CN116967640A - 钙钛矿电池层跟随除尘控制装置及方法 - Google Patents
钙钛矿电池层跟随除尘控制装置及方法 Download PDFInfo
- Publication number
- CN116967640A CN116967640A CN202311227029.9A CN202311227029A CN116967640A CN 116967640 A CN116967640 A CN 116967640A CN 202311227029 A CN202311227029 A CN 202311227029A CN 116967640 A CN116967640 A CN 116967640A
- Authority
- CN
- China
- Prior art keywords
- dust removal
- training
- module
- data
- parameter
- 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.)
- Granted
Links
- 239000000428 dust Substances 0.000 title claims abstract description 413
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012549 training Methods 0.000 claims abstract description 164
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 230000007613 environmental effect Effects 0.000 claims description 38
- 239000000463 material Substances 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 abstract description 49
- 238000003698 laser cutting Methods 0.000 abstract description 25
- 230000008569 process Effects 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000003749 cleanliness Effects 0.000 abstract description 4
- 239000000779 smoke Substances 0.000 description 48
- 239000003570 air Substances 0.000 description 31
- 230000000694 effects Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 20
- 238000012546 transfer Methods 0.000 description 12
- 239000004071 soot Substances 0.000 description 9
- 238000010410 dusting Methods 0.000 description 7
- 239000007789 gas Substances 0.000 description 7
- 230000005525 hole transport Effects 0.000 description 7
- 238000007664 blowing Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000010329 laser etching Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 239000003517 fume Substances 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 239000003500 flue dust Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- AMGQUBHHOARCQH-UHFFFAOYSA-N indium;oxotin Chemical compound [In].[Sn]=O AMGQUBHHOARCQH-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011368 organic material Substances 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical compound O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 1
- 229910001887 tin oxide Inorganic materials 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/70—Auxiliary operations or equipment
- B23K26/702—Auxiliary equipment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K26/00—Working by laser beam, e.g. welding, cutting or boring
- B23K26/36—Removing material
- B23K26/38—Removing material by boring or cutting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Optics & Photonics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明实施例提供了一种钙钛矿电池层跟随除尘控制装置和方法，该装置包括跟随除尘神经网络训练单元与跟随除尘单元。其中，训练单元通过多个传感器采集激光模块、除尘模块、钙钛矿电池层及环境的参数数据，经训练形成神经网络模型。跟随除尘单元依赖此模型，实时预测除尘模块的最佳工作位置，并驱动其紧随激光模块路径进行除尘，解决了现有技术中激光切割钙钛矿电池层后除尘装置或方法的除尘效率和精度都无法满足制造所需的技术问题，实现了在激光切割钙钛矿电池层过程中通过自动跟随激光模块的切割路径进行实时除尘，从而提高除尘效率和精度，保证钙钛矿电池层的清洁度和整体生产质量。
Description
技术领域
本发明涉及钙钛矿电池领域，具体而言，涉及钙钛矿电池层跟随除尘控制装置及方法。
背景技术
钙钛矿电池由于其优异的光电转换效率以及可大规模生产的特性，已经引起了广泛的关注。然而，在生产过程中，钙钛矿电池层的清洁度对电池性能有着重要影响。然而，其生产过程中的一项关键环节，激光切割钙钛矿电池层，却产生大量粉尘。这些粉尘不仅会污染钙钛矿电池层，影响电池性能，还可能对生产环境造成污染。
