一种废旧锂电池回收的知识-数据双驱动智能决策系统及方法

本发明属于新能源固废资源化利用与人工智能交叉，尤其涉及一种废旧锂电池回收的知识-数据双驱动智能决策系统及方法。

背景技术：

1、随着全球新能源汽车动力电池迎来大规模退役潮，湿法酸浸、火法焙烧—水浸、直接再生三类废旧锂电池回收工艺成为循环经济核心环节。近年来机器学习、大模型检索技术逐步应用于锂电回收工艺研发，但锂电池回收体系机制复杂，现有智能辅助系统在工业落地过程中存在六大核心技术瓶颈：

2、纯数据机器学习存在黑盒缺陷，缺少物化先验约束。现有模型仅依靠实验数据拟合参数，未引入边界条件，易输出理论可行但实际违背化学规律的无效工艺参数，实验室试错成本极高；传统向量式 rag 检索无法完成多因果机理推演，常规文本分块向量检索难以完成从工艺操作→反应机理→回收性能的跨文献多步因果链路推理；工业数据集普遍存在标签非对称缺失，现有数据增强手段不适配锂电金属理化差异，实际生产中大量样本仅标注部分金属回收率，简单剔除样本、均值插补会丢失协同反应信息；现有智能系统仅能单向预测性能，无自主迭代诊断闭环；现有工艺决策工具仅聚焦回收性能优化，缺少经济、环保维度同步评估；现有方案功能单一，无法兼顾多场景差异化需求。

3、目前已有少量结合知识图谱与机器学习的锂电材料回收优化方案，依靠图谱作为静态文本资料库的简单方案，行业亟需一套融合机理图谱、差异化机器学习、多路径智能决策、成本碳排放一体化测算的完整智能系统。

技术实现思路

1、本发明的目的是为了解决现有技术中依靠图谱作为静态文本资料库的简单方案，仅能实现基础性能预测，难以在物理安全边界内完成高精度、可解释、自主迭代的工艺寻优，同时缺失经济、碳足迹量化评估能力的问题，而提出的一种废旧锂电池回收的知识-数据双驱动智能决策系统及方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、整体划分为离线初始化训练、在线智能决策两大运行阶段：离线阶段同步完成知识图谱搭建、机器学习模型训练固化；在线阶段调用已构建完成的图谱、训练完毕的模型开展工艺寻优运算。该方案共包含六大核心功能模块：知识图谱自动构建模块、图拓扑多步跳连检索模块、双轨制机器学习预测模块、多路智能体认知决策模块、多工艺参数归因与图谱联动优化模块、工艺经济碳排一体化评估模块。各模块联动形成：机理约束输入→数据性能预测→多路径智能推理→物理自洽校验→参数归因调优→经济碳排综合评估完整闭环。所述模块具体定义如下：

4、知识图谱自动构建模块。本模块属于系统离线初始化单元，仅在系统部署或数据库更新阶段运行，构建完成的图谱存储于图数据库供在线检索调用；所述知识图谱自动构建模块采用自顶向下专家本体设计与自底向上大模型抽取混合构建策略，依托大语言模型对锂电回收非结构化文献开展上下文知识抽取，结合物化规则与专家经验联合质检，构建带向属性图形式的领域专属知识图谱；图谱节点划分为文献、电池体系、实验工序、操作变量、反应机理、性能、环境指标七大类，节点间配置从属、工序、机理触发、最优参数映射等有向关联关系，存储全领域定性先验约束；

5、图拓扑多步跳连检索模块。所述图拓扑多步跳连检索模块接收多路智能体转发的工艺优化检索需求，通过大语言模型解析用户业务意图，结合图谱本体中 ncm、lfp、lco、lmo 独立电池标签规则，动态生成适配目标电池体系的图数据库检索指令；检索执行 1～4深度自适应拓扑子图遍历，常规工况默认 1～3 跳算力配置，算力充足场景可拓展至 4跳，完整提取操作变量—反应机理—回收性能全链路因果证据。模块生成的检索语句强制禁用排序、数量截断类指令，实现文献、工序、参数、机理关联数据全量召回，无证据遗漏；同时内置双类检索切换逻辑：面向工艺寻优、性能预测需求执行全量数据提取，面向单一机理、单一试剂问询自动增加关键词过滤，降低检索算力开销。模块配套分层多跳问答评测体系，用于量化多步因果推理的逻辑完整性与结果稳定性；检索完成后将文献记载的热力学、动力学规律整理为物化边界约束，回传至多路智能体作为工艺生成、迭代优化的排他性前置条件，同时自动归档检索溯源结构化数据。

