CN117352762A - 电池制造设备的控制系统 - Google Patents

Abstract

本发明涉及电池制造设备控制技术领域，具体提供一种电池制造设备的控制系统，包括第一处理器、第二处理器以及神经网络处理器，其中第一处理器运行第一操作系统，第二处理器运行第二操作系统；第一处理器用于采集电池制造设备的第一信息；第二处理器用于采集电池制造设备的第二信息，获取第一信息，提取第一信息和第二信息的特征信息，第一信息、第二信息关联于电池制造设备携带的信息；神经网络处理器用于获取特征信息，基于特征信息获取第一控制参数；第一处理器还用于获取第一控制参数，基于第一控制参数确定第二控制参数，并基于第二控制参数控制电池制造设备。本发明提升了电池制造设备的数据采集效率和实时控制能力。

Description

电池制造设备的控制系统

技术领域

本发明涉及电池制造设备控制技术领域，具体提供一种电池制造设备的控制系统。

背景技术

随着工业自动化、大数据和人工智能技术的不断发展，特别是当下ChatGPT等AI模型的成功，将有越来越多的工业设备和生产线需要从自动化向智能化发展，因此数据将成为产业升级的关键。然而，由于工业设备连接协议和接口类型种类繁多，数据量大，导致数采难度大、传输延迟和数据安全等问题也日益突出。

为此，边缘计算技术逐渐应用于工业自动化领域，将数据处理和分析推向设备端，从而提高响应速度和数据安全性，边缘计算技术需要边缘网关作为连接设备和云端的桥梁，实现设备数据的采集、处理和传输。然而，目前市场上的边缘网关产品存在一些问题，如连接协议和接口类型的限制、数据采集频率低、不具备边缘计算能力、响应性低下等。因此，锂电行业需要一种具备机器学习能力且具有高响应性的电池制造设备控制系统，以满足当下及未来基于高频大数据及人工智能的智能制造领域对边缘计算的高要求。

相应地，本领域需要一种新的电池制造设备控制方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决上述技术问题。

在第一方面，本发明提供一种电池制造设备的控制系统，所述控制系统包括第一处理器、第二处理器以及神经网络处理器，其中所述第一处理器运行第一操作系统，所述第二处理器运行第二操作系统；

所述第一处理器用于采集第一信息；

所述第二处理器用于采集第二信息，获取所述第一信息，提取所述第一信息和所述第二信息的特征信息，所述第一信息、第二信息关联于所述电池制造设备携带的信息；

所述神经网络处理器用于获取所述特征信息，基于所述特征信息获取第一控制参数；

所述第一处理器还用于获取所述第一控制参数，基于所述第一控制参数确定第二控制参数，并基于所述第二控制参数控制所述电池制造设备。

在一个技术方案中，所述第一处理器包括第一数据采集模块；

所述第一数据采集模块以小于预设阈值的采样周期采集第一信息。

在一个技术方案中，所述第一处理器还包括确定模块和控制模块；

所述确定模块用于获取所述神经网络处理器获取的第一控制参数，并基于所述第一控制参数确定第二控制参数；

所述控制模块用于基于所述第二控制参数对所述电池制造设备进行控制。

在一个技术方案中，所述第一处理器还包括数据预处理模块；

所述数据预处理模块用于对所述第一信息进行滤波处理。

在一个技术方案中，所述第二处理器包括第二数据采集模块；

所述第二数据采集模块以大于等于预设阈值的采样周期采集第二信息。

在一个技术方案中，所述第二处理器还包括特征提取模块；

所述特征提取模块用于对所述第一信息和所述第二信息进行特征提取，获得特征向量集。

在一个技术方案中，所述第二处理器还包括转换模块；

所述转换模块用于将所述第一信息从时域转换至频域。

在一个技术方案中，所述第二处理器还包括数据上报模块，

所述数据上报模块用于将训练数据上传至云端，以在云端训练神经网络模型；其中，所述神经网络模型输出第一控制参数，所述训练数据关联于第一信息、第二信息及预设的第一控制参数。

在一个技术方案中，所述控制系统还包括第一存储模块和第二存储模块；

所述第一存储模块用于存储所述第一信息和所述第一处理器获取的第一控制参数；

所述第二存储模块用于存储所述第二信息、所述第二处理器提取的特征信息和所述神经网络处理器获取的第一控制参数。

在一个技术方案中，所述第一操作系统为RTOS系统；所述第二操作系统为Linux系统。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

本发明提供一种电池制造设备的控制系统，控制系统包括第一处理器、第二处理器以及神经网络处理器，其中第一处理器运行第一操作系统，第二处理器运行第二操作系统；第一处理器用于采集第一信息；第二处理器用于采集第二信息，获取第一信息，提取第一信息和第二信息的特征信息，第一信息、第二信息关联于电池制造设备携带的信息；神经网络处理器用于获取特征信息，基于特征信息获取第一控制参数；第一处理器还用于获取第一控制参数，基于第一控制参数确定第二控制参数，并基于第二控制参数控制电池制造设备。本发明基于双处理器运行双操作系统外加神经网络处理器的架构，对电池制造设备携带的信息进行采集，满足实时性要求的同时提高系统的吞吐率和资源利用率，解决了数据采集中的延迟问题；通过神经网络处理器对电池制造设备携带的信息执行神经网络模型的计算任务，使得本发明能够对电池制造设备执行边缘计算任务；第一处理器基于神经网络模型输出的第一控制参数来确定第二控制参数，进而基于第二控制参数控制电池制造设备，实现了根据边缘计算任务的结果对电池制造设备进行实时控制，提升了电池制造设备的控制效率。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：

