CN118176499A - 一种三元正极材料粉碎粒度预测方法及装置 - Google Patents

Abstract

本发明公开一种三元正极材料粉碎粒度预测方法及装置，所述方法包括：对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；所述样本数据集包括该粉碎设备在不同工艺参数下对应的粉碎粒度检测结果；对所述样本数据集进行预处理和合格标准数据筛选；根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型；将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。采用本发明，利用粉碎粒度预测模型得到目前设备工艺参数对应的预测检测粒度，便于工作人员根据预测检测粒度与目标粒度数据的偏差调整设备工艺参数。

Description

一种三元正极材料粉碎粒度预测方法及装置

技术领域

本发明涉及正极材料生产领域，尤其涉及一种三元正极材料粉碎粒度预测方法及装置。

背景技术

在三元正极材料生产过程中，前驱体和锂源混合后经过高温烧结生成三元正极材料，再通过气流磨设备将出炉的块状物料变为粉状物料，粉碎过程中，根据取样检测的粒度情况，需要调整气流磨的分级频率、引风频率、喂料频率、粉碎气压，将粒度控制在内控范围内。

目前对粒度取样并进行检测，取样检测周期较长，数据出具后，相关人员会根据粒度数据指标决定是否进行参数调整，调整哪些参数需要依靠长时间经验累积以及对设备的了解，不同技术人员对同一台粉碎设备的调试，无法做到完全一致，未形成科学、统一的参数调整工作方法，而且经常需要多次调整指标才能合格；同时粒度调试对于新入职的技术人员具有较大的工作难度。最后，在完成调整后再取样进行检测，直至指标合格。

综上，整个设备工艺参数调校流程需要极高的人力资源，且调校效率不高。

发明内容

本发明实施例提供一种三元正极材料粉碎粒度预测方法及装置，利用粉碎粒度预测模型得到目前设备工艺参数对应的预测检测粒度，便于工作人员根据预测检测粒度与目标粒度数据的偏差调整设备工艺参数。

为实现上述目的，本申请实施例的第一方面提供了一种三元正极材料粉碎粒度预测方法，包括：

对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；

对所述样本数据集进行预处理和合格标准数据筛选；

根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型；

将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。

在第一方面的一种可能的实现方式中，所述对所述样本数据集进行预处理和合格标准数据筛选，具体包括：

对所述样本数据集，进行非数据格式数据去除、列数据类型转换、数据滤波和归一化处理；

根据预设的工艺控制的上限和下限，去除所述样本数据集中的离群点并对所述样本数据集进行合格标准数据判别及标记。

在第一方面的一种可能的实现方式中，所述去除所述样本数据集中的离群点，具体包括：

将工艺控制的上限、工艺控制的下限分别作为上四分位与下四分位计算四分位距，将所述样本数据集中在区间(上四分位+1.5×四分位距，下四分位-1.5×四分位距)的点作为所述样本数据集中的离群点去除。

在第一方面的一种可能的实现方式中，所述对所述样本数据集进行合格标准数据判别及标记，具体包括：

按照工艺控制的上限、工艺控制的下限对所述样本数据集中各个数据进行粉碎粒度参数和宽化系数判别，当所述样本数据集中一个数据通过判别时在所述样本数据集中新增一列储存合格信息。

在第一方面的一种可能的实现方式中，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，具体包括：

根据产品的类型从所述样本数据集中确定本训练轮次所需的样本数据子集；

按照预设比例将所述样本数据子集划分成训练集和测试集；

采用随机森林算法计算所述训练集的不同特征的重要性；

对不同特征的重要性大小排序，按照重要性从大到小的排序选出预设数量的特征作为特征集；

从所述训练集选出多个样本训练决策树根节点；

从所述特征集选出多个特征作为分裂特征构建决策树子节点；

根据预设信息增益策略选择一个分裂特征作为该子节点的分裂属性，对每个决策树子节点进行分裂，直至决策树不能再分裂；

统计决策树全部节点的投票结果并将投票结果数最多的类别作为粉碎粒度预测模型。

在第一方面的一种可能的实现方式中，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型之后，还包括：

对所述粉碎粒度预测模型进行模型验证和模型评估，对不通过模型验证或不通过模型评估的粉碎粒度预测模型重新进行训练，直至粉碎粒度预测模型通过模型验证和模型评估。

在第一方面的一种可能的实现方式中，所述模型验证具体包括：

将所述样本数据子集中的测试集作为样例树据输入所述粉碎粒度预测模型，比较所述粉碎粒度预测模型输出的预测结果和实际检测结果的差异性，若差异性在预设范围内，则所述粉碎粒度预测模型通过模型验证。

在第一方面的一种可能的实现方式中，所述模型评估具体包括：

获取所述粉碎粒度预测模型在各种参数和算法组合中的不同的评价指标值，若全部评价指标值均在预设范围内，所述粉碎粒度预测模型通过模型评估。

在第一方面的一种可能的实现方式中，所述将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果之前，还包括：

接入工厂数据中对应粉碎设备在历史工艺参数下对应的粉碎粒度检测结果作为训练集，引入在线学习机制对粉碎粒度预测模型进行迭代优化。

本申请实施例的第二方面提供了一种三元正极材料粉碎粒度预测装置，包括：

收集模块，用于对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；

筛选模块，用于对所述样本数据集进行预处理和合格标准数据筛选；

训练模块，用于根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型；

预测模块，用于将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。

相比于现有技术，本发明实施例提供的一种三元正极材料粉碎粒度预测方法及装置，通过获取每台粉碎设备对不同产品的粉碎数据形成样本数据子集训练粉碎粒度预测模型，得到每台粉碎设备对不同产品的粉碎粒度预测模型。之后对粉碎粒度预测模型进行迭代，直至粉碎粒度预测模型通过模型验证和模型评估，保证了粉碎粒度预测模型粉碎粒度预测结果的有效性和可靠性。在得到准确可靠的预测检测粒度后，工作人员可以根据预测检测粒度与目标粒度数据的偏差灵活地调整设备工艺参数，使预测检测粒度与目标粒度数据尽可能地接近，由于预测检测粒度不需要设备进行检测后才得出，省略了检测过程使得设备工艺参数调校高效，由于不依赖于工人的工作经验，同时也节约了人工成本。

附图说明

图1是本发明一实施例提供一种三元正极材料粉碎粒度预测方法的流程示意图；

图2是本发明一实施例提供一种三元正极材料粒度预测以及纠偏流程的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1，本发明一实施例提供一种三元正极材料粉碎粒度预测方法，包括：

S10、对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；所述样本数据集包括该粉碎设备在不同工艺参数下对应的粉碎粒度检测结果。

S11、对所述样本数据集进行预处理和合格标准数据筛选。

S12、根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型。

S13、将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。

本实施例中，S12得到不同的产品对应的粉碎粒度预测模型，使得工作人员在实际应用中根据不同产品所需粒度范围给出对应设备所需工艺参数；当粒度检测结果不达标时，也可以通过当前设备实际工艺参数结合检测结果对备实际工艺参数进行调整，确认工艺参数的调整方向是否有误并且及时修正。由于从S10中获取的样本数据集是根据分别每台粉碎设备在不同工艺参数下的粉碎粒度检测结果形成的样本数据集，以此为依据进行训练得到的粉碎粒度预测模型可以针对性地进行对应型号的设备工艺参数的进行纠偏，达到远程下写到现场设备进行粉碎参数调整的效果。

S12中模型训练的过程本质上是利用大数据分析粉碎设备工艺参数与粒度结果之间的动态关系，进而达到预测粒度检测结果的目的。经过S13后，工作人员可以根据预测结果动态调整参数，降低线下人工根据实际检测结果调整粒度的次数，提高粒度调试的响应速度，做到保证粒度指标的稳定性，同时降低粒度调试难度，应用于各个车间的气流磨粉碎程序中参数的调整，以及粒度指标偏差的分析。

相比于现有技术，本发明实施例提供的一种三元正极材料粉碎粒度预测方法，通过获取每台粉碎设备对不同产品的粉碎数据形成样本数据子集训练粉碎粒度预测模型，得到每台粉碎设备对不同产品的粉碎粒度预测模型。之后对粉碎粒度预测模型进行迭代，直至粉碎粒度预测模型通过模型验证和模型评估，保证了粉碎粒度预测模型粉碎粒度预测结果的有效性和可靠性。在得到准确可靠的预测检测粒度后，工作人员可以根据预测检测粒度与目标粒度数据的偏差灵活地调整设备工艺参数，使预测检测粒度与目标粒度数据尽可能地接近，由于预测检测粒度不需要设备进行检测后才得出，省略了检测过程使得设备工艺参数调校高效，由于不依赖于工人的工作经验，同时也节约了人工成本。

示例性地，S11具体包括：

S110、对所述样本数据集，进行非数据格式数据去除、列数据类型转换、数据滤波和归一化处理。

S111、根据预设的工艺控制的上限和下限，去除所述样本数据集中的离群点并对所述样本数据集进行合格标准数据判别及标记。

S110中的粉碎设备工艺参数可以包括粉碎气压，分级频率，喂料频率，引风频率，磨底料，以设备LL5503为例，参见表1；所述样数据集中包括Dv10，Dv50，Dv90，Dv99，Dn10和宽化系数等参数的检测项目，以设备LL5503为例，参见表2。

表1粉碎设备工艺参数

表2粉碎粒度检测项目

在本实施例中，所述样本数据集包括每台粉碎设备收集大量其工艺参数与对应多个物料粒度检测项目的结果，通过去除异常值、填补缺失值、特征缩放及标准化等预处理方式对数据进行初步处理，对所述样本数据集进行数据预处理及数据清洗。

特别地，在S110中，去除非数据格式数据包括将所有粉碎设备工艺参数、粉碎粒度检测结果的非数值格式数据标记为NaN，删除包括NaN和空值的行，确保每个数据都是数值类型；列数据类型转换包括对上述数据的数据类型按需求进行int或float转换，统一每一列数据的数值类型；数据滤波包括对每一列数据划定数据范围，清洗去取值不在正常范围内(即不合理)的行数据，确保没有异常值(正常范围：[规格下限×50％，规格上限×150％])；归一化处理：由于各原始特征之间存在着量纲不统一的问题，会直接影响部分建模算法对特征规律的理解，在数值比较集中情况下，对特征向量采用最大最小归一化方法进行归一化处理。

示例性地，所述去除所述样本数据集中的离群点，具体包括：

将工艺控制的上限、工艺控制的下限分别作为上四分位与下四分位计算四分位距，将所述样本数据集在区间(上四分位+1.5×四分位距，下四分位-1.5×四分位距)外的点作为中的离群点去除。

本实施例基于四分位距离群点算法，去除样本集中的离群点。根据工艺控制上限、控制下限作为上四分位与下四分位，计算差值确定是否离群，通过IQR(四分位距)的1.5倍为标准，超过(上四分位+1.5倍IQR距离，或者下四分位-1.5倍IQR距离)的点为异常值。

示例性地，所述对所述样本数据集进行合格标准数据判别及标记，具体包括：

按照工艺控制的上限、工艺控制的下限对所述样本数据集中各个数据进行粉碎粒度参数和宽化系数判别，当所述样本数据集中一个数据通过判别时在所述样本数据集中新增一列储存合格信息。

即按工艺控制的上限、工艺控制的下限进行合格判别(粉碎粒度参数包括Dv10，Dv50，Dv90，Dv99，Dn10，宽化系数＝(Dv90-Dv10)/Dv50)，并新增一列Label储存合格信息，合格是1不合格是0。

示例性地，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，具体包括：

根据产品的类型从所述样本数据集中确定本训练轮次所需的样本数据子集；

按照预设比例将所述样本数据子集划分成训练集和测试集；

采用随机森林算法计算所述训练集的不同特征的重要性；

对不同特征的重要性大小排序，按照重要性从大到小的排序选出预设数量的特征作为特征集；

从所述训练集选出多个样本训练决策树根节点。

从所述特征集选出多个特征作为分裂特征构建决策树子节点。

根据预设信息增益策略选择一个分裂特征作为该子节点的分裂属性，对每个决策树子节点进行分裂，直至决策树不能再分裂。

统计决策树全部节点的投票结果并将投票结果数最多的类别作为粉碎粒度预测模型。

本实施例的目的在于根据粉碎粒度及设备工艺参数数据训练多个决策树，筛选得到粉碎粒度预测模型，一般流程可以参考如下：

①确定本训练轮次所需的样本数据集；

②将样本数据集按比例分为训练集和测试集；

③总体训练集设为T，T中共有N个样本，每次有放回地随机选择N个样本，以此训练第一个决策树，作为决策树根节点处的样本；

④训练集的特征个数设为d(由3选出)，每次仅选择k(k<d)个构建决策树分节点。在决策树的每个节点需要分裂时，随机从d中选取出k个特征，满足条件k<x<d。然后从这k个特征中采用信息增益策略选择1个特征作为该节点的分裂属性；

⑤决策树形成过程中每个节点都要按照步骤④来分裂，一直到不能够再分裂为止；

⑥按③～⑤的步骤建立大量的决策树分节点即随机森林，每棵决策树分节点都会有一个投票结果，最终投票结果最多的类别，就筛选出作为粉碎粒度预测模型；

⑦将⑥所述筛选出的粉碎粒度调优模型作为下一轮训练所用的决策树根节点，按①～⑥的过程执行下一次的训练、测试，直至达到最终轮次。

⑧不同产品对应物料粒度检测结果的合格标准不同，需确定对应产品的样本数据子集，按①～⑦的过程执行各产品对应的模型训练，得到多个预测模型。

示例性地，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型之后，还包括：

对所述粉碎粒度预测模型进行模型验证和模型评估，对不通过模型验证或不通过模型评估的粉碎粒度预测模型重新进行训练，直至粉碎粒度预测模型通过模型验证和模型评估。

示例性地，所述模型验证具体包括：

将所述样本数据子集中的测试集作为样例树据输入所述粉碎粒度预测模型，比较所述粉碎粒度预测模型输出的预测结果和实际检测结果的差异性，若差异性在预设范围内，则所述粉碎粒度预测模型通过模型验证。

本实施例中，将数据集中的测试集数据作为样例树据，验证前面得到的粉碎粒度调优模型的训练效果。输入设备工艺参数、实际检测结果，通过模型分析当前粒度是否合格，从而验证模型的有效性。

示例性地，所述模型评估具体包括：

获取所述粉碎粒度预测模型在各种参数和算法组合中的不同的评价指标值，若全部评价指标值均在预设范围内，所述粉碎粒度预测模型通过模型评估。

本实施例中，比较模型在一组参数、不同参数组合或者多种算法之间的分析性能，检验粉碎粒度调优模型的可靠性；最终根据一些评价的指标(如均方误差、均方根误差、平均绝对误差、平均相对误差等等指标)或者图表展示，直至获得质量可靠的预测模型。

示例性地，所述将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果之前，还包括：

接入工厂数据中对应粉碎设备在历史工艺参数下对应的粉碎粒度检测结果作为训练集，引入在线学习机制对粉碎粒度预测模型进行迭代优化。

由于将对应粉碎设备的工艺参数输入经过算法训练学习并评估后的粉碎粒度调优模型，就可以将模型的规律快速高效地应用在新的数据中，从而生成对对应粉碎设备的工艺参数的预测结果。可以通过该方式接入工厂数据中对应粉碎设备在历史工艺参数下对应的粉碎粒度检测结果，引入在线学习机制对模型泛化能力迭代优化，适用于大量实际生产数据，调整模型使之更贴合实际情况。

此外，参见图2，在实际应用中，可以通过上述实施例对不同产品建立不同的动态分析模型，考虑不同设备对物料指标的影响，建立多个模型或者将设备加入影响因素中。工艺参数对指标影响的逻辑，可以通过数据曲线来判断参数与指标的可能拟合函数，最后对每个粉碎粒度指标给出一个关于所有相关参数的拟合数学模型。

参见图2，本实施例在实际应用中的另一种应用则是将设备实际的工艺参数输入粉碎粒度调优预测模型，得到粉碎粒度指标预测结果，若预测结果在指标合格范围之外，发出粉碎粒度指标异常预警。

相比于现有技术，本发明实施例提供的一种三元正极材料粉碎粒度预测方法，通过获取每台粉碎设备对不同产品的粉碎数据形成样本数据子集训练粉碎粒度预测模型，得到每台粉碎设备对不同产品的粉碎粒度预测模型。之后对粉碎粒度预测模型进行迭代，直至粉碎粒度预测模型通过模型验证和模型评估，保证了粉碎粒度预测模型粉碎粒度预测结果的有效性和可靠性。在得到准确可靠的预测检测粒度后，工作人员可以根据预测检测粒度与目标粒度数据的偏差灵活地调整设备工艺参数，使预测检测粒度与目标粒度数据尽可能地接近，由于预测检测粒度不需要设备进行检测后才得出，省略了检测过程使得设备工艺参数调校高效，由于不依赖于工人的工作经验，同时也节约了人工成本。

本申请一实施例的提供一种三元正极材料粉碎粒度预测装置，包括：收集模块、筛选模块、训练模块和预测模块。

收集模块，用于对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集。所述样本数据集包括该粉碎设备在不同工艺参数下对应的粉碎粒度检测结果。

筛选模块，用于对所述样本数据集进行预处理和合格标准数据筛选。

训练模块，用于根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型。

预测模块，用于将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。

相比于现有技术，本发明实施例提供的一种三元正极材料粉碎粒度预测装置，通过获取每台粉碎设备对不同产品的粉碎数据形成样本数据子集训练粉碎粒度预测模型，得到每台粉碎设备对不同产品的粉碎粒度预测模型。之后对粉碎粒度预测模型进行迭代，直至粉碎粒度预测模型通过模型验证和模型评估，保证了粉碎粒度预测模型粉碎粒度预测结果的有效性和可靠性。在得到准确可靠的预测检测粒度后，工作人员可以根据预测检测粒度与目标粒度数据的偏差灵活地调整设备工艺参数，使预测检测粒度与目标粒度数据尽可能地接近，由于预测检测粒度不需要设备进行检测后才得出，省略了检测过程使得设备工艺参数调校高效，由于不依赖于工人的工作经验，同时也节约了人工成本。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赞述。

本申请一实施例提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现如上述三元正极材料粉碎粒度预测方法。

所述计算机设备可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器、存储器。本领域技术人员可以理解，图仅仅是计算机设备的举例，并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器在一些实施例中可以是所述计算机设备的内部存储单元，例如计算机设备的硬盘或内存。所述存储器在另一些实施例中也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括所述计算机设备的内部存储单元也包括外部存储设备。所述存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在计算机设备上运行时，使得计算机设备执行时实现上述各个方法实施例中的步骤。

在本申请所提供的几个实施例中，可以理解的是，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种三元正极材料粉碎粒度预测方法，其特征在于，包括：

对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；所述样本数据集包括该粉碎设备在不同工艺参数下对应的粉碎粒度检测结果；

对所述样本数据集进行预处理和合格标准数据筛选；

根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型；

将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。

2.如权利要求1所述三元正极材料粉碎粒度预测方法，其特征在于，所述对所述样本数据集进行预处理和合格标准数据筛选，具体包括：

对所述样本数据集，进行非数据格式数据去除、列数据类型转换、数据滤波和归一化处理；

根据预设的工艺控制的上限和下限，去除所述样本数据集中的离群点并对所述样本数据集进行合格标准数据判别及标记。

3.如权利要求2所述三元正极材料粉碎粒度预测方法，其特征在于，所述去除所述样本数据集中的离群点，具体包括：

将工艺控制的上限、工艺控制的下限分别作为上四分位与下四分位计算四分位距，将所述样本数据集中在区间(上四分位+1.5×四分位距，下四分位-1.5×四分位距)外的点作为所述样本数据集中的离群点去除。

4.如权利要求2所述三元正极材料粉碎粒度预测方法，其特征在于，所述对所述样本数据集进行合格标准数据判别及标记，具体包括：

按照工艺控制的上限、工艺控制的下限对所述样本数据集中各个数据进行粉碎粒度参数和宽化系数判别，当所述样本数据集中一个数据通过判别时在所述样本数据集中新增一列储存合格信息。

5.如权利要求1所述三元正极材料粉碎粒度预测方法，其特征在于，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，具体包括：

根据产品的类型从所述样本数据集中确定本训练轮次所需的样本数据子集；

按照预设比例将所述样本数据子集划分成训练集和测试集；

采用随机森林算法计算所述训练集的不同特征的重要性；

对不同特征的重要性大小排序，按照重要性从大到小的排序选出预设数量的特征作为特征集；

从所述训练集选出多个样本训练决策树根节点；

从所述特征集选出多个特征作为分裂特征构建决策树子节点；

根据预设信息增益策略选择一个分裂特征作为该子节点的分裂属性，对每个决策树子节点进行分裂，直至决策树不能再分裂；

统计决策树全部节点的投票结果并将投票结果数最多的类别作为粉碎粒度预测模型。

6.如权利要求1所述三元正极材料粉碎粒度预测方法，其特征在于，所述根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型之后，还包括：

对所述粉碎粒度预测模型进行模型验证和模型评估，对不通过模型验证或不通过模型评估的粉碎粒度预测模型重新进行训练，直至粉碎粒度预测模型通过模型验证和模型评估。

7.如权利要求6所述三元正极材料粉碎粒度预测方法，其特征在于，所述模型验证具体包括：

将所述样本数据子集中的测试集作为样例树据输入所述粉碎粒度预测模型，比较所述粉碎粒度预测模型输出的预测结果和实际检测结果的差异性，若差异性在预设范围内，则所述粉碎粒度预测模型通过模型验证。

8.如权利要求6所述三元正极材料粉碎粒度预测方法，其特征在于，所述模型评估具体包括：

获取所述粉碎粒度预测模型在各种参数和算法组合中的不同的评价指标值，若全部评价指标值均在预设范围内，所述粉碎粒度预测模型通过模型评估。

9.如权利要求1所述三元正极材料粉碎粒度预测方法，其特征在于，所述将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果之前，还包括：

接入工厂数据中对应粉碎设备在历史工艺参数下对应的粉碎粒度检测结果作为训练集，引入在线学习机制对粉碎粒度预测模型进行迭代优化。

10.一种三元正极材料粉碎粒度预测装置，其特征在于，包括：

收集模块，用于对每台粉碎设备，收集该粉碎设备在不同工艺参数下的粉碎粒度检测结果形成样本数据集；所述样本数据集包括该粉碎设备在不同工艺参数下对应的粉碎粒度检测结果；

筛选模块，用于对所述样本数据集进行预处理和合格标准数据筛选；

训练模块，用于根据不同的产品从所述样本数据集选出对应的样本数据子集进行训练，得到不同的产品对应的粉碎粒度预测模型；

预测模块，用于将现场得到的对应粉碎设备的工艺参数输入对应的粉碎粒度预测模型，得到粉碎粒度指标预测结果。