制模块的指令，通过抽取料液注入搅拌装置中的方式保障浆料的粘度在生产要求的范围之内。
所述补偿装置包括通过管路与搅拌装置连接的料液箱、驱动泵和流量传感器，所述驱动泵由控制模块控制，抽取料液注入搅拌装置；所述流量传感器将抽取的料液流量信号转化为电信号发送至控制模块。
本发明还提供了一种利用上述系统进行混合匀浆过程中浆料粘度检测与补偿的方法，包括以下步骤：
(1)控制模块在线采集辅助变量，经数据链路传输到数据分析模块；
(2)数据分析模块将辅助变量输入粘度软测量模型，输出当前浆料粘度，当前浆料粘度作为粘度补偿量预测模型的输入，输出对应补偿量，并将补偿量信号传输至控制模块；
(3)控制模块控制补偿装置向搅拌装置补偿料液；
(4)重复步骤(1)-(3)，直至浆料粘度达到指标要求。
步骤(2)中，所述粘度软测量模型的建立，包括：
a、采集搅拌过程数据，存储到数据分析模块的实时/历史数据库中；
b、提取历史数据库，选择与浆料粘度具有相关性的辅助变量与粘度实测数据，组成软测量建模用第一输入和第一输出数据矩阵；
c、对第一数据矩阵进行数据预处理；
d、利用预处理后的第一数据矩阵基于内加权稀疏偏最小二乘法离线建立所述粘度软测量模型；
具体为：
1、提取历史数据库中的过程数据，根据工艺机理分析，选择与浆料粘度具有相关性的辅助变量与粘度实测数据，组成软测量建模用第一输入和第一输出数据矩阵；
第一输入和第一输出矩阵定义为
和
其中N1定义为建模样本的数量，n1定义为辅助变量的数量。
对于一级搅拌系统，选择的数据应处于浆料粘度稳定的时间段；对于多级搅拌系统，选择的数据应处于最后一级浆料粘度稳定的时间段。辅助变量和补偿量相关变量通过工艺机理分析优化选取，建模样本的数量根据经验选取。
在本发明的一个实施例中，辅助变量包括分散转速、公转转速、分散电流、搅拌电流、真空压力、电机电压、浆料温度。
2、对第一数据矩阵进行数据预处理，包括去除空缺值、离群点和数据标准化；
该步骤中，空缺值定义为数据矩阵中值为0的数据点，通过数据遍历操作首先进行去除；离群点定义为数据矩阵中超出对应列的标准差三倍的元素；数据标准化采用z分数标准化，包括对数据矩阵中的每一列逐一进行中心化和归一化操作。
3、利用第一数据矩阵离线建立基于内加权稀疏偏最小二乘的粘度软测量模型；
该步骤中，所述内加权稀疏偏最小二乘的目标函数定义为(为方便表示，Xi和Yi的上标省略)：
其中，Xi和Yi定义为紧缩数据矩阵，S定义为加权矩阵，wi和vi定义为投影向量，通过优选投影向量来实现目标函数的最大化，ti和ui定义为得分向量，满足ti＝Xiwi和ui＝Yivi，cw和cv定义为控制稀疏性约束的松弛度的超参数。由
(针对所有紧缩数据矩阵一致，这里省略下标)，定义
为内矩阵，表示为输入向量(行向量)的转置与输出向量(行向量)的乘积，定义
为目标内矩阵，表示为具有相同时间戳的输入输出向量对应的内矩阵。加权矩阵通过计算不同输入输出向量对应的内矩阵与目标内矩阵之间的相似度得到，定义为
具体的，包括以下步骤：
S3-1：初始化i＝1，Xi＝X以及Yi＝Y，同时令‖vi‖＝1，设置l为主元数；
S3-2：令
其中ST(ɑ,Δ)是软门限函数，满足
如果‖wi‖1≤cw满足则
否则迭代搜索
使‖wi‖1＝cw满足；
S3-3：令
如果‖vi‖1≤cv满足则
否则迭代搜索
使‖vi‖1＝cv满足；
S3-4：循环迭代步骤S3-2和步骤S3-3直到wi和vi收敛；
S3-5：紧缩Xi和Yi，令
和
S3-6：令
和
其中
S3-7：令i＝i+1，回到步骤S3-2直到i＝l；
S3-8：令R＝[r1,r2,...,rl]和Q＝[q1,q2,...,ql]，得到M＝RQT。
控制模块采集辅助变量对应的测量值，通过粘度软测量模型估计当前浆料粘度，对于在线采集的过程数据向量
按照步骤S3相同的操作进行初始化，计算浆料粘度预测值
所述粘度补偿量预测模型的建立，包括：
ⅰ、采集搅拌过程数据，存储到数据分析模块的实时/历史数据库中；
ⅱ、提取历史数据库中的粘度实测数据和对应的补偿量相关数据，组成建模用第二输入和第二输出数据矩阵；
ⅲ、对第二数据矩阵进行数据预处理；
ⅳ、利用预处理后的第二数据矩阵基于多层自编码网络法离线建立所述的粘度补偿量预测模型；
具体为：
A、提取历史数据库中的粘度实测数据和对应的补偿量相关数据，组成建模用第二输入和第二输出数据矩阵；
第二输入和第二输出矩阵定义为
和
其中N2定义为建模样本的数量，n2定义为辅助变量的数量。
