CN114897091B - 一种高端电池智能工厂端级数据融合方法 - Google Patents

Abstract

本发明公开了一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。所述方法利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。

Description

一种高端电池智能工厂端级数据融合方法

技术领域

本发明涉及一种高端电池智能工厂端级数据融合方法，属于智能电池生产技术领域。

背景技术

随着科技的发展，人类越来越重视绿色能源的使用，作为当前主要绿色能源之一的动力电池得到了越来越多的关注。

高端电池的生产涉及到多个工艺环节，各个环节之间存在不同程度的影响，工艺间的耦合关系致使所生产的电池状态难以准确得到。在实际工艺环节，涂布、叠片、化成等工艺环节包含多种工艺参数，每一个工艺参数对于生产电池的电压，容量，电流等参数都存在不同程度的影响。为了整合多个传感器，尽可能地利用传感器检测结果，优化电池生产结果，利用融合集员算法搭建工厂架构。

在电池生产工厂中，为了尽可能地获取准确的电池参数，各个工艺环节都部署着大量的传感器，可以对电池生产过程进行实时数据检测。利用传感器测量的多种不同数据，对生产电池的相关参数进行状态估计，具有实际生产意义。但是在传统的状态估计方法在进行状态估计时，会假定噪声和扰动是已知或满足一定概率分布的变量，在此基础上进行状态估计，然而实际系统的运行环境比较复杂，扰动和噪声并非是已知或满足一定概率分布的变量，而是很难用特定的统计特性描述。因此现有方法很难得到较为准确的状态估计结果。

发明内容

为了得到可靠准确的电池状态的估计值，本发明提供了一种高端电池智能工厂端级数据融合方法，利用高端电池生产车间采集端的大量分布式传感器，并根据分布式传感器实时测量的生产工艺数据进行电池状态估计，并对所有的检测数据进行融合，得到最终估计结果，同时考虑到实际生产过程中的未知有界干扰噪声，选择集员滤波算法进行数据融合，得到可靠准确的电池状态的估计值。

一种高端电池智能工厂端级数据融合方法，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，所述方法包括：

步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；

步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；

步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′_k)；其中0表示椭球中心点，R′_k表示椭球的外包矩阵；

步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；

步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合E_SET＝(E₁,E₂,…E_i)，i为电池生产车间分布式传感器数量；E_i表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；

步骤6：进行数据融合，将椭球集合E_SET＝(E₁,E₂,…E_i)融合为一个最终的状态估计椭球集E_F。

可选的，所述步骤2建立电池生产系统的非线性系统模型为：

其中，函数f(x_k)为非线性系统模型的状态函数，函数h(x_k)为非线性系统模型的测量函数；w_k为预测过程噪声，v_k为测量过程噪声；x_k表示k时刻的系统状态，即电池k时刻的实际电压值，y_k表示k时刻的系统输出，即电池k时刻的测量电压值。

可选的，所述步骤3包括：

将非线性系统模型的状态函数线性化展开为：

其中，表示对电池k时刻的实际电压的估计值；/>表示泰勒展开的一阶项微分系数；μ′_k为原噪声w_k和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络即为R′_k：

其中，R_k是预测过程噪声w_k的包络矩阵，/>是线性化高阶余子式的包络矩阵；

最终得到线性化系统模型的状态函数为：

x_k+1＝A_kx_k+E(0,R′_k) (4)

其中，A_k为线性化系统模型的状态矩阵。

可选的，所述步骤4包括：

利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集

其中，k时刻椭球状态集为初始时刻状态椭球集根据初始电压理论数值设置；

表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′_k表示误差包裹椭球的包络矩阵；P_k+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；A_k表示线性化系统模型的k时刻的状态矩阵；P_k,k表示k时刻椭球的包络矩阵；Rⁿ表示维度矩阵，跟随包络矩阵的维度设置。

