CN114460227B - 一种电解液异常监控方法和系统 - Google Patents
一种电解液异常监控方法和系统 Download PDFInfo
- Publication number
- CN114460227B CN114460227B CN202210034622.0A CN202210034622A CN114460227B CN 114460227 B CN114460227 B CN 114460227B CN 202210034622 A CN202210034622 A CN 202210034622A CN 114460227 B CN114460227 B CN 114460227B
- Authority
- CN
- China
- Prior art keywords
- electrolyte
- information
- state
- value
- adjustment value
- 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 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 206010014418 Electrolyte imbalance Diseases 0.000 title claims abstract description 18
- 239000003792 electrolyte Substances 0.000 claims abstract description 516
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 239000012535 impurity Substances 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 103
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 48
- 230000003911 electrolyte status Effects 0.000 claims description 43
- 229910052751 metal Inorganic materials 0.000 claims description 39
- 239000002184 metal Substances 0.000 claims description 39
- 230000001105 regulatory effect Effects 0.000 claims description 23
- 238000012417 linear regression Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 19
- 238000000746 purification Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000005868 electrolysis reaction Methods 0.000 claims description 10
- 239000008213 purified water Substances 0.000 claims description 7
- 229910052787 antimony Inorganic materials 0.000 claims description 6
- WATWJIUSRGPENY-UHFFFAOYSA-N antimony atom Chemical compound [Sb] WATWJIUSRGPENY-UHFFFAOYSA-N 0.000 claims description 6
- 229910052797 bismuth Inorganic materials 0.000 claims description 6
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 229910052785 arsenic Inorganic materials 0.000 claims description 4
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims 1
- 238000011269 treatment regimen Methods 0.000 abstract description 10
- 239000010410 layer Substances 0.000 description 33
- 238000012549 training Methods 0.000 description 20
- 239000000203 mixture Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 14
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 13
- 238000005070 sampling Methods 0.000 description 13
- 229910052802 copper Inorganic materials 0.000 description 11
- 239000010949 copper Substances 0.000 description 11
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 150000002500 ions Chemical class 0.000 description 8
- 239000000126 substance Substances 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 7
- 239000000243 solution Substances 0.000 description 7
- JPVYNHNXODAKFH-UHFFFAOYSA-N Cu2+ Chemical compound [Cu+2] JPVYNHNXODAKFH-UHFFFAOYSA-N 0.000 description 6
- 229910001431 copper ion Inorganic materials 0.000 description 6
- 239000011229 interlayer Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000002344 surface layer Substances 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- -1 hydrogen ions Chemical class 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 229910021645 metal ion Inorganic materials 0.000 description 3
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 229910001220 stainless steel Inorganic materials 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000002639 bone cement Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910000365 copper sulfate Inorganic materials 0.000 description 1
- ARUVKPQLZAKDPS-UHFFFAOYSA-L copper(II) sulfate Chemical compound [Cu+2].[O-][S+2]([O-])([O-])[O-] ARUVKPQLZAKDPS-UHFFFAOYSA-L 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003085 diluting agent Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrolytic Production Of Metals (AREA)
- Fuel Cell (AREA)
Abstract
本说明书实施例提供一种电解液异常监控方法,该方法包括:获取电解液状态信息,其中,电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个;基于电解液状态信息判断电解液状态是否异常;响应于电解液状态异常,确定处理方案。
Description
分案说明
本申请是针对申请日为2022年01月12日、申请号为202210030282.4、发明名称为“一种电解液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,特别涉及一种电解液异常监控方法和系统。
背景技术
