CN114438548B - 一种电解生产中的添加剂异常监控方法和系统 - Google Patents

Abstract

本说明书实施例提供一种电解生产中的添加剂异常监控方法，该方法包括获取待检测信息，其中，所述待检测信息包括电解液样本、阴极板图像及金属样本中的至少一种；基于对所述待检测信息的处理，判断添加剂是否异常；响应于添加剂异常，确定添加剂的调整方案。可以检测添加剂异常情况并进行实时处理。

Description

一种电解生产中的添加剂异常监控方法和系统

分案说明

本申请是2022年1月12日提交的题为“一种电解生产中的添加剂异常监控方法和系统”的中国专利申请202210030322.5的分案申请。

技术领域

本说明书涉及化工生产技术领域，特别涉及一种电解生产中的添加剂异常监控方法和系统。

背景技术

随着工业技术的发展，在用电解法进行精炼制取的过程中，通常需要使用添加剂，添加剂在电解生产过程中可形成有效的保护，从而为性能发挥提供保障，理想的添加剂满足电流效率高、环保无毒、方便使用等。为了实现电解过程的稳定，所以对生产过程中添加剂的质量及作业环境的要求越来越高。

因此，希望提供一种电解生产中的添加剂异常监控方法，通过处理不同的待检测信息，进而有效地判断添加剂的异常，实时调控添加剂，降低能耗和生产成本，提高电解效率。

发明内容

本说明书实施例之一提供一种电解生产中的添加剂异常监控方法。所述电解生产中的添加剂异常监控方法包括：获取待检测信息，其中，待检测信息包括电解液样本、阴极板图像及金属样本中的至少一种；基于对待检测信息的处理，判断添加剂是否异常。

本说明书实施例之一提供一种电解生产中的添加剂异常监控系统，包括信息获取模块和状态判断模块；信息获取模块获取待检测信息，其中，待检测信息包括电解液样本、阴极板图像及金属样本中的至少一种；状态判断模块用于基于对待检测信息的处理，判断添加剂是否异常。

本说明书实施例之一提供一种电解生产中的添加剂异常监控装置，包括处理器，所述处理器用于执行电解生产中的添加剂异常监控方法，其特征在于，指令被处理器执行时，导致装置实现电解生产中的添加剂异常监控方法对应的操作。

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，计算机执行电解生产中的添加剂异常监控方法。

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电解生产中的添加剂异常监控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的电解生产中的添加剂异常监控的系统模块图；

图3是根据本说明书一些实施例所示的电解生产中的添加剂异常监控方法的示例性流程图；

图4是根据本说明书一些实施例所示的电解生产中的添加剂异常监控方法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电解生产中的添加剂异常监控方法的数据处理及异常判断示意图；

图6是根据本说明书一些实施例所示的电解生产中的添加剂异常监控方法的解决方案的生成示意图。

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电解生产中的添加剂异常监控系统的应用场景示意图。

如图1所示，电解生产中的添加剂异常监控场景100可以包括处理设备110、网络120、终端130、存储设备140以及检测装置150。

处理设备110可以处理从检测装置150、终端130和/或存储设备140获得的数据和/或信息。例如，处理设备110可以对检测装置150检测的数据进行处理，判断添加剂是否异常。在一些实施例中，响应于添加剂异常，处理设备110确定添加剂的调整方案。在一些实施例中，处理设备110可以是单个服务器或服务器组。在一些实施例中，处理设备110可以是本地的或远程的。在一些实施例中，处理设备110可以在云平台上实现。

网络120可以包括能够促进生成电解生产中的添加剂异常监控场景100的信息和/或数据交换的任何合适的网络。在一些实施例中，电解生产中的添加剂异常监控场景100的一个或多个组件(例如，处理设备110、终端130、存储设备140、检测装置150等)可以通过网络120与电解生产中的添加剂异常监控场景100的一个或多个组件之间交换信息和/或数据。例如，处理设备110可以通过网络120从检测装置150中获取目标数据。网络120可以包括公共网络、私人网络其中一种或几种组合。在一些实施例中，网络120可以包括一个或多个网络接入点。

终端130指用户所使用的一个或多个终端设备或软件。在一些实施例中，终端130可以由一个或多个用户进行使用，一个或多个用户可以包括直接使用服务的用户，也可以包括其他相关用户。终端130可以包括移动设备、平板电脑、笔记本电脑、台式电脑等或其任意组合。在一些实施例中，终端130可以通过网络与场景100中的其他组件交互。例如，终端130可以向检测装置150发送一种或多种控制指令以使检测装置150按照指令进行数据采集。终端130还可以展示检测装置150的检测结果。例如，可在台式电脑上展示检测装置的获取的结果。在一些实施例中，终端130可以是处理设备110的一部分。例如，终端130可以设置在处理设备110中。

存储设备140可以存储数据、指令和/或任何其他信息。在一些实施例中，存储设备140可以存储从处理设备110、终端130、检测装置150处获得的数据。在一些实施例中，存储设备140可以存储处理设备110可以执行或使用的数据和/或指令，以执行本说明书中描述的示例性方法。在一些实施例中，存储设备140可包括大容量存储器、可移除存储器等其中一种或几种的组合。

