CN115520700B - 一种多轴多传感器融合的张力稳定方法及装置 - Google Patents

一种多轴多传感器融合的张力稳定方法及装置 Download PDF

Info

Publication number
CN115520700B
CN115520700B CN202211306813.4A CN202211306813A CN115520700B CN 115520700 B CN115520700 B CN 115520700B CN 202211306813 A CN202211306813 A CN 202211306813A CN 115520700 B CN115520700 B CN 115520700B
Authority
CN
China
Prior art keywords
tension
foil
error
preset
interval
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211306813.4A
Other languages
English (en)
Other versions
CN115520700A (zh
Inventor
魏新元
胡旭钢
纪鹏飞
高恩超
朱冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Yuchendong Intelligent Technology Co ltd
Original Assignee
Zhejiang Yuchendong Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Yuchendong Intelligent Technology Co ltd filed Critical Zhejiang Yuchendong Intelligent Technology Co ltd
Priority to CN202211306813.4A priority Critical patent/CN115520700B/zh
Publication of CN115520700A publication Critical patent/CN115520700A/zh
Application granted granted Critical
Publication of CN115520700B publication Critical patent/CN115520700B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H26/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms
    • B65H26/02—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to presence of irregularities in running webs
    • B65H26/04—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms responsive to presence of irregularities in running webs for variation in tension
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H16/00—Unwinding, paying-out webs
    • B65H16/02—Supporting web roll
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H16/00—Unwinding, paying-out webs
    • B65H16/10—Arrangements for effecting positive rotation of web roll
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H18/00—Winding webs
    • B65H18/02—Supporting web roll
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H18/00—Winding webs
    • B65H18/08—Web-winding mechanisms
    • B65H18/10—Mechanisms in which power is applied to web-roll spindle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/02—Registering, tensioning, smoothing or guiding webs transversely
    • B65H23/032—Controlling transverse register of web
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/16—Registering, tensioning, smoothing or guiding webs longitudinally by weighted or spring-pressed movable bars or rollers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/18—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web
    • B65H23/182—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in unwinding mechanisms or in connection with unwinding operations
    • B65H23/1825—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in unwinding mechanisms or in connection with unwinding operations and controlling web tension
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/26—Registering, tensioning, smoothing or guiding webs longitudinally by transverse stationary or adjustable bars or rollers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H23/00—Registering, tensioning, smoothing or guiding webs
    • B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
    • B65H23/34—Apparatus for taking-out curl from webs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2701/00—Handled material; Storage means
    • B65H2701/10—Handled articles or webs
    • B65H2701/11—Dimensional aspect of article or web
    • B65H2701/113—Size
    • B65H2701/1133—Size of webs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H2701/00—Handled material; Storage means
    • B65H2701/10—Handled articles or webs
    • B65H2701/17—Nature of material
    • B65H2701/173—Metal

Landscapes

  • Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)

Abstract

本申请公开了一种多轴多传感器融合的张力稳定方法及装置，其方法包括获取设定张力以及设定运行速度，按照设定张力对箔材进行张力输出，并按照设定运行速度控制箔材的运行速度；基于张力传感器采集第一张力，并根据预设张力以及第一张力计算出张力误差绝对值；当检测到张力误差绝对值处于预设第一区间时，确定第一参数；将设定运行速度以及张力误差绝对值输入深度学习神经网络，得到第一目标速度。本申请一方面可通过第一参数来控制系统的张力输出，另一方面还可结合与第一参数对应的深度学习神网络来实现对系统张力输出的控制，不仅均可提升张力控制响应速度和稳定性，还可保证系统在非线性摩擦的影响下仍具有较高的跟踪精度。