6、双轨制机器学习预测模块。本模块离线阶段完成模型训练固化，在线仅执行推理；离线训练数据来源为行业公开文献实验数据、工厂产线实测完整或残缺回收数据集；在线推理仅接收多路智能体转换后的标准化数值特征，不接收原始自然语言文本；所述双轨制机器学习预测模块用于针对不同回收工艺的数据特征构建差异化专属预测模型，模块内部采用金属差异化分轨建模策略，自动识别不同金属间知识迁移边界、抑制多任务负迁移效应；所述模块内置两套并行学习框架：

7、第一轨标签缺失情况：针对湿法、火法回收工业数据集普遍存在单样本仅部分金属有标注、其余金属标签缺失的非对称数据缺陷，本轨构建差异化分轨与师生伪标签演化双层学习架构，核心分为教师模型训练、伪标签生成过滤、学生融合重训三个完整阶段，全程区分过渡金属与锂的建模支路，规避跨元素理化冲突带来的预测精度衰减。各阶段定义如下：

8、1）教师模型训练阶段。从原始全部数据集中筛选锂、钴、镍、锰四类金属均具备完整标注的样本构成完备训练子集；考虑 ni、co、mn 三元过渡金属晶体结构、酸浸还原热力学、离子迁移机理高度同源，金属浸出行为存在强正向协同关联，可选用两种并行建模实现方案：方案一采用multioutputregressor封装 xgboost 基础回归器完成多任务同步拟合；方案二直接采用 xgb 原生多输出树结构进行联合训练，两种方式均可同步挖掘三类金属间正向协同特征；而 li 元素晶格脱嵌、溶出动力学、氧化还原机理与过渡金属存在本质差异，若与三元金属合并全局多输出训练会产生严重特征负迁移，因此单独搭建独立xgboost 预测支路。

9、超参数采用多层网格遍历寻优，每一组候选超参训练完成分轨模型后，代入泛化间隙惩罚综合评分函数（公式 1）量化模型泛化能力：

10、 （1）

11、其中，avg_r2_tr 为训练集平均决定系数，avg_r2_te 为测试集平均决定系数，λ为过拟合惩罚权重，本实施例中λ取值为 5；该评分机制用于超参数寻优环节，对每组候选超参对应的模型做泛化能力评估，自动筛除训练精度高、训练或测试 r2差距过大的过拟合参数组合，仅保留泛化稳定的超参用于构建教师模型，从源头降低后续伪标签的整体失真风险。

12、2）伪标签生成与双层过滤阶段。使用最优教师对残缺样本批量推理，依次通过置信度阈值、材料金属存在掩码两层规则过滤，剔除违背基础化学常识的低可信度预测。两层筛选完成后，留存符合置信与理化约束的预测值作为高质量伪标签。

13、3）学生模型融合重训阶段。将原始完备标注子集、过滤后的高质量伪标签样本合并，构建扩充后的全局混合训练数据集；学生模型复用教师模型的差异化分轨设计思路，ni/co/mn 可采用封装多输出回归或 xgb 原生多输出任一方式联合拟合，li 仍独立搭建单输出支路，完整规避跨元素特征冲突；混合数据集同时纳入真实实验真值与模型高可信预测值，充分挖掘残缺工业数据中潜藏的金属协同理化特征，最终训练得到适配残缺工业数据的预测模型，可同步输出锂、钴、镍、锰多金属浸出率。