可选的，所述步骤5包括：

通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集其中：

其中， δ_k＝D^TW_kD，/>

k时刻椭球状态集为：

k+1时刻椭球状态集为：

p_m和r_m分别为矩阵和R′_k+1的最大奇异值；

通过i个分布式传感器更新得到i次修正后的椭球集合E_SET＝(E₁,E₂,…E_i)。

可选的，所述步骤6包括：

对于多个椭球构成的椭球集合E_SET＝(E₁,E₂,…E_i)进行融合，得到最终的状态估计椭球集：

k+1时刻的椭球集合E_SET＝(E₁,E₂,…E_i)的i个状态估计椭球分别为：

E_n＝E(a_n,Q_n),n＝1,2,…i

利用Minkowski和求解的i个椭球和E_s为：

包含E_F的最小外包椭球为E_min＝E(a_min,Q_min)，其中：

融合更新状态估计，得到一个数据融合后的状态估计椭球集E_F，得到更为准确的状态估计结果。

本发明有益效果是：

通过集员数据融合算法，利用电池工厂的大量端级分布式传感器检测数据，实现数据融合下的工厂架构。利于分布式传感器的检测数据，多次更新预测的电池的状态椭球集，同时考虑了实际生产当中的外界未知有界噪声的干扰，实现准确有效的状态估计，对电池生产过程具有指导意义。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一个实施例中公开的高端电池智能工厂端级数据融合方法的流程图。

图2是本发明一个实施例中针对高端电池生产车间端级的架构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一：

本实施例提供一种高端电池智能工厂端级数据融合方法，包括：

步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；

步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；

步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′_k)；其中0表示椭球中心点，R′_k表示椭球的外包矩阵；

步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；

步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合E_SET＝(E₁,E₂,…E_i)，i为电池生产车间分布式传感器数量；E_i表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；

步骤6：进行数据融合，将椭球集合E_SET＝(E₁,E₂,…E_i)融合为一个最终的状态估计椭球集E_F。

实施例二：

本实施例提供一种高端电池智能工厂端级数据融合方法，如图2所示，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，以电池实际生产过程为例进行说明，请参考图1，所述方法包括：

步骤一：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型：

其中，函数f(x_k)为非线性系统模型的状态函数，函数h(x_k)为非线性系统模型的测量函数；w_k为预测过程噪声，v_k为测量过程噪声；x_k表示k时刻的系统状态，即电池k时刻的实际电压值，y_k表示k时刻的系统输出，即电池k时刻的测量电压值。

步骤二：经过线性化处理获得电池生产系统的线性系统模型；

因为测量函数本身即为线性的，因此仅需要对状态函数进行线性化处理即可；

将非线性系统模型的状态函数线性化展开为：

其中，表示对电池k时刻的实际电压的估计值；/>表示泰勒展开的一阶项微分系数；μ′_k为原噪声w_k和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络矩阵为R′_k：

其中，R_k是预测过程噪声w_k的包络矩阵，/>是线性化高阶余子式的包络矩阵。

最终得到线性化系统模型的状态函数为：

x_k+1＝A_kx_k+E(0,R′_k) (4)

其中，A_k为线性化系统模型的状态矩阵。

步骤三：利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集

表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′_k表示误差包裹椭球的包络矩阵；P_k+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；A_k表示线性化系统模型的k时刻的状态矩阵；P_k,k表示k时刻椭球的包络矩阵；Rⁿ表示维度矩阵，跟随包络矩阵的维度设置；

k时刻椭球状态集为初始时刻状态椭球集根据初始电压理论数值设置，以电压值为椭球中心，以足够大的包裹矩阵构建初始椭球集。

步骤四：通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集其中：

其中， δ_k＝D^TW_kD，/>

k时刻椭球状态集为：

k+1时刻椭球状态集为：

p_m和r_m分别为矩阵和R′_k+1的最大奇异值。

通过i个分布式传感器更新得到i次修正后的椭球集合E_SET＝(E₁,E₂,…E_i)。

步骤五：对于多个椭球构成的椭球集合E_SET＝(E₁,E₂,…E_i)进行融合，得到最终的状态估计椭球集。

k+1时刻的椭球集合E_SET＝(E₁,E₂,…E_i)的i个状态估计椭球分别为：

E_n＝E(a_n,Q_n),n＝1,2,…i

利用Minkowski和求解的i个椭球和E_s为：

包含E_F的最小外包椭球为E_min＝E(a_min,Q_min)，其中：

融合更新状态估计，得到一个数据融合后的状态估计椭球集E_F，实现更为准确的状态估计效果。在实际生产过程中，利用各个生产环节的分布式传感器，对电池生产过程进行数据检测，并利用检测数据，结合所提出的架构方法，对电池参数进行估计，实现更好的生产过程。

本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种高端电池智能工厂端级数据融合方法，其特征在于，所述高端电池智能工厂包括用于采集电池生产各工序中的生产参数的分布式传感器以及用于进行数据处理和融合的端级设备，所述方法包括：

