基于化成状态分析和强化学习的电池制造能力在线预测
作者单位:江南大学
学位级别:硕士
导师姓名:王子赟
授予年度:2023年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 082304[工学-载运工具运用工程] 081104[工学-模式识别与智能系统] 08[工学] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 0823[工学-交通运输工程]
摘 要:在动力电池制造预测领域中,因受外界环境多变、信号传输延时、生产工况繁杂和不确定噪声等因素影响,传统的神经网络模型难以精确地针对动力电池制造能力进行描述和在线预测,而强化学习等人工智能方法在制造预测方向也十分常见,且开展对动力电池制造能力的预测分析,对于企业合理安排生产周期,提高动力电池制造安全性和盈利性都有重大意义.因此针对动力电池制造预测方向的研究一直是动力电池制造领域中的热点,具有一定的理论意义.论文研究基于化成状态分析和强化学习的电池制造能力在线预测问题,主要研究工作如下:(1).动力电池化成段数据的准确性是影响动力电池制造能力在线预测的关键因素.针对动力电池制造流程中,化成工艺充放电信号传输过程中的延时无法避免的问题,引入迭代推导法,建立系统的凸空间结构.随后从凸空间角度根据当前时刻的扰动和噪声构建带状空间,获取符合状态预测和更新条件的凸空间表示,进而基于不确定时滞系统约束,建立线性规划不等式方程组,求解以获取能够包裹真实状态的可行集保守性最佳的凸空间体,提出基于凸空间滤波的不确定时滞系统状态估计算法,为动力电池制造能力在线预测提供数据源.(2).针对传统神经网络难以解决动力电池制造能力预测最佳适配的问题,利用强化学习构建循环神经网络和长短时记忆网络模型的隐含层节点学习环境,研究最优隐含层节点优化算法,进一步降低隐含层的预测偏差.进而构建组合模型的权重学习环境,经过迭代训练后得到最优权重,进一步降低组合权重的预测偏差.分析说明,基于神经网络模型的动力电池制造能力组合预测方法有较高的可靠性和预测精度.(3).针对动力电池在线预测的实时性问题,引入在线训练优化,利用二次指数平滑预测方法根据上一步预测的制造能力递推地更新下一步的预测结果,避免因数据波动趋势而产生的预测误差,从而提高在线预测准确性.针对在线预测更新过程中的在线权重更新问题,利用强化学习思想,建立最优在线权重学习环境,提出基于强化学习的动力电池制造能力组合在线预测算法.综上,论文基于化成状态分析和强化学习的电池制造能力在线预测方法开展研究,并通过仿真实例验证了提出方法的可行性和有效性.最后,论文将对此课题的研究内容进行总结与展望.