图1是根据本发明的一个实施例的电池制造设备的控制系统的主要结构框图示意图；

图2是根据本发明的一个实施例的电池制造设备的控制系统的结构示意图；

图3是根据本发明的一个实施例的电池制造设备的控制系统的局部结构示意图；

图4是根据本发明的一个实施例的电池制造设备的控制系统的工作原理图；

图5是根据本发明的一个实施例的电池制造设备的控制系统的实现方法的流程示意图；

图6是根据本发明的另一个实施例的电池制造设备的控制系统的实现方法的流程示意图。

附图标记列表：

11：第一处理器；12：第二处理器；13：神经网络处理器；41：第一张力传感器；42：第二张力传感器；43：第三张力传感器。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路，各种合适的感应器，通信端口，存储器，也可以包括软件部分，比如程序代码，也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合，比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似，可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。

正如背景技术中提到的，目前边缘网关产品存在一些问题，如连接协议和接口类型的限制、数据采集频率低、不具备边缘计算能力、响应性低下等。

为此，本发明提供一种电池制造设备的控制系统，包括第一处理器、第二处理器以及神经网络处理器，其中第一处理器运行第一操作系统，第二处理器运行第二操作系统；第一处理器用于采集第一信息；第二处理器用于采集第二信息，获取第一信息，提取所述第一信息和所述第二信息的特征信息，所述第一信息、第二信息关联于所述电池制造设备携带的信息；神经网络处理器用于获取所述特征信息，基于所述特征信息获取第一控制参数；所述第一处理器还用于获取所述第一控制参数，基于所述第一控制参数确定第二控制参数，并基于所述第二控制参数控制电池制造设备。

本发明基于双处理器运行双操作系统外加神经网络处理器的架构，能够对电池制造设备携带的信息进行采集，满足实时性要求的同时提高系统的吞吐率和资源利用率，解决了数据采集中的延迟问题；通过神经网络处理器对电池制造设备携带的信息执行神经网络模型的计算任务，使得本发明能够对电池制造设备执行边缘计算任务；第一处理器基于神经网络模型输出的第一控制参数来确定第二控制参数，进而基于第二控制参数控制电池制造设备，实现了根据边缘计算任务的结果对电池制造设备进行实时控制，提升了电池制造设备的控制效率。

参阅附图1，图1是根据本发明的一个实施例的电池制造设备的控制系统的主要结构框图示意图。

如图1所示，本发明实施例中的电池制造设备的控制系统主要包括第一处理器11、第二处理器12以及神经网络处理器13，其中所述第一处理器11运行第一操作系统，所述第二处理器12运行第二操作系统；所述第一处理器11用于采集第一信息；所述第二处理器12用于采集第二信息，获取所述第一信息，提取所述第一信息和所述第二信息的特征信息，所述第一信息、第二信息关联于所述电池制造设备携带的信息；所述神经网络处理器13用于获取所述特征信息，基于所述特征信息获取第一控制参数；所述第一处理器还用于获取所述第一控制参数，基于所述第一控制参数确定第二控制参数，并基于所述第二控制参数控制所述电池制造设备。通过双处理器运行双系统加神经网络处理器的架构能够实现多任务并行处理，并且通过在第一处理器运行实时操作系统(RTOS)的方式提升了处理实时任务、关键任务和对电池制造设备进行实时控制的能力，降低了电池制造设备控制的延迟性。

本发明的技术方案中，第一信息和第二信息与电池制造设备携带的信息相关联。实际应用中，本领域技术人员可以根据需控制的事件(如收放卷过程中的张力控制，涂布过程中涂布面密度的控制等)来确定采集与该事件相关的电池制造设备携带的信息作为第一信息和第二信息。

具体地，如：在对收放卷过程中的张力进行控制的场景下，第一信息可以是收放卷设备反馈的张力反馈值，第二信息则可以是收放卷设备输出的卷材的宽度、厚度、材质，收放卷设备输出的走带速度、主轴直径、扭矩、收卷卷径、放卷卷径，收放卷设备输出的收放卷设备控制的电机的当前转速、张力设定值，以及厂房温湿度计/露点仪采集的环境温湿度。或者，第一信息可以是收放卷设备卷材的宽度、厚度、材质，收放卷设备输出的走带速度、主轴直径、扭矩、收卷卷径、放卷卷径，收放卷设备输出的收放卷设备控制的电机的当前转速、张力设定值，厂房温湿度计/露点仪采集的环境温湿度，第二信息可以是收放卷设备反馈的张力反馈值。