在本发明的一个实施例中，补偿量相关数据包括实际补偿量记录数据、环境温度、浆料温度、浆料重量、浆料深度。
B、对第二数据矩阵进行数据预处理，包括去除空缺值、离群点和数据标准化；同步骤2。
C、利用第二数据矩阵离线建立基于多层自编码网络的粘度补偿量预测模型；
该步骤中，自动编码器是一种尽可能复现输入信号的神经网络，多个自动编码器连接组成多层自编码网络，以最小化重构误差为目标，将输入信号经过编码和解码复原其原有信息，对于一个n层的自编码网络，其前一层的输出作为后一层的输入，用W(k,1)，W(k,2)，b(k,1)，b(k,2)表示第k层的网络权重和偏置，逐层执行编码和解码步骤：
编码过程：
解码过程：
其中ɑ是隐藏单元的激活值，f(·)是激活函数。
具体的，包括以下步骤：
SC-1：以复原输入补偿量相关数据为目标，逐层训练每一个自编码器，得到每一层的权重和偏置；
SC-2：以最优拟合输出补偿量实测值为目标，训练最后一层网络和输出层之间的权重和偏置；
SC-3：多层自编码网络整体微调，优化参数；
在本发明的一个实施例中，多层自编码网络包含2个隐含层，选用均方误差作为损失函数、sigmoid函数作为激活函数，通过随机梯度下降的方法进行预训练和微调操作。
当粘度软测量模型估计的浆料粘度量趋于稳定后，将其作为粘度补偿量预测模型的输入，估计对应补偿量，向量
作为输入向量输入多层自编码网络，得到输出补偿量的预测值
作为优选，每采集第一和第二数据矩阵10％-30％的数据量后，用新数据更新第一和第二数据矩阵，重新构建粘度软测量模型和粘度补偿量预测模型。
该步骤中，用新数据替代数据矩阵中采集时间较早的数据，通过步骤3和步骤C的方法重新构建新的第一和第二数据矩阵，特别的，第一和第二数据矩阵的更新采用异步方式进行。更为优选，每采集第一和第二数据矩阵十分之一的数据量后，进行数据更新。
本发明具备的有益效果：
1)浆料粘度是混合搅拌过程的重要指标之一，本发明建立的浆料粘度软测量模型能够根据采集的生产数据进行浆料粘度的在线预测，实现低成本的粘度实时在线估计，避免了因粘度传感器价格昂贵带来的设备成本高及人工采样检测方法滞后等问题。
2)浆料粘度调整过程关键在于寻找当前工况下对应的补偿水量，本发明建立的粘度补偿量预测模型能够根据当前工况，提供较为准确的补偿量预测值，避免了现有工艺中操作工需要根据经验采用多次加水调和导致该过程效率低下的问题。
3)本发明设置的自动补偿装置，根据补偿量的预测值，自动循环注水搅拌，以保障浆料粘度在工艺要求范围之内，无需人工操作，减少人为因素导致的质量问题，提高系统的自动化水平。
附图说明
图1为本发明提供的混合匀浆系统的示意图。
图2为本发明提供的混合搅拌过程浆料粘度监测和补偿方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。例如，尽管本申请中按照特定顺序描述了本发明的方法的各个步骤，但是这些顺序并不是限制性的，在不偏离本发明的基本原理的前提下，本领域技术人员可以按照不同的顺序来执行所述步骤。
实施例1
如图1所示，本实施例提供的一种混合匀浆系统，包括：搅拌装置1、补偿装置2、控制模块3和数据分析模块4。
搅拌装置1是搅拌过程的执行机构，同时作为控制模块3的控制对象和数据源以及补偿装置2的补偿对象。
搅拌装置1包括搅拌机11和分散罐12两个部分，搅拌机11包括分散罐抬升机构和伸入分散罐内部的搅拌机构，搅拌机构和分散罐抬升机构由控制模块3控制；分散罐12用于盛装浆料，通过管路与补偿装置2连接。
补偿装置2接收控制模块3的指令，通过抽取料液注入搅拌装置1中的方式保障浆料的粘度在生产要求的范围之内。
补偿装置2包括通过管路与分散罐12连接的料液箱21、电动水泵22和流量传感器23，电动水泵22由控制模块3控制，用于抽取料液注入分散罐12；流量传感器23将抽取的料液流量信号转化为电信号发送至控制模块3。
控制模块3控制搅拌装置1和补偿装置2，实时采集过程数据通过数据链路传输给数据分析模块4，接收其返回的粘度测量值进行显示，并控制补偿装置2实现准确补偿。
控制模块3包括人机交互装置31、主控制器32和交换机33，人机交互装置31将操作人员的操作信息发送指令给主控制器32，同时显示当前生产状态和搅拌过程实时值，实现人机对话；主控制器32接收人机交互装置31的指令，控制搅拌机11和电动水泵22，同时采集搅拌过程数据传输至数据分析模块4；交换机33连通搅拌装置1、补偿装置2、主控制器32和人机交互装置31，通过数据链路连接数据分析模块4进行数据交换。