在钙钛矿电池层的制造过程中，有效的除尘操作是必不可少的，因为粉尘会影响到电池性能和可靠性。传统的固定程序或人工操作的除尘方法，难以实现对激光切割过程中动态产生粉尘的高效去除，传统的除尘方法除尘效率低，并限制了钙钛矿电池层的生产质量。此外，传统的方法没有充分利用包括激光模块与除尘模块参数数据、钙钛矿电池层参数数据和环境参数数据等多源数据的综合影响，无效进行精准的自动跟随除尘。而且，传统的除尘方法通常采用简单的一个大型除尘设备对激光切割过程中的产生的粉尘进行清除，除尘效率和除尘精度都无法满足制造所需，如何提高钙钛矿电池层在激光切割钙钛矿电池层过程中的除尘效率和精度，是一个亟待解决的问题。
发明内容
本发明实施例提供了一种钙钛矿电池层跟随除尘控制装置及方法，解决了现有技术中激光切割钙钛矿电池层后除尘方法或装置的除尘效率和精度都无法满足制造所需的技术问题，实现了在激光切割钙钛矿电池层过程中通过自动跟随激光模块的切割路径进行实时除尘，从而提高除尘效率和精度，保证钙钛矿电池层的清洁度和整体生产质量。
根据本发明实施例的一个方面，提供了一种钙钛矿电池层跟随除尘控制装置，包括跟随除尘神经网络训练单元以及跟随除尘单元；该跟随除尘神经网络训练单元包括：训练数据获取子单元，用于获取来自多个传感器的训练跟随除尘参数数据，该训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；该神经网络训练子单元，用于获取该训练跟随除尘参数数据，并将该训练跟随除尘参数数据作为输入层数据，对该输入层数据进行训练，得到跟随除尘神经网络模型；该跟随除尘单元包括：当前数据获取子单元，用于获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随该除尘神经网络模型；该除尘神经网络模型，用于根据获取到的当前跟随除尘参数数据，生成当前除尘模块预测位置，该当前除尘模块预测位置预测当前除尘模块与激光模块之间的相对位置；移动控制子单元，用于根据该当前除尘模块预测位置生成第一移动控制指令，以驱动该除尘模块到达当前除尘模块预测位置。
根据本发明实施例的一个方面，提供了一种钙钛矿电池层跟随除尘控制方法，包括跟随除尘神经网络训练方法以及跟随除尘方法；该跟随除尘神经网络训练方法包括：获取来自多个传感器的训练跟随除尘参数数据，该训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；获取该训练跟随除尘参数数据，并将该训练跟随除尘参数数据作为输入层数据，对该输入层数据进行训练，得到跟随除尘神经网络模型；该跟随除尘方法包括：获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随该除尘神经网络模型；根据获取到的该当前跟随除尘参数数据，生成当前除尘模块预测位置，该当前除尘模块预测位置预测当前除尘模块与激光模块之间的相对位置；根据该当前除尘模块预测位置生成第一移动控制指令，以驱动该除尘模块到达当前除尘模块预测位置。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于提出了一种钙钛矿电池层跟随除尘控制装置及方法，通过设置跟随除尘神经网络训练单元以及跟随除尘单元确保除尘模块可以紧随激光模块的路径，并对产生的粉尘进行实时清除，具体而言，跟随除尘神经网络训练单元具有：训练数据获取子单元，配置为从多个传感器中收集数据，其中数据涉及激光模块、除尘模块、钙钛矿电池层及环境的各种参数，还包括神经网络训练子单元，配置为将上述收集的参数数据作为输入，通过训练算法生成一个专门的神经网络模型。跟随除尘单元具有：当前数据获取子单元，配置为实时地收集当前操作中的参数数据。除尘位置预测模型，基于先前训练的神经网络模型，预测除尘模块的最佳工作位置。移动控制子单元，配置为接收上述预测位置，并生成相应的控制指令，指导除尘模块紧随激光模块进行除尘操作。在钙钛矿电池层的激光切割操作开始时，跟随除尘单元启动。当前数据获取子单元持续收集参数数据，并将这些数据提供给除尘位置预测模型。通过神经网络的推断，预测模型给出除尘模块的最佳工作位置。移动控制子单元接收这个位置，并驱动除尘模块进行相应的移动操作，确保除尘模块可以紧随激光模块的路径，并对产生的粉尘进行实时清除。通过结合神经网络技术，该装置实现了对激光切割过程中粉尘分布的精准预测，确保除尘模块能够实时且准确地紧随激光模块移动，大大增强了除尘的效率和精度。这不仅解决了传统除尘方式中的低效和不精准问题，还大大减少了粉尘对钙钛矿电池层的污染，从而提高了电池的整体性能和可靠性。该装置还通过融合激光模块与除尘模块参数数据、钙钛矿电池层参数数据及环境参数数据这些多源数据，神经网络模型能够更准确地预测除尘模块的最佳工作位置，从而确保更高效、更精确的除尘，提升了预测准确性，并且除尘过程中的多源数据的综合使用使得该装置对单一数据源的异常或缺失具有较强的容错性。即使某一数据源出现问题，其他数据源的信息仍能确保系统正常运行并维持高效的除尘效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明一实施例提供的钙钛矿电池层除尘系统的示意图。
图2为本发明一实施例提供的一种钙钛矿电池层跟随除尘控制装置的跟随除尘神经网络训练单元示意图。
图3为本发明一实施例提供的一种钙钛矿电池层跟随除尘控制方法的流程图。
图4为本发明一实施例提供的一种钙钛矿电池层跟随除尘控制方法的流程图。
图5为本发明一实施例提供的一种钙钛矿电池层跟随除尘控制方法的流程图。
图6为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。在本发明的描述中，诸如“第一”、“第二”、“第三”等术语仅用于区分描述，而不能理解为指令或暗示相对重要性或先后顺序。
本发明提出了一种钙钛矿电池层跟随除尘控制装置及方法，通过设置跟随除尘神经网络训练单元以及跟随除尘单元确保除尘模块可以紧随激光模块的路径，并对产生的粉尘进行实时清除，具体而言，跟随除尘神经网络训练单元具有：训练数据获取子单元，配置为从多个传感器中收集数据，其中数据涉及激光模块、除尘模块、钙钛矿电池层及环境的各种参数，还包括神经网络训练子单元，配置为将上述收集的参数数据作为输入，通过训练算法生成一个专门的神经网络模型。跟随除尘单元具有：当前数据获取子单元，配置为实时地收集当前操作中的参数数据。除尘位置预测模型，基于先前训练的神经网络模型，预测除尘模块的最佳工作位置。移动控制子单元，配置为接收上述预测位置，并生成相应的控制指令，指导除尘模块紧随激光模块进行除尘操作。在钙钛矿电池层的激光切割操作开始时，跟随除尘单元启动。当前数据获取子单元持续收集参数数据，并将这些数据提供给除尘位置预测模型。通过神经网络的推断，预测模型给出除尘模块的最佳工作位置。移动控制子单元接收这个位置，并驱动除尘模块进行相应的移动操作，确保除尘模块可以紧随激光模块的路径，并对产生的粉尘进行实时清除。通过结合神经网络技术，该装置实现了对激光切割过程中粉尘分布的精准预测，确保除尘模块能够实时且准确地紧随激光模块移动，大大增强了除尘的效率和精度。这不仅解决了传统除尘方式中的低效和不精准问题，还大大减少了粉尘对钙钛矿电池层的污染，从而提高了电池的整体性能和可靠性。该装置还通过融合激光模块与除尘模块参数数据、钙钛矿电池层参数数据及环境参数数据这些多源数据，神经网络模型能够更准确地预测除尘模块的最佳工作位置，从而确保更高效、更精确的除尘，提升了预测准确性，并且除尘过程中的多源数据的综合使用使得该装置对单一数据源的异常或缺失具有较强的容错性。即使某一数据源出现问题，其他数据源的信息仍能确保系统正常运行并维持高效的除尘效果。