再如：在对涂布过程中的涂布面密度进行控制的场景下，第一信息可可以是涂布机输出的涂布面密度反馈值，第二信息可以是制造执行系统(MES)输出的浆料的粘度、浓度、含水量，涂布机输出的走带速度、涂料的设定厚度、宽度、涂布面密度设定值、模头温度、模腔压力、烘箱温度，以及厂房温湿度计/露点仪采集的环境温湿度等。或者，第一信息可以是制造执行系统(MES)输出的浆料的粘度、浓度、含水量，涂布机输出的走带速度、涂料的设定厚度、宽度、涂布面密度设定值、模头温度、模腔压力、烘箱温度，以及厂房温湿度计/露点仪采集的环境温湿度等，第二信息可以是涂布机输出的涂布面密度反馈值。

在一个技术方案中，第一信息可以是以小于预设阈值的采样周期采集的电池制造设备输出的实时数据，或是以大于等于预设阈值的采样周期采集的电池制造设备输出的设备数据，第二信息可以是以小于预设阈值的采样周期采集的电池制造设备输出的实时数据，或是以大于等于预设阈值的采样周期采集的电池制造设备输出的设备数据，此处不做限定。本领域技术人员可以根据第一信息/第二信息的具体内容来确定采集数据时的采样周期。

本发明的技术方案中，不对采集的第一信息和第二信息做具体的限定，本领域技术人员可以根据需控制的事件来确定要采集的第一信息和第二信息，因此，上述收放卷过程中张力控制事件需采集的第一信息和第二信息，涂布过程中涂布面密度控制事件需采集的第一信息和第二信息不应作为对本发明技术方案的限定。

在一个技术方案中，第一处理器11通过第一输入/输出接口向第二处理器12发送采集的第一信息，第二处理器12通过第二输入/输出接口接收第一处理器11发送的第一信息，再由第三输入/输出接口向神经网络处理器13发送特征信息，神经网络处理器13通过第四输入/输出接口接收该特征信息，并将获取的第一控制参数由第四输入/输出接口发送给第二处理器12，第二处理器12自第三输入/输出接口获取第一控制参数后将该第一控制参数通过第二输入/输出接口发送给第一处理器11，进而由第一处理器11基于第一控制参数确定第二控制参数，并基于第二控制参数对电池制造设备进行控制。

如图2所示，本发明的控制系统基于双处理器双操作系统加神经网络处理器的架构，硬件设计可以采用NXP I.MX8M Plus芯片，该芯片具备4颗1.6GHz主频的Cortex-A53ARM内核，还集成了一个独立运行的Cortex-M7内核，同时还带有神经处理单元(NPU)，运行速率为2.3TOPS。为提升系统响应性，采用了双通道DDR4接口的RAM内存，最大可提供50.6GB/s的带宽。

在一个技术方案中，为避免因处理器温度过高影响系统稳定性,采用了动态电压频率调整技术，通过读取处理器内置的温度传感器实时检测芯片温度，根据处理器当前负载情况和功耗需求自适应地改变处理器的工作频率和电压，以保证系统稳定性，同时可以达到平衡性能和能效的目标。

在一个技术方案中，具体地，第一处理器11可以是Cortex-M7内核，第二处理器12可以是Cortex-A53 ARM内核，神经网络处理器13可以是神经处理单元(NPU)。在第一处理器11上运行第一操作系统，在第二处理器12上运行第二操作系统。为了实现对任务的高效调度，本实施例中第一操作系统与第二操作系统采用混合任务调度算法，在第一操作系统内采用周期性执行模型(PTM)静态优先级调度算法，在第二操作系统内采用动态优先级调度算法。

具体而言，在第一操作系统内，首先对需要执行的任务进行分析和整理，明确每个任务所需的资源、时间和依赖关系等信息。进而根据实时性要求对所有待执行任务按照其重要程度或紧急程度进行排序，并采用抢占式调度策略，即高优先级的任务可以抢占正在运行的低优先级任务。

并且制定详细的时间安排表，包括各项任务开始、结束及中间阶段所需时间，并保证各项任务之间不存在冲突和交叉影响，为了提高系统实时性能，在时间规划中考虑额外因素如上下文切换、延迟和中断处理等。

还可以根据不同类型和优先级别的任务所需资源量(如CPU、内存等)确定合理分配方案，并实现对资源使用情况进行监控与管理。最终根据时间安排表逐一启动每个待执行的任务，并通过实时监测来检测其运行状态，如果发现异常情况或出现错误，则及时停止相应操作并给出警报提示。

当所有工作完成后，对每项工作进行评估和反馈，根据实际情况及时修改调度策略，并针对任务的执行情况进行统计和分析，以便优化整个系统的性能表现。静态优先级调度算法由于在进程创建时就确定了各个进程的优先级，因此可以满足实时系统对任务响应时间和可推理性等方面的要求。

在第二操作系统内，初始状态下将所有任务按照优先级从高到低排序，选择最高优先级的任务进行执行，并根据实际情况不断更新每个任务的优先级，以确保系统能够及时响应高优先级任务，当有新的任务进入系统时，根据其优先级将其插入到合适位置，并重新排序所有任务列表。