数据链路连接控制模块3单元与数据分析模块4，保障数据的高速可靠传输。其主要包括网线、光纤和无线链路等数据传输媒介。
数据分析模块4接收控制模块3采集的过程数据进行存储，通过历史数据建立浆料粘度软测量模型和补偿量预测模型，实时计算粘度测量值和补偿量反馈给控制模块。
数据分析模块4包括数据存储单元41和数据处理单元42，数据存储单元41将接收的搅拌过程数据存储在实时/历史数据库中；数据处理单元提取数据存储单元中的历史数据建立浆料粘度软测量模型和补偿量预测模型，应用模型实时计算当前粘度值和相应补偿量，反馈给控制模块。
如图2所示，利用上述混合匀浆系统进行混合搅拌过程浆料粘度监测和补偿的方法包括以下步骤：
步骤S1：利用主控制器32采集过程数据，经数据链路传输到数据分析模块4，存储到数据存储单元41的实时/历史数据库中；
采集的过程数据包括控制系统中可直接获取的搅拌机相关数据以及人工记录的粘度实测和补偿量实测数据。
步骤S2：提取历史数据库中的过程数据，根据工艺机理分析，选择与浆料粘度具有相关性的辅助变量与粘度实测数据，组成软测量建模用第一输入和第一输出数据矩阵；同时，提取历史数据库中的粘度实测数据和对应的补偿量相关数据，组成建模用第二输入和第二输出数据矩阵；
该步骤中，第一输入和第一输出矩阵定义为
和
其中N1定义为建模样本的数量，n1定义为辅助变量的数量，第二输入和第二输出矩阵定义为
和
其中N2定义为建模样本的数量，n2定义为辅助变量的数量。对于一级搅拌系统，选择的数据应处于浆料粘度稳定的时间段；对于多级搅拌系统，选择的数据应处于最后一级浆料粘度稳定的时间段。辅助变量和补偿量相关变量通过工艺机理分析优化选取，建模样本的数量根据经验选取。
辅助变量包括分散转速、公转转速、分散电流、搅拌电流、真空压力、电机电压、浆料温度；补偿量相关数据包括实际补偿量记录数据、环境温度、浆料温度、浆料重量、浆料深度。
步骤S3：对第一和第二数据矩阵进行数据预处理，包括去除空缺值、离群点和数据标准化；
该步骤中，空缺值定义为数据矩阵中值为0的数据点，通过数据遍历操作首先进行去除；离群点定义为数据矩阵中超出对应列的标准差三倍的元素；数据标准化采用z分数标准化，包括对数据矩阵中的每一列逐一进行中心化和归一化操作。
步骤S4：利用第一数据矩阵离线建立基于内加权稀疏偏最小二乘的粘度软测量模型；
该步骤中，所述内加权稀疏偏最小二乘的目标函数定义为(为方便表示，Xi和Yi的上标省略)：
其中，Xi和Yi定义为紧缩数据矩阵，S定义为加权矩阵，wi和vi定义为投影向量，通过优选投影向量来实现目标函数的最大化，ti和ui定义为得分向量，满足ti＝Xiwi和ui＝Yivi，cw和cv定义为控制稀疏性约束的松弛度的超参数。由
(针对所有紧缩数据矩阵一致，这里省略下标)，定义
为内矩阵，表示为输入向量(行向量)的转置与输出向量(行向量)的乘积，定义
为目标内矩阵，表示为具有相同时间戳的输入输出向量对应的内矩阵。加权矩阵通过计算不同输入输出向量对应的内矩阵与目标内矩阵之间的相似度得到，定义为
具体的，步骤S4包括以下步骤：
步骤S4-1：初始化i＝1，Xi＝X以及Yi＝Y，同时令‖vi‖＝1，设置l为主元数；
步骤S4-2：令
其中ST(ɑ,Δ)是软门限函数，满足
如果‖wi‖1≤cw满足则
否则迭代搜索
使‖wi‖1＝cw满足；
步骤S4-3：令
如果‖vi‖1≤cv满足则
否则迭代搜索
使‖vi‖1＝cv满足；
步骤S4-4：循环迭代步骤S4-2和步骤S4-3直到wi和vi收敛；
步骤S4-5：紧缩Xi和Yi，令
和
步骤S4-6：令
和
步骤S4-7：令i＝i+1，回到步骤S3-2直到i＝l；；
步骤S4-8：令R＝[r1,r2,...,rl]和Q＝[q1,q2,...,ql]，得到M＝RQT；
步骤S5：利用第二数据矩阵离线建立基于多层自编码网络的粘度补偿量预测模型；
该步骤中，自动编码器是一种尽可能复现输入信号的神经网络，多个自动编码器连接组成多层自编码网络，以最小化重构误差为目标，将输入信号经过编码和解码复原其原有信息，对于一个n层的自编码网络，其前一层的输出作为后一层的输入，用W(k,1),W(k,2),b(k,1),b(k,2)表示第k层的网络权重和偏置，逐层执行编码和解码步骤：
编码过程：
解码过程：
其中ɑ是隐藏单元的激活值，f(·)是激活函数。
具体的，步骤S5包括以下步骤：
步骤S5-1：以复原输入补偿量相关数据为目标，逐层训练每一个自编码器，得到每一层的权重和偏置；
