一种基于机器学习的电池生产安全预测方法与流程

1.本发明涉及电池生产安全预测方法，尤其涉及一种基于机器学习的电池生产安全预测方法。


背景技术：

2.当前，在电池生产制造过程中，电池生产厂家工艺工程师的能力水平参差不齐，会出现流程工艺参数设置会问题，导致生产批量库位流程被保护停止，只能进行库位批量返工，极大的浪费了人力和时间成本，造成生产效率严重不足。而且经验依赖于人，在人员流失和不稳定的情况下，也对电池安全生产造成不稳定因素。当前电池生产的过程安全主要取决于：参数保护设置及供应商系统稳定性。前者需要厂家工艺经验并结合试产进行不断调整，过严会导致误保护影响产能，过松会漏过异常情况造成事故隐患，后者需要供应商硬件和软件系统稳定可靠。一般电池生产环境温度较高、自动化流水线24h满载跑，生产过程硬件老化、线路接触不良等，在运行过程中也可能造成隐患。当前电池生产系统，缺少一种智能化的、能根据工艺配置和生产大数据学习，能动态进行安全预测并提供给客户安全干预的技术。


技术实现要素：

3.本发明要解决的技术问题在于，针对现有技术的不足，提供一种具备智能化性能、能根据工艺配置和生产大数据学习、能动态进行电池生产安全预测的基于机器学习的电池生产安全预测方法。
4.为解决上述技术问题，本发明采用如下技术方案。
5.一种基于机器学习的电池生产安全预测方法，所述方法基于数据预处理模块、调参建模模块和预测模块实现，所述方法包括有如下步骤：步骤s1，获取大量锂电池化成与分容工步配置数据、关键参数保护策略和工步运行数据，用于训练模型；步骤s2，利用所述数据预处理模块对所获取的数据进行预处理，所述预处理步骤包括但不限于数据读取、异常数据检测、特征提取、特征标准化和特征筛选；步骤s3，所述调参建模模块采用梯度提升树模型框架light-gbm进行模型训练与参数调整，进而得到最优的电池生产安全预测模型；步骤s4，所述预测模块对经过数据预处理后的待预测数据进行预测输出。
6.优选地，所述步骤s2中，所述数据预处理模块根据电池配置数据和电池充放电过程数据的不同文件格式，设计不同格式数据的处理方法，受各特征的量纲不同以及模型训练速度与效果影响，先对特征数据进行标准化处理，将特征值约束在区间[-1,1]内，再基于递归选择法的特征筛选方法剔除一定比例的消极特征，进而优化模型效果。
[0007]
优选地，所述步骤s3中，所述调参建模模块包括参数调优函数，所述参数调优函数基于贝叶斯原理的参数调优法，用于根据给定的各参数合适的搜索范围自动搜索出最优的参数组合。
[0008]
优选地，所述步骤s3中，所述调参建模模块包括模型训练功能函数，所述模型训练
功能函数用于读取预处理后的训练数据，进行训练学习并自动调用参数调优函数，进而获得最优参数后构建最优模型，保存模型文件。
[0009]
优选地，所述步骤s4中，所述预测模块包括数据处理函数和预测输出功能函数，待预测原始数据文件需要经过与训练数据一致的数据处理后再进行预测，否则将报错或输出错误预测值。
[0010]
优选地，所述步骤s4中，将处理后的待预测数据输入light-gbm树模型进行预测输出，得到安全预测评估结果。
[0011]
优选地，所述步骤s2中，执行所述预处理步骤的特征提取功能函数用于构造出大量与最终安全高度相关的衍生特征，作为构建高精度回归预测模型的必要条件。
[0012]
优选地，所述特征提取功能函数构造衍生特征的过程包括：锂电池安全数据的原始特征包括时间点、实时电流、实时电压、电压差、阻抗、实时/累计容量和温度，所述特征提取功能函数按照采样时刻以及时间顺序进行安全特征提取。
[0013]
优选地，所述特征提取功能函数构造衍生特征的过程中，通用的特征构造方法包括对原始特征求均值、中位数、标准差、峰度和极值的统计量，这些统计量用于反映整个电池生产过程数据集的特征或规律，结合大数据学习和异常安全模型的构建和识别，对实时生产数据与异常模型进行比对，进而产生安全配置策略并进行相关判断和动作。
[0014]
优选地，所述统计量包括但不限于主电压-线电压的电压差、累计容量和阻抗。
[0015]
本发明公开的基于机器学习的电池生产安全预测方法，其相比现有技术而言的有益效果在于，本发明不仅具备智能化性能，而且能根据工艺配置和生产大数据进行学习，能动态进行电池生产安全预测，较好地满足了应用需求。