检测装置150可以用于对电解生产中的信息进行检测，以获得电解生产中的检测数据。在一些实施例中，检测装置150可以是各种可以进行数据检测的装置，例如，红外检测装置150-1，图像采集装置150-2，温度检测装置150-3，抽样检测装置150-5，超声波检测装置150-4等。在一些实施例中，检测装置150也可以是检测软件、检测APP、检测后台和检测平台等。关于检测装置150的更多描述可以参见图4及其相关描述，此处不再赘述。

图2是根据本说明书一些实施例所示的电解生产中的添加剂异常监控系统200模块图。

在一些实施例中，电解生产中的添加剂异常监控系统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，信息获取模块210获取待检测信息。其中，待检测信息包括电解液样本、阴极板图像及金属样本中的至少一种。

在一些实施例中，状态判断模块220用于基于对待检测信息的处理，判断添加剂是否异常。在一些实施例中，状态判断模块220对待检测信息的处理包括以下的至少一种：分析电解液样本，确定电解液特征；分析阴极板图像，获得阴极板表面的金属特征；分析金属样本，获得样本特征。在一些实施例中，金属特征包括表面纹路及颜色中的至少一种。

在一些实施例中，电解生产中的添加剂异常监控的系统模块200还可以包括异常处理模块230，用于响应于添加剂异常，确定处理方案。

应当理解，图2所示的系统及其模块可以利用各种方式来实现。

需要注意的是，以上对于系统及其模块的描述，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1中披露的信息获取模块210、状态判断模块220和异常处理模块230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电解生产中的添加剂异常监控方法的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由电解生产中的添加剂异常监控系统200执行。

步骤310，获取待检测信息。在一些实施例中，步骤310可以由信息获取模块210执行。

待检测信息可以为与电解生产相关的信息。例如，电流密度信息、电解液流量信息、极板位置等。在一些实施例中，待检测信息可以包括电解液样本、阴极板图像及金属样本中的至少一种。

电解液样本可以为从电解生产中或电解生产完成的电解液中抽取的至少部分电解液。

阴极板图像可以为电解生产中的或电解生产完成的阴极板的图像。在一些实施例中，阴极板图像可以是二维(2D，two-dimensional)图像或三维(3D，three-dimensional)图像。

金属样本可以为电解生产中的或电解生产完成后获取的至少部分电解生成的金属。在一些实施例中，信息获取模块210可以通过检测装置150从阴极板获取金属样本。

在一些实施例中，信息获取模块210可以从终端130、存储设备140和/或外部数据源获取待检测信息。在一些实施例中，可以预先制定检测计划，信息获取模块210依据检测计划获取待检测信息。检测计划中可以包括如待检测信息的获取频率(即检测频率)、获取方式(即检测方式)等信息。检测计划可以依据历史生产经验制定，也可以采取其他方式制定，例如，先随机生成，再根据实际生成情况修改完善等。

在一些实施例中，信息获取模块210可以通过检测装置150获取待检测信息，关于通过检测装置150获取待检测信息的更多描述参见图4及其相关描述，此处不再赘述。

步骤320，基于对待检测信息的处理，判断添加剂是否异常。在一些实施例中，步骤320可以由状态判断模块220执行。

对待检测信息的处理可以为对从待测试信息中提取信息的过程。在一些实施例中，状态判断模块220可以对电解液样本、阴极板图像及金属样本中的至少一种进行处理。例如，状态判断模块220可以对电解液样本进行温度信息采集、成分信息采集等。

在一些实施例中，状态判断模块220可以通过检测装置150对待检测信息进行处理，关于通过检测装置150对待检测信息进行处理的更多描述参见图4及其相关描述，此处不再赘述。

在一些实施例中，状态判断模块220对待检测信息的处理，包括以下的至少一种：分析电解液样本，确定电解液特征；分析阴极板图像，获得阴极板表面的金属特征；分析金属样本，获得样本特征。关于电解液特征、阴极板表面的金属特征及样本特征的更多描述可以参见图5，此处不再赘述。

添加剂是指添加到电解液中的以优化电解过程和/或提高成品质量的物质。以电解铜为例，在电解液中加入骨胶或明胶，能促使获得结晶细小、表面光滑的铜，有较强的抑制金属鼓包的作用。在一些实施例中，可以采用一种或几种添加剂混合使用。在一些实施例中，可以根据自身电解系统的各项控制工艺参数、电解液特性等各项数据来确定添加剂配比。

在一些实施例中，添加剂可以包括硫脲、骨胶、阿维通。其中，在电解液中添加硫脲可以影响铜沉积的成核过程，有利于出槽铜表面的光滑性，当硫脲添加过多，出槽铜中的硫杂质也会偏多；骨胶可以促使获得结晶细小、表面光滑的铜，阿维通可以与骨胶配合，增加骨胶的作用强度。