本发明实施例中的技术方案为解决上述现有技术中激光切割钙钛矿电池层后除尘方法或装置的除尘效率和精度都无法满足制造所需的技术问题，实现了在激光切割钙钛矿电池层过程中通过自动跟随激光模块的切割路径进行实时除尘，从而提高除尘效率和精度，保证钙钛矿电池层的清洁度和整体生产质量，总体思路如下：第一，钙钛矿电池层跟随除尘控制装置包括跟随除尘神经网络训练单元以及跟随除尘单元，其中，跟随除尘神经网络训练单元主要负责训练模型。通过训练数据获取子单元从多个传感器收集参数数据，如激光、除尘、钙钛矿电池层及环境的参数数据。这些数据被神经网络训练子单元采用，形成跟随除尘神经网络模型，该单元通过结合来自多个传感器的实时数据，实现对除尘模块行为的优化训练。通过使用激光、除尘、钙钛矿电池层及环境的参数数据，神经网络能够更精确地理解并预测当前的工作环境。跟随除尘单元主要负责根据训练出的模型预测除尘模块的最佳位置，并移动除尘模块到预测位置，基于训练好的模型，该单元可以高效地确定除尘模块的最佳位置，并确保除尘模块快速且准确地移动到预测位置，从而优化除尘效果。
第二、跟随除尘神经网络训练单元还包括特征运算子单元，该特征运算子单元进行特征运算，在网络训练单元中，通过特征运算子单元对原始数据进行特征运算，从而得到特征运算数据，此数据用于更新模型的输入层数据。特征运算子单元根据多种参数数据，生成环境设备参数特征值和材料参数特征值。此外，结合了各类特征值生成一个特征矩阵，经过归一化后，用作神经网络的训练输入，通过对多种原始参数数据进行特征运算，该单元确保神经网络能够得到具有代表性的输入特征，从而使网络预测更加准确。
第三、首先，对于特征值的细化，通过环境及操作参数特征值，如ƒ1、ƒ2等，根据多种参数（如激光功率、烟尘气流速度等）进行转换得到，通过结合激光功率、烟尘气流速度等多种参数，ƒ1和ƒ2等公式能够为神经网络提供更全面、综合的工作环境信息，从而优化除尘模块的响应策略。这增强了模型对复杂环境因素的适应性，使得设备在多变的工作环境中也能保持高效的除尘效果。其次，材料参数特征值通过公式ƒ6考虑钙钛矿电池层的硬度、抗拉强度、弹性模量等来转换，考虑到钙钛矿电池层的硬度、抗拉强度、弹性模量等物理属性，ƒ6公式确保模型能够根据材料的具体特性做出合适的操作策略。例如，对于硬度较高的电池层，激光切割时产生的粉尘也不同，除尘模块需要采用不同的策略。这增加了模型的灵活性，并提高了设备对不同电池材料切割时产生粉尘的适应性。再次，特性度量参数特征值考虑了钙钛矿电池层切缝的尺寸和除尘模块的相关参数来进行计算，通过考虑钙钛矿电池层切缝的尺寸和除尘模块的相关参数，模型可以更精确地定位除尘位置，从而更有效地去除粉尘。对设备参数的考虑确保了更加精确和细致的除尘效果，同时减少了对电池层的潜在损害。最后，进一步组合了不同的特征值生成了组合特征值ƒ7和ƒ8，ƒ7和ƒ8组合特征值整合了环境、材料和设备的信息，为模型提供了一个全局、综合的视角。这确保了模型在处理复杂任务时能够做出更加全面和均衡的决策，提高了除尘效果的稳定性和可靠性。总之，通过对特征值的精细化处理，钙钛矿电池层跟随除尘控制装置能够更加准确、灵活和高效地应对各种工作条件和挑战，从而实现优化的除尘效果，保护电池层并提高整体设备的性能和稳定性。
第四、对于移动控制指令的优化，移动控制单元不仅能生成移动控制指令，还能根据移动方向和移动距离驱动除尘模块。
第五，本发明的应用场景可以是钙钛矿电池层，可以是：透明导电层、空穴传输层、钙钛矿层、电子传输层或者电极层。
为了更好的理解上述技术方案，下面将结合说明书附图介绍下实施方式。
本发明的一实施例，如图1所示，是本发明一实施例提供的钙钛矿电池层除尘系统的示意图，如图1所示，钙钛矿电池层除尘系统包括激光模块110、除尘模块120、钙钛矿电池层130、多个传感器140、钙钛矿电池层切割区域150、多个传感器140以及钙钛矿电池层跟随除尘控制装置200。当激光模块110切割钙钛矿电池层130时，会产生烟尘。为了有效地吸取这些烟尘，除尘模块120需要跟随激光模块的移动。系统通过多个传感器140实时采集相关的参数数据，并通过钙钛矿电池层跟随除尘控制装置200对这些数据进行处理。其中，神经网络模型预测出除尘模块的最佳位置，并通过移动控制子单元将除尘模块移动到该位置，以达到最优的除尘效果。
具体的，激光模块110根据需求对钙钛矿电池层130进行激光刻蚀，其中，钙钛矿电池层切割区域150是激光模块110进行激光刻蚀的区域，包括激光划线以及激光清边，具体的，激光模块110的内部具有供激光束穿过的通道，可选的，通道的中心线与激光束的中心线基本重合。激光模块110例如为聚焦透镜外筒，激光束穿过通道后与被切割的钙钛矿薄膜材料相交，该相交的位置形成激光切割点。
除尘模块120用于对激光模块110进行激光刻蚀后产生的粉尘进行清除和除尘，具体的，除尘模块120可选的包括吹风组件和吸风组件，可选的，除尘模块120倾斜布置或垂直布置，除尘模块120位于激光模块110通道中心线的一侧，本领域技术人员可以理解，可选的，吹风组件配置成相对于通道的中心线倾斜，也即朝向激光束倾斜，使吹风组件的吹风口朝向切割位置。吹风口用于和高压气体源连通，高压气体朝向切割位置吹出，可以使激光切割过程产生的烟尘和燃熔飞渣快速脱离钙钛矿电池层，并使钙钛矿电池层迅速散热。吸气组件和负压系统连通，用于快速将吹气组件吹出的高压气体、切割过程产生的气化烟尘和燃熔飞渣等污染颗粒吸走，起到实现切割位置的降温和避免污染颗粒沉积到钙钛矿电池层上的作用。吸风组件及其吸风口可以采用任何合适的构型，例如吸风口的形状可以采用方形、圆形或其他几何形状。
多个传感器，用于获取激光与除尘模块参数数据、钙钛矿电池层参数数据和环境参数数据。
具体的，激光与除尘模块参数数据包括不限于以下参数数据：激光功率P、烟尘的气流速度F、除尘模块吸风口中心轴方向与激光模块中激光照射方向之间的夹角x、激光模块中激光的聚焦位置LF、激光模块中激光的聚焦深度LD、激光模块中激光束的直径LDia、钙钛矿电池层切缝的宽度Wc、钙钛矿电池层切缝的长度Lc、钙钛矿电池层切缝的深度Dc、除尘模块的吸风口的截面面积Ds、除尘模块的吸风口的吸风速度Vs、钙钛矿电池层的激光切割点到除尘模块吸风口中心点的直线距离r以及激光模块的切割速度Ls。
钙钛矿电池层参数数据包括不限于以下参数：钙钛矿电池层的硬度Hd、钙钛矿电池层的抗拉强度TS、钙钛矿电池层的弹性模量E和钙钛矿电池层晶格结构GS。
环境参数包括不限于以下参数：环境温度T和环境湿度H。
以下是上述参数对于跟随除尘神经网络训练单元的重要性：参数激光功率P，定义是激光的输出功率，对于跟随除尘神经网络训练单元的重要性是影响激光切割质量和速度，从而影响产生的烟尘量。
参数烟尘的气流速度F，定义是悬浮在空中的烟尘的流动速度，对于跟随除尘神经网络训练单元的重要性是影响烟尘的分散速度和除尘效率；
参数除尘模块吸风口方向与激光方向的夹角x，定义是除尘模块吸风口与激光方向之间的角度，对于跟随除尘神经网络训练单元的重要性是影响除尘效率，角度太大或太小可能导致烟尘无法有效被吸入。
参数激光的聚焦位置LF，定义是激光束汇聚到的具体位置，对于跟随除尘神经网络训练单元的重要性是影响切割的精确度和烟尘的产生位置。
参数激光的聚焦深度LD，定义是激光聚焦到的深度，对于跟随除尘神经网络训练单元的重要性是影响切割深度和烟尘的产生量。