对于长时间未被执行的低优先级任务，采用抢占式调度策略，使得它们在必要时也能够得到及时执行，并采用负载均衡技术来平衡各个处理器上正在运行的线程数量，避免某些处理器过载而导致系统崩溃或者出现延迟等问题。

动态优先级调度算法能够使具有最高优先级的进程尽快地获得CPU资源，从而加快响应速度，在动态环境中，不同进程的执行时间和资源需求可能会发生变化，通过动态调整各个进程的优先级，可以更好地适应这种变化。

在一个技术方案中，所述第一处理器11包括第一数据采集模块；所述第一数据采集模块以小于预设阈值的采样周期采集第一信息。

具体而言，该第一数据采集模块以小于预设阈值的采样周期采集电池制造设备中的第一信息，该预设阈值可以是10毫秒，即第一数据采集模块支持以小于10毫秒的采样周期采集数据，例如采集CAN总线数据、微秒级的模拟量数据等。通过第一数据采集模块以小于预设阈值的采样周期采集电池制造设备携带的数据，保证了数据传输的实时性。

在一个技术方案中，所述第一处理器11还包括确定模块和控制模块；所述确定模块用于获取所述神经网络处理器13获取的第一控制参数，并基于所述第一控制参数确定第二控制参数；所述控制模块用于基于所述第二控制参数对所述电池制造设备进行控制。

具体而言，该第一控制参数可以是神经网络处理器13获取的PID参数，由确定模块获取神经网络处理器13获取的PID参数，并基于该PID参数和PID控制算法确定控制电池制造设备的第二控制参数，该第二控制参数可以为控制电池制造设备时具体的调节量；进而控制模块可以根据该第二控制参数对电池制造设备进行控制。

PID即：Proportional(比例)、Integral(积分)、Differential(微分)的缩写，PID控制算法是结合比例、积分和微分三种环节于一体的控制算法。

第一处理器11的控制模块通过高速IO、CAN总线、网络、串口等接口对设备进行实时控制，支持系统扫描周期小于1毫秒。通过在第一处理器11运行实时操作系统(RTOS)的方式对电池制造设备进行控制，提升了对电池制造设备的高响应实时控制能力。

在一个技术方案中，所述第一处理器11还包括数据预处理模块；所述数据预处理模块用于对所述第一信息进行滤波处理。

具体而言，数据预处理模块用于对第一信息进行滤波处理，在实际应用中可以根据第一信息的数据类型的不同采用不同的滤波方式，例如低通滤波、陷波滤波、中值滤波、滑动平均滤波等。通过数据预处理模块对第一信息进行滤波降噪，避免噪音对信息产生的影响，导致后续数据处理不准确的问题。

在一个技术方案中，所述第二处理器12包括第二数据采集模块；所述第二数据采集模块用于采集第二信息，所述第二数据采集模块以大于等于预设阈值的采样周期采集第二信息。

具体而言，第二数据采集模块以大于等于预设阈值的采样周期采集第二信息，该预设阈值可以是10毫秒；该第二数据采集模块支持的协议包括三菱、西门子、欧姆龙、基恩士等PLC专用协议，以及Modbus、OPU UA等标准协议，支持最大标签点位为20000Tags。通过第二处理器12以大于等于预设阈值的采样周期采集电池制造设备的除第一信息外的数据，实现了对数据的并行采集，提高数据传输效率和系统资源利用率。

在一个技术方案中，所述第二处理器12包括特征提取模块；所述特征提取模块用于对所述第一信息和所述第二信息进行特征提取，获得特征向量集。

具体而言，特征提取模块用于对第一信息和第二信息进行特征提取，并获得特征向量集。实际应用中，特征向量集可以基于电池制造设备携带的相关信息通过深度学习自动提取。

例如对于上述的在涂布面密度控制场景下的第一信息而言，在进行特征提取时，提取涂布面密度反馈值的时域特征和频域特征，提取的时域特征包括涂布面密度反馈值的平均值、超差量，提取频域特征时则需要对涂布面密度反馈值的时域数据进行傅里叶变换，分析其在频率域的表现，包括主要频率成分，以及在特点频率上的能量分布。本技术方案中，该第一信息还可以是经数据预处理模块预处理后的第一信息，即对滤波后的第一信息进行特征提取。

在一个技术方案中，所述第二处理器12包括转换模块；所述转换模块用于将所述第一信息从时域转换至频域。

具体而言，转换模块用于对第一信息进行转换，在一些具体的实施例中，通过对第一信息进行频谱分析，使用傅里叶变换将第一信息从时域转换至频域。例如，在对电池制造设备执行张力控制的场景下，在PID算法中进行频域分析的目的是为了更好地理解闭环控制系统中张力的特性。频域分析可以实现从信号的频率角度来观察和分析张力变化，揭示闭环控制系统的动态响应、稳定性和频率特性。具体而言，对张力进行频域分析可以了解到不同频率下张力对输入信号(例如激励或干扰)的响应情况。有助于理解闭环控制系统对不同频率成分的敏感程度，以及其对快速变化信号或周期性干扰的抑制能力。通过查看闭环控制系统在不同频率下的增益和相位曲线，可以判断闭环控制系统是否存在振荡倾向或稳定问题。如果存在过高或过低的增益值、相位延迟等问题，则可能需要进一步调整PID参数以提高稳定性。频域分析还能够根据应用需求，在设计张力PID控制器时考虑某些特定范围内(例如低频或高频)更重要的信号成分。