添加剂异常可以为电解液中所添加的添加剂不符合电解生产需求。在一些实施例中，添加剂异常可以包括一种或多种异常的组合。例如，添加剂异常可以为添加剂种类异常、各成分比例异常等。在一些实施例中，通过判断添加剂是否异常可以及时对电解液生产进行调整。例如，在判断出是加入硫脲过多时，及时减少硫脲浓度，可以避免出槽铜中的硫杂质过多。

可以通过多种方式实现添加剂异常的判断，在一些实施例中，状态判断模块220可以直接基于处理后的待检测信息如处理后的电解液样本、阴极板图像及金属样本中的至少一种确定添加剂是否异常，关于处理后的待检测信息的进一步说明参见前述对待检测信息的处理的相关说明。

在一些实施例中，状态判断模块220可以基于处理后的电解液样本获取电解液中添加剂的种类和浓度判断添加剂是否异常。例如，状态判断模块220可以基于电解液中添加剂的类型判断是否有漏加硫脲、骨胶或阿维通。又例如，状态判断模块220可以基于电解液中硫脲、骨胶或阿维通的浓度，判断硫脲、骨胶或阿维通添加量是否过多。

在一些实施例中，状态判断模块220可以基于处理后的阴极板图像判断添加剂是否异常。例如，状态判断模块220可以基于处理后的阴极板图像确定阴极板上附着的电解生产的金属品质，再基于电解生产的金属品质判断添加剂是否异常。示例地，金属表面纹路过多或鼓包过多时，状态判断模块220可以判断骨胶添加量较少。

在一些实施例中，状态判断模块220可以基于处理后的金属样本确定目标金属(例如，铜)的纯度，再基于目标金属(例如，铜)判断添加剂是否异常。例如，当铜的纯度低于99％时，状态判断模块220可以判断硫脲添加量过多。

在一些实施例中，状态判断模块220可以将处理后的待检测信息发送至终端130，通过人工基于处理后的待检测信息(例如，电解液特征、阴极板表面的金属特征、样本特征等中的至少一种)判断添加剂是否异常，检验者可以通过终端130反馈判断添加剂是否异常的结果至状态判断模块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处理后的待检测信息(例如，电解液特征、阴极板表面的金属特征、样本特征等中的至少一种)判断添加剂是否异常。在一些实施例中，异常判断模型的输入可以为处理后的待检测信息的至少一部分，异常判断模型的输出可以为添加剂是否异常。

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，训练样本可以为对在过去某个时间点获取的待检测信息进行处理后提取的信息的至少一部分，标签可以为用于表征添加剂是否异常的向量。

在一些实施例中，异常判断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，流程300还可以包括步骤330，响应于添加剂异常，确定处理方案。在一些实施例中，异常处理模块230可以执行步骤330。

处理方案是响应于添加剂异常，对电解生产进行调整的相应方案。在一些实施例中，处理方案可以包括对电解生产所使用的至少一种原料或生产参数进行调整。例如，对电解液、添加剂及极板中的至少一种进行调整，或对电解温度、电解电压等进行调整。

在一些实施例中，可以基于多种方式确定处理方案。在一些实施例中，异常处理模块230可以基于人工确定处理方案。例如，异常处理模块230可以从终端130获取操作人员基于行业经验确定的处理方案。

在一些实施例中，异常处理模块230可以直接基于获取到的待检测信息确定处理方案，例如，基于电解液特征、阴极板表面的金属特征及样本特征等确定处理方案。关于基于电解液特征、阴极板表面的金属特征及样本特征确定处理方案得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，异常处理模块230可以提取待检测信息的特征，与历史待检测信息的特征比对，将最接近的历史待检测信息所对应的处理方案作为当前的处理方案。其中，历史待检测信息可以是在过去的某个时间点获取的待检测信息，特征可以是从待检测信息中获取的与电解液样本、阴极板图像及金属样本中的至少一种相关的信息，例如，特征可以是电解液特征(例如，添加剂含量)、阴极板表面的金属特征(例如，平整度、颜色等)及金属样本特征(例如，金属的纯度等)中的至少一部分。

例如，异常处理模块230可以获取与待检测信息的特征最接近的历史待检测信息所对应的添加剂的调整量作为本次的添加剂的调整量。又例如，异常处理模块230可以获取与待检测信息的特征最接近的历史待检测信息所对应的电解温度调整量作为本次的电解温度调整量。

在一些实施例中，异常处理模块230可以基于相似度算法从多个历史待检测信息选择与待检测信息最接近的历史待检测信息。在一些实施例中，相似度算法可以包括余弦相似度算法、欧氏距离等。

在一些实施例中，通过获取与待检测信息的特征最接近(相似)的历史待检测信息所对应的处理方案，可以快速确定处理方案，提高处理电解生产异常的效率。

在一些实施例中，异常处理模块230可以根据拟合曲线直接基于待检测信息的特征确定处理方案。其中，拟合曲线可以表征待检测信息的特征与处理方案的对应关系。

在一些实施例中，异常处理模块230可以通过多元线性回归方程组基于多个历史待检测信息及其对应的处理方案确定拟合曲线。其中，多元线性回归方程组的自变量可以包括待检测信息的特征的至少一部分，多元线性回归方程组的因变量可以包括处理方案。示例地，多元线性回归方程组的自变量可以电解液特征、阴极板表面的金属特征及样本特征中的至少一部分，多元线性回归方程组的因变量可以为处理方案。