在电解生产的过程中,若电解液出现异常情况,会导致电解生产质量降低和生产效率降低及能耗增加。电解液状态大多采用人工方式进行检查和处理,使得异常情况很难得到快速、高效地解决,从而降低了电解生产的效率和质量。
因此,希望提供一种电解液异常监控方法和系统,对电解液状态信息进行监控,及时方便地发现电解液异常状态并进行处理。
发明内容
本说明书实施例之一提供一种电解液异常监控方法。所述电解液异常监控方法包括:
在一些实施例中,所述电解液异常监控方法,包括:获取电解液状态信息,其中,
所述电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个;基于所述电解液状态信息判断电解液状态是否异常;响应于所述电解液状态异常,确定处理方案。
本说明书实施例之一提供一种电解液异常监控系统。
在一些实施例中,所述电解液异常监控系统,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电解液状态信息,其中,所述电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个;所述状态判断模块用于基于所述电解液状态信息判断电解液状态是否异常;所述异常处理模块用于响应于所述电解液状态异常,确定处理方案。
本说明书实施例之一提供一种电解液异常监控装置,包括处理器,所述处理器用于执行电解液异常监控方法。
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,计算机执行电解液异常监控方法。
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液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液异常监控系统的示例性模块图;
图3是根据本说明书一些实施例所示的电解液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液异常监控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基于预设正常范围判断电解液状态是否异常的示例性流程图;
图6是根据本说明书一些实施例所示的确定处理方案的示例图;
图7是根据本说明书一些实施例所示的第二机器学习模型700的结构示意图。
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液异常监控系统的应用场景100示意图。
在一些实施例中,电解液异常监控系统可以通过实施本说明书中披露的方法和/或过程确定电解液状态是否异常。
如图1所示,本说明书实施例所涉及的应用场景100可以包括处理设备110、网络120、终端130、存储设备140及检测装置150。
处理设备110可以用于处理来自应用场景100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。处理设备110可以通过网络120从终端130、储设备140和/或检测装置150访问数据和/或信息。处理设备110可以直接连接终端130和/或存储设备140以访问信息和/或数据。例如,处理设备110可以从终端130和/或存储设备140获取电解液状态信息。处理设备110可以对获取的数据和/或信息进行处理。例如,处理设备110可以基于电解液状态信息判断电解液状态是否异常。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。处理设备110可以是本地的、远程的。处理设备110可以在云平台上实现。
网络120可以包括提供能够促进应用场景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,应用场景100的一个或多个组件(例如,处理设备110、终端130、存储设备140以及检测装置150)之间可以通过网络120交换信息和/或数据。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。
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可以是移动设备、平板计算机等或其任意组合。在一些实施例中,终端130可以通过网络120与应用场景100中的其他组件交互。例如,终端130可以向处理设备110发送一个或多个控制指令以控制处理设备110基于电解液状态信息判断电解液状态是否异常。还例如,终端130可以从处理设备110获取电解液状态是否异常的结果。在一些实施例中,终端130可以是处理设备110的一部分。在一些实施例中,终端130可以与处理设备110整合为一体,作为电解液状态信息的输入端。
存储设备140可以用于存储数据、指令和/或任何其他信息。在一些实施例中,存储设备140可以存储从例如处理设备110、终端130等获得的数据和/或信息。例如,存储设备140可以存储预先电解液状态信息。又例如,存储设备140可以存储训练好的机器学习模型。在一些实施例中,存储设备140可包括大容量存储器、可移除存储器等或其任意组合。
检测装置150可以用于获取电解液状态信息。在一些实施例中,检测装置150可以经由网络120将电解液状态信息发送给服务器110,以供服务器110根据电解液状态信息做出进一步的处理。在一些实施例中,检测装置150可以包括红外检测装置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。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。
应当注意应用场景100仅仅是为了说明的目的而提供的,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,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说明书的范围。
图2是根据本说明书一些实施例所示的电解液异常监控系统200的示例性模块图。如图2所示,电解液异常监控系统200可以包括信息获取模块210、状态判断模块220。在一些实施例中,电解液异常监控系统200还可以包括异常处理模块230。在一些实施例中,电解液异常监控系统200的一个或多个模块可以由服务器110执行。
信息获取模块210可以用于获取电解液状态信息。在一些实施例中,电解液状态信息可以包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个。关于电解液状态信息的更多描述可以参见图3、图4及其相关描述,此处不再赘述。
状态判断模块220可以用于基于所述电解液状态信息判断电解液状态是否异常。在一些实施例中,状态判断模块220可以基于预设正常范围判断电解液状态是否异常。关于预设正常范围、判断电解液状态是否异常的更多描述可以参见图3、图5及其相关描述,此处不再赘述。
异常处理模块230可以用于响应于所述电解液状态异常,确定处理方案。在一些实施例中,处理方案可以包括电解液循环量调节值及电解液净水量调节值中的至少一个。在一些实施例中,异常处理模块230可以通过第二机器学习模型基于电解液状态信息的至少一部分确定所述电解液循环量调节值及所述电解液净水量调节值中的至少一个。关于处理方案、电解液循环量调节值、电解液净水量调节及机器学习模型的更多描述可以参见图3、图6及其相关描述,此处不再赘述。
需要注意的是,以上对于电解液异常监控系统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液异常监控方法300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可以由电解液异常监控系统200执行。
电解是指当电流通过时,在阳极与溶液界面处发生氧化反应,在阴极与溶液界面处发生还原反应,以制取所需产品的过程。
电解槽指发生电解反应的槽体。电解槽可以包括阳极板,例如,粗铜(含铜99%)预先制成的厚板,电解槽还可以包括阴极板,例如,不锈钢板、纯铜制成的薄片。
步骤310,获取电解液状态信息。在一些实施例中,该步骤310可以由信息获取模块210执行。
电解液状态信息是指电解液的相关信息。在一些实施例中,电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个。在一些实施例中,电解液状态信息还可以包括电解液颜色、电解液导电率等信息。
电解液温度信息是指与电解液温度相关的信息。在一些实施例中,电解液温度信息包括层间温差、端间温差及整体温度。
在一些实施例中,层间温差为电解槽中不同液面高度的电解液各层间的温度差。例如,按照电解液的液面高度分为上中下三层,最上层为表面层,中间为中间层,最下层为底部层,对应的,电解液温差信息可以包括电解液表面层、中间层和底部层中任意两层之间的温度差。
在一些实施例中,端间温差为电解槽中不同位置的温差,例如,电解槽两端的温差、电解槽中部与电解槽端部的温差等。
在一些实施例中,整体温度可以表征电解液的平均温度。在一些实施例中,整体温度可以为基于电解液不同位置的温度得到的温度均值。
电解液流量是指电解液在电解槽中的流动循环量,电解液流量保持在合理的范围可以使电解槽中各位置的电解液的成分和温度均衡。在一些实施例中,电解液流量可以影响电解液表面层和底部层的温差,例如电解液流量过小,可能导致电解液表面层和底部层的温差过大。