附图说明
[0016]
图1为本发明基于机器学习的电池生产安全预测方法的流程图；
[0017]
图2为正常电压压差模型曲线图；
[0018]
图3为异常压差数据模型曲线图；
[0019]
图4为正常的容量模型曲线图；
[0020]
图5为异常容量数据模型曲线图；
[0021]
图6为正常的阻抗模型曲线图；
[0022]
图7为异常阻抗数据模型曲线图；
[0023]
图8为一次树模型示意图；
[0024]
图9为图7的局部放大图一；
[0025]
图10为图7的局部放大图二；
[0026]
图11为图7的局部放大图三。
具体实施方式
[0027]
下面结合附图和实施例对本发明作更加详细的描述。
[0028]
本发明公开了一种基于机器学习的电池生产安全预测方法，请参见图1，所述方法基于数据预处理模块、调参建模模块和预测模块实现，所述方法包括有如下步骤：
[0029]
步骤s1，获取大量锂电池化成与分容工步配置数据、关键参数保护策略和工步运
行数据，用于训练模型；
[0030]
步骤s2，利用所述数据预处理模块对所获取的数据进行预处理，所述预处理步骤包括但不限于数据读取、异常数据检测、特征提取、特征标准化和特征筛选；
[0031]
步骤s3，所述调参建模模块采用梯度提升树模型框架light-gbm进行模型训练与参数调整，进而得到最优的电池生产安全预测模型；
[0032]
步骤s4，所述预测模块对经过数据预处理后的待预测数据进行预测输出。
[0033]
上述方法中，首先获取大量训练用的电池的化成工艺与分容工艺的完整工艺数据，后按照拟定方案进行数据清洗；根据化成或分容工艺数据的原始特征如压差、容量、阻抗等，以及根据各工步状态，设计特征提取方案，提取足量的衍生特征；之后对经过特征提取的特征进行标准化转换，消除各特征在量纲及数值类型上的差异，再通过递归法进行特征筛选，剔除与目标值相关性过小的特征，以提高模型的训练效率及泛化性能；然后再构建集成学习树模型light-gbm的初始模型框架，将处理好的训练数据代入模型中，通过贝叶斯搜索方法，搜索使模型评估效果达到最优的超参数，最终确定安全预测模型；最后进入预测输出阶段，待预测数据为实时的电池生产过程数据集。将待预测数据进行同样的特征提取、标准化、特征筛选等预处理步骤后，调用步骤三中训练好的安全预测模型进行预测，根据客户配置的权重，输出安全预测分数和异常通道/托盘，提供客户干预策略。相比现有技术而言，本发明不仅具备智能化性能，而且能根据工艺配置和生产大数据进行学习，能动态进行电池生产安全预测，较好地满足了应用需求。
[0034]
实际应用中，本发明基于机器学习模型及电池充放电工艺配置数据、过程数据对锂电池安全生产进行预测并能主动进行危险防范干预的方法。在锂电电池的生产工艺流程中包含了两个至关重要的步骤：化成与分容。其中，化成工艺会对锂电池进行恒流充电、静置等工步；分容工艺会对锂电池进行恒流放电、恒流充电、恒压充电、静置等工步。各电池制造厂家对不同电芯类型，不同配方电芯会有化成、分容工步配置的差异。如果充放电的工步配置不合理或者生产运行过程中的异常电池、线路松动等，运行过程没有及时发现隐藏的问题，将会产生过充/过放、电池鼓包、甚至起火等不可预估结果。本发明旨在通过化成、分容的工步配置信息，结合参数保护策略，利用充放电过程数据，进行生产安全预测，提供风险通道或者托盘信息，提供主动干预。(类似汽车l2辅助驾驶功能，达到：主动刹车，主动避让，车道保持等功能。)
[0035]
关于所述数据预处理模块、调参建模模块和预测模块的具体内容，在本发明的所述步骤s2中，所述数据预处理模块根据电池配置数据和电池充放电过程数据的不同文件格式，设计不同格式数据的处理方法，受各特征的量纲不同以及模型训练速度与效果影响，先对特征数据进行标准化处理，将特征值约束在区间[-1,1]内，其中衍生出的大量特征并非都对预测精度具有积极性，多重共线性及无效特征将对预测效果产生消极影响，本发明基于递归选择法的特征筛选方法剔除一定比例的消极特征，进而优化模型效果。
[0036]