步骤S5-2：以最优拟合输出补偿量实测值为目标，训练最后一层网络和输出层之间的权重和偏置；
步骤S5-3：多层自编码网络整体微调，优化参数；
在本发明的一个实施例中，多层自编码网络包含2个隐含层，选用均方误差作为损失函数、sigmoid函数作为激活函数，通过随机梯度下降的方法进行预训练和微调操作；
步骤S6：在线采集辅助变量对应的测量值，通过粘度软测量模型估计当前浆料粘度，由主控制器32控制人机交互装置31进行实时显示；
对于在线采集的过程数据向量
按照步骤S3相同的操作进行初始化，计算浆料粘度预测值
步骤S7：当粘度软测量模型估计的浆料粘度量趋于稳定后，将其作为粘度补偿量预测模型的输入，估计对应补偿量，由主控制器32控制电动水泵22进行注水补偿；
该步骤中，当粘度软测量模型估计的浆料粘度量趋于稳定后，将在线采集的过程数据向量
作为输入向量输入多层自编码网络，得到输出补偿量的预测值
步骤S8：循环进行S6和S7，直到浆料粘度达到指标要求；
该步骤中，当一次补偿后浆料粘度趋于稳定时仍旧高于工艺标准时，重新进行粘度预测和补偿，否则，跳过该步骤。
步骤S9：利用新采集的数据更新第一和第二数据矩阵，重新构建粘度软测量模型和粘度补偿量预测模型；
该步骤中，每采集第一和第二数据矩阵十分之一的数据量后，用新数据替代数据矩阵中采集时间较早的数据，通过步骤S4和S5的方法重新构建新的第一和第二数据矩阵，特别的，第一和第二数据矩阵的更新采用异步方式进行。
以正极浆料混合为例，浆料粘度标准为3500-6500mPa.s，首次搅拌完毕后浆料粘度超过6500mPa.s，粘度过高未达到工艺要求，经过补偿，系统二次搅拌后浆料稳定在6000mPa.s左右，可满足工艺要求。
本发明通过以上的混合搅拌过程浆料粘度监测和补偿系统及方法，实现了浆料粘度的在线监控和间接测量；同时，针对浆料粘度不满足工艺要求的情况，实现了补偿量的有效预测并通过额外的补偿装置进行了自动注水补偿，从而保障物料充分均匀混合，提高了搅拌过程的生产效率，降低了人工成本。
上面描述是用于实现本发明的具体实施例，本发明的范围不应由该描述来限定，本领域的技术人员应该理解，在不脱离本发明的范围的任何修改或局部替换，均属于本发明权利要求来限定的范围。
Claims (2)
1.一种混合匀浆过程中的浆料粘度检测与补偿方法，其特征在于，包括以下步骤：
(1)控制模块在线采集辅助变量，经数据链路传输到数据分析模块；
(2)数据分析模块将辅助变量输入粘度软测量模型，输出当前浆料粘度，当前浆料粘度作为粘度补偿量预测模型的输入，输出对应补偿量，并将补偿量信号传输至控制模块；
(3)控制模块控制补偿装置向搅拌装置补偿料液；
(4)重复步骤(1)-(3)，直至浆料粘度达到指标要求；
所述粘度软测量模型的建立，包括：
a、采集搅拌过程数据，存储到数据分析模块的实时/历史数据库中；
b、提取历史数据库中的过程数据，根据工艺机理分析，选择与浆料粘度具有相关性的辅助变量与粘度实测数据，组成软测量建模用第一输入和第一输出数据矩阵；
该步骤中，第一输入和第一输出矩阵定义为
和
其中N1定义为建模样本的数量，n1定义为辅助变量的数量；
对于一级搅拌系统，选择的数据应处于浆料粘度稳定的时间段；对于多级搅拌系统，选择的数据应处于最后一级浆料粘度稳定的时间段；
辅助变量包括分散转速、公转转速、分散电流、搅拌电流、真空压力、电机电压、浆料温度；
c、对第一数据矩阵进行数据预处理，所述预处理包括：去除空缺值、离群点和数据标准化；
该步骤中，空缺值定义为数据矩阵中值为0的数据点，通过数据遍历操作首先进行去除；离群点定义为数据矩阵中超出对应列的标准差三倍的元素；数据标准化采用z分数标准化，包括对数据矩阵中的每一列逐一进行中心化和归一化操作；
d、利用预处理后的第一数据矩阵基于内加权稀疏偏最小二乘法离线建立所述粘度软测量模型；
该步骤中，所述内加权稀疏偏最小二乘的目标函数定义为
其中，Xi和Yi定义为紧缩数据矩阵，S定义为加权矩阵，wi和vi定义为投影向量，通过优选投影向量来实现目标函数的最大化，ti和ui定义为得分向量，满足ti＝Xiwi和ui＝Yivi，cw和cv定义为控制稀疏性约束的松弛度的超参数；由
定义
为内矩阵，表示为输入向量的转置与输出向量的乘积，定义
为目标内矩阵，表示为具有相同时间戳的输入输出向量对应的内矩阵；加权矩阵通过计算不同输入输出向量对应的内矩阵与目标内矩阵之间的相似度得到，定义为
具体的，包括以下步骤：