Description

一种多轴多传感器融合的张力稳定方法及装置
技术领域
本申请属于卷绕生产加工技术领域，特别的涉及一种多轴多传感器融合的张力稳定方法及装置。
背景技术
目前，随着卷绕生产加工工艺的复杂化，对连续卷绕生产加工的质量和效率要求也越来越高。张力控制系统作为卷绕设备的重要组成部分，其控制精度和稳定性对保证卷绕设备的质量至关重要，尤其在卷绕设备的收放卷运行过程中，由于卷径发生变化所引起的卷辊转动惯量的变化，以及外部扰动和张力摆杆引起的带长度变化等影响因素，都会导致收、放卷的张力出现波动，若存在过高的张力会引起更多褶皱，影响后期的工艺。
在传统技术工艺中一般将PID( 比例、积分、微分) 控制应用在对卷绕设备的收放卷运行过程中，其方式存在难适应时变、耦合、非线性以及抗干扰性弱等问题，已无法满足现代化的生产加工要求。
发明内容
本申请为解决上述提到的PID控制存在难适应时变、耦合、非线性以及抗干扰性弱等问题，已无法满足现代化的生产加工要求等技术问题，提出一种多轴多传感器融合的张力稳定方法及装置，其技术方案如下：
第一方面，本申请实施例提供了一种多轴多传感器融合的张力稳定方法，方法应用于多轴多传感器融合的张力稳定系统，多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，放卷机构包括用于调整箔材位置的放卷纠偏传感器，涂布机头用于控制箔材的运行速度，收卷机构包括用于调整箔材边缘平整度的收卷纠偏传感器以及张力传感器，方法包括：
获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度；
基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值；
当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数；
基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
在第一方面的一种可选方案中，基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，还包括：
当检测到箔材的张力误差绝对值处于预设第二区间时，确定与预设第二区间对应的第二参数；其中，预设第二区间小于预设第一区间；
基于与预设第二区间对应的第二参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第二目标速度。
在第一方面的又一种可选方案中，基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，还包括：
当检测到箔材的张力误差绝对值处于预设第三区间时，确定与预设第三区间对应的第三参数；其中，预设第三区间小于预设第二区间；
基于与预设第三区间对应的第三参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第三目标速度。
在第一方面的又一种可选方案中，多轴多传感器融合的张力稳定系统包括m个通道，每个通道用于控制箔材进行输出；其中，m为正整数；
根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值，包括：
根据与第n通道对应的设定张力以及箔材的第一张力，计算出第n通道的箔材在第k时刻的第一张力误差；其中，n小于或等于m，k为正整数；
获取第n通道的箔材在第k-1时刻的张力误差，并根据第一张力误差与箔材在第k-1时刻的张力误差之间的差值，计算出第n通道的箔材在第k时刻的第二张力误差；
获取第n通道的箔材在第k-2时刻的张力误差，并根据第一张力误差、第二张力误差以及箔材在第k-2时刻的张力误差，计算出第n通道的箔材在第k时刻的第三张力误差；
分别得到与第一张力误差、第二张力误差以及第三张力误差各自对应的绝对值。
在第一方面的又一种可选方案中，当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数，包括：
当检测到与第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与第二张力误差对应的绝对值处于预设第一区间，以及
当检测到与第三张力误差对应的绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数。
在第一方面的又一种可选方案中，将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度，包括：
将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的误差速度；
获取与虚拟主轴对应的补偿速度，并对箔材的误差速度以及与虚拟主轴对应的补偿速度进行叠加处理，得到箔材的第一目标速度。
在第一方面的又一种可选方案中，将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度之前，还包括：
对设定运行速度以及箔材的张力误差绝对值进行归一化处理；
将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度，包括：
将处理后的设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
第二方面，本申请实施例提供了一种多轴多传感器融合的张力稳定装置，装置应用于多轴多传感器融合的张力稳定系统，多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，放卷机构包括用于调整箔材位置的放卷纠偏传感器，涂布机头用于控制箔材的运行速度，收卷机构包括用于调整箔材边缘平整度的收卷纠偏传感器以及张力传感器，装置包括：
控制输出模块，用于获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度；
第一计算模块，用于基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值；
第二计算模块，用于当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数；
数据处理模块，用于基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
在第二方面的一种可选方案中，装置还包括：
第一处理模块，用于在基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，当检测到箔材的张力误差绝对值处于预设第二区间时，确定与预设第二区间对应的第二参数；其中，预设第二区间小于预设第一区间；
第二处理模块，用于基于与预设第二区间对应的第二参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第二目标速度。
在第二方面的又一种可选方案中，装置还包括：
第三处理模块，用于在基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，当检测到箔材的张力误差绝对值处于预设第三区间时，确定与预设第三区间对应的第三参数；其中，预设第三区间小于预设第二区间；
第四处理模块，用于基于与预设第三区间对应的第三参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第三目标速度。
在第二方面的又一种可选方案中，多轴多传感器融合的张力稳定系统包括m个通道，每个通道用于控制箔材进行输出；其中，m为正整数；
第一计算模块包括：
第一计算单元，用于根据与第n通道对应的设定张力以及箔材的第一张力，计算出第n通道的箔材在第k时刻的第一张力误差；其中，n小于或等于m，k为正整数；