在一些实施例中，异常处理模块230可以将历史待检测信息的特征代入至多元线性回归方程组的自变量，并将其对应的处理方案代入至多元线性回归方程组的因变量，并基于最小二乘法等方式求解多元线性回归方程组，获取多元线性回归方程组的参数，从而获取拟合曲线。再将当前的待检测信息的特征的至少一部分作为自变量带入拟合曲线中，确定对应的因变量的值(例如，添加剂的调整量)。

在一些实施例中，通过拟合曲线，可以实现快速确定有效的处理方案，提高处理电解生产异常的效率。

在一些实施例中，处理方案可以包括本次生产的处理方案和后续生产的处理方案。

本次生产的处理方案可以为针对当前进行的电解生产，确定的电解液成分调整方案、添加剂调整方案、电解温度调整方案、电解电压调整方案中的至少一种。例如，本次生产的调整方案可以包括与当前进行的电解生产的至少一种原料相关的调整信息。如将电解液温度调整至50℃。又例如，添加5ml的硫脲至电解液。

后续生产的处理方案可以为对在未来的至少一个时间点进行的电解生产的反馈信息。在一些实施例中，反馈信息可以包括与电解生产时的电解液成分、添加剂、电解温度、电解电压等中的至少一个相关的信息。例如，电解液成分标准、添加剂标准、电解温度标准、电解电压标准等中的至少一个。

在一些实施例中，通过获取待检测信息，并基于待检测信息判断添加剂是否异常，实现在添加剂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电解生产中的添加剂异常监控方法的数据获取的示意图。在一些实施例中，流程400可以由检测装置150执行。

检测装置150是指用于电解生产过程中从电解系统410中获取待检测信息420并对待检测信息420进行处理的装置。在一些实施例中，电解系统410可以包括电解槽410-1、电解槽410-2、电解槽410-n。

检测装置150可以获取待检测信息420，待检测信息420可以包括电解液样本、阴极板图像及金属样本中的至少一种，关于待检测信息420的更多描述可以参见图3及其相关描述，此处不再赘述。

检测装置150可以包括用于获取电解液样本的装置。通过获取电解液样本可以分析电解液样本，确定电解液特征。

在一些实施例中，获取电解液样本的装置可以包括从电解槽中抽取电解液的装置，如抽样检测装置150-5。作为示例的，抽样检测装置150-5可以是针筒，也可以是泵、动力机和传动设备结合的装置。在一些实施例中，抽样检测装置150-5从电解槽中抽取电解液样本抽取可以是人为进行，也可以是程序设定机械执行。在一些实施例中，抽样检测装置150-5从电解槽中抽取电解液样本可以是简单随机、等距随机、分层随机、整群随机、多阶段随机进行等。

检测装置150可以包括用于获取阴极板图像的装置。通过获取阴极板图像可以分析阴极板图像，获得阴极板表面的金属特征。例如，检测装置150可以包括图像采集装置150-2、红外检测装置150-1、超声波检测装置150-4等用于获取阴极板图像的装置。

在一些实施例中，检测装置150可以基于各种方式获取阴极板图像，例如，图像采集装置150-2可以包括图像传感器(例如，摄像头)，图像传感器可以对阴极板进行拍照，以获得阴极板的图像。红外检测装置150-1可以采集阴极板热辐射的红外线并最终形成红外图像。超声波检测装置150-4可以利用超声束扫描阴极板，通过对反射信号的接收、处理，以获得阴极板的图像。

检测装置150可以包括用于获取的金属样本装置。通过获取金属样本可以分析金属样本，获得样本特征。在一些实施例中，获取的金属样本装置可以包括打洞取样装置150-6，用于对电解生成的金属进行打洞从而获得金属样本的装置。在一些实施例中，打洞取样装置150-6可以为台钻、手提钻、手枪钻等。

在一些实施例中，检测装置150还可以对待检测信息进行处理，获取特征信息430。其中，特征信息430可以包括与待检测信息相关的信息，包括电解液特征、阴极板表面的金属特征及样本特征等。

在一些实施例中，检测装置150可以用于对电解液样本进行处理并获取电解液特征。

在一些实施例中，电解液特征可以包括电解液样本的温度特征、目标元素浓度特征等。

在一些实施例中，温度特征可以有电解液样本整体温度特征、电解液样本的层间温差、电解液样本的端间温差等。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(如低于-10℃)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，因此，需要对温度信息进行监控。

在一些实施例中，检测装置150可以包括用于获取电解液样本整体温度的装置，如温度检测装置150-3、红外检测装置150-1等。温度检测装置150-3是指利用传感器(例如，温度传感器)获取电解液温度的装置。红外检测装置150-1可以采集电解液样本热辐射的红外线以获取电解液样本的整体温度。