14、第二轨标签完整情况：正极直接再生。第二轨面向标签完整的直接再生工艺：针对具备完整标签的直接再生数据集，采用随机森林算法进行特征重要性预筛选，设定重要性阈值剔除冗余变量后保留核心热处理与化学掺杂特征；在数据划分阶段引入贝叶斯优化框架，以测试集决定系数为目标函数自适应寻优训练-测试集划分比例；对定型后的预测模型进行五折交叉验证，并通过残差分布分析评估模型在多维非线性参数交互约束下的物理保真度。特征工程环节，依托预设数学公式从基础工艺变量在线衍生表征热力学、动力学特性的高阶物理描述符，作为模型输入特征，保障模型决策边界具备可解释物理含义，核心衍生公式如下：

15、管式炉加热强度：

16、 （2）

17、退火热处理强度：

18、 （3）

19、总热处理量：

20、 （3）

21、氧释放倾向性指数：

22、 （4）

23、其中

24、 （5）

25、温时协同系数：

26、 （6）

27、还原剂交互项：

28、 （7）

29、所述衍生特征被拼接至基础特征矩阵中，作为机器学习模型的输入，以确保模型决策边界的物理可解释性；所述物理描述符衍生公式不限于上述具体数学表达式，凡是利用管式炉温度与时间、退火温度与时间的对数或指数关系表征热处理强度的等价数学变换，包括底数替换、线性缩放、引入常数项微调，均落入本专利保护范围。

30、多路智能体认知决策模块。本模块为系统在线全局调度、跨模态特征转换、多场景任务分流与迭代反思闭环核心单元，依托带条件有向状态图搭建标准化状态流转框架，内置统一状态字典存储用户输入、工艺约束、图谱机理上下文、模型预测结果、迭代计数、工艺方案等全流程信息，依靠状态节点条件跳转实现全流程可追溯管控。模块采用大小模型分层协同调度架构，按任务推理难度拆分算力分工：轻量化大语言模型负责轻量化基础任务，完成用户意图识别、自然工艺参数向标准化物理数值跨模态对齐、任务路由分发、状态信息规整；深度推理大模型承接高阶复杂推理任务，实现新工艺参数生成、失效根因溯源、迭代参数修正、物化机理冲突判别。模块内置专属跨模态参数对齐规则，针对湿法、火法、直接再生三类回收工艺，将文本描述的酸、焙烧氛围、掺杂还原剂统一转化为解离常数、离散状态码、标准生成焓等量化数值，消除自然语言描述歧义，向下游预测模块输出规范特征矩阵。基于大模型意图解析结果，系统将业务需求动态分流为工艺探索寻优、纯机理问答、直接工况预测、失效实验诊断四类独立工作流，四类路径配置差异化运行逻辑：仅工艺探索寻优路径、失效实验诊断路径搭载可控上限的迭代反思闭环；纯机理问答、直接工况预测路径无迭代校验逻辑。其中工艺探索路径在预测性能不达标、工况与图谱物化机理冲突时，自动回溯上游节点迭代修正工艺参数；失效诊断路径配置专属递归处理逻辑，通过比对实测与预测性能缺口反向检索知识图谱定位失效机理，生成修正参数并二次预测验证，形成预测—诊断—修正—再预测的自洽闭环。迭代反思闭环内部嵌入博弈论参数归因逻辑：每一轮工艺工况完成图谱物理自洽校核后，在闭环内部调用多工艺参数归因与图谱联动优化模块，量化解析当前工况参数贡献度与跨工序耦合效应，依托归因结果指导下一轮工艺参数修正；待迭代收敛、生成最终合格工艺方案后，再将定型工况数据统一下发至工艺经济碳排一体化评估模块，输出兼顾回收性能、成本、碳排放的综合决策报告；纯机理问答路径无预测工况，直接组装机理分析报告输出，不进入归因与碳排评估链路。