第二计算单元，用于获取第n通道的箔材在第k-1时刻的张力误差，并根据第一张力误差与箔材在第k-1时刻的张力误差之间的差值，计算出第n通道的箔材在第k时刻的第二张力误差；
第三计算单元，用于获取第n通道的箔材在第k-2时刻的张力误差，并根据第一张力误差、第二张力误差以及箔材在第k-2时刻的张力误差，计算出第n通道的箔材在第k时刻的第三张力误差；
第四计算单元，用于分别得到与第一张力误差、第二张力误差以及第三张力误差各自对应的绝对值。
在第二方面的又一种可选方案中，第二计算模块具体用于：
当检测到与第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与第二张力误差对应的绝对值处于预设第一区间，以及
当检测到与第三张力误差对应的绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数。
在第二方面的又一种可选方案中，数据处理模块包括：
第一处理单元，用于将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的误差速度；
第二处理单元，用于获取与虚拟主轴对应的补偿速度，并对箔材的误差速度以及与虚拟主轴对应的补偿速度进行叠加处理，得到箔材的第一目标速度。
在第二方面的又一种可选方案中，装置还包括：
预处理模块，用于在将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度之前，对设定运行速度以及箔材的张力误差绝对值进行归一化处理；
数据处理模块具体用于：
将处理后的设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
第三方面，本申请实施例还提供了一种多轴多传感器融合的张力稳定装置，包括处理器以及存储器；
处理器与存储器连接；
存储器，用于存储可执行程序代码；
处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于实现本申请实施例第一方面或第一方面的任意一种实现方式提供的多轴多传感器融合的张力稳定方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被处理器执行时，可实现本申请实施例第一方面或第一方面的任意一种实现方式提供的多轴多传感器融合的张力稳定方法。
在本申请实施例中，可在对卷绕设备进行张力控制时，获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度；接着基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值；接着当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数；接着基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。一方面可直接通过确定出的第一参数来控制多轴多传感器融合的张力稳定系统的张力输出，另一方面还可基于第一参数得到相应的训练后的深度学习神经网络，以通过该深度学习神经网络来实现对多轴多传感器融合的张力稳定系统的张力输出控制，不仅均可提升张力控制响应速度和稳定性，保证系统在非线性摩擦的影响下仍具有较高的跟踪精度，还可提高电机同步精度，增强系统抗干扰性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种多轴多传感器融合的张力稳定方法的整体流程示意图；
图2为本申请实施例提供的一种多轴多传感器融合的张力稳定系统的结构示意图；
图3为本申请实施例提供的一种深度学习神经网络的结构示意图；
图4为本申请实施例提供的一种多轴多传感器融合的张力稳定系统的执行效果示意图；
图5为本申请实施例提供的一种多轴多传感器融合的张力稳定装置的结构示意图；
图6为本申请实施例提供的又一种多轴多传感器融合的张力稳定装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
在下述介绍中，术语“第一”、“第二”仅为用于描述的目的，而不能理解为指示或暗示相对重要性。下述介绍提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
请参阅图1，图1示出了本申请实施例提供的一种多轴多传感器融合的张力稳定方法的整体流程示意图。
如图1所示，该多轴多传感器融合的张力稳定方法至少可以包括以下步骤：
步骤102、获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度。
在本申请实施例中多轴多传感器融合的张力稳定方法可应用于多轴多传感器融合的张力稳定系统，该多轴多传感器融合的张力稳定系统至少可以包括依次设置的放卷机构、涂布机头以及收卷机构，其中，放卷结构可用于根据用户选择或是预先设定张力建立运行与该用户选择或是预先设定张力一致的张力。可以理解的是，该放卷机构具体可包括放卷单元、由摆杆电位器和气缸组成的张力摆杆、放卷纠偏传感器、放卷纠偏机架以及用于传输箔材的辊，该放卷纠偏传感器可与放卷纠偏机架相配合以用于共同完成对放卷部分的箔材纠偏，保证箔材的位置不变，该放卷单元可与张力摆杆共同建立运行的与该用户选择或是预先设定张力一致的张力。此处，放卷单元可理解为卷绕有箔材的设备，在本申请实施例中不限定于此。
其中，涂布机头可用于根据用户选择或是预先设定运行速度控制箔材的运行速度与该用户选择或是预先设定运行速度保持一致，该涂布机头具体但不局限于可包括涂布主辊以及压辊，箔材可通过涂布主辊以及压辊之间的缝隙进行传输。
其中，收卷机构具体可包括收卷单元、收卷纠偏传感器、收卷纠偏机架、浮辊以及张力传感器，该收卷纠偏传感器可与收卷纠偏机架相配合，共同完成对收卷部分的箔材纠偏，以保证箔材卷筒边缘整齐，该收卷单元主要通过与收卷纠偏传感器、浮辊及张力传感器相配合，左右调整纠偏机架，以保证卷成的箔材边缘整齐。此处，收卷单元可理解为用于卷绕箔材的设备，在本申请实施例中不限定于此。
还可以理解的是，该多轴多传感器融合的张力稳定系统还可包括烘箱牵引单元，该烘箱牵引单元可设置在涂布机头与收卷机构之间，以用于牵引箔材和烘干箔材。
此处可参阅图2示出的本申请实施例提供的一种多轴多传感器融合的张力稳定系统的结构示意图。如图2所示，该多轴多传感器融合的张力稳定系统可包括依次设置的放卷机构、张力摆杆、放卷纠偏传感器、放卷纠偏机架、涂布主辊、压辊、烘箱段牵引单元、收卷纠偏传感器、收卷纠偏机架、浮辊、张力传感器以及收卷单元。
具体地，可在对卷绕设备进行张力控制时，先获取设定张力以及设定运行速度，该设定张力以及设定运行速度可以但不局限于由操作人员自行设定或是在多轴多传感器融合的张力稳定系统中预先设定，且在由操作人员自行设定时可在该多轴多传感器融合的张力稳定系统的显示界面上执行相应操作。
进一步的，可在获取设定张力以及设定运行速度之后，控制放卷机构按照设定张力对箔材进行张力输出，该放卷机构可以但不局限于包括放卷单元、由摆杆电位器和气缸组成的张力摆杆、放卷纠偏传感器、放卷纠偏机架以及用于传输箔材的辊，通过放卷单元与张力摆杆共同建立运行的与该用户选择或是预先设定张力一致的张力。此处，放卷单元可理解为卷绕有箔材的设备，在本申请实施例中不限定于此。
接着，还可由涂布机头按照设定运行速度控制箔材的运行速度，该涂布机头可以但不局限于包括涂布主辊以及压辊，箔材可通过涂布主辊以及压辊之间的缝隙进行传输，此处可由电机驱动涂布主辊运行，以使箔材的运行速度与设定运行速度保持一致。
步骤104、基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值。