S3-1：初始化i＝1，Xi＝X以及Yi＝Y，同时令‖vi‖＝1，设置l为主元数；
S3-2：令
其中ST(ɑ,Δ)是软门限函数，满足
如果‖wi‖1≤cw满足则
否则迭代搜索
使‖wi‖1＝cw满足；
S3-3：令
如果‖vi‖1≤cv满足则
否则迭代搜索
使‖vi‖1＝cv满足；
S3-4：循环迭代步骤S3-2和步骤S3-3直到wi和vi收敛；
S3-5：紧缩Xi和Yi，令
和
S3-6：令
和
其中
S3-7：令i＝i+1，回到步骤S3-2直到i＝l；
S3-8：令R＝[r1,r2,...,rl]和Q＝[q1,q2,...,ql]，得到M＝RQT；
所述粘度补偿量预测模型的建立，包括：
ⅰ、采集搅拌过程数据，存储到数据分析模块的实时/历史数据库中；
ⅱ、提取历史数据库中的粘度实测数据和对应的补偿量相关数据，组成建模用第二输入和第二输出数据矩阵；
第二输入和第二输出矩阵定义为
和
其中N2定义为建模样本的数量，n2定义为辅助变量的数量；
补偿量相关数据包括实际补偿量记录数据、环境温度、浆料温度、浆料重量、浆料深度；
ⅲ、对第二数据矩阵进行数据预处理，包括去除空缺值、离群点和数据标准化；同步骤c；
ⅳ、利用预处理后的第二数据矩阵基于多层自编码网络法离线建立所述的粘度补偿量预测模型；
该步骤中，多个自动编码器连接组成多层自编码网络，以最小化重构误差为目标，将输入信号经过编码和解码复原其原有信息，对于一个n层的自编码网络，其前一层的输出作为后一层的输入，用W(k,1)，W(k,2)，b(k,1)，b(k,2)表示第k层的网络权重和偏置，逐层执行编码和解码步骤：
编码过程：
解码过程：
其中ɑ是隐藏单元的激活值，f(·)是激活函数；
具体的，包括以下步骤：
SC-1：以复原输入补偿量相关数据为目标，逐层训练每一个自编码器，得到每一层的权重和偏置；
SC-2：以最优拟合输出补偿量实测值为目标，训练最后一层网络和输出层之间的权重和偏置；
SC-3：多层自编码网络整体微调，优化参数；
多层自编码网络包含2个隐含层，选用均方误差作为损失函数、sigmoid函数作为激活函数，通过随机梯度下降的方法进行预训练和微调操作；
当粘度软测量模型估计的浆料粘度量趋于稳定后，将其作为粘度补偿量预测模型的输入，估计对应补偿量，向量
作为输入向量输入多层自编码网络，得到输出补偿量的预测值
2.如权利要求1所述的混合匀浆过程中的浆料粘度检测与补偿方法，其特征在于，每采集第一和第二数据矩阵10％-30％的数据量后，用新数据更新第一和第二数据矩阵，重新构建粘度软测量模型和粘度补偿量预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542243.2A CN109603617B (zh) | 2018-12-17 | 2018-12-17 | 一种混合匀浆系统及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811542243.2A CN109603617B (zh) | 2018-12-17 | 2018-12-17 | 一种混合匀浆系统及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109603617A CN109603617A (zh) | 2019-04-12 |
| CN109603617B true CN109603617B (zh) | 2022-04-29 |
Family
ID=66009522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811542243.2A Active CN109603617B (zh) | 2018-12-17 | 2018-12-17 | 一种混合匀浆系统及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109603617B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110146411A (zh) * | 2019-05-06 | 2019-08-20 | 湖北锂诺新能源科技有限公司 | 一种在线测量锂电池浆料粘度的方法 |
| CN113126488B (zh) * | 2021-03-17 | 2022-10-28 | 淮阴工学院 | 一种物质混合智能系统 |