步骤1：利用各传感器采集电池生产各工序中的生产参数，作为检测数据；

步骤2：根据电池生产车间分布式传感器检测数据建立电池生产系统的非线性系统模型；

步骤3：对非线性系统模型中的状态函数进行线性化处理，得到状态函数的线性化表示，结合测量函数进而得到电池生产系统的线性系统模型，并利用椭球空间包裹线性化过程中产生的线性化误差和生产过程中存在的未知外界干扰，得到噪声椭球集E(0,R′_k)；其中0表示椭球中心点，R′_k表示椭球的外包矩阵；

步骤4：利用线性化系统模型的状态函数和k时刻状态椭球集，计算得到k+1时刻的状态椭球集；初始时刻的状态椭球集根据实际情况设置得到；

步骤5：通过线性化系统模型中的测量函数和各分布式传感器k+1时刻的检测数据进一步修正k+1时刻的状态椭球集得到修正后的椭球集合E_SET＝(E₁,E₂,…E_i)，i为电池生产车间分布式传感器数量；E_i表示根据第i个分布式传感器k+1时刻的检测数据修正k+1时刻的状态椭球集得到的修正后的椭球；

步骤6：进行数据融合，将椭球集合E_SET＝(E₁,E₂,…E_i)融合为一个最终的状态估计椭球集E_F。

2.根据权利要求1所述的方法，其特征在于，所述步骤2建立电池生产系统的非线性系统模型为：

其中，函数f(x_k)为非线性系统模型的状态函数，函数h(x_k)为非线性系统模型的测量函数；w_k为预测过程噪声，v_k为测量过程噪声；x_k表示k时刻的系统状态，即电池k时刻的实际电压值，y_k表示k时刻的系统输出，即电池k时刻的测量电压值。

3.根据权利要求1所述的方法，其特征在于，所述步骤3包括：

将非线性系统模型的状态函数线性化展开为：

其中，表示对电池k时刻的实际电压的估计值；/>表示泰勒展开的一阶项微分系数；μ′_k为原噪声w_k和及线性化后的高阶余子式的符合项，称为误差噪声；误差噪声的包络即为R′_k：

其中，R_k是预测过程噪声w_k的包络矩阵，/>是线性化高阶余子式的包络矩阵；

最终得到线性化系统模型的状态函数为：

x_k+1＝A_kx_k+E(0,R′_k) (4)

其中，A_k为线性化系统模型的状态矩阵。

4.根据权利要求3所述的方法，其特征在于，所述步骤4包括：

利用线性化系统模型的状态函数，根据k时刻椭球集，预测k+1时刻的状态椭球集

其中，k时刻椭球状态集为初始时刻状态椭球集根据初始电压理论数值设置；

表示利用k时刻得到的k+1时刻电池电压预测值表示误差包裹椭球的包络矩阵；R′_k表示误差包裹椭球的包络矩阵；P_k+1,k表示根据k时刻状态值得到的k+1时刻椭球的包络矩阵；A_k表示线性化系统模型的k时刻的状态矩阵；P_k,k表示k时刻椭球的包络矩阵；Rⁿ表示维度矩阵，跟随包络矩阵的维度设置。

5.根据权利要求4所述的方法，其特征在于，所述步骤5包括：

通过各分布式传感器检测数据和线性化系统模型的测量函数进一步修正k+1时刻的状态椭球集其中：

其中， δ_k＝D^TW_kD，/>

k时刻椭球状态集为：

k+1时刻椭球状态集为：

p_m和r_m分别为矩阵和R′_k+1的最大奇异值；

通过i个分布式传感器更新得到i次修正后的椭球集合E_SET＝(E₁,E₂,…E_i)。

6.根据权利要求5所述的方法，其特征在于，所述步骤6包括：

对于多个椭球构成的椭球集合E_SET＝(E₁,E₂,…E_i)进行融合，得到最终的状态估计椭球集：

k+1时刻的椭球集合E_SET＝(E₁,E₂,…E_i)的i个状态估计椭球分别为：

E_n＝E(a_n,Q_n),n＝1,2,…i

利用Minkowski和求解的i个椭球和E_s为：

包含E_F的最小外包椭球为E_min＝E(a_min,Q_min)，其中：

融合更新状态估计，得到一个数据融合后的状态估计椭球集E_F，得到更为准确的状态估计结果。