具体地，在基于设定张力以及设定运行速度控制箔材进行传输之后，可由张力传感器采集箔材在传输过程中的第一张力，并先计算出该箔材在当前时刻的第一张力误差。其中，该箔材在当前时刻的第一张力误差可基于设定张力与第一张力的差值计算得到。
可选的，还可获取箔材在当前时刻的前一时刻所对应的张力误差，该前一时刻所对应的张力误差可以但不局限于根据张力传感器所采集到的该前一时刻所对应的张力与设定压力之间的差值计算得到，且可保存在多轴多传感器融合的张力稳定系统的存储器中。
可选的，还可根据箔材在当前时刻的第一张力误差，与箔材在当前时刻的前一时刻所对应的张力误差之间的差值，计算得到箔材在当前时刻的第二张力误差。
可选的，还可获取箔材在当前时刻的前二时刻所对应的张力误差，并可以但不局限于先计算出该箔材在当前时刻的第一张力误差与两倍的该箔材在当前时刻的前一时刻所对应的张力误差之间的差值，接着再计算出该差值与该箔材在当前时刻的前二时刻所对应的张力误差之间的求和，以得到箔材在当前时刻的第三张力误差。
可选的，在分别得到箔材在当前时刻的第一张力误差、第二张力误差以及第三张力误差之后，可分别取该第一张力误差、第二张力误差以及第三张力误差各自对应的绝对值，以得到最终箔材的张力误差绝对值。需要注意的是，在本申请实施例中计算出该箔材在当前时刻的第一张力误差之后，可以但不局限于直接将该箔材在当前时刻的第一张力误差所对应的绝对值作为最终箔材的张力误差绝对值，此处不限定于此。
可以理解的是，本申请实施例的多轴多传感器融合的张力稳定系统可包括m个通道，每个通道用于控制箔材进行输出，且每个通道均可各自计算出相应的箔材在当前时刻的第一张力误差、第二张力误差以及第三张力误差，例如当确定第n个通道在执行控制箔材进行输出的操作之后，此处以时刻为k为例，TnX1(k)可表示为第n通道的箔材在第k时刻的第一张力误差，TnX2(k)可表示为第n通道的箔材在第k时刻的第二张力误差，TnX3(k)可表示为第n通道的箔材在第k时刻的第三张力误差。
步骤106、当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数。
具体地，在计算出箔材在当前时刻的张力误差绝对值之后，可判断该箔材在当前时刻的张力误差绝对值是否处于预设第一区间，该预设第一区间可用于根据张力误差绝对值来有效增强多轴多传感器融合的张力稳定系统的自适应性与快速性，其可以但不局限于对应为张力上限以上的分界区间。当检测到箔材在当前时刻的张力误差绝对值处于预设第一区间时，表明需要切换到瞬态控制以调节输出速度，以使其快速逼近基准速度，并可根据该预设第一区间确定出相应的第一参数。
可以理解的是，在计算出箔材在当前时刻的张力误差绝对值之后，若检测到箔材在当前时刻的张力误差绝对值处于预设第二区间时，可根据该预设第二区间确定出相应的第二参数，其中，该预设第二区间也可用于根据张力误差绝对值来有效增强多轴多传感器融合的张力稳定系统的自适应性与快速性，其可以但不局限于对应为张力下限与张力上限之间的分界区间，换句话说预设第一区间大于该预设第二区间。
还可以理解的是，在计算出箔材在当前时刻的张力误差绝对值之后，若检测到箔材在当前时刻的张力误差绝对值处于预设第三区间时，可根据该预设第三区间确定出相应的第三参数，其中，该预设第三区间也可用于根据张力误差绝对值来有效增强多轴多传感器融合的张力稳定系统的自适应性与快速性，其可以但不局限于对应为张力下限以下的分界区间，换句话说预设第二区间大于该预设第三区间。
此处以箔材在当前时刻的张力误差绝对值可表示为为例，可通过如下表达式表示该箔材在当前时刻的张力误差绝对值所对应的不同参数：
上式中，可对应为第一参数，/>可对应为预设第一区间，/>可对应为第三参数，/>可对应为预设第三区间，/>可对应为第二参数，（，/>）可对应为预设第二区间。
其中，关于、/>、/>以及/>，可通过如下方式确定：
首先，选取张力参考值的1/10至1/7之间某一值作为的初始值，取张力参考值的1/2作为/>的初始值，并固定该组初始值，调节/>以及/>以得到稳态误差与/>以及的变化关系，进而确定出/>以及/>的最优解。
接着，可固定上述提到的以及/>的最优解不变，调节/>以及/>以得到稳态误差与/>以及/>的变化关系，进而确定出/>以及/>的最优解。
作为本申请实施例的一种可选，当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数，包括：
当检测到与第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与第二张力误差对应的绝对值处于预设第一区间，以及
当检测到与第三张力误差对应的绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数。
具体地，在分别得到箔材在当前时刻的第一张力误差对应的绝对值、第二张力误差对应的绝对值以及第三张力误差对应的绝对值之后，可分别判断该箔材在当前时刻的第一张力误差对应的绝对值、第二张力误差对应的绝对值以及第三张力误差对应的绝对值是否均处于预设第一区间，可以理解的是，若该箔材在当前时刻的第一张力误差对应的绝对值、第二张力误差对应的绝对值以及第三张力误差对应的绝对值均处于预设第一区间，则可确定与该预设第一区间对应的第一参数，且在本申请实施例中可不限定于此。当然，若该箔材在当前时刻的第一张力误差对应的绝对值、第二张力误差对应的绝对值以及第三张力误差对应的绝对值均处于预设第二区间，则可确定与该预设第二区间对应的第二参数；若该箔材在当前时刻的第一张力误差对应的绝对值、第二张力误差对应的绝对值以及第三张力误差对应的绝对值均处于预设第三区间，则可确定与该预设第三区间对应的第三参数。
需要说明的是，在本申请实施例中当检测到箔材在当前时刻的张力误差绝对值处于某一预设区间，并根据该预设区间确定出相应的参数之后，多轴多传感器融合的张力稳定系统还可以但不局限于直接根据该参数调整对箔材的张力输出，且相应调整的输出速度可根据张力变化的快慢相应调节，以有效快速的保障张力控制响应的自适应性以及稳定性。例如当检测到箔材在当前时刻的张力误差绝对值处于预设第一区间时，根据该预设第一区间确定出相应的第一参数之后，可由多轴多传感器融合的张力稳定系统直接根据该第一参数调整对箔材的张力输出；当检测到箔材在当前时刻的张力误差绝对值处于预设第二区间时，根据该预设第二区间确定出相应的第二参数之后，可由多轴多传感器融合的张力稳定系统直接根据该第二参数调整对箔材的张力输出；当检测到箔材在当前时刻的张力误差绝对值处于预设第三区间时，根据该预设第三区间确定出相应的第三参数之后，可由多轴多传感器融合的张力稳定系统直接根据该第三参数调整对箔材的张力输出，且不限定于此。
步骤108、基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
具体地，在确定出与预设第一区间对应的第一参数之后，可基于该第一参数对深度学习神经网络进行线下训练，以得到该深度学习神经网络的偏置参数以及权值，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，以由该深度学习神经网络输出箔材的误差速度。可以理解的是，在本申请实施例中深度学习神经网络的输入单元可以但不局限与上述提到的设定运行速度以及箔材的张力误差绝对值，例如还可包括浮辊位置、收卷机构的卷径以及虚拟主轴的补偿速度，该虚拟主轴可以但不局限于可理解为收卷机构中收卷单元所对应的中心轴，且此处输入至深度学习神经网络的每个输入单元均可通过测量或是计算得出。
此处还可参阅图3示出的本申请实施例提供的一种深度学习神经网络的结构示意图。如图3所示，该深度学习神经网络可包括五个输入层、三个隐藏层以及一个输出层，其五个输入层可分别对应输入TnX1(k)、Pn(k)、Sn(k)、Dn(k)以及S(k)，其中，TnX1(k)可表示为第n通道的箔材在第k时刻的第一张力误差，Pn(k)可表示为第n通道的箔材在第k时刻的浮辊位置，Sn(k)可表示为第n通道的箔材在第k时刻的设定运行速度，Dn(k)可表示为第n通道的箔材在第k时刻的卷径，S(k)可表示为虚拟主轴的箔材在第k时刻的补偿速度。