参数激光束的直径LDia，定义是激光束的宽度，决定切割的宽度，对于跟随除尘神经网络训练单元的重要性是影响烟尘的产生面积。
参数钙钛矿电池层切缝的宽度Wc，定义是切割所形成的缝隙宽度，对于跟随除尘神经网络训练单元的重要性是与切割质量和烟尘产生量相关。
切缝的长度Lc，是切割所形成的缝隙长度，重要性是与切割长度和烟尘产生量相关。
切缝的深度Dc，是切割所形成的缝隙深度，重要性是影响切割深度和烟尘的产生量。
吸风口的截面面积Ds，是除尘模块吸风口的面积，重要性是决定除尘效率，面积越大，吸尘能力越强。
吸风口的吸风速度Vs，是除尘模块吸风口的风速，重要性是影响除尘效果，速度过低可能导致烟尘无法被完全吸走。
切割点到吸风口的距离r，是钙钛矿电池层的激光切割点到除尘模块吸风口的直线距离，重要性是影响除尘效果，距离过远可能导致烟尘无法被完全吸走。
切割速度Ls，是激光模块的切割速度，重要性是影响切割效果和烟尘的产生速度。
硬度Hd，是钙钛矿电池层的硬度，重要性是决定切割难易程度，与切割质量和烟尘产生量相关。
抗拉强度TS是钙钛矿电池层的抗拉强度，重要性是与材料的耐切割性和烟尘产生量相关。
弹性模量E是钙钛矿电池层的弹性模量，重要性是与材料的切割反弹性和烟尘产生量相关。
晶格结构GS是钙钛矿电池层的晶体结构，重要性是影响材料的切割性能和烟尘的产生方式。
环境温度T是钙钛矿电池层被切割时周围的气温，重要性是影响激光的传播性能和烟尘的分散速度。
环境湿度H是钙钛矿电池层被切割时周围的空气湿度，重要性是影响烟尘的附着性和除尘效果。
钙钛矿电池层130，可选的，包括透明导电层、空穴传输层、钙钛矿层、电子传输层或者电极层，或者上述薄膜层的组合。
具体的，透明导电层：这一层是薄膜的最外层，通常由透明导电氧化物（如氧化锡或氧化铟锡）制成。空穴传输层：空穴传输层位于透明导电层和钙钛矿层之间，通常由有机材料或氧化物制成。其主要功能是提供空穴的传输路径并阻止电子传输。钙钛矿层：钙钛矿层是电池的主体层，其中发生光电转换过程。它由钙钛矿材料制成，是薄膜的核心部分。电子传输层：电子传输层位于钙钛矿层和电极层之间，主要提供电子的传输路径并阻止空穴传输。电极层：电极层通常由金属材料（如银或金）制成，负责收集电子和空穴并导出电流。
如图1所示，本发明实施例的一方面，钙钛矿电池层跟随除尘控制装置200，包括跟随除尘神经网络训练单元210以及跟随除尘单元220；该跟随除尘神经网络训练单元210包括：训练数据获取子单元211，用于获取来自多个传感器的训练跟随除尘参数数据，该训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；该神经网络训练子单元213，用于获取该训练跟随除尘参数数据，并将该训练跟随除尘参数数据作为输入层数据，对该输入层数据进行训练，得到跟随除尘神经网络模型；
具体的，跟随除尘神经网络训练单元210是钙钛矿电池层跟随除尘控制装置200的关键组件之一，其确保系统能够基于收集的数据学习并预测除尘模块的最佳位置。可选的，跟随除尘神经网络训练单元210的工作过程可以是训练数据获取子单元211从多个传感器中收集训练数据。上述数据来自于实际操作中的激光模块、除尘模块、钙钛矿电池层以及环境条件。神经网络训练子单元213训练上述获取到的数据，并以此作为输入来训练神经网络模型。经过训练，模型将能够预测在特定的激光模块、钙钛矿电池层和环境参数条件下，除尘模块的最佳位置。例如，有多个时刻的训练数据，可选的实施例。
训练时刻1:
激光模块参数：功率为10W，切割速度为5mm/s。
除尘模块参数：吸风速度为3m/s。
钙钛矿电池层参数：硬度为5H，抗拉强度为300MPa。
环境参数：温度为25°C，湿度为50%。
除尘模块的最佳位置：与激光模块相距5cm。
训练时刻2:
激光模块参数：功率为12W，切割速度为6mm/s。
除尘模块参数：吸风速度为3.5m/s。
钙钛矿电池层参数：硬度为6H，抗拉强度为320MPa。
环境参数：温度为27°C，湿度为55%。
除尘模块的最佳位置：与激光模块相距4.5cm。
...（更多的训练数据）
这些数据被输入到神经网络训练子单元213。网络通过学习不同的输入参数与除尘模块最佳位置之间的关系来进行训练。经过数次迭代和大量数据的训练，神经网络模型被优化并能够为给定的参数组合预测除尘模块的最佳位置。在实际操作中，当激光模块开始切割，传感器将实时数据发送到钙钛矿电池层跟随除尘控制装置200。然后，经过训练的神经网络模型根据这些数据预测除尘模块的最佳位置，并通过控制单元发送指令来移动除尘模块，从而实现最佳的除尘效果。
该跟随除尘单元220包括：当前数据获取子单元221，用于获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随该除尘神经网络模型；该除尘神经网络模型222，用于根据获取到的当前跟随除尘参数数据，生成当前除尘模块预测位置，该当前除尘模块预测位置预测当前除尘模块与激光模块之间的相对位置；移动控制子单元223，用于根据该当前除尘模块预测位置生成第一移动控制指令，以驱动该除尘模块到达当前除尘模块预测位置。
具体的，跟随除尘单元220是为了确保除尘模块能够实时跟随激光模块并保持在最佳位置，从而有效地去除切割过程中产生的烟尘。可选的，跟随除尘单元220工作过程是当前数据获取子单元221负责从各种传感器实时收集操作数据。这些数据包括激光模块的当前状态（例如：功率、聚焦深度等）、钙钛矿电池层的当前参数、环境条件等。当前数据获取子单元221收集的数据被送入经过训练的除尘神经网络模型222。除尘神经网络模型222会分析输入数据并预测除尘模块的最佳位置，使其能够有效地清除由激光切割产生的烟尘。一旦除尘神经网络模型222做出预测，移动控制子单元223会产生相应的控制指令，使得除尘模块能够移动到预测的最佳位置。例如，一个特定时刻，激光模块正在切割钙钛矿电池层，且激光的功率为15W，切割速度为7mm/s。环境温度为26°C，湿度为52%。此时的传感器读数如下：
激光模块参数：功率15W，切割速度7mm/s。
环境参数：温度26°C，湿度52%。
上述数据通过当前数据获取子单元221被实时收集，并被输入到除尘神经网络模型222中。可选的，除尘神经网络模型222根据这些数据预测出，为了最有效地清除切割产生的烟尘，除尘模块应该与激光模块保持6cm的距离。然后，移动控制子单元223会产生一个指令，使除尘模块移动到距离激光模块6cm的位置。随着激光模块继续切割，传感器的数据会发生变化，这会导致神经网络模型产生新的预测。移动控制子单元223会根据这些新的预测持续调整除尘模块的位置，确保其始终保持在最佳位置，实时清除切割产生的烟尘。
本发明实施例的另一方面，可选的，移动控制子单元223进一步用于生成第一移动方向控制指令以及第一移动距离控制指令，根据第一移动方向控制指令以及第一移动距离控制指令，驱动除尘模块到达当前除尘模块预测位置。