通过频域分析，可以了解到不同频率成分对张力的影响，并相应地调整控制策略以优化控制性能。总之，频域分析在强化学习张力PID算法中的应用可以更全面地理解和掌握闭环控制系统的动态特性，从而提高控制效果和稳定性。

在一个技术方案中，所述第二处理器12还包括数据存储模块，该数据存储模块用于将部分数据存储在本地，以便后续的处理和分析。

在一个技术方案中，所述第二处理器12还包括数据上报模块；所述数据上报模块用于将训练数据上传至云端，以在云端训练神经网络模型；其中，所述神经网络模型输出第一控制参数，所述训练数据关联于第一信息、第二信息及预设的第一控制参数。

具体而言，通过数据上报模块将训练数据上传给服务器，该训练数据可以是第一信息、第二信息、预设的第一控制参数，服务器基于训练数据对神经网络模型进行评估、训练和优化，数据上报模块还用于上传由第一信息和第二信息提取的特征向量集、第一控制参数和基于第一控制参数确定的第二控制参数，用于数据备份。本实施例中的神经网络模型可以采用多层感知机(MLP)与强化学习(RL)结合。多层感知机(MLP)是一种全连接神经网络，能够处理一系列复杂的非线性关系。强化学习(RL)是一种在环境反馈的指导下，通过探索和学习来取得最优策略的方法。在一个实施例中，结合MLP与RL可以训练出一个决策模型，通过MLP预测涂布机的面密度，然后使用RL决定如何调整模糊规则以达到最佳控制效果。

数据上报模块支持的协议包括WebAPI、MQTT、FTP等。

在一个技术方案中，所述第二处理器12还包括安全控制模块，安全控制模块用于对电池制造设备进行安全控制，如用户认证、数据加密、访问控制、数据物理隔离等，以确保数据的安全性。

在一个技术方案中，所述控制系统还包括第一存储模块和第二存储模块；所述第一存储模块用于存储所述第一信息和所述第一处理器11获取的第一控制参数；所述第二存储模块用于存储所述第二信息、所述第二处理器12的处理结果和所述神经网络处理器13获取的第一控制参数。

具体而言，第一处理器11与第二处理器12之间使用共享内存方式进行数据交互，第一处理器11和第二处理器12共享第一存储模块，第一存储模块用于存储第一处理器11采集的第一信息和第一处理器11获取的第一控制参数，第二处理器12可以从该第一存储模块获取第一处理器11采集的第一信息。

第二处理器12与神经网络处理器13之间采用共享内存方式进行数据交互，第二处理器12和神经网络处理器13共享第二存储模块，第二存储模块用于存储第二处理器12采集的第二信息、第二处理器12的处理结果和神经网络处理器13获取的第一控制参数，第二处理器12的处理结果包括特征提取模块提取的特征向量集，第二处理器12可以从第二存储模块获取神经网络处理器13获取的第一控制参数，并通过第一存储模块共享给第一处理器11。

为确保内存访问的同步和互斥，避免数据损坏，第一处理器11与第二处理器12之间使用了轻量级远程处理器信息传输协议(RPMsg)，轻量级远程处理器信息传输协议(RPMsg)是一个在多处理器系统中提供轻量级消息传递机制的协议，提供一种可靠、高效且低延迟的跨操作系统、跨处理器间通信机制。

如图3所示，为了进一步提高系统的响应性，第一处理器11与第二处理器12之间引用虚拟IO设备驱动模型(Virtio)作为中间传输层，虚拟IO设备驱动模型(Virtio)是一种在虚拟化环境中提供高性能的设备驱动程序框架，将轻量级远程处理器信息传输协议(RPMsg)与底层硬件隔离开来。通过虚拟IO设备驱动模型(Virtio)层、轻量级远程处理器信息传输协议(RPMsg)层可以在不同的处理器之间进行消息传递，同时保证高效的性能和低延迟。

在一个技术方案中，所述第一操作系统为RTOS系统；所述第二操作系统为Linux系统。具体而言，本发明采用了RTOS系统和Linux系统的双系统架构，在第一处理器11上运行RTOS系统，在第二处理器12上运行Linux系统，满足高并发与高响应性的任务处理需求。在第一处理器11上运行RTOS系统时，第一处理器11的第一数据采集模块以小于预设阈值的采样周期采集第一信息，在第二处理器12上运行Linux系统时，第二处理器12的第二数据采集模块以大于等于预设阈值的采样周期采集第二信息。