关于所述调参建模模块，其中包括参数调优和模型训练功能函数。light-gbm树模型需要设置相关参数如迭代次数、最大层级数、样本采样比例、正则化参数等，最合适的参数组合将构建出效果最优的安全预测模型。在本实施例的所述步骤s3中，所述调参建模模块包括参数调优函数，所述参数调优函数基于贝叶斯原理的参数调优法，用于根据给定的各参数合适的搜索范围自动搜索出最优的参数组合。此函数覆盖范围广，但耗时相对较长，
更适用于高度自动化的安全预测系统。
[0037]
进一步地，在所述步骤s3中，所述调参建模模块包括模型训练功能函数，所述模型训练功能函数用于读取预处理后的训练数据，进行训练学习并自动调用参数调优函数，进而获得最优参数后构建最优模型，保存模型文件。
[0038]
关于所述预测模块的具体内容，本实施例的所述步骤s4中，所述预测模块包括数据处理函数和预测输出功能函数，待预测原始数据文件需要经过与训练数据一致的数据处理后再进行预测，否则将报错或输出错误预测值。进一步地，所述步骤s4中，将处理后的待预测数据输入light-gbm树模型进行预测输出，得到安全预测评估结果。
[0039]
作为一种优选方式，所述步骤s2中，执行所述预处理步骤的特征提取功能函数用于构造出大量与最终安全高度相关的衍生特征，作为构建高精度回归预测模型的必要条件。具体如下：
[0040]
所述特征提取功能函数构造衍生特征的过程包括：锂电池安全数据的原始特征包括但不限于时间点、实时电流、实时电压、电压差(主电压-线电压)、阻抗、实时/累计容量和温度，所述特征提取功能函数按照采样时刻以及时间顺序进行安全特征提取。
[0041]
所述特征提取功能函数构造衍生特征的过程中，通用的特征构造方法包括对原始特征求均值、中位数、标准差、峰度和极值的统计量，这些统计量用于反映整个电池生产过程数据集的特征或规律，结合大数据学习和异常安全模型的构建和识别，对实时生产数据与异常模型进行比对，进而产生安全配置策略并进行相关判断和动作。其中，所述统计量包括但不限于主电压-线电压的电压差、累计容量和阻抗。
[0042]
下面提供一些具体的实例对本发明作更加详细的解释说明。
[0043]
1、差压特征举例请参见图2，图2中，正常的电压压差模型：取某客户整盘75个电池的化成、分容段生产工艺数据，x轴为时间间隔，y轴为电池电压差(主电压-线电压)；
[0044]
异常压差数据请参见图3，其中，有大于10条数据明显与正常压差模型偏差过大；
[0045]
经分析，通过本专利的电池安全预测模型学习，根据客户经验和历史数据标定的异常数据进行异常模型建模，对生产数据和异常模型比对，产生一定差值范围后，根据权重计算出安全分数，根据客户的安全生产配置策略，进行后续安全动作干预(比如：超过安全分数低于xx分，进行该通道关闭，低于xx分，进行整盘电池关闭)。
[0046]
2、容量特征举例请参见图4，图4所示为正常的容量模型：取某客户整盘75个电池的化成、分容段生产工艺数据，x轴为时间间隔，y轴为电池容量；
[0047]
异常容量数据请参见图5，其中，有1条数据明显异常，有一大段数据与正常数据偏差过大。
[0048]
3、阻抗特征举例请参见图6，图6为正常的阻抗模型：取某客户整盘75个电池的化成、分容段生产工艺数据，x轴为时间间隔，y轴为电池阻抗；
[0049]
异常阻抗数据请参见图7，有3条数据明显异常，有多条数据与正常数据偏差过大。
[0050]
基于上述三组数据，根据三个特征模型、客户权重(可配)，进行安全生产打分：
[0051]
[0052][0053]
上表中列举了经过电池压差、容量、阻抗安全特征和异常特征提取后的测试样本数据样例，并根据客户设定权重比例，进行安全预测分数评估，并将相关异常通道数据提供给客户mes、上位机，以便进行相关安全措施介入。对安全预测分数小于60分，建议关闭相关电池通道；小于30分，建议关闭整盘，进行后续问题定位，确保安全生产。本方法可以将复杂的电池生产进行安全预测打分，给客户简单的操作、清晰的处理建议。
[0054]
此处应当说明的是，需要声明，本发明的适用范围包括但不限于磷酸铁锂电池、三元锂电池，以及包括后续的钠离子、固态电池等，生产制造环节均会有化成、分容检测的工艺，本文方法均可适用。
[0055]
相对于现有固定参数保护的技术，本发明中的安全预测方法有以下优势：
[0056]
1、本发明所述的电池分容工艺容量预测方法依据于自主设计的特征提取方法，能衍生出足量的容量高度相关的特征，从而构建十分稳定的模型关系；