具体的，移动控制单元的进一步细化是为了提高除尘模块的定位精度和响应速度。当除尘神经网络模型预测出除尘模块的最佳位置后，移动控制单元不仅需要知道最佳的位置，还需要知道移动的方向和距离。可选的，其工作过程是移动方向的确定，将除尘模块当前位置定义为原点，0°角定义为正前方，则相对于这个0°，其他方向可以用角度来表示，例如90°代表向右，-90°代表向左，180°或-180°代表向后。移动距离的确定，是除尘模块需要移动的距离，以达到与激光模块的预期相对位置。移动命令的生成，结合方向和距离，移动控制单元会生成一个具体的移动命令，这个命令会被传输到除尘模块的驱动机构。其中驱动机构不限于以下几种：第一、电机驱动滑轨系统，通过步进电机或伺服电机驱动线性滑轨，使除尘模块沿线性方向移动。第二、机械臂，多关节的机械臂可以在多个方向上移动，各关节由电机驱动。第三、气缸驱动，使用压缩空气或液压油推动气缸活塞，使除尘模块移动。第四、磁悬浮系统：使用磁场使除尘模块悬浮，并通过调整磁场方向使其移动。可选的，移动控制单元的一个实施：激光模块正在操作，通过传感器读取，它相对于除尘模块沿45°的方向移动了5cm。神经网络模型预测，为了最有效地清除烟尘，除尘模块也需要沿相同的方向移动相同的距离。这时，移动控制单元会进行以下操作：确定移动方向：由传感器和神经网络模型得知，移动方向是45°。确定移动距离：为了与激光模块保持同步，除尘模块需要移动5cm。生成移动命令：移动控制单元会生成一个命令，如：“沿45°方向移动5cm”。这个命令会被发送到除尘模块的驱动机构。除尘模块响应：接收到移动命令后，除尘模块的驱动机构会按照指定的方向和距离移动，与激光模块保持同步。
本发明实施例的另一方面，如图2所示，可选的，该跟随除尘神经网络训练单元210还包括特征运算子单元212，该特征运算子单元212对该训练跟随除尘参数数据进行特征运算，得到特征运算数据；该神经网络训练子单元，用于获取该特征运算数据，根据该特征运算数据更新输入层数据，对该输入层数据进行训练，得到跟随除尘神经网络模型。
本发明实施例的另一方面，该特征运算子单元还用于根据该训练时刻激光与除尘模块参数数据、该训练时刻钙钛矿电池层参数数据和该训练时刻环境参数数据，生成环境设备特征值和材料参数特征值，其中，该环境设备特征值包括特性度量参数特征值以及环境及操作参数特征值。
具体的，通过征运算子单元的特征运算，可以有以下技术效果：第一、通过生成环境设备特征值和材料参数特征值，构建了多维度特征：除尘过程涉及多个参数和环境因素。这些因素如激光参数、钙钛矿电池层参数和环境参数等，都会影响除尘效果。通过特征运算，以确保模型能够捕捉到钙钛矿电池层切割时所有相关的信息。第二、强调重要性和关联性：通过构建环境设备特征值和材料参数特征值，可以将不同的数据源结合到一起，关注了环境设备特征值和材料参数特征值的关联性和重要性。可选的，又例如，环境及操作参数特征值结合了激光参数和环境参数，关注了激光参数和环境参数之间的交互关系。
本发明实施例的另一方面，该特征运算子单元还用于根据环境及操作参数特征值以及该材料参数特征值进行组合运算，得到组合特征值；该特征运算子单元还用于根据特性度量参数特征值、环境及操作参数特征值、材料参数特征值和组合特征值，生成特征矩阵，对特征矩阵进行归一化处理后更新输入层，并输入至训练神经网络模型中进行训练。
本发明实施例的另一方面，还包括：该环境及操作参数特征值包括第一特征值ƒ1、第二特征值ƒ2、第三特征值ƒ3、第四特征值ƒ4和第五特征值ƒ5，其中，
ƒ1= (Ψp(rT2+ H2))α
ƒ2= (Ψs(rP2+ F2))β
ƒ3= (Ψp(xLF 2+ LD 2))γ
ƒ4= (Ψs(xP2+ F2))δ
ƒ5= (Ψp(xLDia 2+ LF 2))ε
其中，Ψp是激光功率的特性转换函数；Ψs是烟尘气流速度的特性转换函数；r是钙钛矿电池层的激光切割点到除尘模块吸风口中心点的直线距离；T是环境温度；H是环境湿度；α, β, γ, δ, ε都是幂参数； P是激光功率；F是烟尘的气流速度；x是除尘模块吸风口中心轴方向与激光模块中激光照射方向之间的夹角；LF是激光模块中激光的聚焦位置；LD是激光模块中激光的聚焦深度；LDia是激光模块中激光束的直径。
具体的，Ψp、Ψs是特性转换函数，可选的，例如，对于ƒ1= (Ψp(rT2+ H2))α，其中的Ψp表示激光功率的特性转换函数。rT2+ H2是将环境参数（如环境温度 T和环境湿度H）和激光与除尘模块的距离r进行的组合。该组合的形式与预测跟随除尘的准确性有关。可选的，是如何进行特征运算生成ƒ1：首先，确定Ψp特性转换函数的形式，可选的形式有、/>、/>，以上是可选的生成ƒ1的实例：
实例1：将rT2+ H2的应用，可设置x= rT2+ H2并代入上式，得到Ψp(rT2+ H2)；
实例2：将rT2+ H2的应用，可设置x= rT2+ H2并代入上式，得到Ψp(rT2+ H2)；
实例3：将rT2+ H2的应用，可设置x= rT2+ H2并代入上式，得到Ψp(rT2+ H2)；
可选的，Ψp、Ψs可选的转换函数都可以有、、/>，可以按照上述生成ƒ1的方式同样的生成ƒ2-ƒ5。
具体的，之所以生成特征值ƒ1-ƒ5，这都是有特定考虑的因素，生成这些特征值更有利用钙钛矿电池层跟随除尘的预测准确性，以下是ƒ1-ƒ5的作用：ƒ1: 该特征值代表了激光功率与环境温湿度的结合。考虑到了在不同的温湿度条件下，激光的功效会有所不同，特别是在高温度或高湿度下。这个特征值是为了调整激光功率，确保切割效果。ƒ2: 该特征值结合了烟尘气流速度与激光功率的关系。确保在不同的激光功率下，烟尘的产生量和速度是合适的，以便除尘模块有效地吸收。ƒ3: 这是一个将激光功率、聚焦位置和聚焦深度相结合的特征。与激光的聚焦效果以及其在特定深度下的功效有关。ƒ4: 结合了烟尘气流速度、激光功率和聚焦位置。考虑了在激光聚焦到特定位置时，由于不同的激光功率产生的烟尘量。ƒ5: 这个特征结合了激光功率、激光束直径和聚焦位置。这是为了描述在不同的激光束大小和聚焦位置下，激光的功效和效果。
具体的，ƒ1, ƒ3, ƒ5是激光相关的特点有关，因此使用激光功率的特性转换函数，而ƒ2和 ƒ4与烟尘的扩散和除尘有关，因此使用烟尘气流速度的特性转换函数。这种选择为模型提供了有针对性的特征，从而更好地模拟和优化除尘效果。
具体而言，ƒ1, ƒ3, ƒ5与激光功率的关系：激光功率直接影响切割效果和产生的烟尘量。更高的激光功率可能会产生更多的烟尘。ƒ1考虑了与除尘模块的距离、环境温度和湿度，与激光的扩散和烟尘的扩散方式有关。ƒ3考虑了激光的聚焦位置和聚焦深度，影响切割深度，从而影响产生的烟尘量。ƒ5考虑了激光束的直径和聚焦位置，与切割的表面积和切割速度相关，进一步影响烟尘产生量。这三个函数主要关注与激光相关的因素，因此采用激光功率的特性转换函数。
另外，ƒ2和 ƒ4与烟尘气流速度的关系：烟尘气流速度直接决定了烟尘的扩散速度和方向，影响除尘效果。ƒ2考虑了除尘模块和激光的距离以及激光功率。与尝试优化除尘位置以达到最佳除尘效果有关。ƒ4考虑了除尘模块的吸风口与激光的角度以及激光功率。角度影响烟尘的扩散路径，从而影响除尘效果。这两个函数主要关注与烟尘扩散和除尘位置相关的因素，因此采用烟尘气流速度的特性转换函数。
本发明实施例的另一方面，还包括：该材料参数特征值包括第六特征值ƒ6，其中，ƒ6=(Ψs(HdTS 2+ E2+ GS 2))ζ，其中，Ψs是烟尘气流速度的特性转换函数，Hd是训练时钙钛矿电池层的硬度；TS是训练时钙钛矿电池层的抗拉强度；E是训练时钙钛矿电池层的弹性模量。 GS是训练时钙钛矿电池层晶格结构；ζ是幂参数；
其中，训练时钙钛矿电池层是钙钛矿电池层，该钙钛矿电池层是以下其中之一层：透明导电层、空穴传输层、钙钛矿层、电子传输层或者电极层。
具体的，该材料特征值ƒ6与预测跟随除尘的准确性有关，代表了钙钛矿电池层的物理性质和结构性质对钙钛矿电池层被切割的影响。钙钛矿电池层的物理和结构性质会影响激光切割过程中产生的烟尘的气流速度。例如，硬度和抗拉强度会影响切割时产生的烟尘数量，而这些烟尘的数量和大小进一步影响其气流速度。因此，ƒ6采用了Ψs（烟尘气流速度的特性转换函数），通过Ψs来将这些物理和结构性质转化为可以影响气流速度的一个量。
