CN109217617B - 一种马达的激励信号搜索方法及电子设备 - Google Patents

一种马达的激励信号搜索方法及电子设备 Download PDF

Info

Publication number
CN109217617B
CN109217617B CN201810900044.8A CN201810900044A CN109217617B CN 109217617 B CN109217617 B CN 109217617B CN 201810900044 A CN201810900044 A CN 201810900044A CN 109217617 B CN109217617 B CN 109217617B
Authority
CN
China
Prior art keywords
excitation
excitation signals
excitation signal
signals
motor
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.)
Expired - Fee Related
Application number
CN201810900044.8A
Other languages
English (en)
Other versions
CN109217617A (zh
Inventor
路翔
向征
邓瀚林
蒋亮
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.)
AAC Technologies Pte Ltd
Original Assignee
AAC Technologies Pte 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 AAC Technologies Pte Ltd filed Critical AAC Technologies Pte Ltd
Priority to CN201810900044.8A priority Critical patent/CN109217617B/zh
Publication of CN109217617A publication Critical patent/CN109217617A/zh
Priority to JP2019132106A priority patent/JP6791600B2/ja
Priority to US16/528,696 priority patent/US20200052635A1/en
Application granted granted Critical
Publication of CN109217617B publication Critical patent/CN109217617B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0077—Characterised by the use of a particular software algorithm
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K41/00—Propulsion systems in which a rigid body is moved along a path due to dynamo-electric interaction between the body and a magnetic field travelling along the path
    • H02K41/02—Linear motors; Sectional motors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B6/00—Tactile signalling systems, e.g. personal calling systems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
    • H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P25/00—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details
    • H02P25/02—Arrangements or methods for the control of AC motors characterised by the kind of AC motor or by structural details characterised by the kind of motor
    • H02P25/032—Reciprocating, oscillating or vibrating motors
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P7/00—Arrangements for regulating or controlling the speed or torque of electric DC motors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Electromagnetism (AREA)
  • Control Of Electric Motors In General (AREA)
  • Apparatuses For Generation Of Mechanical Vibrations (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本发明实施方式涉及信号处理技术领域，公开了一种马达的激励信号搜索方法及电子设备。马达的激励信号搜索方法，随机生成马达的M个激励信号，并判断M个激励信号中是否存在任意一个所述激励信号驱动马达后得到振感为期望振感；若存在，则以驱动马达得到振感为期望振感的所述激励信号作为最优的激励信号输出；若不存在，则根据预设的遗传算法对所述M个激励信号进行计算，得到新一代的M个激励信号，并再次判断M个激励信号中是否存在任意一个所述激励信号驱动马达后得到振感为期望振感，直至得到最优的激励信号。本发明中，能够快速搜索出驱动马达后得到期望振感的最优激励信号，效率高。

Description

一种马达的激励信号搜索方法及电子设备
技术领域
本发明实施方式涉及信号处理技术领域，特别涉及一种马达的激励信号搜索方法及电子设备。
背景技术
目前，很多电子设备中引入了线性马达，用线性马达触控模拟实体按键。为了使线性马达振动产生的触感能够比拟真实按键的效果，可以分析实体按键按下抬起的过程中，得到一系列量化的数据，例如键帽加速度、位移、频谱等，从而真实的按键效果转换成了量化的数据。当需要通过线性马达产生某种按键效果时，一般通过遍历搜索的方式，具体为：通过将不同的激励信号输入线性马达中，产出相应的触感结果，当该触感结果的数据与按键效果的数据匹配时，则产生该触感结果的激励信号，即为按键效果对应的激励信号。
然而，本发明的发明人发现，通过上述遍历搜索的方式来寻找某种按键效果的激励信号，遍历的次数一般是几百万次，难度非常大，并且耗时很久。
发明内容
本发明实施方式的目的在于提供一种马达的激励信号搜索方法及电子设备，能够快速搜索出驱动马达后得到期望振感的最优激励信号，效率高。
为解决上述技术问题，本发明的实施方式提供了一种马达的激励信号搜索方法，包括：步骤A.随机生成马达的M个激励信号，M为正整数；步骤B.判断M个激励信号是否满足预设条件，预设条件为根据M个激励信号中的任意一个激励信号驱动马达后得到的振感为期望振感；若M个激励信号满足预设条件，则执行步骤C；若M个激励信号不满足预设条件，执行步骤D；步骤C.将M个激励信号中的最优激励信号，作为搜索得到的激励信号输出，最优激励信号为以该激励信号驱动马达后得到的振感为期望振感的激励信号；步骤D.根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号；步骤E.判断新一代的M个激励信号是否满足预设条件；若新一代的M个激励信号满足预设条件，则执行步骤C；若新一代的M个激励信号不满足预设条件，则回到步骤D。
本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的马达的激励信号搜索方法。
本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的马达的激励信号搜索方法。
本发明实施方式相对于现有技术而言，随机生成马达的M个激励信号，判断M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感；若存在一个激励信号驱动马达后得到的振感为期望振感，则将该激励信号为最优激励信号，并输出最优激励信号。若不存在任意一个激励信号驱动马达后得到的振感为期望振感，则根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号，并再次判断新一代的M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感，直至搜索到最优激励信号。将遗传算法应用到马达的激励信号的搜索，由于遗传算法的快速搜索能力，从而可以快速搜索出驱动马达后得到期望振感的最优激励信号，效率高。
另外，在步骤D之后，步骤E之前，还包括：步骤F.判断遗传算法的迭代次数是否达到第一预设阈值；若遗传算法的迭代次数未达到第一预设阈值，再执行步骤E；若遗传算法的迭代次数达到第一预设阈值，则执行步骤G；步骤G.将M个激励信号中的目标激励信号作为搜索得到的激励信号输出，目标激励信号为以该激励信号驱动马达后得到的振感最接近期望振感的激励信号。本实施方式中，可以按需求来设定遗传算法的迭代次数，获取所需的目标激励信号。
另外，步骤D，具体包括：根据预设的选择压力与预设的代价函数，计算得到M个激励信号中的各激励信号的适应度；根据各激励信号的适应度，从M个激励信号中选择N个激励信号，N≤M，且N为正整数；对N个激励信号进行重构处理；对经过重构处理后的N个激励信号进行变异处理；根据各激励信号的适应度，从M个激励信号中选择M-N个激励信号，并将选取的M-N个激励信号加入经过变异处理后的N个激励信号中，得到新一代的M个激励信号。本实施方式提供了一种根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号的具体实现方式。
另外，根据各激励信号的适应度，从M个激励信号中选择N个激励信号，具体为：根据各激励信号的适应度，采用随机遍历抽样的方式从M个激励信号中选择N个激励信号。本实施方式提供了一种根据各激励信号的适应度，从M个激励信号中选择N个激励信号的具体实现方式。
另外，根据各激励信号的适应度，从M个激励信号中选择N个激励信号，具体为：根据各激励信号的适应度，采用轮盘赌选择的方式从M个激励信号中选择N个激励信号。本实施方式提供了另一种根据各激励信号的适应度，从M个激励信号中选择N个激励信号的具体实现方式。
另外，激励信号包括K个电压值与K个时长值，K为正整数；对N个激励信号进行重构处理，具体为：对每个激励信号中的K个电压值进行随机互换，并对每个激励信号中的K个时长值进行随机互换。本实施方式提供了一种对N个激励信号进行重构处理的具体实现方式。
另外，对经过重构处理后的N个激励信号进行变异处理，具体包括：按照预设的变异率，从经过重构处理后的N个激励信号中随机选取J个激励信号，J≤N，且N为正整数；获取J个激励信号的电压值范围与时长值范围；将J个激励信号中，每个激励信号的K个电压值增加或者减少电压值范围的一半，并将每个激励信号的K个时长值增加或者减少时长值范围的一半。本实施方式提供了一种对经过重构处理后的N个激励信号进行变异处理的具体实现方式。
另外，步骤B，具体包括：将M个激励信号分别输入预设的仿真模型中，得到M个激励信号中各激励信号的振动响应；根据预设的代价函数与振动响应，计算得到M个激励信号的代价；判断是否存在任意一个激励信号的代价达到第二预设阈值；若存在任意一个激励信号的代价达到第二预设阈值，则判定M个激励信号满足预设条件；若不存在任意一个激励信号的代价达到第二预设阈值，则判定M个激励信号不满足预设条件。本实施方式提供了一种判断M个激励信号是否满足预设条件的具体实现方式。
附图说明
图1是根据本发明第一实施方式的马达的激励信号搜索方法的具体流程图；
图2是根据本发明第二实施方式的马达的激励信号搜索方法的具体流程图；
图3是根据本发明第三实施方式的马达的激励信号搜索方法的具体流程图；
图4是根据本发明第四实施方式的马达的激励信号搜索方法的具体流程图；
图5是根据本发明第四实施方式的激励信号搜索的示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本发明而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本发明所要求保护的技术方案。
本发明的第一实施方式涉及一种马达的激励信号搜索方法，用于搜索并输出最优激励信号，最优激励信号驱动马达后得到的振感为期望振感，马达可以为线性马达。
本实施方式的马达的激励信号搜索方法的具体流程如图1所示。
步骤A，随机生成马达的M个激励信号。
具体而言，线性马达的振动模式为正负交替的，在生成的马达的M个激励信号中，每个激励信号都可以分成K段，每段包括一个电压值和时长值，即，每个激励信号包括K个电压值与K个时长值。其中，M、K为正整数。
步骤B，判断M个激励信号是否满足预设条件。若是，则执行步骤C；若否，则执行步骤D。
具体而言，预设条件为根据M个激励信号中的任意一个激励信号驱动马达后得到的振感为期望振感，判断M个激励信号是否满足预设条件，即为判断M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感。若存在，则执行步骤C；若不存在，则执行步骤D。
步骤C，将M个激励信号中的最优激励信号，作为搜索得到的激励信号输出。
具体而言，由于存在一激励信号驱动马达后得到的振感为期望振感，则该激励信号为最优激励信号，即，是所要搜索的激励信号，将该激励信号输出。
步骤D，根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号。
具体而言，以随机生成的马达的M个激励信号作为初始种群，初始种群中包括M个激励信号，每个激励包括包括K个电压值与K个时长值；随后采用预设的遗传算法对该初始种群进行计算，得到新一代种群，新一代种群中包括新一代的M个激励信号。较佳的，本实施例采用浮点数值表达每个电压值与时长值，以获取更高的精度。
步骤E，判断新一代的M个激励信号是否满足预设条件。若是，则执行步骤C；若否，则回到步骤D。
具体而言，判断新一代的M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感。若存在，则执行步骤C将M个激励信号中的最优激励信号，作为搜索得到的激励信号输出；若不存在，则回到步骤D，再次采用预设的遗传算法对新一代的M个激励信号形成的种群进行计算，得到新一代的M个激励信息，并重复本步骤，直至得到驱动马达后得到的振感为期望振感的最优激励信号。
本实施方式相对于现有技术而言，随机生成马达的M个激励信号，判断M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感；若存在一个激励信号驱动马达后得到的振感为期望振感，则将该激励信号为最优激励信号，并输出最优激励信号。若不存在任意一个激励信号驱动马达后得到的振感为期望振感，则根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号，并再次判断新一代的M个激励信号中是否存在任意一个激励信号驱动马达后得到的振感为期望振感，直至搜索到最优激励信号。将遗传算法应用到马达的激励信号的搜索，由于遗传算法的快速搜索能力，从而可以快速搜索出驱动马达后得到期望振感的最优激励信号，效率高。
本发明的第二实施方式涉及一种马达的激励信号搜索方法，本实施方式是在第一实施方式基础上的改进，主要改进之处在于：增加了对遗传算法的迭代次数的判断。
本实施方式的马达的激励信号搜索方法的具体流程如图2所示。
其中，步骤A、步骤B、步骤C、步骤D、步骤E与第一实施方式中的步骤A、步骤B、步骤C、步骤D、步骤E大致相同，在此不再赘述，主要不同之处在于，增加了步骤F、步骤G，具体如下：
步骤F，判断遗传算法的迭代次数是否达到第一预设阈值。若是，则执行步骤G；若否，则执行步骤E。
具体而言，在步骤D根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号之后，判断遗传算法的迭代次数是否达到第一预设阈值，即在搜索时，可以预先设置遗传算法的迭代次数，若遗传算法的迭代次数达到预设的次数，则说明遗传算法的完成迭代，执行步骤G；若遗传算法的迭代次数未达到预设的次数，则说明遗传算法尚未完成迭代，执行步骤E判断新一代的M个激励信号是否满足预设条件。
步骤G，将M个激励信号中的目标激励信号作为搜索得到的激励信号输出。
具体而言，在新一代的M个激励信号中，驱动马达后得到的振感最接近期望振感的激励信号为所要搜索的目标激励信号，将该目标激励信号输出。
本实施方式相对于第一实施方式而言，可以按需求来设定遗传算法的迭代次数，并获取所需的目标激励信号。
本发明的第三实施方式涉及一种马达的激励信号搜索方法，本实施方式是在第一实施方式基础上的细化，主要细化之处在于：提供了一种根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号的具体实现方式。
本实施方式的马达的激励信号搜索方法的具体流程如图3所示。
其中，步骤A、步骤B、步骤C、步骤E与第一实施方式中步骤A、步骤B、步骤C、步骤E的大致相同，在此不再赘述，主要不同之处在于，步骤D包括以下子步骤：
子步骤D1，根据预设的选择压力与预设的代价函数，计算得到M个激励信号中的各激励信号的适应度。
具体而言，将M个激励信号分别输入预设的仿真模型中，可以得到M个激励信号的振动响应；随后将M个激励信号的振动响应分别代入预设的代价函数中，可以计算得到M个激励信号的代价；本实施例中，采用的是基于排序的适应度分配方法，具体的，根据计算得到M个激励信号的代价，对M个激励信号进行排名，代价越小的排名越靠前；然后，根据线性排序的适应度计算公式，来计算各激励的适应度。线性排序的适应度计算公式如下：
Figure BDA0001759129780000061
其中，pos表示激励信号的排名，Nind表示激励信号的总数，即，Nind＝M，sp表示选择压力，FitnV(pos)表示排名为pos的激励信号的适应度。
本实施例中，代价函数(也可称为目标函数)可以根据期望振感来预设，根据代价函数计算出的代价越小，得到振感越接近期望振感，例如在时间总长度确定时，若要求振动量尽可能大，刹车量尽可能小，则可以写出如下的代价函数ObjVal：
Figure BDA0001759129780000062
其中，Gpp1表示激励信号驱动下的马达的振子振动的加速度峰峰值，Gpp2表示激励信号停止驱动下的马达的振子振动的加速度峰峰值。
选择压力，又称进化压力，为一个可以预设的参数，其取值范围为[1，2]。
在遗传算法中，适应度，是表示某一个体对环境的适应能力，也表示该个体繁殖后代的能力，是用来判断群体中的个体的优劣程度的指标，本实施例中，适应度则是用来表示M个激励信号中各激励信号接近最优激励信号程度的指标。
需要说明的是，本实施例中采用的是基于排序的适应度分配方法来计算各激励信号的适应度，然本实施例对激励信号的适应度计算方法不作任何限制。
子步骤D2，根据各激励信号的适应度，从M个激励信号中选择N个激励信号。
具体而言，本实施例中可以从M个激励信号中，筛选得到N个的激励信号；N≤M，且N为正整数。其中，从M个激励信号中选择N个激励信号的方式有以下两种：第一种，随机遍历抽样的方式，首先根据各激励信号的适应度，计算出各激励信号被选中的概率，具体计算公式如下：
Figure BDA0001759129780000071
其中，F(i)表示第i个激励信号被选中的概率，f(i)表示第i个激励信号的适应度，Nind表示激励信号的总数，即，Nind＝M。
然后根据计算出的各激励信号被选中的概率，在M个激励信号中，等距离的选择N个激励信号。
第二种，轮盘赌选择的方式，按照与随机遍历抽样的方式中同样的方法计算出各激励信号被选中的概率，根据各激励信号被选中的概率构造一个轮盘，然后进行轮盘选择，选择出N个激励信号，适应度越高的激励信号被选中的概率越大。
需要说明的是，本实施方式中仅示意性提供了两种从M个激励信号中选择N个激励信号的方式，然本实施例对此不作任何限制，也可以采用其他的方式从M个激励信号中选择N个激励信号的方式，例如锦标赛选择法。
子步骤D3，对N个激励信号进行重构处理。
具体而言，对N个激励信号进行重构处理的重构方式有很多，例如，离散重构、线性重构、中间重构等。具体的，每个激励信号包括K个电压值与K个时长值，本实施方式的重构方式为对N个激励信号中的各个激励信号中的K个电压值进行随机互换，并对各个激励信号中的K个时长值进行随机互换，从而可以得到经过重构处理的N个激励信号。
子步骤D4，对经过重构处理后的N个激励信号进行变异处理。
具体而言，按照预设的变异率，从经过重构处理的N个激励信号中选取J个激励信号，例如，变异率为K∈(0，1)，则J＝N*K，若J不为整数，则自动向上取整数；根据选取的J个激励信号，获取J个激励信号的电压值范围与时长值范围，然后将J个激励信号中的每个激励信号的K个电压值增加或者减少电压值范围的一半，并将每个激励信号的K个时长值增加或者减少时长值范围的一半，从而可以得到变异处理后的J个激励信号。其中，若某个激励信号的K个电压值中存在某个电压值小于电压值范围的一半，或某个激励信号的K个时长值中存在某个时长值小于时长值范围的一半时，则需要对电压值范围或时长值范围进行限制，例如，将该电压值或时长值保持原值。
子步骤D5，根据各激励信号的适应度，从M个激励信号中选择M-N个激励信号，并将选取的M-N个激励信号加入经过变异处理后的N个激励信号中，得到新一代的M个激励信号。
具体而言，按照M个激励信号的适应度从高到低，从M个激励信号中选择M-N个激励信号，并将这M-N个激励信号内插到经过变异处理后的N的激励信号中，从而得到了新一代的M个激励信号，即为新一代种群，将上一代种群中适应度高的M-N个激励信号重新放回到新一代种群中，有利于保证整个种群的鲁棒性。
本实施方式相对于第一实施方式而言，提供了一种根据预设的遗传算法对M个激励信号进行计算，得到新一代的M个激励信号的具体实现方式。需要说明的是，本实施方式也可以作为在第二实施方式基础上的细化，可以得到同样的技术效果。
本发明的第四实施方式涉及一种马达的激励信号搜索方法，本实施方式是在第一实施方式基础上的细化，主要细化之处在于：提供了一种判断M个激励信号是否满足预设条件的具体实现方式。
本实施方式的马达的激励信号搜索方法的具体流程如图4所示。
其中，步骤A、步骤C、步骤D、步骤E与第一实施方式中步骤A、步骤C、步骤D、步骤E大致相同，在此不再赘述，主要不同之处在于，步骤B包括以下子步骤：
子步骤B1，将M个激励信号分别输入预设的仿真模型中，得到M个激励信号中各激励信号的振动响应。
具体而言，将M个激励信号分别输入预设的仿真模型，从而可以得到M个激励信号中各激励信号的振动响应；需要说明的是，本实施方式中，还可以将M个驱动信号分别输入马达中，通过检测马达的振动，来获取各激励信号对应的振动响应。
子步骤B2，根据预设的代价函数与振动响应，计算得到M个激励信号的代价。
具体而言，将M个振动响应分别代入预设的代价函数，计算得到M个振动响应的代价，即为M个激励信号的代价。
子步骤B3，判断是否存在任意一个激励信号的代价达到第二预设阈值。若是，则执行步骤C；若否，则执行步骤D。
具体而言，当M个激励信号中，存在一个激励信号的代价达到第二预设阈值，则说明该激励信号驱动驱动马达后得到的振感为期望振感，即该激励信号为最优激励信号。其中，第二预设阈值可以根据测试需求来设定。
需要说明的是，本实施例中，以步骤B为例说明如果判断M个激励信号是否满足预设条件，在步骤E中，同样可以用上述的方法来判断新一代的M个激励信号是否满足预设条件，按上述方法判断新一代的M个激励信号是否满足预设条件，从而在遗传算法的每次迭代过程中均会获取这一代M个激励信号中最优秀的激励信号。以图5为例，为一次激励信号搜索的示意图，在每一次迭代中以M个激励信号中最优秀的激励信号的代价来表示，在不到1500次的迭代后，新一代的M个激励信号中，最优秀的激励信号的代价为0.038；由图可知，若设定的第二预设阈值小于0.038，则可以利用遗传算法继续进行迭代，直至某一代的M个激励信号中存在一个激励信号的代价达到第二预设阈值。其中，若需要加快遗传算法的收敛速度，则可以对遗传算法的变异率、重构方式、代价函数进行调整。
本实施方式相对于第一实施方式而言，提供了一种判断M个激励信号是否满足预设条件的具体实现方式。需要说明的是，本实施方式也可以作为在第二实施方式或第三实施方式基础上的细化，可以达到同样的技术效果。
本发明第五实施方式涉及一种电子设备，例如测试主机，测试主机中安装有相应的软件程序。电子设备至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一至第四实施方式中任一项的马达的激励信号搜索方法。
其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第六实施方式涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、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。
本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施方式，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (9)

1.一种马达的激励信号搜索方法，其特征在于，包括：
步骤A.随机生成马达的M个激励信号，M为正整数；
步骤B.判断所述M个激励信号是否满足预设条件，所述预设条件为根据所述M个激励信号中的任意一个所述激励信号驱动马达后得到的振感为期望振感；若所述M个激励信号满足预设条件，则执行步骤C；若M个所述激励信号不满足预设条件，执行步骤D；
步骤C.将所述M个激励信号中的最优激励信号，作为搜索得到的激励信号输出，所述最优激励信号为以该激励信号驱动马达后得到的振感为期望振感的激励信号；
步骤D.根据预设的遗传算法对所述M个激励信号进行计算，得到新一代的M个激励信号；
步骤E.判断所述新一代的M个激励信号是否满足所述预设条件；若所述新一代的M个激励信号满足所述预设条件，则执行所述步骤C；若所述新一代的M个激励信号不满足所述预设条件，则回到所述步骤D；
其中，在所述步骤D之后，所述步骤E之前，还包括：
步骤F.判断所述遗传算法的迭代次数是否达到第一预设阈值；若所述遗传算法的迭代次数未达到所述第一预设阈值，再执行所述步骤E；若所述遗传算法的迭代次数达到所述第一预设阈值，则执行步骤G；
步骤G.将所述M个激励信号中的目标激励信号作为搜索得到的激励信号输出，所述目标激励信号为以该激励信号驱动马达后得到的振感最接近所述期望振感的所述激励信号。
2.根据权利要求1所述的马达的激励信号搜索方法，其特征在于，所述步骤D，具体包括：
根据预设的选择压力与预设的代价函数，计算得到所述M个激励信号中的各激励信号的适应度；
根据所述各激励信号的适应度，从所述M个激励信号中选择N个激励信号，N≤M，且N为正整数；
对N个所述激励信号进行重构处理；
对经过重构处理后的N个所述激励信号进行变异处理；
根据所述各激励信号的适应度，从所述M个激励信号中选择M-N个所述激励信号，并将选取的M-N个所述激励信号加入经过变异处理后的N个所述激励信号中，得到新一代的M个所述激励信号。
3.根据权利要求2所述的马达的激励信号搜索方法，其特征在于，所述根据所述各激励信号的适应度，从所述M个激励信号中选择N个激励信号，具体为：
根据所述各激励信号的适应度，采用随机遍历抽样的方式从所述M个激励信号中选择N个激励信号。
4.根据权利要求2所述的马达的激励信号搜索方法，其特征在于，所述根据所述各激励信号的适应度，从所述M个激励信号中选择N个激励信号，具体为：
根据所述各激励信号的适应度，采用轮盘赌选择的方式从所述M个激励信号中选择N个激励信号。
5.根据权利要求2所述的马达的激励信号搜索方法，其特征在于，所述激励信号包括K个电压值与K个时长值，K为正整数；
所述对N个所述激励信号进行重构处理，具体为：
对每个所述激励信号中的K个电压值进行随机互换，并对每个所述激励信号中的K个时长值进行随机互换。
6.根据权利要求2所述的马达的激励信号搜索方法，其特征在于，所述对经过重构处理后的N个所述激励信号进行变异处理，具体包括：
按照预设的变异率，从经过重构处理后的N个所述激励信号中随机选取J个所述激励信号，J≤N，且N为正整数；
获取所述J个所述激励信号的电压值范围与时长值范围；
将所述J个所述激励信号中，每个所述激励信号的K个电压值增加或者减少所述电压值范围的一半，并将每个所述激励信号的K个时长值增加或者减少所述时长值范围的一半。
7.根据权利要求1所述的马达的激励信号搜索方法，其特征在于，所述步骤B，具体包括：
将所述M个激励信号分别输入预设的仿真模型中，得到所述M个激励信号中各所述激励信号的振动响应；
根据预设的代价函数与所述振动响应，计算得到所述M个激励信号的代价；
判断是否存在任意一个所述激励信号的代价达到第二预设阈值；
若存在任意一个所述激励信号的代价达到第二预设阈值，则判定所述M个激励信号满足预设条件；
若不存在任意一个所述激励信号的代价达到第二预设阈值，则判定所述M个激励信号不满足预设条件。
8.一种电子设备，其特征在于，包括：至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的马达的激励信号搜索方法。
9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的马达的激励信号搜索方法。
CN201810900044.8A 2018-08-09 2018-08-09 一种马达的激励信号搜索方法及电子设备 Expired - Fee Related CN109217617B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810900044.8A CN109217617B (zh) 2018-08-09 2018-08-09 一种马达的激励信号搜索方法及电子设备
JP2019132106A JP6791600B2 (ja) 2018-08-09 2019-07-17 モータ励起信号検索方法及び電子機器
US16/528,696 US20200052635A1 (en) 2018-08-09 2019-08-01 Method for searching excitation signal of motor, and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810900044.8A CN109217617B (zh) 2018-08-09 2018-08-09 一种马达的激励信号搜索方法及电子设备

Publications (2)

Publication Number Publication Date
CN109217617A CN109217617A (zh) 2019-01-15
CN109217617B true CN109217617B (zh) 2020-10-23

Family

ID=64988957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810900044.8A Expired - Fee Related CN109217617B (zh) 2018-08-09 2018-08-09 一种马达的激励信号搜索方法及电子设备

Country Status (3)

Country Link
US (1) US20200052635A1 (zh)
JP (1) JP6791600B2 (zh)
CN (1) CN109217617B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110011584B (zh) * 2019-04-24 2021-10-01 广东工业大学 一种单转子压缩机的振动补偿方法、系统及相关组件
CN111106783B (zh) * 2019-12-18 2024-05-17 瑞声科技(新加坡)有限公司 一种信号制作方法、信号制作装置、振动马达及触屏设备
WO2021128338A1 (zh) * 2019-12-27 2021-07-01 瑞声声学科技(深圳)有限公司 马达振动位移的控制方法、存储介质及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090073937A (ko) * 2007-12-31 2009-07-03 강환일 유전자알고리즘과 퍼지시스템을 이용한단기전력부하예측방법
CN102999783B (zh) * 2012-11-08 2015-06-17 哈尔滨工程大学 基于遗传禁忌混合算法的多输入多输出雷达正交多相码信号产生方法
CN103208027B (zh) * 2013-03-13 2015-07-22 北京工业大学 基于局部模块度的遗传算法用于大规模复杂网络社区挖掘的方法
CN103885033B (zh) * 2014-02-25 2016-03-02 西安电子科技大学 基于遗传算法的机载雷达脉冲重复频率组优化方法
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN104809890B (zh) * 2015-04-19 2018-01-05 北京工业大学 基于主成分分析和局部搜索改进正交遗传算法的交通信号配时优化方法

Also Published As

Publication number Publication date
CN109217617A (zh) 2019-01-15
JP6791600B2 (ja) 2020-11-25
US20200052635A1 (en) 2020-02-13
JP2020027644A (ja) 2020-02-20

Similar Documents

Publication Publication Date Title
CN110058679B (zh) 一种马达的激励信号搜索方法及电子设备
CN109217617B (zh) 一种马达的激励信号搜索方法及电子设备
EP1866814A2 (en) Mahalanobis distance genetic algorithm method and system
JP2020204928A (ja) 最適化装置および最適化方法
US10055527B2 (en) Yield process for analog circuit design optimization
JP2020086821A (ja) 最適化装置および最適化装置の制御方法
US9129075B2 (en) Mesh generation system
CN113377964B (zh) 知识图谱链接预测方法、装置、设备及存储介质
Bouzarkouna et al. Local-meta-model CMA-ES for partially separable functions
JP6902487B2 (ja) 機械学習システム
KR102559605B1 (ko) 함수 최적화 방법 및 장치
EP3937090A1 (en) Information processing system, information processing method, and program
CN116910210A (zh) 基于文档的智能问答模型训练方法、装置及其应用
EP4170558A1 (en) Program, data processing method, and data processing device
CN109063782A (zh) 一种自适应泵站故障智能诊断方法
JP2020173579A (ja) 最適化システムおよび最適化システムの制御方法
JP7384999B2 (ja) 機械学習モデル決定システム及び機械学習モデル決定方法
EP4133416A1 (en) Automatic selection of quantization and filter removal optimization under energy constraints
JP2022045615A (ja) 演算装置及び演算方法
CN110580517A (zh) 基于堆叠自编码器的特征提取方法、装置及终端设备
JP2020190901A (ja) 演算処理装置、演算処理装置の制御プログラム及び演算処理装置の制御方法
WO2023209983A1 (ja) パラメータ生成装置、システム、方法およびプログラム
JP7489876B2 (ja) モデル解析装置、モデル解析方法、及びプログラム
JP2022015275A (ja) 設定管理装置、設定管理方法、及び、設定管理プログラム
JP2023094403A (ja) データ解析方法、データ解析装置、及び、データ解析プログラム

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201023

CF01 Termination of patent right due to non-payment of annual fee