[0057]
2、本预测方法采用的是集成学习的树模型light-gbm框架，是一种非线性模型，在拟合程度上远高于普通线性模型；
[0058]
3、对比传统的集成学习树模型如随机森林和gbdt，light-gbm模型框架自有直方图算法、单边梯度抽样法、互斥特征捆绑等技术，在计算速度、内存占用、鲁棒性、预测精度等方面具有很高的优势；
[0059]
4、在模型参数调优方面，本发明运用的是贝叶斯搜索方法，通过封装模块，能够实现自动调参的功能，在频繁的模型更新迭代的过程不需要专业人员的过多介入，能够被实施人员简单地调用，相比起网格搜索调参等手动调参方法，贝叶斯搜索方法在工业生产应用上更适用。
[0060]
集成学习树模型light-gbm框架，是目前最为高效、稳定及精确的机器学习模型之一，对于容量预测此类回归预测问题十分契合。light-gbm模型框架具有以下的特点：
[0061]
d1、light-gbm是基于梯度提升算法与boosting集成学习策略的模型，基于每一个训练的梯度提升树基模型的输出的残差，串联地迭代训练大量的树模型以减少损失函数，在基模型的不断迭代中light-gbm的拟合程度将不断提升，直至设定的停止条件；
[0062]
d2、梯度提升算法即梯度下降法，基本原理为通过求解损失函数l(θ)对每个参数变量的偏导数得到梯度用步长α乘以损失函数的梯度并更新到原来参数
[0063]
d3、采用泰勒公式对目标函数进行展开，可以将目标函数不断化简，泰勒公式是将一个在x＝x0处具有n阶导数的函数f(x)利用关于x-x0的n次多项式来逼近函数的方法，若函数f(x)在包含x0的某个闭区间[a，b]上具有n阶导数，且在开区间(a，b)上具有n 1阶导数，则对闭区间[a，b]上任意一点有其中称为函数在x0处的泰勒展开式，rn(x)是泰勒公式的余项且是(x-x0)n的高阶无穷小。经过泰勒公式化简后的目标函数其中gj和hj分别为每个节点的一阶导数和二阶导数，t为叶子总个数，γ和λ分别为叶子节点权重，和所有节点权重的调整系数，所以在求解目标函数的过程中，只需要计算相应节点的一阶导数和二阶导数，从而提高了树模型的构建效率；
[0064]
d4、直方图算法：把连续的浮点特征离散化为k个整数(也就是分桶bins的思想)，比如[0,0.1)-》0,[0.1,0.3)-》1。并根据特征所在的bin对其进行梯度累加和个数统计，在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点；
[0065]
d5、单边梯度抽样法：保留了梯度大的样本，并对梯度小的样本进行随机抽样，为了不改变样本的数据分布，在计算增益时为梯度小的样本引入一个常数进行平衡；
[0066]
d6、互斥特征捆绑法：是从减少特征的角度去提高light-gbm的效率，它指出如果将一些特征进行融合绑定，则可以降低特征数量；
[0067]
d7、作为一种决策树类型的模型，light-gbm的生长策略是leaf-wise，是一种更为高效的策略，每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。因此同level-wise相比，在分裂次数相同的情况下，leaf-wise可以降低更多的误差，得到更好的精度。
[0068]
请参见图8至图11为一次树模型构建的图示表达，树模型无法像线性模型一样通过一个易于理解的线性方程式来表达。
[0069]
具体地，light-gbm模型寻找最优的特征分割点，分裂生成树结构以及最后的各叶子结点leaf，由叶子结点投票或加权结合输出预测目标值。模型评估如下：
[0070][0071]
本发明涉及的建模过程采用的评估标准为平均绝对误差(mae)，是目标值yi和预测值之差的绝对值的平均。mae的意义非常直观，且与业务上的评判标准预测绝对误差百分率高度相关。
[0072]
本发明公开的基于机器学习的电池生产安全预测方法，其相比现有技术而言的有益效果在于，本发明不仅具备智能化性能，而且能根据工艺配置和生产大数据进行学习，能动态进行电池生产安全预测，较好地满足了应用需求。
[0073]
以上所述只是本发明较佳的实施例，并不用于限制本发明，凡在本发明的技术范
围内所做的修改、等同替换或者改进等，均应包含在本发明所保护的范围内。