[发明专利]基于RVAE的三元正极材料制备过程监测方法及系统

权利要求书

1.一种基于RVAE的三元正极材料制备过程监测方法，其特征在于，包括以下步骤：

构建基于变分自编码器的烧结过程非线性动态系统模型；

通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的所述烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导所述烧结过程非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数；

根据基于循环变分自编码器的非线性动态系统模型，定义所述烧结过程非线性动态系统模型的统计量，并通过核密度估计得到所述烧结过程非线性动态系统模型的控制阈值；

收集在线数据作为所述非线性动态系统模型的测试集，并进行标准化处理；

基于构建的所述烧结过程非线性动态系统模型对所述测试集进行检测，计算测试样本的统计量，将计算出的所述统计量与预设的监测控制限进行比较来判断故障是否发生，并输出检测结果。

2.如权利要求1所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述构建基于变分自编码器的烧结过程非线性动态系统模型的步骤包括：

将收集的历史数据作为模型训练集，对所述模型训练集中的每个标本进行标准化处理；

基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型。

3.如权利要求2所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述基于变分自编码器的非线性框架，联合循环神经网络构建隐变量的自回归方程，得到基于循环变分自编码器的烧结过程非线性动态系统模型的步骤中，得到的所述烧结过程非线性动态系统模型的数学结构为：

z(1)＝μ(1)+σ(1)×ε,ε～N(0,I)

z(t)＝q(h(t-1))+B(t)μ(t)+σ(t)×ε

h(t-1)＝[z(t-1)^T,z(t-2)^T…,z(t-T)^T]

其中，z(1)为第1个时刻的隐变量，μ(1)和σ(1)为第1个时刻由推理网络计算得到的均值和方差；z(t)为第t个时刻的隐变量；和分别为第t个时刻重构的过程变量和质量变量；μ(t)和σ(t)为第t个时刻由推理网络计算得到的均值和方差；ε是重参数因子，服从标准高斯分布；B(t)为第t个时刻过渡矩阵；T表示过程的时滞系数；h(t-1)为包含过去T个时间长度隐变量的状态增量；q(*)、f(*)和g(*)为神经网络逼近的非线性函数。

4.如权利要求1所述的基于RVAE的三元正极材料制备过程监测方法，其特征在于，所述通过循环神经网络建立隐变量之间的自回归方程，并引入加权移动平均法对构建的所述烧结过程非线性动态系统模型中不同时刻样本赋予不同权重，推导最终非线性动态系统模型的损失函数，并通过反向误差传播训练模型参数的步骤中，

根据前向传播算法，循环神经网络不同时刻隐藏层输出为：

h(t)＝f(Uz(t)+Wh(t-1)+b)

其中，U和W为权重矩阵，z(t)为不同时刻推理网络计算出的隐变量，h(t)为隐藏层单元，h(t-1)为上一时刻隐藏层输出，b是偏置项，f(*)为激活函数；

推导出的所述烧结过程非线性动态系统模型的损失函数为：

其中，J(Φ,Θ)为损失函数，weight(t)为t时刻权重样本权重，x(t)为t时刻过程变量，μ_x(t)为过程变量的期望均值，y(t)为t时刻质量变量，μ_y(t)为质量变量的期望均值，weight(0)为初始样本权重，D_KL为KL散度，z(1)为初始时刻隐变量，φ(1)为初始神经网络参数，N(0,I)为标准高斯分布，z(t)为t时刻隐变量，h(t-1)为t-1时刻隐变量状态增量，φ(t)为t时刻神经网络参数，I为单位矩阵，q(*)和p(*)为神经网络逼近的非线性函数。