在一些实施例中，检测装置150还可以用于获取电解槽中电解液的层间温差等。例如，温度检测装置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，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，检测装置150还可以用于获取电解槽中电解液的端间温差等。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端间温差。例如，温度检测装置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，温度检测装置150-3在进水端和出水端测得的电解液温度之间的差值即为端间温差。

在一些实施例中，电解液特征还可以包括目标元素的浓度，基于目标元素的浓度可以实现电解液特征的判断。在一些实施例中，检测装置150可以用于分析电解液样本的成分，从而获取目标元素的浓度。例如，检测装置150可以采用离子色谱分析仪分析电解液样本的成分，获取目标元素的浓度(例如，硫离子浓度)。

在一些实施例中，检测装置150可以用于对阴极板图像进行分析获取阴极板表面的金属特征。阴极板表面的金属特征可以包括电解生成的金属的表面纹路、颜色。检测装置150可以对阴极板图像进行图像识别，获取电解生成的金属的表面纹路、颜色。

图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象。在一些实施例中，图像识别包括图像预处理、特征提取、特征识别等步骤。图像预处理可以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。特征提取可以是基于方向梯度直方图(HOG)特征、局部二值模式(LBP)特征、Haar-like特征等算法提取图像的颜色特征、纹理特征等。在一些实施例中，检测装置150可以通过CNN模型进行特征识别，其中，CNN模型的输入可以为提取图像的颜色特征、纹理特征等，CNN模型的输出可以为金属的表面纹路、颜色。

在一些实施例中，检测装置150可以分析金属样本获取样本特征。通过获取样本特征可以获得样本中目标杂质的含量。在一些实施例中，样本特征可以为目标杂质的含量，例如氯化物、硫酸盐、重金属、砷盐、铁盐的含量。在一些实施例中，检测装置150可以采用金属成分分析仪分析金属样本获取目标杂质(例如，银等)的含量。

在一些实施例中，检测装置150可以安装在电解系统410上。例如，至少一个电解槽(电解槽410-1、电解槽410-2、电解槽410-n中的一个或多个)上均安装有检测装置150；再例如，在电解槽410-1、电解槽410-3、电解槽410-5上按照等距离奇数安装检测装置150。

在一些实施例中，检测装置150可以移动，移动的方式可以是自行移动也可以是带动移动。，例如，可以在检测装置上安装相应的移动机构(如轮子等)使得其具有移动功能。又如，检测装置150还可以安装在移动装置上，移动装置用于带动检测装置150移动，获取不同位置处的待检测信息并对其进行处理。

在一些实施例中，移动装置可以安装在地面或天花板上，当有检测需求时，检测装置150通过发送指令移动移动装置到对应区域；在一些实施例中，移动装置可以自适应的调节检测装置与检测目标的距离、角度等，获取最佳检测效果。

在一些实施例中，移动装置可以是移动机器人。例如，可以根据需求在电解生产车间设置一个或多个移动机器人，每个移动机器人上均装配有一个检测装置150(如红外检测装置150-1、图像采集装置150-2、温度检测装置150-3、超声波检测装置150-4、抽样检测装置150-5、打洞取样装置150-6等)。在一些实施例中，可以通过不同的检测需求发送指令到机器人(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。

在一些实施例中，移动机器人可以带动检测装置150获取不同位置处的待检测信息并对其进行处理。在一些实施例中，每个样本上有一个或多个定位标识，移动机器人接收到指令后根据样本上的定位标识将检测装置150(如抽样检测装置150-5)移动到待检测的样本进行检测或取样。在一些实施例中，检测装置150可以包括机械臂，移动机器人可以通过检测装置150机械臂的配合调整样本位置便于抽样检测装置150-5取样。

在一些实施例中，检测装置150还可以调整辅助灯光以获取图像，包括根据不同时间段采光情况调整检测的辅助灯光或者根据检测需求调整辅助灯光。例如，早晨或傍晚可能光线不够充足，图像采集装置150-2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。再例如，根据不同检测方式需要的灯光明亮程度不同，图像采集装置150-2可以相应的控制辅助灯光的亮度等级。

在一些实施例中，移动装置还可以为无人机，电解生产中的添加剂异常监控系统200可以向配有检测装置150的无人机发出目标位置信息。目标位置信息是指目标所处的相关位置信息，目标位置信息用于确定检测装置150获取到的待检测信息，例如区域、方向、坐标等(房山区，东部，北纬39.6，东经115.9)。在一些实施例中，电解液异常监控系统接收到无人机处于目标位置时，检测装置150可以获取目标位置的待检测信息。

在一些实施例中，无人机可以利用光流技术实现室内定位，例如，无人机可以通过内置的光流传感器，将像素分布及颜色、亮度等信息转变为数字信号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。无人机的动作与判别的结果有关，无人机的动作可以是前往、返回、原定待命等。例如，判别的结果与抽取目标的特征相同则无人机前往定位，若判别的结果与抽取目标的特征不同则无人机返回等。