| CN113281223A (zh) * | 2021-06-30 | 2021-08-20 | 湖南三一快而居住宅工业有限公司 | 浆料粘度的检测系统、检测方法及检测装置 |
| CN113828240A (zh) * | 2021-09-30 | 2021-12-24 | 河南省光大路桥工程有限公司 | 一种沥青拌合站称量加水系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4506982A (en) * | 1981-08-03 | 1985-03-26 | Union Oil Company Of California | Apparatus for continuously blending viscous liquids with particulate solids |
| CN203054646U (zh) * | 2013-01-31 | 2013-07-10 | 刘人龙 | 一种新型数字式实时粘度控制仪 |
| CN105094179A (zh) * | 2015-07-17 | 2015-11-25 | 北京海合天科技开发有限公司 | 一种物料搅拌中的粘度自动调节装置 |
| CN108261947A (zh) * | 2018-01-19 | 2018-07-10 | 深圳市沃特玛电池有限公司 | 一种锂离子电池的匀浆装置及匀浆方法 |
-
2018
- 2018-12-17 CN CN201811542243.2A patent/CN109603617B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4506982A (en) * | 1981-08-03 | 1985-03-26 | Union Oil Company Of California | Apparatus for continuously blending viscous liquids with particulate solids |
| CN203054646U (zh) * | 2013-01-31 | 2013-07-10 | 刘人龙 | 一种新型数字式实时粘度控制仪 |
| CN105094179A (zh) * | 2015-07-17 | 2015-11-25 | 北京海合天科技开发有限公司 | 一种物料搅拌中的粘度自动调节装置 |
| CN108261947A (zh) * | 2018-01-19 | 2018-07-10 | 深圳市沃特玛电池有限公司 | 一种锂离子电池的匀浆装置及匀浆方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109603617A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109603617B (zh) | 一种混合匀浆系统及其应用 | |
| US11614733B2 (en) | Computer system and method for automated batch data alignment in batch process modeling, monitoring and control | |
| CN113011085B (zh) | 一种设备数字孪生建模方法及系统 | |
| CN102841538B (zh) | 用于控制分批过程的方法和系统 | |
| JP2003526856A (ja) | プロセス制御システム | |
| CN117160072B (zh) | 多向动态连续提取系统及其方法 | |
| CN104991037B (zh) | 一种用于煮糖结晶的数据测量方法和装置 | |
| CN117218118B (zh) | 基于图像序列的坍落度监测方法、装置及可读介质 | |
| CN116213095B (zh) | 一种基于重介质分选的精煤产品灰分智能调节方法及系统 | |
| CN110908361B (zh) | 一种基于在线孪生支持向量回归机的发酵过程软测量方法 | |
| CN118749090A (zh) | 工艺设施的操作方法、软传感器和数字工艺孪生系统 | |
| CN113515893A (zh) | 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置 | |
| CN104991984A (zh) | 一种用于煮糖结晶的数据监测方法和系统 | |
| CN113359512B (zh) | 一种稀土萃取分离过程组分含量数字孪生特征分析方法 | |
| CN116822091A (zh) | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 | |
| CN117668484B (zh) | 胶黏剂生产过程的实时监测系统及方法 | |
| CN113289541A (zh) | 一种基于混匀度预测的混合机控制系统及方法 | |
| CN115034504B (zh) | 基于云边协同训练的刀具磨损状态预测系统及方法 | |
| CN114880926A (zh) | 一种基于格氏反应的数字孪生系统 | |
| Zhang et al. | Active learning strategy for online prediction of particle size distribution in cobalt oxalate synthesis process | |
| CN109870986A (zh) | 一种基于神经网络和数据驱动的搅拌反应釜在线控制方法 | |
| CN113377075A (zh) | 一种稀土萃取过程实时优化的方法、装置及计算机可读存储介质 | |
| CN107796501A (zh) | 一种多物料混合称量系统及其控制器 | |
| Zhang et al. | Coupling a machine vision sensor and a neural net supervised controller: controlling microbial cultivations | |
| CN118134334B (zh) | 一种代餐营养品产线生产控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 313100, No. 18, Qiao Qiao Road, Changxing County painting industrial park, Zhejiang, Huzhou Applicant after: Tianneng Shuai Fude Energy Co.,Ltd. Applicant after: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES Address before: 313100, No. 18, Qiao Qiao Road, Changxing County painting industrial park, Zhejiang, Huzhou Applicant before: ZHEJIANG TIANNENG ENERGY TECHNOLOGY Co.,Ltd. Applicant before: Institute of Automation, Chinese Academy of Sciences |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 313100 No.18, Baoqiao Road, Huaxi Industrial Park, Changxing County, Huzhou City, Zhejiang Province Patentee after: Zhejiang Tianneng Energy Storage Technology Development Co.,Ltd. Country or region after: China Patentee after: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES Address before: 313100 No.18, Baoqiao Road, Huaxi Industrial Park, Changxing County, Huzhou City, Zhejiang Province Patentee before: Tianneng Shuai Fude Energy Co.,Ltd. Country or region before: China Patentee before: INSTITUTE OF AUTOMATION, CHINESE ACADEMY OF SCIENCES |