电流密度是电荷流动的密度,即每单位截面面积电流量。在一些是实施例中,电流密度与电解液流量和电解液温差信息相关。例如,随着电流密度增加,电解液流量增加,进而电解液的流动循环加快,电解槽内的电解液温度相应降低。
电解液成分是指电解液的化学组成成分,例如,在以硫酸和硫酸铜的混合液作为电解液时,电解液成分可以包括硫酸根离子含量、铜离子含量等。
电解液杂质是指电解液中含有的不利于电解生产的杂质成分。
以电解铜为例,电解液杂质可能包含锑、铋砷等,例如,随着电解精炼的进行,阳极中的杂质元素不断在电解液中富集,当杂质富集到一定浓度时,就可能和铜一起在阴极上沉积,如锑、铋等,严重影响电铜质量;有时使电解液污浊,如砷等,使硫酸量减少,溶液的电阻增大,导致电能的不必要损失。
极板是指作为阳极和/或阴极的板状物质。极板包括阳极板,例如,粗铜(含铜99%)预先制成的厚板,和阴极板,例如,不锈钢板、纯铜制成的薄片。
阴极板表面情况是与阴极板上附着的电解生产的金属品质有关的信息。例如,阴极板上附着的电解生产的金属的平整度、完整度、纹路和厚薄均匀程度、颜色等。
在一些实施例中,金属的平整度与电解生成的金属的表面是否有鼓包、针刺状凸起相关,金属的表面鼓包、针刺状凸起越多,平整度越低;完整度与电解生产的金属是否完整覆盖阴极板有关,阴极板上未覆盖金属的面积越大,完整度越低;纹路是指阴极板上附着的电解生产的金属纹路的数量及深度;厚薄均匀程度用于表征阴极板不同位置处上附着的电解生产的金属的厚度是否一致,阴极板不同位置处附着的电解生产的金属的厚度之间的差值越大,厚薄均匀程度越低;颜色是指阴极板上附着的电解生产的金属的颜色。
在一些实施例中,电解液中杂质含量越高,阴极板上附着的电解生产的金属表面的金属平整度、完整度、纹路和厚薄均匀程度越差。
在一些实施例中,电解液状态信息可以由检测装置150获取。关于获取电解液状态信息的更多内容可以参见图4。
步骤320,基于电解液状态信息判断电解液状态是否异常。步骤320可以由状态判断模块220完成。
电解液状态异常是指电解液的状态信息超出了电解液状态的正常范围。在一些实施例中,电解液状态异常可能会导致电解生产异常,例如,电解质量降低、电解能耗升高等。
在一些实施例中,电解液状态异常可以包括电解液温度信息异常、电解液流量信息异常、电流密度信息异常、电解液成分异常、电解液杂质异常及阴极板表面情况异常等情况。
在一些实施例中,电解液温度信息异常是指电解液的温度超过了电解液温度的正常范围,例如,电解液温度过低或电解液温度过高。电解液温度过低会导致阴极板附近产生结晶,电解液温度过高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。在一些实施例中,电解液温度信息异常可以为电解液的层间温度异常、电解液的端间温度异常和/或电解液的整体温度异常。
在一些实施例中,电解液流量信息异常是指电解液在电解槽中的流动循环量超过了流动循环量正常范围,例如,可能是电解液流量过小、电解液流量过大等。由于电解液流量过小会使得阴极板的离子扩散速度较慢,导致少量杂质离子或者氢离子与目标金属离子一起在阴极上析出,电解液流量过大会使得阴极板上析出目标金属的表面不平整,从而两种情况均会影响生成目标金属的质量和效率。
在一些实施例中,电流密度信息异常是指阴极板或阳极板上的电流密度超过了电流密度正常范围,例如,可能是电流密度过小或过大等。电流密度过小,会使得电解液流量过小,从而导致阴极板的离子扩散速度较慢,电流密度过大会使得电解液流量过大,影响生成目标金属的质量和效率。
在一些实施例中,电解液成分异常是指电解液中目标成分的浓度超过了浓度正常范围,例如,可能是某离子的浓度过高或过低等。目标成分的浓度(例如,铜离子)会直接电解液的黏度和电导率,从而影响生成目标金属的质量和效率。
在一些实施例中,电解液杂质异常是指电解液中杂质的含量超过了杂质含量正常范围,例如,锑、铋等超过了含量正常范围。解液中杂质的含量过高时,会导致易形成漂浮阳极泥粘附在阴极板上,影响生成目标金属的质量和效率。
在一些实施例中,阴极板表面情况异常是指阴极板上附着的电解生产的金属品质异常。例如,阴极板上附着的电解生产的金属表面平整度、完整度、纹路和厚薄均匀程度、颜色等中的至少一个异常。例如,金属表面平整度小于预设平整度阈值、完整度小于预设完整度阈值、纹路数量超过预设数量阈值、纹路深度超过预设深度阈值、纹路和厚薄均匀程度低于预设厚薄均匀程度、颜色不为预设颜色等中的至少一个。
在一些实施例中,状态判断模块220可以通过多种方式实现基于电解液状态信息判断电解液状态是否异常。
在一些实施例中,状态判断模块220可以基于电解液状态信息与专家数据库信息的比对判断电解液状态是否异常,例如,将电解液状态信息与专家数据库中的历史数据或标准规范进行比对,判断电解液状态是否异常。专家数据库可以基于历史数据和/或调取现有的标准规范等信息建立。
在一些实施例中,状态判断模块220还可以通过第一机器学习模型来判断电解液状态信息是否异常。例如,基于第一机器学习模型对信息获取模块210采集的电解液状态信息的处理,确定电解液状态信息是否异常。
在一些实施例中,第一机器学习模型的输入可以是电解液状态信息,例如,电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的一种或多种的组合,第一机器学习模型的输出为电解液状态信息是否异常的判断,例如,正常或异常。在一些实施例中,第一机器学习模型可以是K近邻算法(KNN)模型。
在一些实施例中,可以基于大量带有标识的训练样本训练第一机器学习模型。具体的,将带有标识的训练样本输入第一机器学习模型,通过训练更新第一机器学习模型的参数。在一些实施例中,训练样本可以包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分信息、电解液杂质信息及阴极板表面情况信息。
在一些实施例中,标识可以是训练样本对应的电解液状态信息正常或异常。在一些实施例中,标识的获取方式可以是与和预设的正常范围阈值或专家数据库信息的比对判断得到。在一些实施例中,可以基于训练样本,通过各种方法进行训练。例如,可以基于梯度下降法进行训练。
在一些实施例中,可以通过预设正常范围判断电解液状态是否异常。预设正常范围是指用于表征正常电解时与电解液相关的各指标的范围,例如,电解液异常监控系统可以获取预设的正常范围,若电解液状态信息不符合所述预设正常范围则电解液状态异常。关于预设正常范围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,电解液异常监控系统可以确定电解液异常处理方案。
电解液异常处理方案是指使电解液的状态恢复到正常范围的措施。在一些实施例中,电解液异常处理方案包括:改变电解液的循环量、更换电解槽内的电解液、增加电解液循环过程中的净化量等一种或多种措施。例如,通过蒸汽加大换热量、改变流量泵流量、增加离子成分或稀释液等措施。
在一些实施例中,对于不同类型的电解液状态异常,状态判断模块220可以确定对应的处理方案。
在一些实施例中,当电解液温度信息异常,状态判断模块220确定的对应的处理方案可以为调整电解液的流速、调整电流密度、更换部分电解液等中的至少一种,以调整电解液的温度。
在一些实施例中,状态判断模块220可以根据电解液温度信息异常的程度确定对应的处理方案。例如,当电解液温度信息异常为轻度时,状态判断模块220确定的对应的处理方案可以为调整电解液的流速和/或调整电流密度。又例如,当电解液温度信息异常为中度时,状态判断模块220确定的对应的处理方案可以为更换部分电解液。又例如,当电解液温度信息异常为重度时,状态判断模块220确定的对应的处理方案可以为更换全部电解液。
在一些实施例中,状态判断模块220可以基于行业经验,历史数据等信息,建立专家数据库的方式来确定电解液温度信息异常的程度。
在一些实施例中,当电解液流量信息异常时,状态判断模块220确定的对应的处理方案可以为调整电流密度等中的至少一种,示例地,当电解液流量过小时,增大电流密度以增大电解液流量。
在一些实施例中,当电流密度信息异常时,状态判断模块220确定的对应的处理方案可以为调整电解槽电压、调整电解液中硫酸浓度、调整金属离子浓度等中的至少一种。示例地,电流密度过低时,升高电解槽的电压从而升高电流密度。又示例地,电流密度过高时,减少电解液中的硫酸浓度或升高电解液中金属离子浓度,以减小电流密度。
在一些实施例中,当电解液成分异常时,状态判断模块220确定的对应的处理方案可以为添加对应的溶液。示例地,当电解液中铜离子浓度过高时,可以添加一定量的水至电解液中,以降低铜离子浓度。
在一些实施例中,当电解液杂质异常时,状态判断模块220确定的对应的处理方案可以为净化至少一部分的电解液。在一些实施例中,状态判断模块220可以根据电解液杂质异常的程度确定需要净化的电解液的比例。例如,电解液杂质异常的程度越严重,则对应的净化比例越高。在一些实施例中,状态判断模块220可以基于行业经验,历史数据等信息,建立专家数据库的方式来确定电解液杂质异常的程度。
在一些实施例中,当阴极板表面情况异常时,状态判断模块220确定的处理方案可以为调整添加剂的添加量。示例地,当电解生成的金属的表面有纹路时,需要增大骨胶的添加量。
在一些实施例中,通过评估电解液状态异常的程度,可以快速采取更适合当前电解液状态的处理方案,以实现快速将电解液调整至正常状态。