本发明实施例的另一方面，还包括：该特性度量参数特征值包括第九特征值ƒ9和第十特征值ƒ10，其中，
其中，Wc是钙钛矿电池层切缝的宽度；Lc是钙钛矿电池层切缝的长度；Dc是钙钛矿电池层切缝的深度；Ds是除尘模块的吸风口的截面面积；Vs是除尘模块的吸风口的吸风速度；Ls是激光模块的切割速度，η是幂参数。
具体的，第九特征值ƒ9和第十特征值ƒ10涉及的都是与激光切割过程中的特性度量参数，具体的是钙钛矿电池层的物理属性和除尘模块功能相关的参数。其中，ƒ9: 此特征值主要反映了钙钛矿电池层切缝的物理尺寸（宽度、长度）和激光模块的切割速度与除尘模块功能（吸风口的截面面积和吸风速度）之间的关系。是为了评估切割过程中烟尘产生的速度与除尘模块去除烟尘的能力之间的平衡。ƒ10考虑了切缝的深度，这意味着特征值是为了评估切割更深层次的材料时，烟尘产生的速度与除尘模块去除烟尘的能力之间的平衡。
之所以采用第九特征值ƒ9和第十特征值ƒ10是因为：平衡评估：在激光切割钙钛矿电池层时，产生的烟尘量与切割参数（如宽度、长度、深度和速度）有关。为了有效地去除这些烟尘，除尘模块必须有足够的吸风速度和吸风口截面面积。第九特征值ƒ9和第十特征值ƒ10提供了一种方法来评估这两方面的平衡，并帮助确定在给定的切割参数下，除尘模块是否能够有效地处理烟尘。
本发明实施例的另一方面，，还包括：该组合特征值包括特征值第七特征值ƒ7和第八特征值ƒ8，其中，
ƒ7=((f1 2+ θ2)/(f1+ε1f6 θ))θ
ƒ8=((f6 2+ θ2)/(f1+ε2f6 θ))θ
其中， θ、ε1以及ε2是变量参数。
第七特征值ƒ7和第八特征值ƒ8是两个组合特征值，旨在综合多个先前计算的特征值以及其他参数（如 θ, ε1, ε2）来描述或评估更加复杂的除尘情况。ƒ7和ƒ8组合特征值整合了环境、材料和设备的信息，为模型提供了一个全局、综合的视角。这确保了模型在处理复杂任务时能够做出更加全面和均衡的决策，提高了除尘效果的稳定性和可靠性。
下面对本发明提供的钙钛矿电池层跟随除尘控制方法进行描述，
基于上述任一实施例，图3是本发明提供的一种钙钛矿电池层跟随除尘控制方法的流程图，如图3所示，包括以下步骤：
包括跟随除尘神经网络训练方法以及跟随除尘方法；
该跟随除尘神经网络训练方法包括：
步骤310，获取来自多个传感器的训练跟随除尘参数数据；该训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；
步骤320，获取该训练跟随除尘参数数据，并将该训练跟随除尘参数数据作为输入层数据，对该输入层数据进行训练，得到跟随除尘神经网络模型；
该跟随除尘方法包括：
步骤330，获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随该除尘神经网络模型；
步骤340，根据获取到的该当前跟随除尘参数数据，生成当前除尘模块预测位置，该当前除尘模块预测位置预测当前除尘模块与激光模块之间的相对位置；
步骤350，根据该当前除尘模块预测位置生成第一移动控制指令，以驱动该除尘模块到达当前除尘模块预测位置。
本发明实施例的另一方面，根据该当前除尘模块预测位置生成第一移动控制指令，以驱动该除尘模块到达当前除尘模块预测位置还包括：第一移动控制指令包括第一移动方向控制指令以及第一移动距离控制指令，根据该第一移动方向控制指令以及该第一移动距离控制指令，驱动该除尘模块到达当前除尘模块预测位置。
本发明实施例的另一方面，如图4所示，将该训练跟随除尘参数数据作为输入层数据，对该输入层数据进行训练的方法包括：
步骤410，对该训练跟随除尘参数数据进行特征运算，得到特征运算数据；
步骤420，根据该特征运算数据更新输入层数据，并输入至训练神经网络模型中进行训练。
本发明实施例的另一方面，如图5所示，对该训练跟随除尘参数数据进行特征运算，得到特征运算数据的方法包括：
步骤510，根据该训练时刻激光与除尘模块参数数据、该训练时刻钙钛矿电池层参数数据和该训练时刻环境参数数据，生成环境设备特征值和材料参数特征值，其中，该环境设备特征值包括特性度量参数特征值以及环境及操作参数特征值。
本发明实施例的另一方面，如图5所示，对该训练跟随除尘参数数据进行特征运算，得到特征运算数据的方法包括：
步骤520，根据环境及操作参数特征值以及该材料参数特征值进行组合运算，得到组合特征值；
步骤530，根据特性度量参数特征值、环境及操作参数特征值、材料参数特征值和组合特征值，生成特征矩阵，对特征矩阵进行归一化处理后更新输入层，并输入至训练神经网络模型中进行训练。
本发明实施例的另一方面，还包括：该环境及操作参数特征值包括第一特征值ƒ1、第二特征值ƒ2、第三特征值ƒ3、第四特征值ƒ4和第五特征值ƒ5，其中，ƒ1= (Ψp(rT2+H2))α，ƒ2= (Ψs(rP2+ F2))β，ƒ3= (Ψp(xLF 2+ LD 2))γ，ƒ4= (Ψs(xP2+ F2))δ，ƒ5= (Ψp(xLDia 2+ LF 2))ε，其中，Ψp是激光功率的特性转换函数；Ψs是烟尘气流速度的特性转换函数；r是钙钛矿电池层的激光切割点到除尘模块吸风口中心点的直线距离；T是环境温度；H是环境湿度；α, β, γ, δ, ε都是幂参数； P是激光功率；F是烟尘的气流速度；x是除尘模块吸风口中心轴方向与激光模块中激光照射方向之间的夹角；LF是激光模块中激光的聚焦位置；LD是激光模块中激光的聚焦深度；LDia是激光模块中激光束的直径。
本发明实施例的另一方面，还包括：该材料参数特征值包括第六特征值ƒ6，其中，ƒ6=(Ψs(HdTS 2+ E2+ GS 2))ζ，其中，Ψs是烟尘气流速度的特性转换函数Hd是训练时钙钛矿电池层的硬度；TS是训练时钙钛矿电池层的抗拉强度；E是训练时钙钛矿电池层的弹性模量。GS是训练时钙钛矿电池层晶格结构；ζ是幂参数；其中，训练时钙钛矿电池层是以下其中之一层：透明导电层、空穴传输层、钙钛矿层、电子传输层或者电极层。
本发明实施例的另一方面，还包括：该特性度量参数特征值包括第九特征值ƒ9和第十特征值ƒ10，其中，
其中，Wc是钙钛矿电池层切缝的宽度；Lc是钙钛矿电池层切缝的长度；Dc是钙钛矿电池层切缝的深度；Ds是除尘模块的吸风口的截面面积；Vs是除尘模块的吸风口的吸风速度；Ls是激光模块的切割速度，η是幂参数。
本发明实施例的另一方面，还包括：该组合特征值包括特征值第七特征值ƒ7和第八特征值ƒ8，其中，ƒ7=((f1 2+ θ2)/(f1+ε1f6 θ))θ，ƒ8=((f6 2+ θ2)/(f1+ε2f6 θ))θ，其中， θ、ε1以及ε2是变量参数。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行上述各方法所提供的钙钛矿电池层跟随除尘控制方法。
此外，上述的存储器603中的逻辑指令可以通过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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供钙钛矿电池层跟随除尘控制方法。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种钙钛矿电池层跟随除尘控制装置，其特征在于，包括跟随除尘神经网络训练单元以及跟随除尘单元；
所述跟随除尘神经网络训练单元包括：