参阅附图4，图4是根据本发明的一个实施例的电池制造设备的控制系统的工作原理图。

如图4所示，本实施例中，电池制造设备的控制系统作为边缘网关应用在锂离子电池电芯制造领域的收放卷设备中，其中设备层包括三套张力控制系统，分别是第一张力传感器41与放卷电机的闭环，第二张力传感器42与主牵引电机的闭环，第三张力传感器43与收卷电机的闭环；本实施例中三套张力控制系统采用同一控制方法，下面以第三张力传感器43和收卷电机为例进行说明。具体的工作流程为首先通过第一处理器11(Cortex-M内核的RTOS系统)以小于预设阈值的采样周期采集第一信息，通过高响应总线以小于10毫秒的采样周期对第三张力传感器43的张力反馈值进行采集，并且为避免噪音对信号的影响，同时保持信号的实时性，在RTOS系统内对采集的张力反馈值进行实时滤波处理。

再通过第二处理器12(Cortex-A内核的Linux系统)以大于等于预设阈值的采样周期采集用于张力控制的设备数据，并对采集的设备数据和张力反馈值进行处理，并对处理后的数据进行特征提取，将获得的特征向量集进行数据上报，第二处理器12再从服务器获取神经网络模型，其中神经网络模型是由服务器基于第二处理器12上报的训练数据训练后下发给边缘网关的，第二处理器12将特征向量集和神经网络模型发送给神经网络处理器(NPU)。

再由神经网络处理器(NPU)根据自第二处理器12(Cortex-A内核的Linux系统)获取的特征向量集和神经网络模型预测张力数据的第一控制参数。

进而由第一处理器11(Cortex-M内核的RTOS系统)基于预测的张力数据的第一控制参数通过PID控制算法确定控制收卷电机张力的第二控制参数，最终基于第二控制参数对收卷电机进行PID闭环控制，实时闭环调整收卷电机速度，从而完成收放卷设备张力的高响应控制。

参阅附图5，图5是根据本发明的一个实施例的电池制造设备的控制系统的实现方法的流程示意图。

如图5所示，本发明的电池制造设备的控制系统应用在收放卷设备的张力智能控制时包括以下步骤：

步骤S501：通过第一处理器11(RTOS系统)对收放卷设备反馈的张力反馈值进行采集及滤波。具体为通过第一处理器11(RTOS系统)对张力传感器反馈的张力反馈值进行采集，为避免噪音对信号的影响，同时为保持信号的实时性，本实施例采用低通滤波对张力反馈值进行滤波，低通滤波算法如下所示：

Y(n)＝αX(n)+(1-α)Y(n-1)

式中，α为滤波系数，X(n)为本次采样的张力反馈值，Y(n-1)为上次滤波的输出值，Y(n)为本次滤波的输出值。

同时，为避免收放卷主轴机械结构变型或偏心等原因对信号造成的周期性影响，本实施例进一步采用陷波滤波算法对张力反馈值进行混合滤波，陷波滤波算法如下所示：

式中，H(z)为滤波器的传递函数，ω0为主轴当前转速对应的数字角频率，r为衰减因子。可以理解的是，根据实际应用情况采集的数据类型的不同可以选择多种滤波方式，此处不做限定。

步骤S502：第一处理器11(RTOS系统)将经过滤波处理后的张力反馈值发送给第二处理器12(Linux系统)。

步骤S503：第二处理器12(Linux系统)采集设备数据。设备数据具体包括收放卷设备输出的卷材的宽度、厚度、材质，收放卷设备的走带速度，主轴直径、扭矩、收卷卷径、放卷卷径，收放卷设备控制的电机的当前转速、张力设定值，厂房温湿度计/露点仪采集的环境温湿度。

步骤S504：第二处理器12(Linux系统)对张力反馈值进行预处理，具体为对张力反馈值进行频谱分析，使用傅里叶变换将张力反馈值由时域转为频域，傅里叶变换如下所示：

式中，F(k)表示张力反馈值在离散频域上的复数表示，f(n)表示张力反馈值在离散时间n上的取值，N为采样点数。

本实施例中，第二处理器对数据进行预处理还包括：

缺失值处理：例如，张力传感器的数据可能会丢失，需要通过插值、使用平均值、中位数来填充这些缺失值。

标准化或归一化：为了确保神经网络模型不会受到特征尺度的影响，需要对采集到的不同参数(如收卷速度、卷径、箔材材质厚度等)进行标准化或归一化处理，使其处于同一尺度上，方便之后的比较和分析。

处理离群值：张力反馈值可能会出现离群值，这些离群值可能会对数据处理和模型训练产生负面影响，需要使用统计方法来检测并处理。

步骤S505：第二处理器12(Linux系统)对预处理后的张力反馈值和采集的设备数据进行特征提取，获得特征向量集。特征向量集可以是张力时域特征(超调量、稳态误差、调整时间)、张力频域特征，以及收放卷速度、卷径、箔材材质厚度、环境温湿度等数据的特征；具体而言，将与卷绕张力密切相关的特征进行提取，对于各种不同的数据，可以采取不同的特征提取手段。

例如，箔材材质厚度对卷绕张力有直接影响，所以将其直接作为一个特征输入到神经网络模型中。同时，还需考虑提取一些派生特征，如箔材厚度与卷绕速度的乘积(反映了材料的刚度和应力分布)，材质厚度与卷径的乘积(反映了材料的弯曲程度)。