可以理解的是，在上述提到的深度学习神经网络的训练过程中，可以但不局限于结合上述提到的第一参数、第二参数以及第三参数，得到三组不同的偏置参数以及权值/>，每一组偏置对应一组参数，每一组权值对应是两组参数，第一组是隐含层，对应3行5列矩阵，第二组是输出层，对应1行3列的矩阵，例如偏置参数/>和权值/>的对应关系如下：
偏置参数对应一组参数/>
权值对应参数/>
进一步的，在基于深度学习神经网络输出箔材的误差速度之后，可对箔材的误差速度以及与虚拟主轴对应的补偿速度进行叠加处理，以得到箔材的第一目标速度。
还可以理解的是，若确定出与预设第二区间对应的第二参数之后，还可基于与预设第二区间对应的第二参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第二目标速度，该具体过程可参阅上述提到的实施例，此处不过多赘述。
还可以理解的是，若确定出与预设第三区间对应的第三参数之后，还可基于与预设第三区间对应的第三参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第三目标速度，该具体过程可参阅上述提到的实施例，此处不过多赘述。
需要说明的是，在本申请实施例中基于不同预设区间所确定出相应的参数之后，还可基于该参数预先对深度学习神经网络进行训练（也可理解为对深度学习神经网络的线下训练），并可将训练后的深度学习神经网络所对应的偏置参数以及权值进行存储，例如但不局限于在确定出第一参数之后，可将基于该第一参数训练的深度学习神经网络所对应的偏置参数以及权值进行存储；在确定出第二参数之后，可将基于该第二参数训练的深度学习神经网络所对应的偏置参数以及权值进行存储；在确定出第三参数之后，可将基于该第三参数训练的深度学习神经网络所对应的偏置参数以及权值进行存储。可以理解的是，在对卷绕设备进行张力控制，并当检测到箔材在当前时刻的张力误差绝对值处于某一预设区间，并根据该预设区间确定出相应的参数之后，多轴多传感器融合的张力稳定系统还可以但不局限于直接调取出基于该参数训练的深度学习神经网络所对应的偏置参数以及权值，并根据该偏置参数以及权值确定出目标深度学习神经网络，进而得到相应的目标速度，且此处不限定于此。
此处还可参阅图4示出的本申请实施例提供的一种多轴多传感器融合的张力稳定系统的执行效果示意图。
如图4所示，该多轴多传感器融合的张力稳定系统可以包括单神经元PID、算法选择单元、电机、调整及存储单元、多信息融合单元以及虚拟主轴，且该多轴多传感器融合的张力稳定系统可包括n个用于控制箔材进行输出的通道，每个通道均对应有单神经元PID、算法选择单元、电机、调整及存储单元以及多信息融合单元。其中，单神经元PID可用于根据计算出的箔材在当前时刻的张力误差结合调整及存储单元确定相应的参数K；调整及存储单元可用于结合箔材在当前时刻的张力误差计算出不同预设区间所对应的参数K；且可用于线下训练多信息融合单元；多信息融合单元可用于根据五个输入单元输出相应的误差速度，以便于结合虚拟主轴的补偿速度得到最终的目标速度，且可控制电机按照该目标速度进行输出。
作为本申请实施例的又一种可选，将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度之前，还包括：
对设定运行速度以及箔材的张力误差绝对值进行归一化处理；
将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度，包括：
将处理后的设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
具体地，可在将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络之前，对该设定运行速度以及箔材的张力误差绝对值进行归一化处理，以避免数据的不同维数对控制精度的影响。
请参阅图5，图5示出了本申请实施例提供的一种多轴多传感器融合的张力稳定装置的结构示意图。
多轴多传感器融合的张力稳定装置应用于多轴多传感器融合的张力稳定系统，多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，放卷机构包括用于调整箔材位置的放卷纠偏传感器，涂布机头用于控制箔材的运行速度，收卷机构包括用于调整箔材边缘平整度的收卷纠偏传感器以及张力传感器。如图5所示，该多轴多传感器融合的张力稳定装置至少可以包括控制输出模块501、第一计算模块502、第二计算模块503以及数据处理模块504，其中：
控制输出模块501，用于获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度；
第一计算模块502，用于基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值；
第二计算模块503，用于当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数；
数据处理模块504，用于基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
在一些可能的实施例中，装置还包括：
第一处理模块，用于在基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，当检测到箔材的张力误差绝对值处于预设第二区间时，确定与预设第二区间对应的第二参数；其中，预设第二区间小于预设第一区间；
第二处理模块，用于基于与预设第二区间对应的第二参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第二目标速度。
在一些可能的实施例中，装置还包括：
第三处理模块，用于在基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，当检测到箔材的张力误差绝对值处于预设第三区间时，确定与预设第三区间对应的第三参数；其中，预设第三区间小于预设第二区间；
第四处理模块，用于基于与预设第三区间对应的第三参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第三目标速度。
在一些可能的实施例中，多轴多传感器融合的张力稳定系统包括m个通道，每个通道用于控制箔材进行输出；其中，m为正整数；
第一计算模块包括：
第一计算单元，用于根据与第n通道对应的设定张力以及箔材的第一张力，计算出第n通道的箔材在第k时刻的第一张力误差；其中，n小于或等于m，k为正整数；
第二计算单元，用于获取第n通道的箔材在第k-1时刻的张力误差，并根据第一张力误差与箔材在第k-1时刻的张力误差之间的差值，计算出第n通道的箔材在第k时刻的第二张力误差；
第三计算单元，用于获取第n通道的箔材在第k-2时刻的张力误差，并根据第一张力误差、第二张力误差以及箔材在第k-2时刻的张力误差，计算出第n通道的箔材在第k时刻的第三张力误差；
第四计算单元，用于分别得到与第一张力误差、第二张力误差以及第三张力误差各自对应的绝对值。
在一些可能的实施例中，第二计算模块具体用于：
当检测到与第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与第二张力误差对应的绝对值处于预设第一区间，以及
当检测到与第三张力误差对应的绝对值处于预设第一区间时，确定与第一区间对应的第一参数。
在一些可能的实施例中，数据处理模块包括：
第一处理单元，用于将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的误差速度；