训练数据获取子单元，用于获取来自多个传感器的训练跟随除尘参数数据，所述训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；
神经网络训练子单元，用于获取所述训练跟随除尘参数数据，并将所述训练跟随除尘参数数据作为输入层数据，对所述输入层数据进行训练，得到跟随除尘神经网络模型；
所述跟随除尘单元包括：
当前数据获取子单元，用于获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随所述除尘神经网络模型；
除尘神经网络模型，用于根据获取到的当前跟随除尘参数数据，生成当前除尘模块预测位置，所述当前除尘模块预测位置是预测当前除尘模块与激光模块之间的相对位置；
移动控制子单元，用于根据所述当前除尘模块预测位置生成第一移动控制指令，以驱动所述除尘模块到达当前除尘模块预测位置。
2.根据权利要求1所述的装置，其特征在于，所述移动控制单元进一步用于生成第一移动方向控制指令以及第一移动距离控制指令，根据所述第一移动方向控制指令以及所述第一移动距离控制指令，驱动所述除尘模块到达当前除尘模块预测位置。
3.根据权利要求1所述的装置，其特征在于，还包括：
所述跟随除尘神经网络训练单元还包括特征运算子单元，所述特征运算子单元对所述训练跟随除尘参数数据进行特征运算，得到特征运算数据；
所述神经网络训练子单元，用于获取所述特征运算数据，根据所述特征运算数据更新输入层数据，对所述输入层数据进行训练，得到跟随除尘神经网络模型。
4.根据权利要求3所述的装置，其特征在于，所述特征运算子单元还用于根据所述训练时刻激光与除尘模块参数数据、所述训练时刻钙钛矿电池层参数数据和所述训练时刻环境参数数据，生成环境设备特征值和材料参数特征值，其中，所述环境设备特征值包括特性度量参数特征值以及环境及操作参数特征值。
5.根据权利要求4所述的装置，其特征在于，所述特征运算子单元还用于根据环境及操作参数特征值以及所述材料参数特征值进行组合运算，得到组合特征值；
所述特征运算子单元还用于根据特性度量参数特征值、环境及操作参数特征值、材料参数特征值和组合特征值，生成特征矩阵，对特征矩阵进行归一化处理后更新输入层，并输入至训练神经网络模型中进行训练。
6.一种钙钛矿电池层跟随除尘控制方法，其特征在于，包括跟随除尘神经网络训练方法以及跟随除尘方法；
所述跟随除尘神经网络训练方法包括：
获取来自多个传感器的训练跟随除尘参数数据，所述训练跟随除尘参数数据包括训练时刻激光模块与除尘模块参数数据、训练时刻钙钛矿电池层参数数据和训练时刻环境参数数据；
获取所述训练跟随除尘参数数据，并将所述训练跟随除尘参数数据作为输入层数据，对所述输入层数据进行训练，得到跟随除尘神经网络模型；
所述跟随除尘方法包括：
获取来自多个传感器的当前跟随除尘参数数据，并输入至跟随所述除尘神经网络模型；
根据获取到的所述当前跟随除尘参数数据，生成当前除尘模块预测位置，所述当前除尘模块预测位置是预测当前除尘模块与激光模块之间的相对位置；
根据所述当前除尘模块预测位置生成第一移动控制指令，以驱动所述除尘模块到达当前除尘模块预测位置。
7.根据权利要求6所述的方法，其特征在于，根据所述当前除尘模块预测位置生成第一移动控制指令，以驱动所述除尘模块到达当前除尘模块预测位置还包括：
第一移动控制指令包括第一移动方向控制指令以及第一移动距离控制指令，根据所述第一移动方向控制指令以及所述第一移动距离控制指令，驱动所述除尘模块到达当前除尘模块预测位置。
8.根据权利要求6所述的方法，其特征在于，将所述训练跟随除尘参数数据作为输入层数据，对所述输入层数据进行训练的方法包括：
对所述训练跟随除尘参数数据进行特征运算，得到特征运算数据；
根据所述特征运算数据更新输入层数据，并输入至训练神经网络模型中进行训练。
9.根据权利要求8所述的方法，其特征在于，对所述训练跟随除尘参数数据进行特征运算，得到特征运算数据的方法包括：
根据所述训练时刻激光与除尘模块参数数据、所述训练时刻钙钛矿电池层参数数据和所述训练时刻环境参数数据，生成环境设备特征值和材料参数特征值，其中，所述环境设备特征值包括特性度量参数特征值以及环境及操作参数特征值。
10.根据权利要求9所述的方法，其特征在于，对所述训练跟随除尘参数数据进行特征运算，得到特征运算数据的方法包括：
根据环境及操作参数特征值以及所述材料参数特征值进行组合运算，得到组合特征值；
根据特性度量参数特征值、环境及操作参数特征值、材料参数特征值和组合特征值，生成特征矩阵，对特征矩阵进行归一化处理后更新输入层，并输入至训练神经网络模型中进行训练。
11.一种计算机可读的存储介质，其特征在于，
所述计算机可读的存储介质包括存储的程序，其中，所述程序可被终端设备或计算机运行时执行权利要求6至10任一项中的方法。
12.一种电子设备，包括存储器和处理器，其特征在于，
所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求6至10任一项中的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227029.9A CN116967640B (zh) | 2023-09-22 | 2023-09-22 | 钙钛矿电池层跟随除尘控制装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227029.9A CN116967640B (zh) | 2023-09-22 | 2023-09-22 | 钙钛矿电池层跟随除尘控制装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116967640A true CN116967640A (zh) | 2023-10-31 |
| CN116967640B CN116967640B (zh) | 2024-01-05 |
Family
ID=88485327
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227029.9A Active CN116967640B (zh) | 2023-09-22 | 2023-09-22 | 钙钛矿电池层跟随除尘控制装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116967640B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110293553A (zh) * | 2018-03-21 | 2019-10-01 | 北京猎户星空科技有限公司 | 控制机械臂操作物体的方法、装置及模型训练方法、装置 |
| US20200081453A1 (en) * | 2018-09-06 | 2020-03-12 | Lg Electronics Inc. | Plurality of autonomous mobile robots and controlling method for the same |
| CN112935535A (zh) * | 2021-03-16 | 2021-06-11 | 苏州市宏石激光技术有限公司 | 一种带移动除尘装置的平面激光切割机 |
| CN113747041A (zh) * | 2020-05-29 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 一种摄像机对焦方法及基于循环神经网络的对焦方法 |