在一些实施例中，无人机可以通过超声波传感器控制室内定高，例如，通过超声波传感器来判别相对高度，进而确定检测装置150获取到的待检测信息，例如定位高度为5米。在一些实施例中，无人机还可以通过IMU(惯性测量)检测飞行器的姿态变化并实时进行调整，以确定检测装置150获取到的待检测信息，例如检测飞行器的姿态原定待命姿态，可以实时调整为返回姿态。在一些实施例中，无人机可以通过高效的视觉处理器计算实现精确室内定位悬停和平稳飞行。

在一些实施例中，通过检测装置150，电解生产中的添加剂异常监控系统200可以加快速地获取待检测信息，便于待检测信息判断添加剂和/或电解生产是否异常，提高对电解生产异常检测的效率和质量。

图5是根据本说明书一些实施例所示的基于对待检测信息的处理判断添加剂是否异常的示例性流程图。如图5所示，流程500包括下述步骤。在一些实施例中，流程500可以由状态判断模块220执行。

步骤510，对待检测信息420的处理。在一些实施例中，步骤510可以由状态判断模块220执行。

在一些实施例中，状态判断模块220可以通过检测装置150分析电解液样本、阴极板图像及金属样本中的至少一个，以获取电解液特征、阴极板表面的金属特征及样本特征中的至少一个。

在一些实施例中，状态判断模块220对待检测信息的处理可以包括分析电解液样本，确定电解液特征。电解液特征可以包括电解液的物理特征和/或化学特征等。

在一些实施例中，电解液的物理特征可以包括电解液的温度特征、颜色特征等。其中，电解液的温度特征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，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，电解液的化学特征可以包括电解液成分信息。例如，铜离子或硫酸根离子的浓度等。在一些实施例中，状态判断模块220可以通过检测装置150分析电解液样本，确定电解液特征。

在一些实施例中，电解液的化学特征可以包括电解液化验结果，电解液化验结果可以包括目标元素的浓度，例如，硫离子含量等。

在一些实施例中，状态判断模块220对待检测信息的处理可以包括分析所述阴极板图像，获得阴极板表面的金属特征。其中，金属特征可以为与阴极板表面附着的电解生成的金属相关的特征。在一些实施例中，金属特征可以包括阴极板表面附着的电解生成的金属的物理特征。其中，物理特征可以包括阴极板不同位置处附着的金属的厚度等。

在一些实施例中，电解生成的金属的物理特征还可以包括阴极板表面附着的电解生成的金属的表面纹路及颜色中的至少一种。

在一些实施例中，状态判断模块220对待检测信息的处理可以包括分析所述金属样本，获得样本特征。其中，金属样本可以为从阴极板表面附着的电解生成的金属中提取的部分金属。在一些实施例中，样本特征可以为与电解生成的金属相关的化学特征，例如，电解铜生产中铜的纯度等。

在一些实施例中，样本特征还可以包括目标杂质的含量，例如，银的含量等。

步骤520，基于处理结果判断添加剂是否异常。在一些实施例中，步骤520可以由状态判断模块220执行。

在一些实施例中，状态判断模块220可以基于电解液化验结果、金属特征、目标杂质的含量中至少部分判断添加剂是否异常。

例如，状态判断模块220可以基于电解液样本中添加剂的含量判断添加剂是否异常。示例地，当电解液样本中硫脲、骨胶或阿维通的含量超过分别对应的预设最大含量时，状态判断模块220可以判断硫脲、骨胶或阿维通添加过多。

又例如，状态判断模块220可以基于目标元素的浓度判断添加剂是否异常。示例地，当电解液样本中硫离子含量低于硫离子含量最小阈值时，状态判断模块220可以判断硫脲添加过少。

又例如，状态判断模块220可以基于金属的表面纹路和/或颜色判断添加剂是否异常。示例地，当金属的表面纹路过多时，状态判断模块220可以判断骨胶和/或阿维通添加过少。又示例地，金属的表面有鼓包、针刺状的凸起，状态判断模块220可以判断骨胶添加过多。

又例如，状态判断模块220可以基于目标杂质的含量判断添加剂是否异常。示例地，当目标杂质(例如，银)的含量超过预设杂质阈值时，状态判断模块220可以判断硫脲添加过多。

在一些实施例中，状态判断模块220可以通过人工基于电解液化验结果、金属特征、目标杂质的含量中至少部分判断添加剂是否异常。例如，状态判断模块220可以将电解液化验结果、金属特征、目标杂质的含量中至少部分发送至终端130，操作人员可以通过终端130接收电解液化验结果、金属特征、目标杂质的含量中至少部分，并判断电解液是否异常，将判断电解液是否异常的结果通过终端130反馈至状态判断模块220。

在一些实施例中，状态判断模块220可以通过机器学习模型基于电解液化验结果、金属特征、目标杂质的含量中至少部分判断添加剂是否异常，关于机器学习模型的相关描述可以参见图6机器相关描述，此处不再赘述。

在一些实施例中，状态判断模块220通过分析所述电解液样本，确定电解液特征、分析所述阴极板图像，获得阴极板表面的金属特征和/或分析所述金属样本，获得样本特征，为后续判断添加剂是否异常和/或电解生产是否异常提供了更加有效的数据，减少了后续判断异常过程中需要处理的数据量，提高了判断效率。