第二处理单元，用于获取与虚拟主轴对应的补偿速度，并对箔材的误差速度以及与虚拟主轴对应的补偿速度进行叠加处理，得到箔材的第一目标速度。
在一些可能的实施例中，装置还包括：
预处理模块，用于在将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度之前，对设定运行速度以及箔材的张力误差绝对值进行归一化处理；
数据处理模块具体用于：
将处理后的设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
本领域的技术人员可以清楚地了解到本申请实施例的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列（Field－ProgrammableGate Array，FPGA）、集成电路（Integrated Circuit，IC）等。
本申请实施例的各处理单元和/或模块，可通过实现本申请实施例的功能的模拟电路而实现，也可以通过执行本申请实施例的功能的软件而实现。
请参阅图6，图6示出了本申请实施例提供的又一种多轴多传感器融合的张力稳定装置的结构示意图。
多轴多传感器融合的张力稳定装置应用于多轴多传感器融合的张力稳定系统，多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，放卷机构包括用于调整箔材位置的放卷纠偏传感器，涂布机头用于控制箔材的运行速度，收卷机构包括用于调整箔材边缘平整度的收卷纠偏传感器以及张力传感器。如图6所示，该多轴多传感器融合的张力稳定装置600可以包括：至少一个处理器601、至少一个网络接口604、用户接口603、存储器605以及至少一个通信总线602。
其中，通信总线602可用于实现上述各个组件的连接通信。
其中，用户接口603可以包括按键，可选用户接口还可以包括标准的有线接口、无线接口。
其中，网络接口604可以但不局限于包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中，处理器601可以包括一个或者多个处理核心。处理器601利用各种接口和线路连接整个电子设备600内的各个部分，通过运行或执行存储在存储器605内的指令、程序、代码集或指令集，以及调用存储在存储器605内的数据，执行路由设备600的各种功能和处理数据。可选的，处理器601可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器601可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器601中，单独通过一块芯片进行实现。
其中，存储器605可以包括RAM，也可以包括ROM。可选的，该存储器605包括非瞬时性计算机可读介质。存储器605可用于存储指令、程序、代码、代码集或指令集。存储器605可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器605可选的还可以是至少一个位于远离前述处理器601的存储装置。如图6所示，作为一种计算机存储介质的存储器605中可以包括操作系统、网络通信模块、用户接口模块以及多轴多传感器融合的张力稳定应用程序。
具体地，处理器601可以用于调用存储器605中存储的多轴多传感器融合的张力稳定应用程序，并具体执行以下操作：
获取设定张力以及设定运行速度，控制放卷机构按照设定张力对箔材进行张力输出，并由涂布机头按照设定运行速度控制箔材的运行速度；
基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值；
当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数；
基于与预设第一区间对应的第一参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
在一些可能的实施例中，基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，还包括：
当检测到箔材的张力误差绝对值处于预设第二区间时，确定与预设第二区间对应的第二参数；其中，预设第二区间小于预设第一区间；
基于与预设第二区间对应的第二参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第二目标速度。
在一些可能的实施例中，基于张力传感器采集箔材的第一张力，并根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值之后，还包括：
当检测到箔材的张力误差绝对值处于预设第三区间时，确定与预设第三区间对应的第三参数；其中，预设第三区间小于预设第二区间；
基于与预设第三区间对应的第三参数对深度学习神经网络进行训练，并将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第三目标速度。
在一些可能的实施例中，多轴多传感器融合的张力稳定系统包括m个通道，每个通道用于控制箔材进行输出；其中，m为正整数；
根据设定张力以及箔材的第一张力，计算出箔材的张力误差绝对值，包括：
根据与第n通道对应的设定张力以及箔材的第一张力，计算出第n通道的箔材在第k时刻的第一张力误差；其中，n小于或等于m，k为正整数；
获取第n通道的箔材在第k-1时刻的张力误差，并根据第一张力误差与箔材在第k-1时刻的张力误差之间的差值，计算出第n通道的箔材在第k时刻的第二张力误差；
获取第n通道的箔材在第k-2时刻的张力误差，并根据第一张力误差、第二张力误差以及箔材在第k-2时刻的张力误差，计算出第n通道的箔材在第k时刻的第三张力误差；
分别得到与第一张力误差、第二张力误差以及第三张力误差各自对应的绝对值。
在一些可能的实施例中，当检测到箔材的张力误差绝对值处于预设第一区间时，确定与预设第一区间对应的第一参数，包括：
当检测到与第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与第二张力误差对应的绝对值处于预设第一区间，以及
当检测到与第三张力误差对应的绝对值处于预设第一区间时，确定与第一区间对应的第一参数。
在一些可能的实施例中，将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度，包括：
将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的误差速度；
获取与虚拟主轴对应的补偿速度，并对箔材的误差速度以及与虚拟主轴对应的补偿速度进行叠加处理，得到箔材的第一目标速度。
在一些可能的实施例中，将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度之前，还包括：
对设定运行速度以及箔材的张力误差绝对值进行归一化处理；
将设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度，包括：
将处理后的设定运行速度以及箔材的张力误差绝对值输入至训练后的深度学习神经网络，得到箔材的第一目标速度。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read-Only Memory， ROM）、随机存取存储器（RandomAccess Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read-Only Memory， ROM）、随机存取器（Random AccessMemory，RAM）、磁盘或光盘等。
以上者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (9)

