2025年科大讯飞AI算法大赛 全国冠军（低空经济锂离子电池正极材料制造优化赛道）

针对锂离子电池正极材料辊道窑烧结工艺核心痛点，运用AI技术解决“多温区调控难、质量-能效-产能难平衡”问题。

• 构建深度学习代理模型，基于生产数据实现17个测温点分布+能耗等关键指标精准预测，为工艺优化提供数据支撑。
• 设计多目标协同优化AI算法，破解参数冲突，成功找到“温度均匀性-高温段长度-能耗”三大目标最优平衡，形成可落地的AI驱动工艺调控方案。

项目说明（初赛与复赛）

本仓库包含两个阶段：

• 初赛：构建辊道窑烧结过程代理模型，完成测试集预测与提交文件。
• 复赛：基于代理模型进行多目标协同优化（H/L/E），输出最优设定与评分。

一、项目结构

├─ main.py                         # 初赛主程序：训练/评估/生成 submit1、submit2
├─ finals_optimize.py              # 复赛脚本：加载代理模型并优化 H/L/E
├─ models/                         # 权重与scaler（由 main.py 生成）
│  ├─ model1.pth / model2.pth
│  ├─ best_model1.pth / best_model2.pth
│  ├─ scaler_X_model1.pkl / scaler_X_model2.pkl
│  └─ scaler_y1.pkl / scaler_y2.pkl
├─ train/                          # 训练数据（train1.csv/train2.csv）
├─ test/                           # 测试数据（test1.csv/test2.csv）
├─ output_new/                     # 重采样中间结果（main.py 生成）
├─ results/                        # 输出目录
│  ├─ submit1.csv / submit2.csv    # 初赛预测
│  ├─ optimized_parameters.csv     # 复赛最优设定与 H/L/E/s2
│  ├─ optimization_summary.md      # 复赛摘要
│  └─ optimization_dump.json       # 复赛原始记录
├─ submit/                         # 提交样例（可由最新结果覆盖）
└─ requirements.txt                # 依赖

二、环境

• Python >= 3.8
• 安装依赖：

pip install -r requirements.txt

三、初赛（代理模型）

1. 运行：

python main.py

2. 关键流程：数据清洗 → 连续段&重采样（≤10min 连续）→ 高级特征工程 → 两阶段级联（模型1: V/T1/T2→T3/T4；模型2: V/T1/T2+T3/T4→T5/T6/E/H/L）→ 训练（含早停/调度/增强/迁移）→ 预测。
3. 输出：

• results/submit1.csv（测试集1：T3-/T4-，含 TIME）
• results/submit2.csv（测试集2：T3-/T4-/T5-/T6-/E/H/L）

4. 打包初赛提交：

mkdir -Force submit | Out-Null
Copy-Item -Force results\submit1.csv submit\submit1.csv
Copy-Item -Force results\submit2.csv submit\submit2.csv
Compress-Archive -Force -Path submit\* -DestinationPath submit.zip

四、复赛（多目标协同优化）

1. 前置：确保 models/ 下已有权重与 scaler（由 main.py 训练生成）。
2. 运行：

python finals_optimize.py

3. 目标与评分：

• 目标：最小 H、L∈[2,5]、最小 E。
• 隶属度与分值：
  • H：H≤2→μ=1(100分)；2<H≤5→μ=(5−H)/3(80分)；H>5→μ=0(0分)
  • L：L≤2→μ=0(0分)；2<L≤5→μ=(L−2)/3(100分)；L>5→μ=0(0分)
  • E：E≤200→μ=1(100分)；200<E≤300→μ=(300−E)/100(80分)；E>300→μ=0(0分)
• 复赛分：s2 = 0.4H分 + 0.3L分 + 0.3*E分。

4. 方法：加载模型1/模型2与 scaler → 级联预测（V/T1/T2→T3/T4→T5/T6/E/H/L）→ 进化搜索（历史统计边界内最大化 s2）。
5. 输出：results/optimized_parameters.csv、optimization_summary.md、optimization_dump.json。

五、复现实验与排错

• 顺序：python main.py → 检查 models/ → python finals_optimize.py。
• 若加载权重失败：确认 SimpleMLP 使用属性名 network（已修正）。
• 若 H/L/E 异常：确保 target_cols2 以 train2 原始列顺序筛选（已修正）。
• 提升稳健性：增大 pop_size/generations，多 seed 重启；可加入 L 超界惩罚或工艺先验（温区平滑）。

六、提交物建议

• 初赛：submit.zip（含 submit/submit1.csv、submit/submit2.csv）。
• 复赛：队伍名称.zip（源码、模型&scaler、数据或指引、results 输出、Word 说明文档：思路、开源依赖、运行步骤与复现）。

七、版权与开源

• 使用题方数据与常见开源框架（PyTorch、scikit-learn、pandas、numpy）。
• 产出的权重与脚本用于赛题复现与评审，不含额外闭源依赖。