环境温湿度可能会影响箔材的性质以及机械结构，从而影响卷绕的张力，因此将温湿度作为特征直接输入到神经网络模型中。此外，也需考虑提取一些派生特征，如温度与湿度的乘积(反映了环境的湿度和温度的综合效应)，温度或湿度与卷绕速度的乘积(反映了环境因素对卷绕速度的影响)。

对于时间序列特征而言，因为卷绕速度、张力传感器读数等数据会随时间变化，因此除了使用原始的数据作为特征之外，还会提取一些时间序列特征。比如，可以使用滑动窗口方法计算过去一段时间的平均值、最大值、最小值、标准差等统计特征。

步骤S506：第二处理器12(Linux系统)将获得的特征向量集上传至服务器。具体而言，第二处理器12(Linux系统)将特征向量集上报给服务器，以供服务器对神经网络模型进行评估、训练和优化。上报的特征向量集可以是张力时域特征(超调量、稳态误差、调整时间)、张力频域特征(主要频率成分，以及在特点频率上的能量分布)，以及张力设定值、收放卷设备控制的电机的当前转速、当前神经网络模型编号、卷材的宽度、厚度、材质、当前环境温度、湿度、成品检测结果、检测质量分布等数据提取的相关特征。

步骤S507：第二处理器12从服务器获取基于强化学习，使用训练数据训练完成并发布的神经网络模型，并基于特征向量集通过神经网络模型预测第一控制参数Kp、Ki和Kd。

步骤S508：第二处理器12(Linux系统)将神经网络模型预测的第一控制参数Kp、Ki和Kd发送给第一处理器11(RTOS系统)。

步骤S509：第一处理器11(RTOS系统)基于张力设定值及神经网络模型确定的第一控制参数Kp、Ki和Kd通过PID控制算法确定第二控制参数。PID算法通过不断测量被控对象的实际输出和期望输出之间的误差，并根据误差的大小来调整控制器的输出，可有效地纠正被控制对象的偏差，从而使其达到一个稳定的状态。本实施例中，张力反馈值为被控对象的实际输出，张力设定值为被控对象的期望输出，根据张力反馈值与张力设定值之间的误差和第一控制参数确定第二控制参数。

具体为基于神经网络模型确定的第一控制参数Kp、Ki和Kd，通过PID控制算法计算第二控制参数，PID控制算法如下所示：

其中，Kp、Ki和Kd分别代表比例、积分和微分增益，e(t)代表当前时刻的张力偏差值，代表偏差值的变化率，u(t)为张力的第二控制参数。Kp决定了控制系统对当前时刻的张力偏差值的响应速度，Ki用于消除收放卷设备张力的稳态误差，Kd用于预测系统的行为，在系统发生变化的初期，它会提前发出控制信号，防止张力偏差值的发展。

步骤S510：第一处理器11(RTOS系统)基于第二控制参数对主轴速度给定值进行补偿，实时闭环调整主轴速度，完成收放卷设备的张力高响应控制。本实施例中的主轴可以是收放卷设备的驱动辊。

参阅附图6，图6是根据本发明的另一个实施例的电池制造设备的控制系统的实现方法的流程示意图。

如图6所示，本发明的电池制造设备的控制系统应用在涂布机面密度控制时包括以下步骤：

步骤S601：通过第一处理器11(RTOS系统)获取涂布机的面密度反馈值并进行滤波。具体而言，使用高精度的面密度测量仪实时采集电极的涂布面密度反馈值，并通过第一处理器11(RTOS系统)获取涂布面密度反馈值并对涂布面密度反馈值进行滤波处理。滤波处理可以采用中值滤波、滑动平均滤波等。

步骤S602：第一处理器11(RTOS系统)将经过滤波处理后的涂布面密度反馈值发送给第二处理器12(Linux系统)。

步骤S603：第二处理器12(Linux系统)获取涂布机的设备数据，设备数据可以是制造执行系统(MES)输出的浆料的粘度、浓度、含水量，涂布机设备输出的走带速度、涂料的设定厚度、宽度、涂布面密度设定值、模头温度、模腔压力、烘箱温度，厂房温湿度计/露点仪采集的环境温湿度等。

步骤S604：第二处理器12(Linux系统)对获取的设备数据和滤波处理后的涂布面密度反馈值进行预处理，预处理可以是数据清洗、数据转换等，数据清洗包括移除无效、错误或者不完整的数据，并检查数据的完整性；数据转换包括将涂布面密度反馈值进行傅里叶变换，将涂布面密度反馈值从时域转换为频域。

本实施例中，第二处理器12对数据预处理还包括：

缺失值处理，例如，温湿度、浆料粘度等数据可能会丢失，需要通过插值、使用平均值、中位数来填充这些缺失值。

标准化或归一化：为了确保神经网络模型不会受到特征尺度的影响，需要对收集到的不同设备数据进行标准化或归一化处理，如涂布速度、浆料粘度、烘箱温度等，因为这些参数可能有不同的量级和量纲，经过标准化或归一化后，这些参数就可以在同一尺度上进行比较和分析，也可以直接用于神经网络模型训练。