1.一种多轴多传感器融合的张力稳定方法，其特征在于，所述方法应用于多轴多传感器融合的张力稳定系统，所述多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，所述放卷机构包括用于调整箔材位置的放卷纠偏传感器，所述涂布机头用于控制所述箔材的运行速度，所述收卷机构包括用于调整所述箔材边缘平整度的收卷纠偏传感器以及张力传感器，所述方法包括：
获取设定张力以及设定运行速度，控制所述放卷机构按照所述设定张力对所述箔材进行张力输出，并由所述涂布机头按照所述设定运行速度控制所述箔材的运行速度；
基于所述张力传感器采集所述箔材的第一张力，并根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值；
当检测到所述箔材的张力误差绝对值处于预设第一区间时，确定与所述预设第一区间对应的第一参数；
基于所述与所述预设第一区间对应的第一参数对深度学习神经网络进行训练，并将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度；
其中，所述基于所述张力传感器采集所述箔材的第一张力，并根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值之后，还包括：
当检测到所述箔材的张力误差绝对值处于预设第二区间时，确定与所述预设第二区间对应的第二参数；其中，所述预设第二区间小于所述预设第一区间；
基于所述与所述预设第二区间对应的第二参数对深度学习神经网络进行训练，并将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第二目标速度。
2.根据权利要求1所述的方法，其特征在于，所述基于所述张力传感器采集所述箔材的第一张力，并根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值之后，还包括：
当检测到所述箔材的张力误差绝对值处于预设第三区间时，确定与所述预设第三区间对应的第三参数；其中，所述预设第三区间小于所述预设第二区间；
基于所述与所述预设第三区间对应的第三参数对深度学习神经网络进行训练，并将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第三目标速度。
3.根据权利要求1所述的方法，其特征在于，所述多轴多传感器融合的张力稳定系统包括m个通道，每个所述通道用于控制所述箔材进行输出；其中，m为正整数；
所述根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值，包括：
根据与第n通道对应的所述设定张力以及所述箔材的第一张力，计算出所述第n通道的所述箔材在第k时刻的第一张力误差；其中，n小于或等于m，k为正整数；
获取所述第n通道的所述箔材在第k-1时刻的张力误差，并根据所述第一张力误差与所述箔材在第k-1时刻的张力误差之间的差值，计算出所述第n通道的所述箔材在第k时刻的第二张力误差；
获取所述第n通道的所述箔材在第k-2时刻的张力误差，并根据所述第一张力误差、所述第二张力误差以及所述箔材在第k-2时刻的张力误差，计算出所述第n通道的所述箔材在第k时刻的第三张力误差；
分别得到与所述第一张力误差、所述第二张力误差以及所述第三张力误差各自对应的绝对值。
4.根据权利要求3所述的方法，其特征在于，所述当检测到所述箔材的张力误差绝对值处于预设第一区间时，确定与所述预设第一区间对应的第一参数，包括：
当检测到与所述第一张力误差对应的绝对值处于预设第一区间，以及
当检测到与所述第二张力误差对应的绝对值处于所述预设第一区间，以及
当检测到与所述第三张力误差对应的绝对值处于所述预设第一区间时，确定与所述预设第一区间对应的第一参数。
5.根据权利要求1所述的方法，其特征在于，所述将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度，包括：
将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的误差速度；
获取与虚拟主轴对应的补偿速度，并对所述箔材的误差速度以及所述与虚拟主轴对应的补偿速度进行叠加处理，得到所述箔材的第一目标速度。
6.根据权利要求5所述的方法，其特征在于，所述将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度之前，还包括：
对所述设定运行速度以及所述箔材的张力误差绝对值进行归一化处理；
所述将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度，包括：
将处理后的所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度。
7.一种多轴多传感器融合的张力稳定装置，其特征在于，所述装置应用于多轴多传感器融合的张力稳定系统，所述多轴多传感器融合的张力稳定系统包括依次设置的放卷机构、涂布机头以及收卷机构，所述放卷机构包括用于调整箔材位置的放卷纠偏传感器，所述涂布机头用于控制所述箔材的运行速度，所述收卷机构包括用于调整所述箔材边缘平整度的收卷纠偏传感器以及张力传感器，所述装置包括：
控制输出模块，用于获取设定张力以及设定运行速度，控制所述放卷机构按照所述设定张力对所述箔材进行张力输出，并由所述涂布机头按照所述设定运行速度控制所述箔材的运行速度；
第一计算模块，用于基于所述张力传感器采集所述箔材的第一张力，并根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值；
第二计算模块，用于当检测到所述箔材的张力误差绝对值处于预设第一区间时，确定与所述预设第一区间对应的第一参数；
数据处理模块，用于基于所述与所述预设第一区间对应的第一参数对深度学习神经网络进行训练，并将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第一目标速度；
其中，所述基于所述张力传感器采集所述箔材的第一张力，并根据所述设定张力以及所述箔材的第一张力，计算出所述箔材的张力误差绝对值之后，还包括：
当检测到所述箔材的张力误差绝对值处于预设第二区间时，确定与所述预设第二区间对应的第二参数；其中，所述预设第二区间小于所述预设第一区间；
基于所述与所述预设第二区间对应的第二参数对深度学习神经网络进行训练，并将所述设定运行速度以及所述箔材的张力误差绝对值输入至训练后的所述深度学习神经网络，得到所述箔材的第二目标速度。
8.一种多轴多传感器融合的张力稳定装置，其特征在于，包括处理器以及存储器；
所述处理器与所述存储器连接；
所述存储器，用于存储可执行程序代码；
所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行如权利要求1-6任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在计算机或处理器上运行时，使得所述计算机或处理器执行如权利要求1-6任一项所述方法的步骤。
CN202211306813.4A 2022-10-25 2022-10-25 一种多轴多传感器融合的张力稳定方法及装置 Active CN115520700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211306813.4A CN115520700B (zh) 2022-10-25 2022-10-25 一种多轴多传感器融合的张力稳定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211306813.4A CN115520700B (zh) 2022-10-25 2022-10-25 一种多轴多传感器融合的张力稳定方法及装置