在一些实施例中,确定电解液异常处理方案包括确定电解液循环量调节值及电解液净水量调节值中的至少一个。
电解液循环量调节值是指系统确定的将电解液状态调节至正常状态所需改变的电解液循环量的变化值。例如,当电解液异常监控系统检测到电解液温差超过阈值时,异常状态处理模块可以提高电解液循环量调节值,从而加强电解液在电解槽内的循环,降低电解液的温差。
电解液净水量调节值是指系统确定的将电解液状态调节至正常状态所需改变的电解液净水量的变化值。例如,当电解液异常监控系统检测到电解液中杂质含量过高时,异常状态处理模块可以提高电解液净水量的变化值,从而降低电解液杂质的浓度。
在一些实施例中,确定电解液异常处理方案包括确定调节电解液相关参数。在一些实施例中,调节电解液相关参数包括电解液循环量调节值和电解液净水量调节值。在一些实施例中,异常处理模块230可以通过生产历史调节记录确定电解液循环量调节值和电解液净水量调节值。
在一些实施例中,确定电解液异常处理方案包括基于电解液各层/端间温差、阴极板表面实时状态值、杂质含量比例值,确定相应的电解液循环量调节值和净水量调节值。
在一些实施例中,确定循环量调节值和净水量调节值可由多种方式实现,例如人工基于经验获取、基于预设的预测表自动获取、基于一个多元线性回归拟合获取等。
在一些实施例中,异常处理模块230可以通过多元线性回归拟合确定电解液循环量调节值和/或电解液净水量调节值。例如,基于最小二乘法拟合出至少部分电解液状态信息与电解液循环量调节值和/或电解液净水量调节值之间的关系,然后根据至少部分电解液状态信息计算出电解液循环量调节值和/或电解液净水量调节值。关于多元线性回归拟合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可以通过第二机器学习模型确定电解液循环量调节值和/或电解液净水量调节值。例如,采用LSTM的机器学习模型,模型输入为各层/端间温差、阴极板表面实时状态值、杂质含量比例值,模型的输出为循环量调节值和净水量调节值。关于第二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,通过获取电解液状态信息,判断电解液状态是否异常,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电解液异常监控系统的数据获取的示意图。
通过检测装置150获取电解液状态信息420。
电解液异常监控系统可以通过检测装置150获取电解系统410中的电解液状态信息420。
在一些实施例中,电解系统410中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。
在一些实施例中,电解液状态信息420可以包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质和阴极板表面情况等信息。
检测装置150是用于检测电解液的相关数据(例如,检测信息)的装置。
在一些实施例中,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。在一些实施例中,检测装置150可以包括红外检测装置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等装置。可以基于需要获取的不同的电解液状态信息420选用具备对应数据获取功能的检测装置150,在一些实施例中,可以基于一种检测装置150获取到一种或多种电解液状态信息420。
在一些实施例中,红外检测装置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,红外检测装置150-1还可以通过红外热成像的图像分析阴极板表面品质。
在一些实施例中,红外检测装置150-1还可以用于获取待测试样品的位置信息。例如,红外检测装置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,最后根据该像素点得到相应的极板位置。
在一些实施例中,图像采集装置150-2(如,摄像头、图像传感器等)可以用于采集电解液和/或极板的图像信息。例如,图像采集装置150-2可以采集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,检测装置150可以完成包括图像采集、图像预处理、特征提取、图像识别等步骤。
在一些实施例中,图像采集装置150-2可以采取红外热成像的方式采集图像。在一些实施例中,图像采集装置150-2可以将采集到的红外图像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温度值。
在一些实施例中,可以在电解槽正上方设置图像采集装置150-2(例如,摄像头),实时采集阴极板表面外形信息的图像。在一些实施例中,检测装置150可以基于获取的图像,通过第三机器学习模型进行图像识别,确定阴极板表面的均匀度值。
在一些实施例中,用于图像识别的第三机器学习模型可以是CNN模型。在一些实施例中,用于图像识别的第三机器学习模型的输入为摄像装置获取的阴极板表面图像,用于图像识别的第三机器学习模型的输出为阴极板表面的具体均匀度值。
在一些实施例中,可以基于大量带有标识的训练样本训练第三机器学习模型。例如,将带有标识的训练样本输入第三机器学习模型,通过训练更新第三机器学习模型的参数。在一些实施例中,训练样本可以是通过激光、红外、超声波、太赫兹等设备采集的数据中的一种或多种组合。在一些实施例中,标识可以是阴极板表面的具体均匀度值。在一些实施例中,标识的获取方式可以是对阴极板表面厚度测量得到的极板真实厚度数据。在一些实施例中,可以基于训练样本,通过各种方法进行训练。例如,可以基于梯度下降法进行训练。
在一些实施例中,通过第三机器学习模型进行图像识别可以降低检测成本,提高检测实用性。在一些实施例中,通过第三机器学习模型进行图像识别可以解决激光、太赫兹这些方式在液体酸碱环境下检测的局限性。
在一些实施例中,温度检测装置150-3(如,温度传感器等)可以用于采集电解液的温度信息。电解液的温度信息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。电解液中间层和底部层的温度可以通过设置于相应位置的一个或多个温度采集装置150-3(如,接触式电阻温度计)测量得到。
在一些实施例中,电解液的温度信息还可以包括电解液进水端和出水端的电解液温度,其中,进水端和出水端端测得的电解液温度之间的差值即为电解液端间温差。在一些实施例中,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,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,例如,安装在电解液中的温度传感器,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,用于获取极板温度。
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)可以采集阴极板的表面的品质信息(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,抽样检测装置150-5可以对电解液或极板进行随机抽样,分析待测试样品的化学成分。例如,抽样检测装置150-5可以采用离子色谱分析仪对电解液进行随机取样并分析电解液的成分信息,又如,抽样检测装置150-5可以采用金属成分分析仪对极板样本进行随机抽样,对阴极板进行打洞取样,并对样品进行化学成分分析;又例如,抽样检测中装置150-5可以对阴极板表面的鼓包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,检测装置150还可以包括其他用于获取电解液状态信息420的组件,例如,检测装置150还可以包括电磁流量计,用于获取电解液流量信息。
在一些实施例中,检测装置150还可以包括定位组件,定位组件可以用于定位故障极板。在一些实施例中,定位组件可以对红外检测装置150-1采集的红外热图像进行处理,确定温度异常的像素点,最后根据温度异常的像素点确定相应的故障极板位置。
在一些实施例中,检测装置150还可以包括激光测厚仪,用于测量极板厚度。例如,可以通过激光测厚仪测量阴极板不同位置的厚度。
在一些实施例中,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、电流密度信息等。在一些实施例中,检测装置150还可以包括流量采集件(例如,流速仪),用于获取电解液流量信息。
本说明书一些实施例所示的多种检测方式可以依次进行。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)通过多种方式获得更准确的结果,也可以以其中的部分方式进行初步检测,根据检测结果确定进一步检测的目标和方式。例如,检测装置150可以先对电解液成分进行初步检测,若检测到电解液杂质含量偏高,检测装置150可以进一步对极板进行抽样检测确定极板质量是否异常。
在一些实施例中,可以通过移动装置移动待测试样品完成检测。移动装置是指可以用于移动待测试样品至检测区域的装置。在一些实施例中,移动装置可以是传送装置、平移装置等。
在一些实施例中,待测试样品可以被移动装置移动到检测区域后被检测装置150检测。例如,出槽极板通过机械臂(或滑车)放置在横移装置上,极板移动到检测装置位置时进行相应检测。在一些实施例中,机械臂(或滑车)可将待检测或完成检测的样品放置于对应的位置,例如,将合格和不合格的极板分别移动到不同的传送通道,又如,将需要进行化学成分分析的极板放置到相应检测区域。
在一些实施例中,可以通过移动装置移动检测装置150以完成检测。例如,检测装置150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,获取不同位置处的电解槽的电解液状态信息420。
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通过发送的指令移动检测装置到对应检测区域;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。在一些实施例中,可以基于不同的检测需求发送相应指令到机器人,以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,也可以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移动进行随机抽取阴极板进行打洞取样。在一些实施例中,每个阴极板上有一个或多个定位标识,移动机器人接收到指令后根据阴极板上的定位标识将抽样检测装置150-5移动到抽取的阴极板位置后进行取样。在一些实施例中,可以通过检测装置150与机械臂的配合调整极板位置便于抽样检测装置150-5取样。
在一些实施例中,移动机器人可以带动检测装置150移动进行随机抽样进行化学分析。例如,移动机器人可以将抽样检测装置150-5移动到重点监测区域,对极板或电解液进行化学分析。
在一些实施例中,移动装置可以提高检测装置检测的灵活性,降低人工移动检测装置的负担。
在一些实施例中,移动装置可以为无人机。电解液异常监控系统可以向配有检测装置的无人机发出目标位置信息,并接收无人机返回的检测装置的位置信息。
在一些实施例中,电解液异常监控系统接收到检测装置处于目标位置时,基于检测装置可以获取目标位置的电解液状态信息。
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传送给图像处理系统或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。
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,无人机可以通过超声波传感器来判别相对高度。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。在一些实施例中,无人机可以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,检测装置150可以通过机械臂、滑车等调整极板位置。例如,可以采用机械臂、滑车移动极板、调整极板位置等便于检测,同时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,检测装置150上还可以设有辅助灯光,同时,检测装置150可以调整辅助灯光。例如,检测装置150可以根据不同时间段采光情况调整检测的辅助灯光,如,在早晨或傍晚是电解生产车间可能光线不够充足,检测装置150可以根据电解生产车间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。又如,检测装置150可以根据检测需求调整辅助灯光,如,检测装置150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。
在一些实施例中,无人机可以大大提高检测装置检测的灵活性,提升检测装置覆盖的作业范围。在一些实施例中,调整辅助灯光可以提高检测装置采集图像的质量,提高检测的准确性。
图5是根据本说明书一些实施例所示的基于预设正常范围判断电解液状态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,获取预设正常范围。
预设正常范围用于表征正常电解时与电解液相关的各指标的范围。在一些实施例中,在一些实施例中,预设正常范围可以包括与电解液相关的指标的范围,例如,电解液流速等。在一些实施例中,预设正常范围还可以包括与极板相关的指标的范围,例如,极板温度等。
在一些实施例中,预设正常范围可以包括与电解液温度信息相关的指标范围,例如,整体温度范围、层间温差范围及端间温差范围等。关于电解液温度信息的更多描述可以参见图3、图4及其相关描述。
整体温度范围可以表征电解液正常时电解液的温度所处的范围,例如,55°~62°。层间温差范围可以表征电解液正常时电解液的表层的温度和电解液的底层温度的差值所处的范围,例如,-2°~2°。端间温差范围可以表征电解液正常时时位于电解槽两端的电解液的温度的差值所处的范围,例如,-1°~1°。
在一些实施例中,预设正常范围还可以包括电解液流量范围,电解液流量范围可以表征电解液正常时电解液流量所处的范围,示例地,6L/h~6.2L/h。关于电解液流量的更多描述可以参见图3、图4及其相关描述。
在一些实施例中,预设正常范围还可以包括电流密度范围,电流密度范围可以表征电解液正常时电流密度所处的范围。例如,电流密度范围可以为2A/㎡~4A/㎡。
在一些实施例中,预设正常范围还可以包括与电解液成分相关的指标范围,例如,各离子的含量范围,如铜离子含量范围、硫酸根离子含量范围、铝离子含量范围、三价铬含量范围、氯离子含量范围等。关于电解液成分、电解液杂质的更多描述可以参见图3、图4及其相关描述。
各离子含量范围可以表征电解液正常时时,电解液中该离子含量的范围,例如,铜离子含量范围为0mg/L~30mg/L、硫酸根离子含量范围0mg/L~50mg/L、铝离子含量范围为0mg/L~25mg/L、三价铬含量范围为0mg/L~10mg/L、氯离子含量范围为0mg/L~200mg/L。
在一些实施例中,预设正常范围还可以包括电解液杂质含量范围。例如,锑的杂质含量范围为0ppm~1ppm。又例如,铋的杂质含量范围为0ppm~5ppm。
在一些实施例中,预设正常范围还可以包括与阴极板上附着的电解生产的金属品质相关的指标范围。例如,金属表面平整度范围、完整度范围、纹路范围和厚薄均匀程度范围、目标颜色。
金属表面平整度范围可以表征金属的表面鼓包和/或针刺状凸起的数量,例如,0~10个;完整度范围可以表征电解液正常时阴极板附着有电解生产的金属的面积范围占阴极板表面积的比例,例如,95%~100%;纹路范围可以表征电解液正常时纹路的条数范围(例如,0~5条)及深度范围(0~1mm);厚薄均匀程度范围可以表征电解液正常时阴极板上附着的电解生产的金属最大厚度和最小厚度的差值范围,例如,0~5mm;目标颜色可以为电解液正常时电解生产的金属的颜色。
在一些实施例中,与阴极板上附着的电解生产的金属品质相关的指标范围还可以包括阴极板上电解生成的金属中铜的纯度范围等。铜的纯度范围可以表征电解液正常时时阴极板上电解生成的金属中铜的纯度的范围,例如,99.95%~99.9935%。在一些实施例中,预设正常范围还可以包括其他指标范围,例如,电解液水分含量范围等,示例地,10ppm~20ppm。
在一些实施例中,状态判断模块220可以基于多个历史正常电解液状态信息确定预设正常范围,其中,历史电解液状态信息可以为在过去的某个时间点获取的电解正常时的电解液状态信息。
在一些实施例中,状态判断模块220可以基于各指标在多个历史正常电解液状态信息中的最大值和最小值确定对应的预设正常范围。例如,对于整体温度范围,在时间点1-10获取的电解液状态信息中,电解液温度分别为55℃、57℃、58℃、60℃、56℃、59℃、62℃、61℃、55℃、56℃,则对应整体温度范围的最大值为62℃,最小值为55℃,则可以确定整体温度范围为55°~62°。
在一些实施例中,状态判断模块220可以基于行业经验,历史数据等信息,建立专家数据库的方式来获取预设正常范围。
在一些实施例中,状态判断模块220还可以通过其他方式获取预设正常范围,例如,状态判断模块220还可以从终端130、存储设备140或外部数据源获取预设正常范围。
步骤510,基于预设正常范围判断电解液状态是否异常。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可以基于电解液状态信息是否符合预设正常范围判断电解液状态是否异常。例如,当电解液状态信息不符合预设正常范围中的至少一个时,状态判断模块220可以判断电解液状态异常。
在一些实施例中,状态判断模块220可以基于电解液温度信息判断电解液状态是否异常。例如,当电解液整体温度大于整体温度范围的最大值或小于整体温度范围的最小值时,电解液状态异常。
在一些实施例中,状态判断模块220可以基于电解液流量信息判断电解液状态是否异常。例如,当电解液流量小于电解液流量范围的最小值时,电解液状态异常。
在一些实施例中,状态判断模块220可以基于电流密度信息判断电解液状态是否异常。例如,当电流密度小于电流密度范围的最小值时,电解液状态异常。
在一些实施例中,状态判断模块220可以基于电解液成分判断电解液状态是否异常。例如,当电解液中至少一种成分大于对应的含量范围的最大值或小于对应的含量范围的最小值时,电解液状态异常。