| CN113988205A (zh) * | 2021-11-08 | 2022-01-28 | 福建龙净环保股份有限公司 | 一种电除尘工况的判定方法及系统 |
| CN114904655A (zh) * | 2022-05-07 | 2022-08-16 | 福建龙净环保股份有限公司 | 一种单电场节能控制方法及装置 |
| CN115292439A (zh) * | 2021-04-18 | 2022-11-04 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
| WO2023118470A1 (en) * | 2021-12-22 | 2023-06-29 | Bystronic Laser Ag | Method and apparatus for cutting and removing parts |
-
2023
- 2023-09-22 CN CN202311227029.9A patent/CN116967640B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110293553A (zh) * | 2018-03-21 | 2019-10-01 | 北京猎户星空科技有限公司 | 控制机械臂操作物体的方法、装置及模型训练方法、装置 |
| US20200081453A1 (en) * | 2018-09-06 | 2020-03-12 | Lg Electronics Inc. | Plurality of autonomous mobile robots and controlling method for the same |
| CN113747041A (zh) * | 2020-05-29 | 2021-12-03 | 杭州海康威视数字技术股份有限公司 | 一种摄像机对焦方法及基于循环神经网络的对焦方法 |
| CN112935535A (zh) * | 2021-03-16 | 2021-06-11 | 苏州市宏石激光技术有限公司 | 一种带移动除尘装置的平面激光切割机 |
| CN115292439A (zh) * | 2021-04-18 | 2022-11-04 | 华为技术有限公司 | 一种数据处理方法及相关设备 |
| CN113988205A (zh) * | 2021-11-08 | 2022-01-28 | 福建龙净环保股份有限公司 | 一种电除尘工况的判定方法及系统 |
| WO2023118470A1 (en) * | 2021-12-22 | 2023-06-29 | Bystronic Laser Ag | Method and apparatus for cutting and removing parts |
| CN114904655A (zh) * | 2022-05-07 | 2022-08-16 | 福建龙净环保股份有限公司 | 一种单电场节能控制方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116967640B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paturi et al. | Application and performance of machine learning techniques in manufacturing sector from the past two decades: A review | |
| JP6795472B2 (ja) | 機械学習装置、機械学習システム及び機械学習方法 | |
| JP2013523452A (ja) | 電池極片に対してレーザー切断を行う制御方法およびシステム | |
| EP3731158A1 (en) | Wind farm noise prediction method, apparatus and system | |
| CN105447567B (zh) | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 | |
| CN110119566B (zh) | 一种适用于复杂曲面机器人砂带磨抛的切削深度预测方法及装置 | |
| CN116967640B (zh) | 钙钛矿电池层跟随除尘控制装置及方法 | |
| CN101078913A (zh) | 后验控制与多传感器融合方法及中央空调节能控制装置 | |
| Wu et al. | Robot path planning based on artificial potential field with deterministic annealing | |
| Seo et al. | High-power fiber laser cutting for 50-mm-thick cement-based materials | |
| Cai et al. | Light responsive curve selection for photosynthesis operator of APOA | |
| CN110927342B (zh) | 一种基于天牛须搜索算法的大气污染物溯源方法 | |
| CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
| CN113478082A (zh) | 一种用于蒙皮-桁条的柔性激光焊接方法及装置 | |
| CN108090317A (zh) | 一种采用案例推理的二噁英浓度软测量方法 | |
| CN115685876B (zh) | 一种基于轨迹补偿的平面激光切割控制方法及系统 | |
| CN116430709A (zh) | 机场智能驱鸟系统仿生学优化智能pid控制算法 | |
| Li et al. | Anomaly detection in three-axis CNC machines using LSTM networks and transfer learning | |
| CN113799125B (zh) | 一种多关节机械臂的轨迹规划系统 | |
| Mollah et al. | Modeling of TIG welding and abrasive flow machining processes using radial basis function networks | |
| CN109514777A (zh) | 轮胎模具激光清洗光路 | |
| CN106735888A (zh) | 一种臭氧辅助切割装置及方法 | |
| CN112215391A (zh) | 一种基于pso-bp的齿轮再制造质量预测模型方法 | |
| CN207508514U (zh) | 一种用于薄膜太阳能电池激光划线的除尘装置 | |
| Liu et al. | Accuracy improvement of 6-UPS Stewart forward kinematics solution based on self-aggregating MFO algorithm |
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 |