解题思路与代码复现流程（初赛 + 复赛）

一、问题理解与总体方案

• 目标：构建辊道窑代理模型，预测 T3-/T4-/T5-/T6-/E/H/L，并在复赛中对 H/L/E 做多目标协同优化。
• 难点：多温区、多参数强耦合；测试集样本少；时间不规则采样；目标之间存在冲突（均匀性↔高温段长度↔能耗）。
• 总体思路：
  1. 数据治理与时间连续段处理，重采样到 5min；
  2. 分层特征工程（统计/梯度/交互/多项式/归一化/时间特征）；
  3. 级联两阶段 MLP 代理：
     • 模型1：V/T1/T2 → T3/T4；
     • 模型2：V/T1/T2 + 预测T3/T4 → T5/T6/E/H/L；
  4. 训练策略：标准化、早停、LR 调度、小样本增强、可选迁移；
  5. 复赛优化：在历史数据统计边界内进化搜索，最大化基于隶属度/档位分值的 s2。

二、数据处理与特征工程

• 清洗：数值列缺失用中位数，IQR 裁剪异常。
• 时间：TIME 转 datetime；相邻点 ≤10min 视为连续段；对 train1 以 5min 网格、±10min 窗口做均值重采样，断段不插值；首尾 ffill/bfill。
• 特征：
  • 统计：mean/std/max/min/range/cv（流量与温度）
  • 梯度/一二阶差分：T1_/T2_
  • 交互与多项式：flow_*、T1/T2 相互作用与平方/立方、比值/差异/对数
  • 归一化与时间差 time_diff 的派生

三、模型结构与训练

• 两阶段 MLP（PyTorch）：
  • 隐藏层 [1024, 512, 256, 128, 64]，BatchNorm + ReLU/LeakyReLU + Dropout
  • 优化：AdamW，ReduceLROnPlateau，梯度裁剪
• 标准化：StandardScaler（特征与各目标分组独立保存）
• 小样本增强：噪声、插值、缩放、混合、时间趋势/季节性、合成加权混合；低样本自动触发，支持渐进式增量增强。
• 迁移学习：层名对齐加载匹配权重，迁移率统计与告警。

四、评估指标与提交

• 初赛：
  • 测试集1：预测 T3-/T4-；
  • 测试集2：预测 T3-/T4-/T5-/T6-/E/H/L；
  • 相对误差按题面公式逐点求后取平均；s1 = 100 - (0.25*a + 0.75*b)。
• 复赛：
  • 隶属度与档位分值按题面；s2 = 0.4*H分 + 0.3*L分 + 0.3*E分。

五、复赛优化方法

• 级联预测函数：
  • x(V/T1/T2) → model1 标准化 → T3/T4（逆标准化）
  • 拼接成 x2 → model2 标准化 → T5/T6/E/H/L（逆标准化）
• 目标映射：严格按 train2 原始列顺序定位 H/L/E，避免错位。
• 搜索空间：来自 train1/2 的列最小/最大值（5% 安全外扩，非负裁剪）。
• 搜索算法：简化进化策略（精英保留、交叉、变异、缓存评估），最大化 s2。
• 结果输出：
  • results/optimized_parameters.csv：最优 V/T1/T2 与 H/L/E/s2
  • results/optimization_summary.md：摘要
  • results/optimization_dump.json：可复查原始记录

六、代码复现流程

1. 准备环境：

pip install -r requirements.txt

2. 放置数据：

• train/train1.csv、train/train2.csv
• test/test1.csv、test/test2.csv

3. 运行初赛训练与预测：

python main.py

• 生成：models/*.pth|pkl、results/submit1.csv、results/submit2.csv

4. 运行复赛优化：

python finals_optimize.py

• 生成：results/optimized_parameters.csv、optimization_summary.md、optimization_dump.json

5. 初赛打包提交（Windows PowerShell）：

mkdir -Force submit | Out-Null
Copy-Item -Force results\submit1.csv submit\submit1.csv
Copy-Item -Force results\submit2.csv submit\submit2.csv
Compress-Archive -Force -Path submit\* -DestinationPath submit.zip

6. 复赛打包建议：

• 队伍名称.zip：源码（含本文件）、models/、results/ 输出、train/ 与说明文档（Word）。

七、注意事项与排错

• 权重加载失败：确保 SimpleMLP 属性名为 network，与保存时一致。
• H/L/E 数值异常：检查 target_cols2 构造是否“按 train2 原始列顺序过滤”。
• 搜索贴边：可对 L 加硬约束（越界降权或拒绝）、对 E 允许小幅缓冲（如 ≤205）。
• 稳健性：增大 pop_size/generations，多 seed 重启；或引入分位数分段放宽的“逐层扩大”搜索。

八、开源组件与可复用说明

• 仅使用题方数据与通用开源库（PyTorch、scikit-learn、pandas、numpy）。
• 权重与脚本仅作赛题复现与评审，不含闭源依赖。