处理离群值：涂布面密度反馈值、浆料粘度、烘烤温度等测量值可能会出现离群值，这些离群值可能会对数据处理和神经网络模型训练产生不良影响，需要使用统计方法来检测并决定是否删除或替换。

步骤S605：第二处理器12(Linux系统)对预处理后的数据进行分析并提取特征，获得特征向量集。数据分析包括计算数据的平均值、中位数、方差、标准差等；分析涂布面密度与其他参数(如涂布速度、浆料粘度、烘箱温度等)之间的相关性；提取特征具体为提取涂布面密度的时域特征，时域特征包括面密度调节过程的超调量、稳态误差、调整时间、涂布机运行速度和面密度波动比例，或者过去10分钟的平均面密度；以及频域特征，频域特征包括涂布机的面密度周期性变动、各频率分量的强度，以及提取设备数据的相关特征，获得特征向量集。

步骤S606：第二处理器12(Linux系统)将特征向量集上传至服务器，以供服务器对神经网络模型进行评估、训练和优化使用。

步骤S607：第二处理器12(Linux系统)从服务器获取基于强化学习、使用训练数据训练完成并发布的神经网络模型，并基于特征向量集通过神经网络模型进行预测，输出面密度控制系统模糊控制环的三个模糊规则矩阵P[m,n]、I[m,n]和D[m,n]，并将模糊规则矩阵发送给第一处理器11(RTOS系统)。

步骤S608：第一处理器11(RTOS系统)基于涂布面密度反馈值和面密度设定值确定面密度偏差e(t)和偏差变化率并将面密度偏差e(t)和偏差变化率/>进行模糊化，得到模糊集。

步骤S609：第一处理器11(RTOS系统)基于模糊规则矩阵P[m,n]、I[m,n]和D[m,n]与模糊集进行模糊推理，得到模糊输出量Kp、Ki和Kd。

步骤S610：第一处理器11(RTOS系统)将模糊输出量Kp、Ki和Kd通过PID控制算法转化为第二控制参数。PID控制算法如下所示：

其中，Kp、Ki和Kd为模糊推理输出的比例、积分和微分增益，e(t)代表当前时刻的面密度偏差值，代表偏差值的变化率，u(t)为涂布模头的第二控制参数。Kp决定了控制系统对当前时刻的面密度偏差值的响应速度，Ki用于消除涂布机面密度的稳态误差，Kd用于预测系统的行为，在系统发生变化的初期，它会提前发出控制信号，防止面密度偏差值的发展。

步骤S611：第一处理器11(RTOS系统)基于涂布模头的第二控制参数对涂布机进行控制，完成涂布机面密度的高响应智能控制。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种电池制造设备的控制系统，其特征在于，所述控制系统包括第一处理器、第二处理器以及神经网络处理器，其中所述第一处理器运行第一操作系统，所述第二处理器运行第二操作系统；

所述第一处理器用于采集第一信息；

所述第二处理器用于采集第二信息，获取所述第一信息，提取所述第一信息和所述第二信息的特征信息，所述第一信息、第二信息关联于所述电池制造设备携带的信息；

所述神经网络处理器用于获取所述特征信息，基于所述特征信息获取第一控制参数；

所述第一处理器还用于获取所述第一控制参数，基于所述第一控制参数确定第二控制参数，并基于所述第二控制参数控制所述电池制造设备。

2.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第一处理器包括第一数据采集模块；

所述第一数据采集模块以小于预设阈值的采样周期采集第一信息。

3.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第一处理器还包括确定模块和控制模块；

所述确定模块用于获取所述神经网络处理器获取的第一控制参数，并基于所述第一控制参数确定第二控制参数；

所述控制模块用于基于所述第二控制参数对所述电池制造设备进行控制。

4.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第一处理器还包括数据预处理模块；

所述数据预处理模块用于对所述第一信息进行滤波处理。

5.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第二处理器包括第二数据采集模块；

所述第二数据采集模块以大于等于预设阈值的采样周期采集第二信息。

6.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第二处理器还包括特征提取模块；

所述特征提取模块用于对所述第一信息和所述第二信息进行特征提取，获得特征向量集。

7.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第二处理器还包括转换模块；

所述转换模块用于将所述第一信息从时域转换至频域。

8.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第二处理器还包括数据上报模块，

所述数据上报模块用于将训练数据上传至云端，以在云端训练神经网络模型；其中，所述神经网络模型输出第一控制参数，所述训练数据关联于第一信息、第二信息及预设的第一控制参数。

9.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述控制系统还包括第一存储模块和第二存储模块；

所述第一存储模块用于存储所述第一信息和所述第一处理器获取的第一控制参数；

所述第二存储模块用于存储所述第二信息、所述第二处理器提取的特征信息和所述神经网络处理器获取的第一控制参数。

10.根据权利要求1所述的电池制造设备的控制系统，其特征在于，所述第一操作系统为RTOS系统；所述第二操作系统为Linux系统。