在一些实施例中,状态判断模块220可以基于电解液杂质判断电解液状态是否异常。例如,当电解液中至少一种杂质的含量大于对应的含量范围的最大值或小于对应的含量范围的最小值时,电解液状态异常。
在一些实施例中,状态判断模块220可以基于阴极板表面情况判断电解液状态是否异常。例如,状态判断模块220可以基于金属表面平整度、完整度、纹路和厚薄均匀程度、颜色中的至少一个判断电解液状态是否异常,如,不同位置处的阴极板表面的金属厚度的差值大于厚薄均匀程度范围的最大值时,电解液状态异常。
在一些实施例中,通过设置预设正常范围,可以提高基于电解液状态信息判断电解液状态是否异常的效率及准确率。
图6是根据本说明书一些实施例所示的确定处理方案的示例图。
在一些实施例中,异常处理模块230可以通过至少一个历史异常电解液状态信息根据电解液状态信息的至少部分610计算出电解液循环量调节值631和/或电解液净水量调节值632,其中,历史异常电解液状态信息可以为在过去的某个电解液状态异常的时间点获取的电解液状态信息,历史电解液循环量调节值和/或历史电解液净水量调节值可以基于该历史异常电解液状态信息的至少一部分确定。
在一些实施例中,异常处理模块230可以从终端130、存储设备140或外部数据源获取历史异常电解液状态信息的至少一部分及其对应的历史电解液循环量调节值和/或历史电解液净水量调节值。
在一些实施例中,异常处理模块230可以通过多元线性回归拟合621,获取电解液循环量调节值631及电解液净水量调节值632中的至少一个与电解液状态信息的至少一部分610之间的对应关系;通过对应关系,基于电解液状态信息的至少一部分610确定电解液循环量调节值631及电解液净水量调节值632中的至少一个,通过第二机器学习模型622基于电解液状态信息的至少一部分610,确定电解液循环量调节值631及电解液净水量调节值632中的至少一个。
在一些实施例中,异常处理模块230可以基于多元线性回归方程组建立电解液状态信息的至少一部分610和电解液循环量调节值631和/或电解液净水量调节值632之间的对应关系,其中,多元线性回归方程组的自变量可以包括电解液状态信息的至少一部分610,多元线性回归方程组的因变量可以包括电解液循环量调节值631和/或电解液净水量调节值632。
示例地,多元线性回归方程组的自变量可以为电解液温度信息、电解液流量信息及电流密度信息,多元线性回归方程组的因变量可以为电解液循环量调节值631。又示例地,多元线性回归方程组的自变量可以为电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况,多元线性回归方程组的因变量可以为电解液循环量调节值631和电解液净水量调节值632。
在一些实施例中,异常处理模块230可以将历史异常电解液状态信息的至少一部分代入至多元线性回归方程组的自变量,并将其对应的历史电解液循环量调节值和/或历史电解液净水量调节值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,从而获取电解液状态信息的至少一部分610和电解液循环量调节值631和/或电解液净水量调节值632之间的对应关系。
在一些实施例中,通过多元线性回归拟合电解液状态信息的至少一部分610和电解液循环量调节值631和/或电解液净水量调节值632之间的对应关系,使得基于电解液状态信息的至少一部分610确定的电解液循环量调节值631和/或电解液净水量调节值632更加准确。
在一些实施例中,异常处理模块230可以基于第二机器学习模型622,获取历史电解液循环量调节值和/或历史电解液净水量调节值与处理方案之间的对应关系。其中,第二机器学习模型622的输入可以为电解液状态信息的至少一部分610,第二机器学习模型622的输出可以为电解液循环量调节值631和/或电解液净水量调节值632。
在一些实施例中,异常处理模块230可以通过多个带标签的训练样本对初始第二机器学习模型622进行训练,其中,一个训练样本对应一个历史异常电解液状态信息,训练样本可以包括该历史异常电解液状态信息的至少一部分,训练样本的标签可以包括该历史异常电解液状态信息对应的历史电解液循环量调节值和/或历史电解液净水量调节值。
在一些实施例中,异常处理模块230可以通过常见的方式(例如,梯度下降等)对初始第二机器学习模型622进行多次训练,直至训练后的初始第二机器学习模型622满足预设条件,将该训练后的初始第二机器学习模型作为用于预测电解液循环量调节值和/或电解液净水量调节值的第二机器学习模型622。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,第二机器学习模型622还可以由处理设备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中直接调用第二机器学习模型622。
在一些实施例中,第二机器学习模型622可以是RNN(Recurrent Neural Network)模型、LSTM(Long Short-Term Memory,LSTM)模型等。
关于第二机器学习模型622的结构的更多描述可以参见图7及其相关描述,此处不再赘述。
在一些实施例中,通过第二机器学习模型622可以使得基于电解液状态信息的至少一部分610确定的电解液循环量调节值631和/或电解液净水量调节值632更加准确。
在一些实施例中,异常处理模块230确定的电解液循环量调节值631和/或电解液净水量调节值632可以是通过多元线性回归拟合621及第二机器学习模型622分别确定的调节值进行融合后得到的融合值。
在一些实施例中,异常处理模块230可以根据多元线性回归拟合621确定电解液循环量调节值(即,第一电解液循环量调节值)和/或电解液净水量调节值(即,第一电解液净水量调节值),同时,还可以通过第二机器学习模型622基于当前的电解液状态信息的至少一部分确定电解液循环量调节值(即,第二电解液循环量调节值)和/或电解液净水量调节值(即,第二电解液净水量调节值),然后,异常处理模块230可以对第一电解液净水量调节值和第二电解液净水量调节值进行融合处理,以确定最终的电解液净水量调节值632,同理,对第一电解液循环量调节值和第二电解液循环量调节值进行融合处理,以确定最终的电解液循环量调节值631。
在一些实施例中,融合处理可以是采用如加权求和等方式实现。例如,分别给第一电解液循环量调节值、第二电解液循环量调节值,以及第一电解液净水量调节值、第二电解液净水量调节值分别赋予相应的权重值,再分别对第一电解液循环量调节值、第二电解液循环量调节值进行加权求和得到第三电解液循环量调节值,以及对第一电解液净水量调节值、第二电解液净水量调节值进行加权求和得到第三电解液净水量调节值。并将第三电解液循环量调节值与第三电解液净水量调节值作为最终的调节值。其中,权重值可以基于多种方式确定,如预先设置、结合置信度大小设置等。
在一些实施例,将多元线性回归拟合621与第二机器学习模型622融合基于电解液状态信息的至少一部分610确定电解液循环量调节值631和/或电解液净水量调节值632,可以进一步提高获取的电解液循环量调节值631和/或电解液净水量调节值632的准确度。
图7是根据本说明书一些实施例所示的第二机器学习模型700的结构示意图。
在一些实施例中,第二机器学习模型700可以包括特征提取层710及方案确定层720。
在一些实施例中,特征提取层710可以用于处理电解液状态信息的至少一部分,获取状态特征711,状态特征711可以用于表征与电解液状态相关的信息。
在一些实施例中,输入至特征提取层710的电解液状态信息的至少一部分可以为电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况中的至少一个。
状态特征711可以为一维向量或n维向量。例如,输入至特征提取层710为电解液流量信息,特征提取层710输出的状态特征711可以为用于表征电解液流量的一维向量。又例如,输入至特征提取层710为电解液温度信息、电解液流量信息及电流密度信息,特征提取层710输出的状态特征711可以为5维向量,其中,5维向量中的5个数值可以分别用于表征电解液整体温度、层间温差、端间温差、电解液流量和电流密度。
在一些实施例中,特征提取层710可以包括ResNet、ResNeXt、SE-Net、DenseNet、MobileNet、ShuffleNet、RegNet、EfficientNet或Inception等卷积神经网络(Convolutional Neural Networks,CNN),或循环神经网络。
在一些实施例中,方案确定层720可以用于基于状态特征711确定电解液循环量调节值和/或电解液净水量调节值。
在一些实施例中,第二机器学习模型700通过特征提取层710可以快速基于电解液状态信息的至少一部分提取状态特征711,再通过方案确定层720基于状态特征711确定电解液循环量调节值和/或电解液净水量调节值,使得确定的电解液循环量调节值和/或电解液净水量调节值更加准确,提高了在电解液状态异常时将电解液调整至正常状态的效率。
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)
1.一种电解液异常监控方法,包括:
获取电解液状态信息,其中,所述电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况,所述电解液杂质包括锑、铋、砷中至少一种,所述阴极板表面情况包括阴极板上附着的电解生产的金属的平整度、完整度、纹路和厚薄均匀程度、颜色;
