[發明專利]一種基于鈷酸鋰配料系統的生產狀態預測方法

有效

• 申請號: 201711370981.9
• 申請日: 2017-12-19
• 公開（公告）號: CN108549332B
• 公開（公告）日: 2020-08-25
• 發明（設計）人: 陳寧;田爽;桂衛華;李旭;吳昌寶;戴佳陽;李彬艷;謝濱
• 申請（專利權）人: 中南大學;湖南杉杉新能源有限公司
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吝秀梅

1.一種基于鈷酸鋰配料系統的生產狀態預測方法，其特征在于包括如下兩個步驟：

步驟1：鈷酸鋰配料系統健康狀態評價

配料系統為一個從上至下的順序生產過程，依次為開袋站、計量站、制粒站和裝缽站，根據配料系統的工藝流程及各個環節之間的關系建立層次結構模型，其中，第一層是配料系統，第二層是系統中擁有不同功能的五個環節，第三層是每個環節下監測數據的不同種報警分類，為表示配料系統五個環節的設備運行狀況，提出各環節健康指數的定義：絕對誤差與最大允許誤差的比值，當其值大于1時則進行歸一化處理，環節健康指數的大小能夠體現出實際重量與目標重量之間的關系，數值越小則相差越小，數值越大則相差越遠；當比值達到1時，說明其已經超過了最大允許的誤差范圍，此時會產生設備三級警報，各環節健康指數的表達式如式(1)所示：

其中，m_i為實際稱得的重量，m₀為額定重量，m_max為報警閾值，I_k(T)為時間T所對應的第k個環節的健康指數，分別為開袋站健康指數，碳酸鋰計量站健康指數，四氧化三鈷計量站健康指數，制粒站健康指數和裝缽站健康指數，各個環節的健康指數分別代表各自生產工序的生產健康狀態；

在各個環節健康指數的基礎上對系統健康指數進行定義，如式(2)所示：

I＝a₁×I₁(T)+a₂×I₂(T)+a₃×I₃(T)+a₄×I₄(T)+a₅×I₅(T) (2)

其中a_k為配料系統第k個環節的權值且權值的選擇依據實際生產經驗，權值的取值范圍為：開袋站健康指數[0,0.1]，計量站四氧化三鈷稱重健康指數[0.3,0.4]，計量站碳酸鋰稱重健康指數[0.3,0.4]，制粒站鈷主含量健康指數[0.2,0.3]，裝缽站健康指數[0.1,0.2]；選取各個環節的權值之后，由公式(2)可以計算得到整個配料系統的總的健康指數，其取值范圍為[0,1]； 健康指數越大則表示系統運行狀況越不健康，為了方便監控人員判斷，根據健康指數范圍，定義不同的系統運行狀態，I0.2系統運行狀態為良好，I為0.2-0.5時系統運行狀態為一般，I為0.5-0.7時，系統運行狀態為較差，I0.7時，系統運行狀態為預警；

步驟2：鈷酸鋰配料系統健康指數預測

用基于雙重加權的核主成分回歸最小二乘支持向量機算法對配料系統健康指數進行預測：首先，通過核主成分分析法提取輸入變量的非線性特征，根據貢獻率由大到小選取主成分；其次，對數據集進行處理，分為訓練集和檢驗集兩個部分，并確定輸入向量與輸出向量之間的相關關系；最后，通過最小二乘向量機進行建模預測，并分別為訓練樣本及輸入樣本進行局部加權，使用粒子群算法對模型參數尋優，具體步驟2如下：

步驟2.1：確定系統輸入輸出

選取系統中五個環節的稱重值、性能指標和當前健康狀態作為系統健康指數預測的輸入變量，即將當前時刻開袋站健康指數x_i1、四氧化三鈷健康指數x_i2、碳酸鋰稱重健康指數x_i3、制粒站鈷健康指數x_i4、裝缽站健康指數x_i5和當前健康指數x_i6共6維數據作為系統輸入，下一時刻系統健康指數值y_i作為系統輸出，確定輸入樣本后，由于數據量綱有所不同，因此需要對輸入樣本X＝[x₁,x₂,...,x_n]歸一化，其中x_i＝[x_i1,x_i2,x_i3,x_i4,x_i5,x_i6]^T,i＝1,2,...,n，n為數據數量，量綱歸一化如式(3) 所示：

其中μ為數據均值，σ為數據方差；

步驟2.2：使用核主成分分析法提取輸入變量非線性主元

采用高斯核函數K_ij，其中θ₁為待辨識核參數；

通過非線性函數將原始輸入樣本X＝[x₁,x₂,...,x_n]映射到高維特征空間F中，輸入樣本通過步驟2.1已進行中心化處理，在特征空間中的協方差矩陣可表示為：

其中N＝6，式(5)對應的特征方程為：

λv＝Cv (6)

其中：λ是矩陣C的特征值，v是與λ對應的特征向量； 將式(5)兩邊左乘非線性函數得到：

式(6)中特征向量v可表示為：

其中將式(5)和式(8)代入式(7)，得到：

引入n×n核函數K如式(4)所示,令α＝[α₁,α₂,...,α_n]，根據式(9)有：

Nλα＝Kα (10)

令得到：

其中，為K的特征值，α為矩陣K的特征向量，α＝[α₁,α₂,...,α_n]，將α標準化有：

則數據x_i，在v_i方向的投影為：

矩陣s_i即為輸入樣本經過非線性特征提取后的矩陣；

步驟2.3：訓練集和檢驗集

將輸入s_i分為兩部分：訓練集和檢驗集，假設共取得有效輸入變量n組，選定l組作為訓練集，(n-l)組作為檢驗集；

步驟2.4：建立加權矩陣

基于輸入樣本與輸出樣本間具有一定關聯性，使用pearson相關系數計算兩者間的相關關系r，如下所示：

其中s_i為系統健康指數輸入樣本，y_i為系統健康指數輸出樣本，為系統健康指數輸入樣本均值，為系統健康指數輸出樣本均值，由此得到一次加權權重矩陣w_v＝[w_v1,w_v2,...,w_vl]為：

通過樣本間的距離比較或相似度度量來選擇樣本，采用常見的歐氏距離來計算歷史樣本與查詢樣本間的距離d_i：

為輸入樣本建立二次加權權重矩陣w_s＝[w_s1,w_s2,...,w_sl]，如式(17)所示，其中距離參數θ₂為待辨識參數；

步驟2.5：雙重局部加權最小二乘支持向量機模型

在建模前需要對輸入向量和訓練樣本分別進行加權，構成雙重局部加權最小二乘向量機；已知的輸入樣本與輸出樣本共同構成輸入數據集s_k為m維輸入向量，y_k∈R是1維輸出向量，SVM的回歸模型為：

y(s)＝w^Tφ^w(s)+b (18)

其中，w為權重向量，φ(s)為非線性映射函數，對輸入變量進行一次加權得到φ^w(s)，b為偏差值，最優化目標為：

式(19)中，ξ_k為估計誤差，θ₃為系統中待辨識的參數：懲罰系數，約束條件為：

若對每個樣本同等對待，即使用相同的懲罰系數，會使預測結果受到異常變量的影響，產生較大誤差，因此在此引用輸入變量的重要程度作為權值，代入式(17)的加權矩陣w_s，則式(19)目標函數變為：

結合約束條件建立拉格朗日函數L，將約束問題化為無約束優化問題，可得：

式(22)中，β_k為Lagrange乘子,k＝1,2,...,l，其最優解應滿足如下關系：

根據Mercer條件將上式轉化為求解線性方程，即：

其中，y＝[y₁,y₂,...,y_l]^T，E＝[1,1,...,1]^T，w＝[w₁,w₂,...,w_l]^T，β_k＝[β₁,β₂,...,β_l]^T，Ω_ij^w＝K^w(i,j)＝φ^w(s_i)^Tφ^w(s_j)，K^w(i,j)為采用了輸入變量加權的核函數，采用高斯核函數如式(4)所示，因此K^w(i,j)可表示為

K^w＝K^w(i,j)＝φ^w(s_i)^Tφ^w(s_j)＝w_siK(i,j)w_sj (25)

通過式(24)解得w，β，b，代入式(18)，得到系統健康指數輸出預測模型為：

模型對配料系統下一次配料狀態進行預測后對系統健康指數對其進行評價，若將處于預警狀態，則提早對設備進行檢修，若處于較差狀態并已持續多次且接近預警，則提前調整生產計劃空余一定時間對設備提前維修。