31、多工艺参数归因与图谱联动优化模块。本模块内嵌于多路智能体认知决策模块的反思评估闭环内部，仅在工艺探索、失效诊断迭代流程中启动；模块复用双轨机器学习模型离线 treeshap 预存的全局 shapley 值与特征重要性，以实测—预测残差偏差为目标开展局部 shap 博弈论归因，定位造成性能偏差的高贡献工艺特征，并分湿法、火法、直接再生解析参数非线性耦合规律。模块将筛选出的核心特征作为检索锚点，经全局校核回流路径驱动知识图谱定向检索关联物化机理、最优参数区间与跨工序耦合边界，同步更新工艺搜索约束与失效匹配规则；更新后的机理约束回传至多路智能体以修正参数生成策略，开启新一轮迭代预测。系统循环执行归因—图谱检索—约束更新—重预测流程，直至实测与预测数据偏差达到预设阈值，退出反思闭环并输出工艺调参优化建议，收敛后的工况数据向下游经济碳排评估模块流转。

32、工艺经济碳排一体化评估模块。模块内置原料价格、工序碳排放因子数据库，预设物料损耗核算公式；接收工艺方案、物料参数、性能预测值后，自动核算单批次加工成本、全流程碳排放量，输出兼顾回收效率、经济性、低碳性综合评估报告。所述系统依托知识图谱提供白盒机理约束、依托双轨机器学习实现高精度性能预测、依托多路智能体完成多场景迭代寻优、依托归因模块实现机理可解释、依托碳排模块完成多维综合测算，形成完整知识—数据双驱动协同优化架构。

33、基于上述系统执行，包括以下步骤：

34、s1、知识图谱构建：依托大语言模型抽取锂电回收文献三元组，结合专家本体、物化规则联合质检，构建带向属性的电池回收领域知识图谱；

35、s2、图谱多跳约束检索：解析用户工艺需求，动态编译图数据库检索语句，执行多深度拓扑遍历，提取反应机理、工艺最优区间作为前置物理约束；

36、s3、差异化机器学习预测：针对湿法、火法标签缺失场景采用师生伪标签分轨模型预测多金属浸出率；针对标签完整的直接再生工艺嵌入物化衍生特征，采用全监督集成模型预测再生循环容量；

37、s4、多路径意图路由：解析用户业务需求，动态分流至工艺探索、纯机理问答、直接工况预测、失效诊断四类工作流，仅探索、诊断路径开启迭代反思闭环；

38、s5、迭代内博弈论参数归因与机理校核：单轮预测工况完成图谱物理自洽比对，在反思闭环内部通过博弈论量化参数贡献与多维耦合效应，锁定高贡献工艺特征联动图谱生成调参方案；若工况违背物化机理或性能未达标，触发状态机回溯修正参数并返回 s3 重预测，直至迭代收敛；

39、s6、工艺经济与碳排放一体化评估：迭代收敛得到最优工艺方案后，自动核算物料消耗、加工成本、全流程碳足迹，输出兼顾回收性能、经济性与低碳指标的综合工艺评估报告。

40、相较于现有技术，本发明的有益效果在于：

41、1）可应用于湿法浸、火法焙烧、正极直接再生全流程工艺参数优化：湿法场景，预测多金属浸出率，依托图谱与归因结果优化酸浓度、温度、固液比、还原剂配比；火法场景，预测焙后金属回收率，解析跨工序温时交互，优化焙烧、浸出全套工艺参数；直接再生场景，预测循环放电容量，基于晶格修复机理优化热处理、补锂、掺杂方案；实验诊断场景，针对失效工况自动根因溯源、迭代重构工艺；同步测算成本与碳排放，支撑绿色低碳工艺选型。

42、2）依托领域专属知识图谱与多跳因果检索，为工艺设计前置物化约束，大幅减少违背热力学、动力学的无效工艺方案；创新双轨分轨师生伪标签框架，区分锂与过渡金属理化差异，解决工业标签缺失数据集多任务负迁移问题，同步提升多金属预测精度； 搭建四路分流智能体与状态机反思闭环，实现实验失效自动诊断、参数迭代优化，显著缩短人工试错周期，降低原料与能耗成本；引入博弈论量化归因，打通机器学习黑盒与冶金机理，为全局工艺调优提供理论支撑；配置双向防幻觉链路、大小模型分层调度，兼顾推理精度与算力消耗，提升系统整体运行稳定性；设置成本、碳排放一体化评估单元，统一三类回收工艺标准化表征。