基于所述电解液状态信息判断电解液状态是否异常;
响应于所述电解液状态异常,确定处理方案;所述处理方案包括电解液循环量调节值及电解液净水量调节值;其中,
所述电解液循环量调节值基于第一电解液循环量调节值和第二电解液循环量调节值加权求和确定,所述电解液净水量调节值基于第一电解液净水量调节值和第二电解液净水量调节值加权求和确定;
所述第一电解液循环量调节值及所述第一电解液净水量调节值的确定包括:
通过多元线性回归拟合获取所述第一电解液循环量调节值及所述第一电解液净水量调节值与所述电解液状态信息之间的对应关系;
通过所述对应关系,基于所述电解液状态信息确定所述第一电解液循环量调节值及所述第一电解液净水量调节值;
所述第二电解液循环量调节值及所述第二电解液净水量调节值的确定包括:
通过第二机器学习模型对所述电解液状态信息的处理,输出所述第二电解液循环量调节值及所述第二电解液净水量调节值;
所述第二机器学习模型包括特征提取层及方案确定层;所述特征提取层用于处理所述电解液状态信息,获取状态特征,所述状态特征用于表征与电解液状态相关的信息;所述方案确定层用于基于所述状态特征确定第二电解液循环量调节值和第二电解液净水量调节值。
2.如权利要求1所述的方法,所述获取电解液状态信息,包括:
向配有检测装置的无人机发出目标位置信息;
接收到无人机在目标位置时,所述检测装置获取所述电解液状态信息。
3.一种电解液异常监控系统,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电解液状态信息,其中,所述电解液状态信息包括电解液温度信息、电解液流量信息、电流密度信息、电解液成分、电解液杂质及阴极板表面情况,所述电解液杂质包括锑、铋、砷中至少一种,所述阴极板表面情况包括阴极板上附着的电解生产的金属的平整度、完整度、纹路和厚薄均匀程度、颜色;
所述状态判断模块用于基于所述电解液状态信息判断电解液状态是否异常;
所述异常处理模块用于响应于所述电解液状态异常,确定处理方案,所述处理方案包括电解液循环量调节值及电解液净水量调节值,其中,所述电解液循环量调节值基于第一电解液循环量调节值和第二电解液循环量调节值加权求和确定,所述电解液净水量调节值基于第一电解液净水量调节值和第二电解液净水量调节值加权求和确定;所述第一电解液循环量调节值及所述第一电解液净水量调节值的确定包括:
通过多元线性回归拟合获取所述第一电解液循环量调节值及所述第一电解液净水量调节值与所述电解液状态信息之间的对应关系;
通过所述对应关系基于所述电解液状态信息确定所述第一电解液循环量调节值及所述第一电解液净水量调节值;
所述第二电解液循环量调节值及所述第二电解液净水量调节值的确定包括:通过第二机器学习模型对所述电解液状态信息的处理,输出所述第二电解液循环量调节值及所述第二电解液净水量调节值;
所述第二机器学习模型包括特征提取层及方案确定层;所述特征提取层用于处理所述电解液状态信息,获取状态特征,所述状态特征用于表征与电解液状态相关的信息;所述方案确定层用于基于所述状态特征确定第二电解液循环量调节值和第二电解液净水量调节值。
4.如权利要求3所述的系统,所述信息获取模块还用于:
向配有检测装置的无人机发出目标位置信息;
接收到无人机在目标位置时,所述检测装置获取所述电解液状态信息。
5.一种电解液异常监控装置,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液异常监控方法。
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任一项所述的电解液异常监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034622.0A CN114460227B (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210034622.0A CN114460227B (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
CN202210030282.4A CN116466023A (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030282.4A Division CN116466023A (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114460227A CN114460227A (zh) | 2022-05-10 |
CN114460227B true CN114460227B (zh) | 2023-10-31 |
Family
ID=81448193
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030282.4A Pending CN116466023A (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
CN202210034622.0A Active CN114460227B (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030282.4A Pending CN116466023A (zh) | 2022-01-12 | 2022-01-12 | 一种电解液异常监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116466023A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116093458B (zh) * | 2023-03-07 | 2023-06-20 | 苏州聚云新能源科技有限公司 | 多电池组的数据处理方法与系统 |
CN116976148B (zh) * | 2023-09-22 | 2023-12-08 | 常州润来科技有限公司 | 一种铜电解过程离子含量变化的监测方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4324621A (en) * | 1979-12-26 | 1982-04-13 | Cominco Ltd. | Method and apparatus for controlling the quality of electrolytes |
JPH03130385A (ja) * | 1989-10-16 | 1991-06-04 | Permelec Electrode Ltd | 電気化学反応における電圧監視方法及び装置 |
US5951842A (en) * | 1997-02-03 | 1999-09-14 | Eastman Kodak Company | Process for monitoring the electrolyte circulation in an electrolysis cell |
JP2004280411A (ja) * | 2003-03-14 | 2004-10-07 | Morinaga Milk Ind Co Ltd | 遠隔監視システムおよびアフターサービス提供方法 |
CN103842561A (zh) * | 2011-09-28 | 2014-06-04 | 日立金属株式会社 | 镍电镀液中的稀土杂质的除去方法 |
CN104975328A (zh) * | 2015-06-19 | 2015-10-14 | 杭州三耐环保科技股份有限公司 | 一种柔性电解装置 |
CN107037843A (zh) * | 2017-04-05 | 2017-08-11 | 合肥酷睿网络科技有限公司 | 一种基于arm处理器的工厂车间空气环境管控系统 |
CN109063606A (zh) * | 2018-07-16 | 2018-12-21 | 中国地质科学院矿产资源研究所 | 矿化蚀变遥感信息提取方法及装置 |
JP2019044221A (ja) * | 2017-08-31 | 2019-03-22 | 国立大学法人九州大学 | 銅電解精製の操業方法 |
CN109628954A (zh) * | 2018-12-29 | 2019-04-16 | 江西新金叶实业有限公司 | 一种低品位阳极板生产阴极铜的工艺 |
CN110219018A (zh) * | 2019-05-28 | 2019-09-10 | 西北矿冶研究院 | 一种工业化实施磁化铜电解的装置及方法 |
CN110414688A (zh) * | 2019-07-29 | 2019-11-05 | 卓尔智联(武汉)研究院有限公司 | 信息分析方法、装置、服务器及存储介质 |
CN212025476U (zh) * | 2019-12-06 | 2020-11-27 | 龙岩市天宏计算机技术有限公司 | 一种氰化亚金钾电解生产控制系统 |
CN113362275A (zh) * | 2021-04-13 | 2021-09-07 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种电解槽故障极板识别方法 |
CN113403645A (zh) * | 2021-06-23 | 2021-09-17 | 阳光电源股份有限公司 | 一种电解槽工作状态的确定方法、装置及控制器 |
CN113668018A (zh) * | 2021-07-27 | 2021-11-19 | 三门三友科技股份有限公司 | 一种电解铜杂质在线检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1540046A4 (en) * | 2002-07-19 | 2007-04-04 | Technic | PROCESS AND DEVICE AT REAL TIME MONITORING OF TECHNICAL ELECTROLYTES |
WO2006133562A1 (en) * | 2005-06-16 | 2006-12-21 | Recherche 2000 Inc. | Method and system for electrolyzer diagnosis based on curve fitting analysis and efficiency optimization |
US7797137B2 (en) * | 2006-02-03 | 2010-09-14 | Recherche 2000 Inc. | Adaptive method and system of monitoring signals for detecting anomalies |
US8152987B2 (en) * | 2010-04-02 | 2012-04-10 | Recherche 2000 Inc. | Method for ensuring and monitoring electrolyzer safety and performances |
-
2022
- 2022-01-12 CN CN202210030282.4A patent/CN116466023A/zh active Pending
- 2022-01-12 CN CN202210034622.0A patent/CN114460227B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4324621A (en) * | 1979-12-26 | 1982-04-13 | Cominco Ltd. | Method and apparatus for controlling the quality of electrolytes |
JPH03130385A (ja) * | 1989-10-16 | 1991-06-04 | Permelec Electrode Ltd | 電気化学反応における電圧監視方法及び装置 |
US5951842A (en) * | 1997-02-03 | 1999-09-14 | Eastman Kodak Company | Process for monitoring the electrolyte circulation in an electrolysis cell |
JP2004280411A (ja) * | 2003-03-14 | 2004-10-07 | Morinaga Milk Ind Co Ltd | 遠隔監視システムおよびアフターサービス提供方法 |
CN103842561A (zh) * | 2011-09-28 | 2014-06-04 | 日立金属株式会社 | 镍电镀液中的稀土杂质的除去方法 |
CN104975328A (zh) * | 2015-06-19 | 2015-10-14 | 杭州三耐环保科技股份有限公司 | 一种柔性电解装置 |
CN107037843A (zh) * | 2017-04-05 | 2017-08-11 | 合肥酷睿网络科技有限公司 | 一种基于arm处理器的工厂车间空气环境管控系统 |
JP2019044221A (ja) * | 2017-08-31 | 2019-03-22 | 国立大学法人九州大学 | 銅電解精製の操業方法 |
CN109063606A (zh) * | 2018-07-16 | 2018-12-21 | 中国地质科学院矿产资源研究所 | 矿化蚀变遥感信息提取方法及装置 |
CN109628954A (zh) * | 2018-12-29 | 2019-04-16 | 江西新金叶实业有限公司 | 一种低品位阳极板生产阴极铜的工艺 |
CN110219018A (zh) * | 2019-05-28 | 2019-09-10 | 西北矿冶研究院 | 一种工业化实施磁化铜电解的装置及方法 |
CN110414688A (zh) * | 2019-07-29 | 2019-11-05 | 卓尔智联(武汉)研究院有限公司 | 信息分析方法、装置、服务器及存储介质 |
CN212025476U (zh) * | 2019-12-06 | 2020-11-27 | 龙岩市天宏计算机技术有限公司 | 一种氰化亚金钾电解生产控制系统 |
CN113362275A (zh) * | 2021-04-13 | 2021-09-07 | 武汉船用电力推进装置研究所(中国船舶重工集团公司第七一二研究所) | 一种电解槽故障极板识别方法 |
CN113403645A (zh) * | 2021-06-23 | 2021-09-17 | 阳光电源股份有限公司 | 一种电解槽工作状态的确定方法、装置及控制器 |
CN113668018A (zh) * | 2021-07-27 | 2021-11-19 | 三门三友科技股份有限公司 | 一种电解铜杂质在线检测方法 |
Non-Patent Citations (1)
Title |
---|
吴良刚.基于事例的模糊专家系统研究.《中国优秀博硕士学位论文全文数据库 (博士)社会科学Ⅰ辑》.2004,(第undefined期),第J145-49页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116466023A (zh) | 2023-07-21 |
CN114460227A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114460227B (zh) | 一种电解液异常监控方法和系统 | |
CN111815572B (zh) | 一种基于卷积神经网络对锂电池焊接质量的检测方法 | |
CN106442908B (zh) | 基于红色斑马鱼应激行为的水质异常检测与分级报警方法 | |
CN112766103A (zh) | 一种机房巡检方法及装置 | |
CN108876822A (zh) | 一种行为危险度评估方法及家庭安防看护系统 | |
CN111753712A (zh) | 电力生产人员安全监测方法、系统以及设备 | |
CN114438548B (zh) | 一种电解生产中的添加剂异常监控方法和系统 | |
WO2023029117A1 (zh) | 一种利用图像识别技术分析矾花特征的方法及装置 | |
CN116307246A (zh) | 一种基于lstm-cnn和icbam长短期特征提取的铝电解槽温预测方法 | |
CN113361686A (zh) | 一种多层异构多模态卷积神经网络集成式机器人巡检方法 | |
CN117274864A (zh) | 基于异常识别的工业物联网及控制方法 | |
CN113780246B (zh) | 无人机三维航迹监测方法、系统以及三维监测装置 | |
CN114318426B (zh) | 一种基于出槽信息检测的异常处理方法和系统 | |
CN117600701A (zh) | 一种用于搅拌摩擦焊过程在线监测系统及控制方法 | |
CN113706496A (zh) | 一种基于深度学习模型的飞行器结构裂纹检测方法 | |
CN108805779A (zh) | 基于水下机器人的海洋环境实时监测系统 | |
Manolescu et al. | Net carbon consumption in aluminum electrolysis: impact of anode properties and reduction cell-operation variables | |
CN217359628U (zh) | 一种锂电池极片尺寸检测装置 | |
CN115908843A (zh) | 过热度识别模型训练方法、识别方法、设备及存储介质 | |
CN115931895A (zh) | 一种输电线路缺陷的校验方法和装置 | |
CN114283367A (zh) | 用于园区火灾预警的人工智能明火探测方法及系统 | |
CN115843733A (zh) | 一种基于机器视觉的河蟹养殖电子食台装置及工作方法 | |
CN115311539A (zh) | 架空输电线路缺陷识别方法、装置、设备及存储介质 | |
CN115314609A (zh) | 一种铝电解槽火眼视频的自动化采集方法和装置 | |
AU2013236967A1 (en) | System and method for monitoring and controlling irrigation delivery in leaching piles |
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 |