在一些实施例中，异常处理模块230可以基于电解液特征、阴极板表面的金属特征及样本特征中的至少一个确定处理方案。例如，异常处理模块230可以通过人工基于电解液特征、阴极板表面的金属特征及样本特征中的至少一个确定处理方案。

在一些实施例中，异常处理模块230可以基于添加剂异常的类型，确定对应的处理方案确定处理方案。

例如，目标元素的浓度异常时，异常处理模块230可以根据目标元素的浓度调整添加剂的量。例如，当电解液样本中硫离子含量低于硫离子含量最小阈值时，异常处理模块230确定的处理方案可以为添加一定量的硫脲至电解液。

又例如，电解液样本中添加剂含量异常时，异常处理模块230可以根据电解液样本中添加剂含量调整添加剂的量。示例地，当电解液样本中硫脲、骨胶或阿维通的含量超过分别对应的预设最大含量时，异常处理模块230确定的处理方案可以为添加一定量的水至电解液中，用于降低电解液中硫脲、骨胶或阿维通的含量。

又例如，金属的表面异常时，异常处理模块230可以根据金属的表面异常情况调整添加剂的量。示例地，当金属的表面纹路过多时，异常处理模块230确定的处理方案可以为添加一定量的骨胶和/或阿维通。

又例如，金属样本中目标杂质异常时，异常处理模块230可以根据目标杂质的异常情况调整添加剂的量。示例地，当目标杂质(例如，硫杂质)的含量超过预设杂质阈值时，异常处理模块230确定的处理方案可以为添加一定量的水至电解液中，用于降低硫脲的含量。

在一些实施例中，通过异常处理模块230对待检测信息的处理，减少了判断电解生产是否异常所需的数据量，提高了判断电解生产是否异常准确度和效率。

图6是根据本说明书一些实施例所示的电解生产中的添加剂异常监控方法的解决方案的生成示意图。在一些实施例中，过程600可以由处理设备110执行。

状态判断模块220可以通过多种方式对待检测信息进行处理，确定添加剂是否异常。与待检测信息相关的信息610至少可以包括电解液化验结果、金属特征、目标杂质的含量。

在一些实施例中，状态判断模块220可以使用训练好的用于识别信息特征的机器学习模型620对待检测信息进行处理，确定添加剂是否异常。

机器学习模型620用于确定添加剂是否异常。在一些实施例中，第一机器学习模型的输入为电解液化验结果、金属特征、目标杂质的含量中的至少部分，输出为添加剂的调整量630。例如，机器学习模型620的输入可以为目标元素的浓度、金属的表面纹路、颜色、目标杂质的含量中的至少一种或任意组合，输出的调整量630可以包括硫脲调整量、骨胶调整量、阿维通调整量中的至少一种或任意组合。

在一些实施例中，机器学习模型620的结构可以是自定义的模型结构。例如，机器学习模型620可以是两个或更多个模型的组合。在一些实施例中，机器学习模型620可以包括训练后的机器学习模型，该机器学习模型可以包括各种模型和结构，例如，机器学习模型620可以包括HMM-DNN、LSTM-CTC、Transformer等。

在一些实施例中，处理设备110可以通过各种方法对机器学习模型620进行训练。

在一些实施例中，基于机器学习模型对电解液化验结果、金属特征的处理，获得添加剂的调整量。在一些实施例中，机器学习模型620的输入可以包括电解液化验结果、金属特征，输出可以包括添加剂的调整量630。

将带有标签的电解液化验结果、金属特征输入到机器学习模型中进行训练，每个电解液化验结果、金属特征片段可以被贴有对应的标签，训练的目的在于确定机器学习模型的参数。在一些实施例中，训练的方法可以包括但不限于交替最小二乘法(alternatingleast square，ALS)、随机梯度下降法(SGD)或者有限记忆BFGS(Broyden,Fletcher,Goldfarb和Shanno)等。附加地，可以使用通过时间后向传播(Back Propagation ThroughTime，BPTT)方法来在迭代过程更新参数。

在一些实施例中，被包括在机器学习模型的参数可以被初始化为例如某些随机值或者固定值。机器学习模型可以包括神经网络层或神经网络单元，例如，RNN层或RNN单元。在一些实现中，RNN单元可以是LSTM单元。

在一些实施例中，机器学习模型620的训练样本包括电解液化验结果、金属特征，标签包括添加剂的调整量。在一些实施例中，为保证训练出的机器学习模型620的添加剂的调整量准确率更高，训练样本应尽可能多的包含更多数据。例如，训练样本可以是指满足特定要求的电解液化验结果、金属特征，特定要求可以是指电解液化验结果硫离子含量偏低、铜的表面纹路不平整或鼓包、铜的颜色异常等。在一些实施例中，电解液化验结果的特征可提取的特征有硫离子浓度、其余组分浓度、温度等；铜的表面纹路可提取的特征为图像特征，例如灰度值、图像结构等；铜的颜色可提取的特征为图像特征，例如RGB值、CMYK值等。特定要求可以与机器学习模型620对应的场景相关，场景可以包括所处的环境。例如，场景可以是生产过程中、出槽后等。

在一些实施例中，基于机器学习模型620对目标杂质的含量的处理，获得添加剂的调整量。在一些实施例中，机器学习模型620的输入可以包括目标杂质的含量，输出可以包括添加剂的调整量630。

将带有标签的目标杂质的含量输入到机器学习模型中进行训练，每个目标杂质的含量片段可以被贴有对应的标签，训练的目的在于确定机器学习模型的参数。训练方法与前述机器学习模型训练方法类似，此处不再赘述。

在一些实施例中，被包括在机器学习模型的参数可以被初始化为例如某些随机值或者固定值。机器学习模型可以包括神经网络层或神经网络单元，例如，RNN层或RNN单元。在一些实现中，RNN单元可以是LSTM单元。

在一些实施例中，机器学习模型620的训练样本包括目标杂质的含量，标签包括添加剂的调整量。

在一些实施例中，可以根据机器学习模型620输出的添加剂的调整量630来调整检测计划，例如调整检测计划中的检测频率或检测方式等。如可以预先设定不同添加剂的调整量对应的检测频率，如调整量越大，检测频率越高，再根据机器学习模型输出的添加剂的调整量确定对应的检测频率并更新检测计划。关于检测计划的更多说明参见图3步骤310的相关内容。

在一些实施例中，还可以结合机器学习模型基于不同信息的处理获得的添加剂的调整量之间的差异来确定检测计划的更新。例如，机器学习模型基于对电解液化验结果、金属特征的处理，可以获得添加剂的第一调整量；机器学习模型基于对目标杂质的含量的处理，可以获得添加剂的第二调整量。可以通过比较第一调整量与第二调整量之间的差异度与预设阈值的关系确定是否更新检测计划，如，若差异度大于预设阈值，则更新检测计划。

在一些实施例中，还可以设定若差异度大于预设阈值时，更新后的检测计划的检测频率，如检测频率增加到某预设值或预设范围等。第一调整量与第二调整量之间的差异度可以通过多种方式获取，例如通过方差计算等。

通过获取到的添加剂的调整量确定及更新检测计划，可以保证检测计划与实际生产情况之间的适应性，同时，进一步结合不同的检测信息获取的调整量之间的差异来确定更新检测计划，可以提升更新后的检测计划的准确性。

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 (6)

1.一种电解生产中的添加剂异常监控方法，包括：

获取待检测信息，其中，所述待检测信息包括电解液样本、阴极板图像及金属样本；

基于对所述待检测信息的处理，判断添加剂是否异常；

其中，对所述待检测信息的处理，包括：

分析所述电解液样本，获得电解液化验结果，其中，所述电解液化验结果包括目标元素的浓度；

分析所述阴极板图像，获得阴极板表面的金属特征，其中，

所述金属特征包括金属的表面纹路、颜色；

分析所述金属样本，获得样本中目标杂质的含量；

响应于所述添加剂异常，确定所述添加剂的调整方案；

其中，所述确定所述添加剂的调整方案包括：

基于机器学习模型对所述电解液化验结果、所述金属特征的处理，获得所述添加剂的第一调整量；

基于所述机器学习模型对所述目标杂质的含量的处理，获得所述添加剂的第二调整量；

基于所述第一调整量与所述第二调整量的差异，确定及更新检测计划；所述检测计划包括获取所述待检测信息的检测频率或检测方式。

2.如权利要求1所述的方法，所述添加剂包括硫脲、骨胶、阿维通。

3.一种电解生产中的添加剂异常监控系统，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检测信息，其中，所述待检测信息包括电解液样本、阴极板图像及金属样本；

所述状态判断模块用于基于对所述待检测信息的处理，判断添加剂是否异常；

其中，对所述待检测信息的处理，包括：

分析所述电解液样本，获得电解液化验结果，其中，所述电解液化验结果包括目标元素的浓度；

分析所述阴极板图像，获得阴极板表面的金属特征，其中，

所述金属特征包括金属的表面纹路、颜色；

分析所述金属样本，获得样本中目标杂质的含量；

所述异常处理模块用于响应于所述添加剂异常，确定所述添加剂的调整方案；

其中，所述确定所述添加剂的调整方案包括：

基于机器学习模型对所述电解液化验结果、所述金属特征的处理，获得所述添加剂的第一调整量；

基于所述机器学习模型对所述目标杂质的含量的处理，获得所述添加剂的第二调整量；

基于所述第一调整量与所述第二调整量的差异，确定及更新检测计划；所述检测计划包括获取所述待检测信息的检测频率或检测方式。

4.如权利要求3所述的系统，所述添加剂包括硫脲、骨胶、阿维通。

5.一种电解生产中的添加剂异常监控装置，包括处理器，所述处理器用于执行权利要求1～2中任一项所述的电解生产中的添加剂异常监控方法。

6.一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1～2任一项所述的电解生产中的添加剂异常监控方法。

Images