电芯多工序质量预测与参数优化方法、系统、设备及介质与流程

摘要: 本技术涉及电池电芯制造过程质量预测与工艺参数优化,尤其涉及一种电芯多工序质量预测与参数优化方法、系统、设备及介质。背景技术:1、随着新能源汽车和储能产业的快速发...
电芯多工序质量预测与参数优化方法、系统、设备及介质与流程

本技术涉及电池电芯制造过程质量预测与工艺参数优化,尤其涉及一种电芯多工序质量预测与参数优化方法、系统、设备及介质。

背景技术:

1、随着新能源汽车和储能产业的快速发展,锂电池电芯等核心部件的生产规模持续攀升,多工序连续制造的复杂程度不断扩大。如何对电芯制造连续工序的工艺参数与质量状态进行准确预测和优化,已成为保障电池良品率、提升制造效率的核心需求。

2、现有技术中,电芯多工序的质量预测与参数优化功能通常通过基于级联预测模型的系统实现。例如,在进行跨工序的工艺参数寻优时,直接将前一道工序模型输出的单一预测值作为后一道工序模型的已知输入,以依次进行串行推导。然而,现有技术在实际应用中基于传递单一预测值进行串行推导的方法,因前置工序产生的预测偏差会在连续推导过程中逐级累加与放大,对于在长流程多工序制造环境下的全局工艺参数寻优存在寻优结果偏离实际最佳工艺或导致最终质量预测失效的风险。

技术实现思路

1、有鉴于此,本技术提供一种电芯多工序质量预测与参数优化方法、系统、设备及介质,以解决上述问题。

2、第一方面,提供了一种电芯多工序质量预测与参数优化方法,该方法包括:

3、采集电池电芯制造连续工序的时序工艺数据,构建包含连续工序中各道工序工艺参数与质量输出的时序工艺数据集;

4、利用时序工艺数据集训练各道工序的工序质量预测模型,其中,在训练除第一道工序外的工序质量预测模型时,按设定概率将工序质量预测模型的输入中前一道工序的质量输出替换为前一道工序的工序质量预测模型输出的质量预测值;

5、按照连续工序的先后顺序逐道执行工艺参数寻优,其中,针对当前工序的工艺参数寻优具体包括:在预设的参数寻优边界内,生成当前工序的工艺参数候选解;

6、将工艺参数候选解,以及除第一道工序外的前一道工序的最优质量预测值,共同输入当前工序的工序质量预测模型,执行预设次数的随机采样前向传播,获得当前工序的候选质量预测值及质量预测不确定度;

7、对于第一道工序,将质量预测不确定度确定为当前工序的传递不确定度;对于除第一道工序外的其余工序,利用当前工序的候选质量预测值相对于前一道工序的最优质量预测值的变化率,对前一道工序的传递不确定度进行加权,并与质量预测不确定度进行融合,以确定当前工序的传递不确定度;

8、基于候选质量预测值与预设的目标质量指标的误差,以及当前工序的传递不确定度,对工艺参数候选解进行迭代更新寻优,确定当前工序的最优工艺参数及最优质量预测值;

9、在连续工序的所有工序均完成参数寻优后,将各道工序的最优工艺参数转换为控制指令,下发至电池电芯制造设备的控制模块执行物理调控。

10、可选的,构建包含连续工序中各道工序工艺参数与质量输出的时序工艺数据集,具体包括:

11、将时序工艺数据中具有相同物料追踪标识的各道工序的工艺参数与质量输出,按照工序先后顺序对齐并拼接为时序数据序列;

12、对除第一道工序外的各道工序,分别计算对应工序的时序数据序列中的质量输出序列与前一道工序的时序数据序列中的质量输出序列之间的皮尔逊相关系数;

13、剔除皮尔逊相关系数低于预设相关性阈值的时序数据序列;

14、将剔除操作后的其余时序数据序列构成时序工艺数据集。

15、可选的,利用时序工艺数据集训练各道工序的工序质量预测模型,具体包括:

16、按照连续工序的先后顺序逐道训练各道工序的工序质量预测模型,第一道工序的工序质量预测模型根据时序工艺数据集中第一道工序的工艺参数与质量输出进行训练;

17、在训练除第一道工序外的各道工序的工序质量预测模型的过程中,固定前一道工序的工序质量预测模型的模型参数,利用前一道工序的工序质量预测模型得到前一道工序的质量预测值;

18、在每次训练迭代中,利用按设定概率替换后的时序数据序列,对对应的工序质量预测模型进行迭代训练,直至工序质量预测模型的预测误差达到预设收敛条件。

19、可选的,按设定概率将工序质量预测模型的输入中前一道工序的质量输出替换为前一道工序的工序质量预测模型输出的质量预测值,具体包括:

20、在训练开始阶段将设定概率设置为预设初始概率值;

21、按照训练迭代次数由小到大,将设定概率由预设初始概率值递增至预设终止概率值;

22、在每次训练迭代中,对于除第一道工序外的各道工序的每一时序数据序列,以当前迭代次数对应的设定概率,将时序数据序列中前一道工序的质量输出,替换为前一道工序的工序质量预测模型输出的质量预测值。

23、可选的,执行预设次数的随机采样前向传播,获得当前工序的候选质量预测值及质量预测不确定度,具体包括:

24、将工艺参数候选解,以及除第一道工序外的前一道工序的最优质量预测值,共同输入当前工序的工序质量预测模型,执行预设次数的随机采样前向传播,并在每次前向传播过程中按照预设丢弃概率随机失活工序质量预测模型中的部分神经元,获得预设次数对应的前向传播输出值;

25、将预设次数对应的前向传播输出值的均值确定为当前工序的候选质量预测值,并将预设次数对应的前向传播输出值的标准差确定为当前工序的质量预测不确定度。

26、可选的,利用当前工序的候选质量预测值相对于前一道工序的最优质量预测值的变化率,对前一道工序的传递不确定度进行加权,并与质量预测不确定度进行融合,以确定当前工序的传递不确定度,具体包括:

27、在前一道工序的最优质量预测值上叠加预设扰动步长得到扰动输入值,利用扰动输入值替代最优质量预测值,将扰动输入值与工艺参数候选解共同输入当前工序的工序质量预测模型执行预设次数的随机采样前向传播,获得扰动质量预测值;

28、计算扰动质量预测值与候选质量预测值的差值,将差值与预设扰动步长的比值的绝对值,确定为当前工序的候选质量预测值相对于前一道工序的最优质量预测值的变化率;

29、将当前工序的候选质量预测值相对于前一道工序的最优质量预测值的变化率与前一道工序的传递不确定度的乘积,加上当前工序的质量预测不确定度,得到当前工序的传递不确定度。

30、可选的,基于候选质量预测值与预设的目标质量指标的误差,以及当前工序的传递不确定度,对工艺参数候选解进行迭代更新寻优,确定当前工序的最优工艺参数及最优质量预测值,具体包括:

31、将候选质量预测值与目标质量指标的误差,以及当前工序的传递不确定度与预设惩罚权重系数的乘积进行求和,构建为工艺参数候选解的适应度;

32、基于工艺参数候选解初始化包含多个候选解的寻优群体,根据适应度对寻优群体执行全局搜索更新,并在全局搜索更新后对适应度最优的候选解施加邻域随机扰动得到扰动候选解,根据扰动候选解的适应度迭代更新寻优群体的最优位置,直至达到预设迭代终止条件,确定当前工序的最优工艺参数及最优质量预测值。

33、第二方面,提供了一种电芯多工序质量预测与参数优化系统,系统包括:

34、数据构建模块,用于采集电池电芯制造连续工序的时序工艺数据,构建包含连续工序中各道工序工艺参数与质量输出的时序工艺数据集;

35、模型训练模块,用于利用时序工艺数据集训练各道工序的工序质量预测模型,其中,在训练除第一道工序外的工序质量预测模型时,按设定概率将工序质量预测模型的输入中前一道工序的质量输出替换为前一道工序的工序质量预测模型输出的质量预测值;

36、参数寻优模块,用于按照连续工序的先后顺序逐道执行工艺参数寻优,其中,针对当前工序的工艺参数寻优具体包括:在预设的参数寻优边界内,生成当前工序的工艺参数候选解;将工艺参数候选解,以及除第一道工序外的前一道工序的最优质量预测值,共同输入当前工序的工序质量预测模型,执行预设次数的随机采样前向传播,获得当前工序的候选质量预测值及质量预测不确定度;对于第一道工序,将质量预测不确定度确定为当前工序的传递不确定度;对于除第一道工序外的其余工序,利用当前工序的候选质量预测值相对于前一道工序的最优质量预测值的变化率,对前一道工序的传递不确定度进行加权,并与质量预测不确定度进行融合,以确定当前工序的传递不确定度;基于候选质量预测值与预设的目标质量指标的误差,以及当前工序的传递不确定度,对工艺参数候选解进行迭代更新寻优,确定当前工序的最优工艺参数及最优质量预测值;

37、调控执行模块,用于在连续工序的所有工序均完成参数寻优后,将各道工序的最优工艺参数转换为控制指令,下发至电池电芯制造设备的控制模块执行物理调控。

38、第三方面,提供了一种电子设备,包括处理器、存储器、用户接口以及网络接口,存储器用于存储指令,用户接口和网络接口均用于与其他设备通信,处理器用于执行存储器中存储的指令,以使电子设备执行如上述任意一项的方法。

39、第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有指令,当指令被执行时,执行如上述任意一项的方法。

40、综上所述,实施本技术提供的一个或多个技术方案,至少具有如下技术效果或优点:

41、(1)通过将前一道工序质量输出的替换概率随训练迭代次数由小至大递增,并在训练后续模型时固定前序模型参数。该机制使模型在训练初期的输入倾向于实际时序数据,中后期逐渐过渡为依赖前一道工序的预测输出,匹配了多工序工艺参数寻优时只能依赖前序预测值作为已知输入的数据流转物理限制,抑制了各工序孤立训练导致在串行推导阶段产生的预测漂移与误差累加。

42、(2)通过在预设次数的前向传播中引入随机失活机制生成多组存在数值差异的输出分布,利用输出值的标准差将其转化为质量预测不确定度;并进一步通过在最优质量预测值上叠加微小扰动步长计算变化率,用以加权前序工序的传递不确定度。该机制将深度网络因不可导导致的偏导数近似计算问题转化为基于计算机采样与差分的计算步骤,实现了前序工序质量波动向后续工序的量化传递。

43、(3)通过将目标质量指标的误差与加权后的多工序传递不确定度进行线性叠加以构建适应度,结合全局搜索与最优解的邻域随机扰动机制。该寻优机制使得最终确定的最优工艺参数组合在满足目标质量指标设定要求的基础上,规避了模型预测波动大、对前序扰动敏感的参数区间,使下发至电芯制造设备的控制指令在面临实际产线环境波动时具备更高的容错率与稳定性。