Publications (2)

Publication Number Publication Date
CN115520700A CN115520700A (zh) 2022-12-27
CN115520700B true CN115520700B (zh) 2023-11-28

Family

ID=84703670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211306813.4A Active CN115520700B (zh) 2022-10-25 2022-10-25 一种多轴多传感器融合的张力稳定方法及装置

Country Status (1)

Country Link
CN (1) CN115520700B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116553256B (zh) * 2023-05-18 2024-01-23 邢台纳科诺尔精轧科技股份有限公司 滑差轴张力控制方法、装置、控制器及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3908929A (en) * 1973-06-06 1975-09-30 Bleiche Ag Method and apparatus for regulating the tension of a moving threadlike element
JPH09110251A (ja) * 1995-10-23 1997-04-28 Yaskawa Electric Corp ウェブ張力制御方法
CN101338473A (zh) * 2008-08-07 2009-01-07 浙江大学 织机经纱张力控制方法
CN105836515A (zh) * 2016-04-29 2016-08-10 华中科技大学 一种柔性膜张力纠偏控制系统
CN205767941U (zh) * 2016-06-27 2016-12-07 瑞安市佳源机械有限公司 高速热熔胶涂布机
CN111591813A (zh) * 2020-05-27 2020-08-28 青岛归来科技有限公司 一种金属箔涂布控制系统及方法
CN113848706A (zh) * 2021-09-13 2021-12-28 无锡宏源机电科技股份有限公司 一种丝线张力检测方法、控制方法及控制装置
CN114204874A (zh) * 2021-12-16 2022-03-18 河北工业大学 一种剑杆织机主轴用磁阻电机的控制系统及控制方法
CN114392885A (zh) * 2021-12-20 2022-04-26 西安航天华阳机电装备有限公司 Gdl脆性材料的微张力控制系统及控制方法
CN114997069A (zh) * 2022-07-15 2022-09-02 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6851593B2 (en) * 2002-12-23 2005-02-08 Kimberly-Clark Worldwide, Inc. System and method for controlling the strain of web material
CN112561317B (zh) * 2020-12-15 2023-07-28 广东工业大学 一种柔性材料卷对卷加工控制决策生成方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3908929A (en) * 1973-06-06 1975-09-30 Bleiche Ag Method and apparatus for regulating the tension of a moving threadlike element
JPH09110251A (ja) * 1995-10-23 1997-04-28 Yaskawa Electric Corp ウェブ張力制御方法
CN101338473A (zh) * 2008-08-07 2009-01-07 浙江大学 织机经纱张力控制方法
CN105836515A (zh) * 2016-04-29 2016-08-10 华中科技大学 一种柔性膜张力纠偏控制系统
CN205767941U (zh) * 2016-06-27 2016-12-07 瑞安市佳源机械有限公司 高速热熔胶涂布机
CN111591813A (zh) * 2020-05-27 2020-08-28 青岛归来科技有限公司 一种金属箔涂布控制系统及方法
CN113848706A (zh) * 2021-09-13 2021-12-28 无锡宏源机电科技股份有限公司 一种丝线张力检测方法、控制方法及控制装置
CN114204874A (zh) * 2021-12-16 2022-03-18 河北工业大学 一种剑杆织机主轴用磁阻电机的控制系统及控制方法
CN114392885A (zh) * 2021-12-20 2022-04-26 西安航天华阳机电装备有限公司 Gdl脆性材料的微张力控制系统及控制方法
CN114997069A (zh) * 2022-07-15 2022-09-02 海门市恒创织带有限公司 基于机器学习的纺织布料卷取张力预测系统

Also Published As

Publication number Publication date
CN115520700A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN115520700B (zh) 一种多轴多传感器融合的张力稳定方法及装置
CN111836769B (zh) 卷绕条件生成装置及计算方法、卷绕装置及方法与卷绕缺陷等级预测值生成装置及方法
JP2001198612A (ja) 周期的ゲージ偏差補正システム
JP3223856B2 (ja) 圧延機の制御方法及び圧延機の制御装置
CN107298334A (zh) 一种卷材纠偏装置
CN104874613B (zh) 通过轧机速度补偿实现热连轧机架间秒流量平衡的方法
WO2012127571A1 (ja) 圧延制御装置、圧延制御方法および圧延制御プログラム
US10095199B2 (en) Energy consumption predicting device for rolling line
RU2507016C2 (ru) Способ функционирования для многоклетьевого прокатного стана с определением толщины полосы на основе уравнения непрерывности
CN110252826A (zh) 钢板厚度控制方法及装置
US6584366B1 (en) Method and arrangement for neural modeling of a paper winding device
CN104600348A (zh) 自学习卷绕装置及方法
JPWO2008129634A1 (ja) リバース式圧延機の板厚制御装置
US20210095995A1 (en) Inertial sensor and computer-implemented method for self-calibration of an inertial sensor
JP2015036150A (ja) 圧延制御装置、圧延制御方法および圧延制御プログラム
KR20000011833A (ko) 스트립의스트립크라운에기초한압연기의제어장치
JP6324259B2 (ja) 圧延制御装置、圧延制御方法および圧延制御プログラム
JP5818511B2 (ja) 自動板厚制御方法
CN109807183A (zh) 钢板厚度控制方法及装置
JP7006640B2 (ja) 制御装置、制御方法、及び制御プログラム
JPH08117827A (ja) 圧延装置
CN108655176B (zh) 用于稳定轧制的冷轧前滑模型自适应计算方法
CN102481608A (zh) 在轧制机架上具有质量流调节的冷轧机列
CN108568454B (zh) 轧制控制装置以及轧制控制方法
JP7092184B2 (ja) 製品検出装置、方法およびプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant