CN114318426A - 一种基于出槽信息检测的异常处理方法和系统 - Google Patents
一种基于出槽信息检测的异常处理方法和系统 Download PDFInfo
- Publication number
- CN114318426A CN114318426A CN202210036435.6A CN202210036435A CN114318426A CN 114318426 A CN114318426 A CN 114318426A CN 202210036435 A CN202210036435 A CN 202210036435A CN 114318426 A CN114318426 A CN 114318426A
- Authority
- CN
- China
- Prior art keywords
- information
- detection
- sample
- image
- production
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 322
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims abstract description 122
- 239000002184 metal Substances 0.000 claims abstract description 43
- 229910052751 metal Inorganic materials 0.000 claims abstract description 43
- 239000003792 electrolyte Substances 0.000 claims description 77
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000005070 sampling Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 21
- 238000005868 electrolysis reaction Methods 0.000 description 32
- 238000010801 machine learning Methods 0.000 description 28
- 239000000203 mixture Substances 0.000 description 28
- 230000005856 abnormality Effects 0.000 description 27
- 238000012544 monitoring process Methods 0.000 description 26
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 20
- 229910052802 copper Inorganic materials 0.000 description 20
- 239000010949 copper Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 239000000126 substance Substances 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 14
- 239000012535 impurity Substances 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000000654 additive Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 229910052709 silver Inorganic materials 0.000 description 7
- 239000004332 silver Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000000996 additive effect Effects 0.000 description 5
- 238000001931 thermography Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000002639 bone cement Substances 0.000 description 3
- 239000008151 electrolyte solution Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 206010014418 Electrolyte imbalance Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- UMGDCJDMYOKAJW-UHFFFAOYSA-N thiourea Chemical compound NC(N)=S UMGDCJDMYOKAJW-UHFFFAOYSA-N 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Natural products NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C7/00—Constructional parts, or assemblies thereof, of cells; Servicing or operating of cells
- C25C7/06—Operating or servicing
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本说明书实施例提供一种基于出槽信息检测的异常处理方法，该方法包括：获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；基于所述检测信息确定生产异常信息；基于所述生产异常信息确定反馈信息。
Description
分案说明
本申请是针对申请日为2022年1月12日、申请号为202210030216.7、发明名称为“一种基于出槽信息检测的异常监控方法和系统”的中国申请提出的分案申请。
技术领域
本说明书涉及电解生产领域，特别涉及一种基于出槽信息检测的异常处理方法和系统。
背景技术
电解出槽是一个电解生产周期中最后一个环节，对电解出槽进行异常情况检测监控是保证电解生产正常运行的重要手段。在对电解出槽的检测中，对出槽阴极板、残阳极以及电解槽内的电解液等的参数进行检测有助于判断电解生产环节产生的异常情况，以便进行对生产中的参数和操作及时的调整和改进。
目前对出槽信息的检测主要依靠人工，检测方式单一、效率不高且往往具有主观性。此外，电解车间中的酸性物质具有腐蚀性、毒害性，长时间的检测工作会危害人体健康。因此，需要提出一种效率更高的对出槽信息检测监控方法来解决上述问题。
发明内容
本说明书实施例之一提供一种基于出槽信息检测的异常处理方法，所述异常处理方法包括：获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；基于所述检测信息判断所述电解生产是否异常。
本说明书实施例之一提供一种基于出槽信息检测的异常处理系统，所述异常处理系统包括信息获取模块和状态判断模块；所述信息获取模块用于获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；所述状态判断模块用于基于所述检测信息判断所述电解生产是否异常。
本说明书实施例之一提供一种基于出槽信息检测的异常处理装置，包括处理器，所述处理器用于执行本说明书任一实施例所述的基于出槽信息检测的异常处理方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书任一实施例所述的基于出槽信息检测的异常处理方法。
本说明书实施例之一提供一种基于出槽信息检测的异常处理方法，所述异常处理方法包括：获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；基于所述检测信息确定生产异常信息；基于所述生产异常信息确定反馈信息。
本说明书实施例之一提供一种基于出槽信息检测的异常处理系统，所述异常处理系统包括信息获取模块、状态判断模块及异常处理模块；所述信息获取模块用于获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；所述状态判断模块用于基于所述检测信息确定生产异常信息；所述异常处理模块用于基于所述生产异常信息确定反馈信息。
本说明书实施例之一提供一种基于出槽信息检测的异常处理装置，包括处理器，所述处理器用于执行本说明书任一实施例所述的基于出槽信息检测的异常处理方法。
本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行本说明书任一实施例所述的基于出槽信息检测的异常处理方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于出槽信息检测的异常监控系统和/或异常处理系统的应用场景示意图；
图2是根据本说明书一些实施例所示基于出槽信息检测的异常监控系统和/或异常处理系统的示意图；
图3是根据本说明书一些实施例所示的基于出槽信息检测的异常监控的示例性流程图；
图4是根据本说明书一些实施例所示的异常监控系统和/或异常处理系统的数据获取的示意图；
图5是根据本说明书一些实施例所示的数据处理及异常判断流程示意图；
图6是本说明书一些实施例所示的机器学习模型确定生产异常信息的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于出槽信息检测的异常监控系统和/或异常处理系统的应用场景示意图。
在一些实施例中，应用场景100可以包括服务器110、网络120、一个或以上终端设备130、存储设备140和采集检测装置150。服务器110可以通过实施本申请中披露的方法和/或过程来通过采集检测装置150确定待测试样品是否异常。在一些实施例中，待测试样品可以是完成电解后的已出槽的极板(例如，阳极板或阴极板)或正在电解生成中的极板(例如，阳极板或阴极板)。通过对极板上的金属进行检测，系统可以基于检测出的异常情况确定生产环节异常信息，从而反馈到生产环节并进行相应的调整和改进，提高了后续电解的生产效率。
服务器110可以与终端设备130、存储设备140和/或采集检测装置150通信，以提供应用场景100的各种功能。在一些实施例中，服务器110可以经由例如网络120从终端设备130接收与采集检测装置150对待测试样品进行检测后的相关检测信息。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。在一些实施例中，服务器110可以本地连接到网络120或者与网络120远程连接。在一些实施例中，服务器110可以在云平台上实施。
网络120可以促进信息和/或数据的交换。在一些实施例中，应用场景100中的一个或以上组件(例如，服务器110、网络120等)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。
在一些实施例中，用户可以是终端设备130的所有者。终端设备130可以接收用户请求，并经由网络120将与请求有关的信息发送到服务器110。例如，终端设备130可以接收用户发送待测试样品的检测信息的请求，并经由网络120将与请求有关的信息发送到服务器110。终端设备130还可以经由网络120从服务器110接收信息。例如，终端设备130可以从服务器110接收与采集检测装置150有关的待测试样品的检测信息。所确定的一个或以上检测信息可以显示在终端设备130上。又例如，服务器110可以将基于检测信息生成的异常信息发送到终端设备130。反馈信息可以包括待测试样品的电解相关信息(例如，含有杂质的情况)、生产改进建议等。
在一些实施例中，终端设备130可以包括移动设备、平板计算机、膝上型计算机、车载设备等或其任意组合。在一些实施例中，终端设备130可以包括信号发送器和信号接收器，被配置为与采集检测装置150通信以获取待测试样品的检测信息。
在一些实施例中，存储设备140可以连接到网络120以与应用场景100的一个或以上组件(例如，服务器110、终端设备130、采集检测装置150)通信。在一些实施例中，存储设备140可以是服务器110的一部分。
存储设备140可以储存数据和/或指令。数据可以包括与用户、终端设备130、采集检测装置150等有关的数据。在一些实施例中，存储设备140可以存储从终端设备130和/或、采集检测装置150获取的数据。在一些实施例中，存储设备140可以储存服务器110用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。
在一些实施例中，存储设备140可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中，存储设备140可在云平台上实现。
采集检测装置150可以获取待测试样品的检测信息，关于检测信息的更多描述可以参见图3及其相关描述，此处不再赘述。在一些实施例中，采集检测装置150可以包括红外检测模块150-1、获取图像模块150-2、温度检测模块150-3、超声波检测模块150-4和抽样检测模块150-5，关于红外检测模块150-1、获取图像模块150-2、温度检测模块150-3、超声波检测模块150-4和抽样检测模块150-5的更多描述可以参见图4及其相关描述，此处不再赘述。
应当注意应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改或变化。例如，应用场景100还可以包括数据库。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示基于出槽信息检测的异常监控系统和/或异常处理系统的示意图。
在一些实施例中，基于出槽信息检测的异常监控系统200可以包括信息获取模块210和状态判断模块220。在一些实施例中，异常监控系统200可以基于不同的功能细分为多个具体的小系统，例如，异常监控系统200可以包括异常处理系统。在一些实施例中，异常处理系统可以包括信息获取模块210、状态判断模块220和异常处理模块230。
信息获取模块210可以用于获取待测试样品的检测信息。其中，待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种。在一些实施例中，检测信息包括图像信息、成分信息及温度信息中的至少一种。
在一些实施例中，信息获取模块210可以基于随机抽样结果确定、初步检测结果确定及其他检测反馈确定中的至少一种确定目标对象；在目标时间点可以获取目标对象的检测信息，其中，目标时间点包括至少一个时间节点，目标对象包括至少一个阴极板。在一些实施例中，信息获取模块210可以基于所述目标对象的初步检测结果确定重点对象，获取所述重点对象的初步检测图像并发送至远端检测设备，其中，所述初步检测图像满足预设条件；获取所述远端检测设备返回的调整指令和/或需求指令；基于所述调整指令和/或需求指令获取所述重点对象的检测信息。
在一些实施例中，状态判断模块220可以用于基于所述检测信息判断所述电解生产是否异常。进一步地，状态判断模块220可以判断所述检测信息是否满足预设条件；若所述检测信息满足所述预设条件，则判断所述电解生产正常；若所述检测信息不满足所述预设条件，则判断所述电解生产异常。
在另一实施例中，状态判断模块220可以用于基于所述检测信息确定生产异常信息。
在一些实施例中，异常处理模块230可以用于响应于所述电解生产异常，基于所述检测信息确定反馈信息。在另一实施例中，异常处理模块230可以用于基于所述生产异常信息确定反馈信息。
在一些实施例中，反馈信息可以包括温度调整信息、电解液调整信息及异常极板位置中的至少一种。
需要注意的是，以上对于异常监控系统200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的信息获取模块、状态判断模块和异常处理模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的基于出槽信息检测的异常监控的示例性流程图。如图2所示，流程300包括下述步骤。在一些实施例中，流程300可以由状态判断模块220执行。
步骤310，获取待测试样品的检测信息。在一些实施例中，步骤310可以由信息获取模块210执行。
待测试样品可以为与电解生产相关的物体或设备。例如，电解液、阳极板、阴极板等。在一些实施例中，待测试样品还可以为电解生产的物质，例如，电解生产中生成的金属及电解生产完成得到的金属中的至少一种等。
检测信息可以是与待测试样品的相关的信息。
在一些实施例中，检测信息可以包括外观信息，例如，图像信息。示例地，极板图像、电解液图像、生成的金属的图像等。
在一些实施例中，检测信息还可以包括物理信息，例如，电解液颜色、电解液温度信息、极板温度信息、极板的表面的金属的品质信息(例如，表面平整度、完整度、纹路和厚薄均匀程度、颜色等)。
在一些实施例中，电解液温度信息可以包括电解液整体温度、电解液层间温差及电解液端间温差等，关于电解液整体温度、电解液层间温差及电解液端间温差的更多描述可以参见图4及其相关描述，此处不再赘述。
在一些实施例中，检测信息还可以化学信息，例如，成分信息。示例地，电解液的成分、电解生产中生成的金属的成分及电解生产完成得到的金属的成分等。
在一些实施例中，信息获取模块210可以通过采集检测装置150获取检测信息，关于检测信息的更多描述可以参见图4及其相关描述，此处不再赘述。
步骤320，基于检测信息判断电解生产是否异常。在一些实施例中，步骤310可以由状态判断模块220执行。
电解生产的异常判断可以基于人工实现或自动识别实现。
在一些实施例中，操作人员可以通过终端设备130接收检测信息，并判断电解生产是否异常，再通过终端设备130反馈电解生产是否异常的信息至状态判断模块220。
在一些实施例中，状态判断模块220可以通过异常判断模型基于检测信息判断电解生产是否异常。
在一些实施例中，异常判断模型的输入可以为检测信息的至少一部分，异常判断模型的输出可以为电解生产是否异常。
在一些实施例中，可以基于多个带标签的训练样本对异常判断模型进行训练，其中，训练样本为历史检测信息中的至少一部分，训练样本的标签可以为表征电解生产正常的向量或表征电解生产异常的向量。
在一些实施例中，训练样本可以是检测信息中多种类型的信息的组合，例如，外观信息、物理信息及化学信息中的至少两种信息的组合。例如，训练样本可以包括历史检测信息中的图像信息(例如，极板图像、电解液图像、生成的金属的图像等)及待测试样品的表面的品质信息(例如，表面平整度、完整度、纹路和极板的厚薄均匀程度等)。又例如，训练样本可以包括历史检测信息中的待测试样品的表面的品质信息(例如，表面平整度、完整度、纹路和极板的厚薄均匀程度等)及电解液的成分、电解生产中生成的金属的成分及电解生产完成得到的金属的成分等。
在一些实施例中，状态判断模块220可以基于多个带标签的训练样本对异常判断模型进行多轮训练，直至训练后的异常判断模型满足预设条件，其中，预设条件可以是更新后的初始基础模型的损失函数小于阈值、收敛，或训练迭代次数达到阈值。在一些实施例中，异常判断模型可以包括卷积神经网络(Convolutional Neural Networks,CNN)模型、图神经网络(Graph Neural Networks,GNN)模型等。
在一些实施例中，状态判断模块220可以通过预设条件基于检测信息判断电解生产是否异常，若检测信息满足所述预设条件，则判断电解生产正常，若检测信息不满足预设条件，则判断电解生产异常，关于通过预设条件判断电解生产是否异常的更多描述可以参见图5及其相关描述，此处不再赘述。
在一些实施例中，流程300还可以包括步骤330，响应于电解生产异常，基于检测信息确定反馈信息。在一些实施例中，步骤330可以由异常处理模块230执行。
反馈信息可以是与对电解生产进行调整相关的信息。例如，暂停电解生产、调整电解生产的参数(例如，增大电解液的净化量等)等。
在一些实施例中，反馈信息还可以包括后续生产的调节方案，后续生产的调节方案可以为在未来的至少一个时间点进行的电解生产的方案。在一些实施例中，后续生产的调节方案可以包括与电解生产所使用的至少一种原料相关的工艺标准。例如，工艺标准可以包括电解液的温度范围标准、电解液成分标准、添加剂成分标准等。
在一些实施例中，反馈信息可以包括温度调整信息、电解液调整信息及异常极板位置中的至少一种。
温度调整信息可以为与调整电解液温度相关的信息。电解液整体温度、层间温差及端间温差会极大影响电解生产，例如，电解液整体温度过低会导致极板附近产生结晶，电解液整体温度会使极板表面结晶不平整，从而两种情况均会影响后续电解生产出金属的质量。因此，当电解液整体温度异常、层间温差异常或端间温差异常时，可以通过降低或升高电解液流速，以升高或降低电解液整体温度、层间温差及端间温差。
电解液调整信息可以为与调整电解液成分相关的信息。电解液中添加剂的含量极大影响电解生成的金属的外观，因此，可以根据电解生产中生成的金属及电解生产完成得到的金属的外观确定电解液调整信息。例如，电解生成的金属的表面不平整，有纹路，需要增大骨胶的添加量。又例如，电解生成的金属的表面有颗粒、针刺状凸起，需要减小骨胶的添加量。
异常极板位置可以为电解生产异常的极板的位置。在一些实施例中，异常处理模块230可以通过采集检测装置150获取异常极板位置。例如，异常处理模块230可以通过获取图像模块150-2获取极板所处环境的图像，并根据该图像识别出极板的位置。
在一些实施例中，异常处理模块230可以直接基于检测信息确定反馈信息。在一些实施例中，当至少部分检测信息超出预设条件时，异常处理模块230可以基于至少部分检测信息确定反馈信息。例如，当检测到电解液信息中的电解液温度超出预设范围时，异常处理模块230可以基于该电解液温度确定增大或降低电解液的流进电解槽及流出电解槽的流速，以调整电解液温度。
在一些实施例中，异常处理模块230可以先基于检测信息确定生产异常信息，再基于生产异常信息确定反馈信息。
生产异常信息可以表征与电解生产异常相关的信息。在一些实施例中，生产异常信息可以是电解生产过程中的异常信息或电解生产完成后的异常信息。
在一些实施例中，异常处理模块230可以根据信息获取模块210获取的待测试样品的检测信息，确定生产异常信息。在一些实施例中，生产异常信息可以包括以下中的至少一种：电解液异常信息、极板异常信息、生成金属异常信息。
在一些实施例中，电解液异常信息还可以包括电解液温度过高、电解液温度过低、电解液成分异常等，极板异常信息还可以包括厚度不均匀、表面不平整等，生成金属异常信息可以包括金属杂质过多等。生成金属异常信息可以包括金属成分异常、纹路异常等。
在一些实施例中，当至少部分检测信息超出预设条件时，异常处理模块230可以基于至少部分检测信息确定异常信息。例如，当检测到电解液信息中的电解液温度超出预设范围时，异常处理模块230可以基于该电解液温度确定生产异常信息：电解液温度过高或电解液温度过低。
在一些实施例中，异常处理模块230可以通过机器学习模型基于检测信息确定生产异常信息，关于机器学习模型的更多描述可以参见图6及其相关描述，此处不再赘述。
在一些实施例中，异常处理模块230可以基于生产异常信息确定反馈信息。在一些实施例中，异常处理模块230可以基于生产异常信息的类型确定对应的反馈信息。例如，当生产异常信息包括电解液温度过高时，异常处理模块230可以确定反馈信息：增大电解液流进电解槽或流出电解槽的流速。
在一些实施例中，通过获取待测试样品的检测信息，并基于待测试样品的检测信息判断电解生产是否异常，实现在电解异常时及时对电解生产进行调整，提高电解生产的效率和质量。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的异常监控系统和/或异常处理系统的数据获取的示意图。
异常监控系统和/或异常处理系统可以通过采集检测装置150获取检测信息。
采集检测装置150是用于检测待测试样品的相关数据(例如，检测信息)的装置。相关数据可以是待测试样品的外观信息、物理信息及化学信息，关于外观信息、物理信息及化学信息的更多描述可以参见图3及其相关描述，此处不再赘述。
在一些实施例中，采集检测装置150可以基于图像、红外、激光，采样、超声波中至少一种方式获取检测信息。例如，采集检测装置150可以包括红外采集检测装置150-1、图像采集装置150-2、温度采集装置150-3、超声波装置150-4和抽样检测模块150-5。
在一些实施例中，可以基于采集检测装置150获取待测试样品的温度信息。
在一些实施例中，红外采集检测装置150-1可以用于获取待测试样品的温度信息。例如，红外采集检测装置150-1(如，红外热像仪等)可以对待测试样品进行红外热成像，并接收待测试样品热辐射的红外线特定波段信号，将该信号转换成可供人类视觉分辨的图像和图形，并可以进一步计算出待测试样品的温度值。
在一些实施例中，温度检测模块150-3(如，温度传感器等)可以用于获取待测试样品的温度信息。例如，温度检测模块150-3可以包括多个安装在电解槽不同的位置的温度传感器以获取电解液或极板不同位置的温度。例如，安装在电解液中的温度传感器可以用于获取电解液温度，又例如，安装在极板表面的温度传感器可以用于获取极板温度。
在一些实施例中，由于电解槽中不同位置的电解液温差过大(例如，温差大于1℃)，或电解液温度过低会导致极板附近产生结晶，从而影响后续电解生产出金属的质量。需要获取的电解液温度可以包括在电解槽的至少两个不同深度测得的至少两个电解液温度，其中，两个深度测得的电解液温度之间的差值即为电解液层间温差。
在一些实施例中，至少两个温度传感器可以布置在电解槽的不同深度，以实现在不同深度测得至少两个电解液温度。例如，温度传感器布置在电解液内的结构可以是三层结构，最上方的温度传感器位于电解槽中电解液液面的下方，中间的温度传感器位于电解槽的中间高度位置，最下方的温度传感器位于电解槽的底部。
在一些实施例中，获取的电解液温度还可以包括电解液进水端和出水端的电解液温度，其中，进水端和出水端测得的电解液温度之间的差值即为电解液端间温差。相应的，温度检测模块150-3可以包括分别安装在电解液进水端和出水端的两个温度传感器。
在一些实施例中，可以基于采集检测装置150获取待测试样品的图像信息。
在一些实施例中，获取图像模块150-2(如，摄像头、图像传感器等)可以用于采集待测试样品的图像信息。例如，图像模块150-2可以采集待测试样品的图像信息并进行图像识别，获取电解生产中或出槽后的阴极板和/或阳极板的颜色、纹理、形状以及空间关系等信息。
图像识别可以包括处理、分析和理解，以识别各种不同模式的目标和对象。例如，可以由获取图像模块150-2进行图像采集；对采集的图像进行预处理，消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据；对预处理后的图像进行特征提取，可以基于方向梯度直方图(HOG)特征、局部二值模式(LBP)特征、Haar-like特征等算法提取待测试样品的颜色特征、纹理特征、形状特征和空间关系特征。
在一些实施例中，可以基于采集检测装置150获取极板的表面的金属的品质信息。
在一些实施例中，超声波检测模块150-4(如，脉冲反射式超声波探伤仪)可以用于采集待测试样品的表面的品质信息(例如，表面平整度、完整度、纹路和极板的厚薄均匀程度等)。
在一些实施例中，红外采集检测装置150-1可以通过对采集待测试样品进行红外热成像，并基于热成像的图像确定品质信息。
在一些实施例中，激光装置(如，激光测厚仪)可以用于采集待测试样品的品质信息。例如，激光装置可以测量阴极板和/或阳极板不同位置的厚度。
在一些实施例中，可以基于采集检测装置150获取待测试样品的成分信息。
在一些实施例中，抽样检测模块150-5可以用于对待测试样品进行随机抽样，分析待测试样品的化学成分。例如，抽样检测模块150-5可以对极板进行随机抽样，对阴极板和/或阳极板进行打洞取样，并对样品进行化学成分分析；又例如，抽样检测模块150-5可以对阴极板和/或阳极板表面的颗粒取样进行化学成分分析，示例地，分析金属产物(如，铜)的纯度以及杂质情况，其中，杂质情况包括主要杂质的类型及含量(如，银及其含量)。
在一些实施例中，上述的红外采集检测装置150-1、图像采集装置150-2、温度采集装置150-3、超声波装置150-4和抽样检测模块150-5还可以实现其他功能。例如，红外采集检测装置150-1还可以用于获取待测试样品的位置信息。示例地，红外采集检测装置150-1可以通过热像仪采集电解槽的红外热图像，再对红外热图像进行处理以获得温度异常的极板的像素点，最后根据该像素点确定相应的极板位置。
在一些实施例中，采集检测装置150还可以包括其他用于获取检测信息的装置，例如，采集检测装置150还可以包括智能插座、智能电表等设备，用于采集电解槽内的槽内电压、槽内电流等。
一些实施例所示的多种检测方式可以按需采用实施，如既可以对同一待测试样品(如，电解液、生产中或出槽后的阴极板和/或阳极板)依次通过多种检测方式进行检测以获得更准确的结果，也可以以其中的部分检测方式先进行初步检测，根据初步检测结果确定进一步检测的目标和方式。
在一些实施例中，红外采集检测装置150-1、图像采集装置150-2、温度采集装置150-3、超声波装置150-4和抽样检测模块150-5可以依次对待测试样本进行数据采集。
例如，对于待检测的生产中或完成生产的阴极板，可以通过红外采集检测装置150-1对阴极板红外热成像，获取阴极板表面品质，通过图像采集装置150-2获取阴极板的图像，通过温度采集装置150-3测量阴极板的表面温度，通过超声波装置150-4超声测量阴极板表面的平整度，通过抽样检测模块150-5对阴极板打洞采样，获取阴极板上电解生成的金属的成分，最后通过激光装置测量阴极板不同位置的厚度。
又例如，对于待检测的电解中或电解完成后的阳极板以及电解液，可以通过红外采集检测装置150-1在电解槽外对电解液红外热成像，获取槽内的温度，通过图像采集装置150-2获取阳极板的图像，通过温度采集装置150-3测量阳极板的表面温度，通过超声波装置150-4超声测量阳极板表面的平整度，通过抽样检测模块150-5对阳极板打洞采样，获取阳极板上电解残留的金属的成分，最后通过激光装置测量阳极板不同位置的厚度。
在另一实施例中，可以对每个待测试样品采用其中部分检测方式检测，基于检测结果确定进一步检测的目标和方式。
例如，可以先采用两种方式(如，图像采集检测、红外热成像)对阴极板和/或阳极板进行物理外观检测，若两种方式得到的检测结果一致，则不进行进一步检测；若两种方式检测得到的检测结果不一致，则再采取第三种方式(如，成分检测)进一步检测。
又例如，先进行随机抽样，对抽样的阴极板和/或阳极板打洞取样分析化学成分，若抽样的所有阴极板的铜含量和杂质含量均达标，说明该批次产品合格率较高，则可以后续只采用其他一种方式(如，成分检测)对极板物理外观进行识别判断；若出现铜含量或杂质含量不达标的极板，则后续采取其他两种或两种以上的方式(如，激光检测、超声波检测)对阴极板进行物理外观识别，提高精准度。
在一些实施例中，可以移动采集检测装置150和/或移动待测试样品完成检测。
在一些实施例中，待测试样品可以通过一个或多个移动装置驱动进行移动完成检测。移动装置可以是传送带，平移吊装，滑车等。例如，采集检测装置150的一个或多个组件可以设置在某一固定位置。检测区域内可以设置一个或多个传送装置。出槽后的阴极板可以放置在传送装置上。阴极板在传送装置的驱动下移动至采集检测装置150的位置，采集检测装置150可以对阴极板进行相应检测。阴极板检测完成后，分拣装置(如，机械臂等)可以将合格与不合格的产品分拣到不同的传送通道，或将要进行后续检测(如，化学成分分析)的极板放置到相应检测区域。这种情况下可以根据检测的需求发送指令控制触发某种检测方式或关闭某种检测方式。
在一些实施例中，采集检测装置150可以由一个或多个移动装置驱动进行移动完成检测。例如，移动装置可以驱动装配在移动装置上的采集检测装置150移动到有检测需求的区域进行检测。其中，移动装置的安装位置可以根据采集需要确定。例如，天花板、地面等。移动装置可以自适应地调节采集检测装置与检测区域和/或待测试样品的距离、角度等参数，以获取最佳检测效果。
在一些实施例中，移动装置可以为一个或多个移动机器人。例如，根据需求可以在电解生产车间设置一个或多个移动机器人。采集检测装置150可以装配在移动机器人上，通过不同的检测需求发送指令到移动机器人(或根据预先设定规则)控制移动机器人移动到对应的检测区域进行检测。例如，通过随机抽样进行化学分析，发现某个电解槽或某几个电解槽异常率较高，需要重点检测。异常监控系统或异常处理系统可以调动移动机器人到对应的重点监测区域，采集检测装置150可以对该区域进行检测。
在一些实施例中，移动装置可以为一个或多个无人机。例如，采集检测装置150可以装配在无人机上进行移动检测。又例如，可以通过无人机内置的摄像头和/或图像传感器进行图像采集。可以将无人机采集到的待检测样品的图像进行图像识别，并对其进行判断待检测样品。如无人机可以拍摄阴极板的图像，针对图像特点对图像进行增强、去噪、图像分割、边缘去噪等处理，提取图像特征，最后进行图像判别和分类(合格或不合格)。
在一些实施例中，无人机可以自主定位和姿态调节。例如，无人机可以采用光流技术实现室内定位，采用超声波传感器控制室内定高，采用IMU(惯性测量)检测飞行器的姿态变化并实时进行调整。其中，无人机通过内置的光流传感器，将获取到的图像信息的像素分布及颜色、亮度等信息转变为数字信号传送给内置的图像处理系统(可以是图像识别模块的处理系统)进行各种运算来抽取目标的特征，进而根据判别的结果来控制无人机的动作；通过超声波传感器来判别相对高度；通过高效的视觉处理器计算让无人机实现精确室内定位悬停和平稳飞行。
在一些实施例中，无人机可以根据指令进行定位和姿态调节。例如，无人机可以采集图像，将图像传至终端设备，终端设备的处理器或者用户可以对图像情况(如，图像的分辨率、待测试样品的图像完整度、拍摄的角度和距离等)进行分析，根据分析结果发出调整指令，对无人机的参数(如，运动方向、距离等)进行调整。
在一些实施例中，可以是终端设备根据采集到的图像情况，智能生成并发送调节指令。例如，通过输入图像情况到机器学习模型，再生成并输出调节指令。在一些实施例中，可以在终端设备的界面上反馈图像情况，经用户分析后，用户通过终端设备发出调节指令。
在一些实施例中，可以通过调节装置来调整待测试样品的位置。调节装置可以是机械臂、滑车等。例如，检测过程中可以采用调节装置调整阴极板的位置和方向，便于采集检测装置150进行检测。异常监控系统或异常处理系统可以基于检测后的极板异常情况，接收指令对极板进行分拣。
在一些实施例中，采集检测装置150可以包括辅助灯光。辅助灯光可以用于在采集检测装置150中的一个或多个组件对待测试样品检测时进行照明。
在一些实施例中，可以根据不同时间段采光情况调整检测过程中的辅助灯光。例如，早晨或傍晚可能光线不够充足，可以根据当前的明亮程度及检测需要的明亮程度自行调整灯光，进行智能补光。
在一些实施例中，可以根据检测需求调整辅助灯光。在一些实施例中，可以根据不同检测方式需要的灯光明亮程度不同，相应的控制辅助灯光的亮度等级。例如，对于图像信息的检测要求照明亮度较强，因此灯光亮度等级应相应调高；对于红外检测，其亮度没有特别限制，因此灯光亮度等级可以相应高低均可。
在一些实施例中，可以获取待测试样品的检测信息，包括：基于随机抽样结果确定、初步检测结果确定及其他检测反馈确定中的至少一种确定目标对象；在目标时间点获取所述目标对象的检测信息，其中，所述目标时间点包括至少一个时间节点，所述目标对象包括至少一个阴极板。
随机抽样结果确定是指基于在多个待测试样品中随机选取至少一个样品进行检测后获得的一个或多个检测信息，确定样品是否异常。例如，在多个阴极板中随机抽取至少一个阴极板，对抽取出的阴极板进行打洞采样，进行化学成分分析，得到成分信息，根据成分信息(如，铜含量)确定抽取出的阴极板是否异常。
初步检测结果确定是指基于对一个或多个待测试样品进行初步筛选后获得的检测信息，确定样品是否异常。例如，对出槽后的每块阴极板的物理外观进行肉眼识别或者图像采集，得到与物理外观相关的检测信息，根据与物理外观相关的检测信息初步筛选阴极板是否异常。
在一些实施例中，可以根据初步检测结果筛选出不合格的样品，对不合格的样品进行其他检测。例如，基于物理外观筛选出不合格阴极板，对不合格的阴极板进行打洞或采集阴极板表面铜包进行化学分析。
其他检测反馈确定是指基于待测试样品的生产过程中相关数据的检测信息，确定样品是否异常。例如，对电解液和/或添加剂进行成分检测，得到成分信息，根据成分信息确定电解液和/或添加剂是否异常。
在一些实施例中，如果某一批次的待测试样品的其他检测结果出现异常，则对该批次产品进行重点检测。例如，对电解系统410中的至少部分电解槽中的电解液和/或添加剂进行成分检测。在一些实施例中，电解系统410可以包括多个电解槽，例如电解槽410-1、电解槽410-2、…、电解槽410-n。则可以对电解槽410-1中的电解液和/或添加剂进行成分检测，确定电解槽410-1中的电解液和/或添加剂的成分异常，则对电解槽410-1中生产的阴极板进行重点检测。
目标对象是指从多个待测试样品中筛选确定的用于反映生产是否异常的至少一个样品。例如，目标对象包括至少一个阴极板。在一些实施例中，可以基于随机抽样结果确定、初步检测结果确定及其他检测反馈确定中的至少一种确定至少一个目标对象。例如，随机抽样结果确定的异常阴极板、初步检测结果确定的异常阴极板、其他检测反馈确定的某一批次的异常阴极板均可以作为目标对象。
目标时间点是指对目标对象进行检测的时刻。
在一些实施例中，目标时间点可以是一个时间点。例如，阴极板出槽的时间。在另一些实施例中，目标时间点可以是多个时间点。例如，在电解过程中的若干时间点，出槽后的若干个时间点。在一些实施例中，在一个电解周期内可以按照一定时间间隔设置多个时间点。例如，间隔1个小时一次。在一些实施例中，可以基于历史数据，对易出问题的节点设置多个时间点。例如，因为气温较低的原因，早上和晚上更容易出现异常，可以将早上和/或晚上的多个时间点确定为目标时间点。
在一些实施例中，可以根据预定规则、用户指令、之前的检测结果和其他监测结果中的至少一个确定目标时间点。
预定规则是指预先确定的规律时间点。在一些实施例中，预定规则可以为固定的检测时间点。例如，间隔1小时检测。在一些实施例中，预先规则可以为重点区域的目标时间点的间隔应小于非重点区域的目标时间点的间隔。例如，重点区域间隔1小时，非重点区域间隔2小时。
用户指令是指用户发出的关于设置时间点的信息。在一些实施例中，用户可以根据生产情况需求，自行设置检测时间点。例如，电解生产在中午产量较大，可以在中午设置间隔1小时检测；电解生产在早晚产量较小，可以在早晚设置间隔2小时检测。
在一些实施例中，检测结果包括随机抽样检测、初始检测及其他检测中的一个或多个结果。可以基于之前检测数据确定什么时间容易出现异常，将其设置为重点检测时间点。例如，因为气温较低的原因，早上和晚上更容易出现异常，可以将早上和/或晚上的多个时间点确定为目标时间点。
监测结果包括对生产过程中的相关数据进行实时监测的结果。例如，电解液监测结果、添加剂监测结果、循环量监测结果等。在一些实施例中，可以根据监测结果的情况，确定检测时间点。例如，监测到电解液循环量稳定，则设置间隔2小时检测；监测到电解液循环量不稳定，则设置间隔1小时检测。
在一些实施例中，目标对象的检测信息可以基于采集检测装置获取，所述检测信息可以通过以下至少一种方式获取：移动所述目标对象至采集检测装置进行检测获取；通过采集检测装置至目标对象进行检测获取；基于配有采集检测装置的无人机获取。
关于移动所述目标对象至采集检测装置进行检测获取的更多描述可以参见前述关于移动待测试样品及其相关描述，此处不再赘述。
关于通过采集检测装置至目标对象进行检测获取的更多描述可以参见前述关于获取检测信息及其相关描述，此处不再赘述。
关于基于配有采集检测装置的无人机获取的更多描述可以参见前述关于无人机及其相关描述，此处不再赘述。
在一些实施例中，可以基于所述目标对象的初步检测结果确定重点对象；获取所述重点对象的初步检测图像并发送至远端检测设备，其中，所述初步检测图像满足预设条件；获取所述远端检测设备返回的调整指令和/或需求指令；基于所述调整指令和/或需求指令获取所述重点对象的检测信息。
重点对象是指需要进一步检测的目标对象所在的生产批次和/或区域。在一些实施例中，可以根据目标对象的初步检测结果获取重点对象。例如，初步检测结果确定的阴极板表面凹凸不平，则确定该阴极板所在的批次为重点对象。又例如，如通过化学成分分析确定阳极板的残留的铜成分超过阈值，则确定该阳极板所在的批次为重点对象。再例如，采用红外热图像初步检测发现电解槽温度异常，可能影响产品质量，则将该电解槽对应的批次产品作为重点对象，同时重点监测电解槽情况。
在一些实施例中，检测设备对重点对象(如该批次产品、电解其他可能出现异常的环节)进行检测，获取初步检测图形；将初步检测图像传输到远端检测设备，初步检测图像需要满足预设条件。在一些实施例中，预设条件可以包括图像的分辨率和重点对象的图像完整度等参数。在一些实施例中，远端检测设备的处理器或者用户可以对图像质量进行分析判断是否满足预设条件。
在一些实施例中，可以基于所述调整指令和/或需求指令获取所述重点对象的检测信息。调整指令是指对检测设备的参数(如，角度、距离)进行调整的信息。在一些实施例中，可以根据初步检测图像的情况(如，图像的分辨率、待测试样品的图像完整度、拍摄的角度和距离等)发出调整指令对检测设备的参数进行调整，以获取重点对象的检测信息。
在一些实施例中，远端检测设备可以根据初步检测图像的情况智能生成调整指令，并发送调整指令至检测设备。
在一些实施例中，可以在远端检测设备的界面上反馈图像情况，经用户分析后，在远端检测设备上输入的需求指令(如，角度逆时针/顺时针旋转30°/45°等、检测调远或近1cm、镜头左右前后移动等)信息，远端检测设备发送调整指令至检测设备。
图5是根据本说明书一些实施例所示的数据处理及异常判断流程示意图。如图5所示，流程500包括下述步骤。
步骤510，获取预设条件。在一些实施例中，步骤510可以由状态判断模块执行。
预设条件是指预先设置的判断待测试样品为合格所要满足的一个或多个条件。
在一些实施例中，预设条件的设定包括但不限于参考阴极板的物理外观、化学成分；电解液的温度分布、电解液流量、电流密度、电解液成分和杂质含量等。例如，判断电解出槽后的阴极板合格的预设条件为：在阴极板表面生成的铜是平整且没有纹路的；铜的表面没有颗粒、针刺状的凸起；阴极板厚度均匀；阴极板的铜加银含量不小于99.95％。
在一些实施例中，可以基于国家标准和/或国际标准确定预设条件。例如，对阴极板取样进行化学成分分析时，根据不同的生产需求，铜的含量及杂质含量可以按照国标GB/T 467-2010确定：A级铜(Cu-CATH-1)的铜的含量应不小于99.9935％，含银量应小于0.0025％；1号标准铜(Cu-CATH-2)的铜加银的含量应不小于99.95％，含银量应小于0.015％，大于0.005％；2号标准铜(Cu-CATH-3)的铜的纯度需要达到99.90％：含银量应小于0.025％。阴极板的铜的纯度越高，银、铋等杂质的含量就越低。
在一些实施例中，可以基于行业经验和/或历史经验数据确定预设条件。例如，根据行业经验和/或历史经验，合格的出槽阴极板在阴极板表面生成的铜是平整且没有纹路的；铜的表面没有颗粒、针刺状的凸起；阴极板厚度均匀。
在一些实施例中，可以基于行业经验和/或历史数据对出槽结果和生产过程建立数据库，并基于数据库的信息确定预设条件。在一些实施例中，数据库可以根据出槽结果和生产过程的参数进行实时或定期更新。
步骤520，判断电解生产是否异常。
在一些实施例中，状态判断模块可以基于步骤510获取到的预设条件来判断电解生产是否异常。例如，若所述检测信息满足所述预设条件，则判断所述电解生产正常；若所述检测信息不满足所述预设条件，则判断所述电解生产异常。
例如，预设条件为电解槽中的电解液的表面和底部的温差不超过5摄氏度。检测到电解液的表面温度为55摄氏度，底部的温度为59摄氏度。温差为4摄氏度，则满足预设条件，状态判断模块可以判断电解生产为正常。又例如，预设条件为阴极板表面平整且没有纹路，当检测到出槽的阴极板的表面凹凸不平，则不满足预设条件，可以判断电解生产为异常。
在一些实施例中，当满足所有预设条件，则可以判断电解生产正常；当不满足至少一个预设条件时，则判断电解生产异常。例如，获取到阴极板的检测信息满足表面平整没有纹路、颜色正常、厚度均匀，但是阴极板的杂质含量超过阈值范围(如，0.0025％)，则判定电解生产为异常。
在一些实施例中，可以先由机器学习模型对采集检测装置150基于某数据获取方式采集到的数据进行处理，确定高风险目标。其中，确定高风险目标时，采集检测装置150获取数据的方式可以是基于图像、红外、激光，采样、超声波中任意一种方式。高风险目标可以是指整个电解槽中的某个高风险区域，如电解槽的端部或中部等任意位置，高风险目标也可以是极板的某具体区域，如极板的一个边角等。高风险目标可以基于预设条件来判断，对于不满足预设条件的部分目标即可认为是高风险目标，关于预设条件的说明参见步骤510。
机器学习模型的输入可以为基于某数据获取方式采集到的数据，机器学习模型的输出可以为高风险目标。状态判断模块可以通过多个带标签的训练样本对初始机器学习模型进行训练，其中，一个训练样本对应一个历史时间点的采集数据，采集数据可以包括在历史时间点采集检测装置150基于某数据获取方式采集到的数据，训练样本的标签可以包括高风险目标。状态判断模块可以通过常见的方式(例如，梯度下降等)对初始机器学习模型进行多次训练，直至训练后的初始机器学习模型满足预设条件，将该训练后的初始机器学习模型作为用于预测高风险目标的机器学习模型。其中，预设条件可以是更新后的初始基础模型的损失函数小于阈值、收敛，或训练迭代次数达到阈值。
在一些实施例中，机器学习模型还可以由服务器110或第三方预先训练后保存在存储设备140中，异常处理模块230可以从存储设备140中直接调用机器学习模型。在一些实施例中，机器学习模型可以是RNN(Recurrent Neural Network)模型、LSTM(Long Short-Term Memory,LSTM)模型等。
在确定了高风险区域后，即可通过采集检测装置150对高风险目标进行进一步的数据采集。其中，采集检测装置150对高风险目标获取数据的方式可以是基于图像、红外、激光，采样、超声波中至少两种方式。在一些实施例中，状态判断模块可以根据高风险目标不满足的预设条件的类型，确定对高风险目标获取数据的至少两种方式。例如，高风险目标为表面存在颗粒、针刺状的凸起的某块阴极板，可以理解的，当电解液中骨胶的含量过多，或硫脲过多时，会导致阴极板表面不平整，故状态判断模块确定对高风险目标获取数据的方式可以包括：对阴极板所处的电解液进行采样、对阴极板上的金属进行采样。
在一些实施例中，采集检测装置150对高风险目标进行进一步的数据采集后，可以将进一步采集的数据发送至远程监测中心(例如，服务器110、终端设备130或其他设备)，便于远程监测中心基于进一步采集的数据判断电解生产是否异常以及在电解生产异常时确定处理方案。
在一些实施例中，状态判断模块可以基于进一步采集的数据判断电解生产是否异常。状态判断模块可以根据预设条件基于进一步采集的数据来判断电解生产是否异常，当存在至少一种方式采集的数据不满足预设条件时，状态判断模块可以判断电解生产异常，关于预设条件的说明参见步骤510。
在一些实施例中，通过先由机器学习模型对采集检测装置150基于某数据获取方式采集到的数据进行处理，确定高风险目标，再进一步确定数据采集方式，对高风险目标进行进一步的数据采集，能够有效减少无效数据，提高后续确定处理方案的效率。
图6是本说明书一些实施例所示的机器学习模型确定生产异常信息的示例性流程图。
如图6所示，示意图600包括一个或多个检测信息420、机器学习模型610以及生产异常信息620。
在一些实施例中，可以基于机器学习模型610对至少部分检测信息的处理，确定生产异常信息620，关于检测信息、生产异常信息620的更多描述可以参见图3及其相关描述，此处不再赘述。
在一些实施例中，机器学习模型610的输入可以是待测试样品的一个或多个检测信息420，机器学习模型610的输出可以是异常信息620。例如，可以输入若干个阴极板的图像信息(如，外观平整度、完整度、纹路、颜色和厚薄等)和/或成分信息(如，铜含量、杂质含量等)，输出异常阴极板位置信息。
在一些实施例中，可以将多种检测信息组合作为机器学习模型610的输入。例如，将阴极板的图像信息，成分信息以及温度信息组合作为输入。
在一些实施例中，可以将各个时间点的一个或多个检测信息420组成序列，并将该序列作为机器学习模型610的输入。例如，可以将早上、中午、晚上获取到的一个或多个检测信息组成序列作为机器学习模型610的输入。
在一些实施例中，机器学习模型610可以包括各种模型和结构。在一些实施例中，机器学习模型可以包括但不限于神经网络模型、支持向量机模型、k近邻模型、决策树模型等一种或多种的组合。其中，神经网络模型可以包括卷积神经网络(CNN)、循环神经网络(RNN)、多层神经网络(MLP)、对抗神经网络(GAN)等一种或多种的组合。
在一些实施例中，可以基于大量带有标识的训练样本训练机器学习模型610。每个训练样本可以包括检测信息，标签可以是多个异常信息。例如，可以采集一段时间(如一天、一周、一个月等)内的多个时间点的待检测样品的检测信息作为样本，获取对样本检测信息的判定结果(如，人工判定的结果)，判定结果包括多个样本检测信息分别对应的异常信息。
在一些实施例中，机器学习模型610中的各个模型可以联合训练得到。例如，卷积神经网络(CNN)可以和循环神经网络(RNN)联合训练得到。向CNN输入训练样本数据，如，多个时间点的样本图像信息，得到CNN输出的多个图像特征向量；然后将多个图像特征向量作为训练样本数据输入RNN，得到RNN输出的对应于多个图像信息的异常信息，基于样本标签和RNN的输出建立损失函数，基于损失函数迭代更新CNN和RNN的参数，直到满足预设条件。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于出槽信息检测的异常处理方法，包括：
获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；
基于所述检测信息确定生产异常信息；
基于所述生产异常信息确定反馈信息。
2.如权利要求1所述的方法，所述获取待测试样品的检测信息，包括：
基于随机抽样结果确定、初步检测结果确定及其他检测反馈确定中的至少一种确定目标对象；
在目标时间点获取所述目标对象的检测信息，其中，所述目标时间点包括至少一个时间节点，所述目标对象包括至少一个阴极板。
3.如权利要求2所述的方法，所述获取所述目标对象的检测信息，包括；
基于所述目标对象的初步检测结果确定重点对象；
获取所述重点对象的初步检测图像并发送至远端检测设备，其中，所述初步检测图像满足预设条件；
获取所述远端检测设备返回的调整指令和/或需求指令；
基于所述调整指令和/或需求指令获取所述重点对象的检测信息。
4.如权利要求1所述的方法，所述反馈信息包括温度调整信息、电解液调整信息及异常极板位置中的至少一种。
5.一种基于出槽信息检测的异常处理系统，包括信息获取模块、状态判断模块及异常处理模块；
所述信息获取模块用于获取待测试样品的检测信息，其中，所述待测试样品包括电解生产中生成的金属及电解生产完成得到的金属中的至少一种，所述检测信息包括图像信息、成分信息及温度信息中的至少一种；
所述状态判断模块用于基于所述检测信息确定生产异常信息；
所述异常处理模块用于基于所述生产异常信息确定反馈信息。
6.如权利要求5所述的系统，所述信息获取模块还用于：
基于随机抽样结果确定、初步检测结果确定及其他检测反馈确定中的至少一种确定目标对象；
在目标时间点获取所述目标对象的检测信息，其中，所述目标时间点包括至少一个时间节点，所述目标对象包括至少一个阴极板。
7.如权利要求6所述的系统，所述信息获取模块还用于：
基于所述目标对象的初步检测结果确定重点对象；
获取所述重点对象的初步检测图像并发送至远端检测设备，其中，所述初步检测图像满足预设条件；
获取所述远端检测设备返回的调整指令和/或需求指令；
基于所述调整指令和/或需求指令获取所述重点对象的检测信息。
8.如权利要求5所述的系统，所述反馈信息包括温度调整信息、电解液调整信息及异常极板位置中的至少一种。
9.一种基于出槽信息检测的异常处理装置，包括处理器，所述处理器用于执行权利要求1～4中任一项所述的基于出槽信息检测的异常处理方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4任一项所述的基于出槽信息检测的异常处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210036435.6A CN114318426B (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常处理方法和系统 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210030216.7A CN116463687A (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常监控方法和系统 |
| CN202210036435.6A CN114318426B (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常处理方法和系统 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030216.7A Division CN116463687A (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常监控方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114318426A true CN114318426A (zh) | 2022-04-12 |
| CN114318426B CN114318426B (zh) | 2023-03-24 |
Family
ID=81073886
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210036435.6A Active CN114318426B (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常处理方法和系统 |
| CN202210030216.7A Pending CN116463687A (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常监控方法和系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210030216.7A Pending CN116463687A (zh) | 2022-01-12 | 2022-01-12 | 一种基于出槽信息检测的异常监控方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114318426B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693467A (zh) * | 2022-04-29 | 2022-07-01 | 苏州康索机电有限公司 | 一种压铸件的生产方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
| CN104480491A (zh) * | 2014-12-30 | 2015-04-01 | 合肥金星机电科技发展有限公司 | 电解槽故障极板定位检测装置及方法 |
| CN111321429A (zh) * | 2019-05-13 | 2020-06-23 | 杭州海康威视系统技术有限公司 | 电解槽极板温度检测方法及装置 |
| CN111690955A (zh) * | 2020-05-22 | 2020-09-22 | 江西瑞林装备有限公司 | 电解槽极板短路识别和定位系统及方法 |
| CN113916899A (zh) * | 2021-10-11 | 2022-01-11 | 四川科伦药业股份有限公司 | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 |
-
2022
- 2022-01-12 CN CN202210036435.6A patent/CN114318426B/zh active Active
- 2022-01-12 CN CN202210030216.7A patent/CN116463687A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
| CN104480491A (zh) * | 2014-12-30 | 2015-04-01 | 合肥金星机电科技发展有限公司 | 电解槽故障极板定位检测装置及方法 |
| CN111321429A (zh) * | 2019-05-13 | 2020-06-23 | 杭州海康威视系统技术有限公司 | 电解槽极板温度检测方法及装置 |
| CN111690955A (zh) * | 2020-05-22 | 2020-09-22 | 江西瑞林装备有限公司 | 电解槽极板短路识别和定位系统及方法 |
| CN113916899A (zh) * | 2021-10-11 | 2022-01-11 | 四川科伦药业股份有限公司 | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 任旭: "基于生成模型的铝电解槽状态异常检测", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114693467A (zh) * | 2022-04-29 | 2022-07-01 | 苏州康索机电有限公司 | 一种压铸件的生产方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114318426B (zh) | 2023-03-24 |
| CN116463687A (zh) | 2023-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8594417B2 (en) | Systems and methods for inspecting anodes and smelting management relating to the same | |
| CN111626985A (zh) | 基于图像融合的家禽体温检测方法及禽舍巡检系统 | |
| CN114318426B (zh) | 一种基于出槽信息检测的异常处理方法和系统 | |
| CN114438548B (zh) | 一种电解生产中的添加剂异常监控方法和系统 | |
| KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
| CN114460227B (zh) | 一种电解液异常监控方法和系统 | |
| CN114037552B (zh) | 一种肉鸭生理生长信息巡检方法及系统 | |
| US11521120B2 (en) | Inspection apparatus and machine learning method | |
| CN114638797A (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
| CN113706495A (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 | |
| CN114707970B (zh) | 一种电解生产参数确定方法 | |
| US11682112B2 (en) | Inspection device and machine learning method | |
| CN113706496B (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
| CN113569971B (zh) | 一种基于图像识别的渔获目标分类检测方法及系统 | |
| CN117111660A (zh) | 一种无人值守智能粮仓系统及方法 | |
| González et al. | Real-time monitoring of poultry activity in breeding farms | |
| CN115362950B (zh) | 一种基于物联网平台的智慧养殖管控系统 | |
| CN112235741A (zh) | 一种基于深度学习的巡检机器人车间状态检测系统 | |
| CN108465644B (zh) | 人工智能小麦质检机器人及质检方法 | |
| CN107121063A (zh) | 检测工件的方法 | |
| CN114283367B (zh) | 用于园区火灾预警的人工智能明火探测方法及系统 | |
| CN112215149B (zh) | 基于视觉检测的配件分拣系统及方法 | |
| CN111652084B (zh) | 一种异常蛋鸡识别方法及装置 | |
| CN111389747A (zh) | 一种基于视觉识别的竹条智能分选系统及方法 | |
| CN117475292B (zh) | 一种种蛋自动识别系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |