CN110058679B - 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 PDFInfo
- Publication number
- CN110058679B CN110058679B CN201811637133.4A CN201811637133A CN110058679B CN 110058679 B CN110058679 B CN 110058679B CN 201811637133 A CN201811637133 A CN 201811637133A CN 110058679 B CN110058679 B CN 110058679B
- Authority
- CN
- China
- Prior art keywords
- excitation
- excitation signals
- excitation signal
- vibration response
- 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.)
- Active
Links
- 230000005284 excitation Effects 0.000 title claims abstract description 352
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 7
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/016—Input arrangements with force or tactile feedback as computer generated output to the user
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明实施例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。方法包括:步骤A.随机生成马达的M个激励信号;步骤B.满足第一预设条件的激励信号输入马达,获取马达的实际振动响应,不满足的仿真振动模型,获取仿真振动响应,第一预设条件为仿真振子行程小于最大振子行程;步骤C.判断M个激励信号是否满足第二预设条件,第二预设条件为M个激励信号中的任意一个的实际振动响应或仿真振动响应为期望振动响应;若满足,则执行步骤D;若不满足,执行步骤E;步骤D.输出M个激励信号中所对应的实际振动响应或仿真振动响应为期望振动响应的激励信号;步骤E.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,再次执行步骤B。具有在提高搜索效率的同时,提高搜索到的激励信号与马达的契合度的优点。
Description
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马达,用马达触控模拟实体按键。为了使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,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。因此,现有技术中出现了使用模型预测线性马达的行为,从而找出满足条件的激励信号的方法,以提高搜索效率。
然而,本发明的发明人发现:即便是线性马达,依然存在较大的非线性区域,而非线性建模的模型准确性较低,导致找出的激励信号在马达的契合度较差,甚至完全无法使用。
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,在提高搜索效率的同时,提高搜索到的激励信号与马达的契合度。
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,步骤A.随机生成马达的M个激励信号,M为正整数;步骤B.将满足第一预设条件的激励信号输入所述马达,获取所述马达的实际振动响应,将不满足所述第一预设条件的激励信号输入所述马达的仿真振动模型,获取仿真振动响应,所述第一预设条件为在所述仿真振动模型下,所述马达的仿真振子行程小于所述马达的最大振子行程;步骤C.判断所述M个激励信号是否满足第二预设条件,所述第二预设条件为所述M个激励信号中的任意一个所对应的所述实际振动响应或所述仿真振动响应为期望振动响应;若所述M个激励信号满足所述第二预设条件,则执行步骤D;若M个所述激励信号不满足所述第二预设条件,执行步骤E;步骤D.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所对应的所述实际振动响应或所述仿真振动响应为期望振动响应的激励信号;步骤E.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,再次执行步骤B。
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所对应的所述实际振动响应或所述仿真振动响应为期望振动响应;若存在一个激励信号所对应的所述实际振动响应或所述仿真振动响应为期望振动响应,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所对应的所述实际振动响应或所述仿真振动响应为期望振动响应,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所对应的所述实际振动响应或所述仿真振动响应为期望振动响应,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动响应的最优激励信号,效率高。此外,通过仿真振动模型获取M个激励信号的仿真振子行程,并采集仿真振子行程小于所述马达的最大振子行程的激励信号的实际振动响应,代替仿真结果;对于那些仿真振子行程不小于所述马达的最大振子行程的激励信号,由于其输入马达后会发生打壳,导致其实际振动响应并不准确,依旧使用其仿真振动响应,使用实际振动响应代替部分仿真振动响应,有效的提高搜索到的激励信号与马达的契合度。并且,不将振子行程可能大于最大振子行程的激励信号输入马达,有效的对马达进行了保护。
另外,在所述得到新一代的M个激励信号之后,再次执行步骤B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B;若所述遗传算法的迭代次数达到所述第一预设阈值,则执行所述步骤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所对应的所述实际振动响应或所述仿真振动响应最接近所述期望振动响应的所述激励信号。
另外,所述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,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。
另外,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。
另外,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。
另外,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。
另外,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。
另外,所述步骤C,具体包括:根据预设的代价函数与所述M个激励信号所对应的所述实际振动响应和所述仿真振动响应,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个激励信号满足所述第二预设条件;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个激励信号不满足所述第二预设条件。
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
为使本发明实施例的目的、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动响应为期望振动响应,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,将满足第一预设条件的激励信号输入所述马达,获取马达的实际振动响应,将不满足第一预设条件的激励信号输入马达的仿真振动模型,获取仿真振动响应。
具体的,在本步骤中,第一预设条件为激励信号的仿真振子行程小于马达的最大振子行程。其中,激励信号的仿真振子行程为根据通过仿真振动模型和激励信号获取的仿真振子行程,马达的最大振子行程为预先设定的马达的最大振子行程。
需要说明的是,由于仿真振动模型获取的仿真振子行程与实际情况中的振子行程并不完全一致,因此,本实施方式中的最大振子行程并不是马达的实际最大振子行程,而是根据实际情况设定的马达振子行程的最大阈值。
具体步骤为,获取M个激励信号中仿真振子行程小于最大振子行程的激励信号,并将其输入马达,测得实际振动响应;获取M个激励信号中仿真振子行程不小于最大振子行程的激励信号,将其输入马达的仿真振动模型中,获取其仿真振动响应。
步骤C,判断M个激励信号是否满足第二预设条件。若是,则执行步骤D;若否,则执行步骤E。
具体而言,第二预设条件为根据M个激励信号中的任意一个激励信号所对应的实际振动响应或仿真振动响应为期望振动响应,判断M个激励信号是否满足第二预设条件,即为判断M个激励信号中是否存在任意一个激励信号所对应的实际振动响应或仿真振动响应为期望振动响应。若存在,则执行步骤D;若不存在,则执行步骤E。
步骤D,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所对应的实际振动响应或仿真振动响应为期望振动响应,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E,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,并返回至步骤B。
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。
在得到新一代的M个激励信号后,返回至步骤B,即将新一代的M个激励信号再次进行上述处理,直至执行到步骤D,得到所对应的实际振动响应或仿真振动响应为期望振动响应的最优激励信号。
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所对应的实际振动响应或仿真振动响应为期望振动响应;若存在,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,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所对应的实际振动响应或仿真振动响应为期望振动响应,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动响应的最优激励信号,效率高。此外,通过将部分激励信号的仿真振动响应使用实测振动响应替代,有效的提高搜索到的激励信号与马达的契合度。并且,不将振子行程可能大于最大振子行程的激励信号输入马达,有效的对马达进行了保护。
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B。
具体而言,在步骤E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B、并进一步的执行步骤C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,所对应的实际振动响应或仿真振动响应最接近期望振动响应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D与第一实施方式中步骤A、步骤B、步骤C、步骤D的大致相同,在此不再赘述,主要不同之处在于,步骤E包括以下子步骤:
子步骤E1,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,在步骤B中获取了M个激励信号各自对应的实际振动响应或仿真振动响应后,将M个激励信号各自对应的实际振动响应或仿真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:
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。
优选的,在本步骤中,将M个激励信号各自对应的实际振动响应或仿真振动响应分别代入预设的代价函数中之前,还可以对仿真振动响应进行补偿,令其代价更加接近实测代价。随着不断地迭代,由于仿真的激励是理论最优的,实测的代价将会随着仿真结果的加入而变得越来越小。且由于补偿的作用,渐渐的仿真结果越来越少,也就是说最终结果会趋向于仿真与实测的界限位移上的最优结果。
本实施例中,代价函数(也可称为目标函数)可以根据期望振动响应来预设,根据代价函数计算出的代价越小,即振动响应越接近期望振动响应,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:
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E2,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:
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E3,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E4,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E5,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第二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B、步骤D、步骤E与第一实施方式中步骤A、步骤B、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C包括以下子步骤:
子步骤C1,根据预设的代价函数与M个激励信号各自对应的实际振动响应或仿真振动响应,计算得到M个激励信号的代价。
具体而言,将M个激励信号各自对应的实际振动响应或仿真振动响应分别代入预设的代价函数,计算得到M个激励信号各自对应的实际振动响应或仿真振动响应的代价,即为M个激励信号的代价。
子步骤C2,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D;若否,则执行步骤E。
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,则说明该激励信号所对应的实际振动响应或仿真振动响应为期望振动响应,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。
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第二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.将满足第一预设条件的激励信号输入所述马达,获取所述马达的实际振动响应,将不满足所述第一预设条件的激励信号输入所述马达的仿真振动模型,获取仿真振动响应,所述第一预设条件为在所述仿真振动模型下,所述马达的仿真振子行程小于所述马达的最大振子行程;
步骤C.判断所述M个激励信号是否满足第二预设条件,所述第二预设条件为所述M个激励信号中的任意一个所对应的所述实际振动响应或所述仿真振动响应为期望振动响应;若所述M个激励信号满足所述第二预设条件,则执行步骤D;若M个所述激励信号不满足所述第二预设条件,执行步骤E;
步骤D.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所对应的所述实际振动响应或所述仿真振动响应为期望振动响应的激励信号;
步骤E.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,再次执行步骤B;其中,
在所述得到新一代的M个激励信号之后,再次执行步骤B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B;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所对应的所述实际振动响应或所述仿真振动响应最接近所述期望振动响应的所述激励信号。
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,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C,具体包括:
根据预设的代价函数与所述M个激励信号所对应的所述实际振动响应和所述仿真振动响应,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个激励信号满足所述第二预设条件;
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个激励信号不满足所述第二预设条件。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637133.4A CN110058679B (zh) | 2018-12-29 | 2018-12-29 | 一种马达的激励信号搜索方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811637133.4A CN110058679B (zh) | 2018-12-29 | 2018-12-29 | 一种马达的激励信号搜索方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058679A CN110058679A (zh) | 2019-07-26 |
CN110058679B true CN110058679B (zh) | 2022-06-14 |
Family
ID=67315582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811637133.4A Active CN110058679B (zh) | 2018-12-29 | 2018-12-29 | 一种马达的激励信号搜索方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058679B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110503013B (zh) * | 2019-08-07 | 2022-03-08 | 瑞声科技(新加坡)有限公司 | 振感相似度评价方法、装置及存储介质 |
CN110502111B (zh) * | 2019-08-09 | 2021-02-26 | 瑞声科技(新加坡)有限公司 | 马达信号补偿方法、电子设备及存储介质 |
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 |
CN111552380B (zh) * | 2020-04-20 | 2023-05-26 | 瑞声科技(新加坡)有限公司 | 触觉振动自调节方法、装置、设备和介质 |
CN111931335B (zh) * | 2020-06-28 | 2022-03-25 | 瑞声科技(新加坡)有限公司 | 悬浮系统等效参数修正方法及系统、介质、电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007049412A1 (ja) * | 2005-10-27 | 2007-05-03 | Yamaguchi University | 超音波モータの制御方法、超音波モータ制御装置及び超音波モータを制御するためのプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003526855A (ja) * | 2000-03-09 | 2003-09-09 | エスティーマイクロエレクトロニクスエス.アール.エル. | 量子ソフトコンピューティングに基づいてプロセスを制御するか又はデータを処理するための方法及びハードウエアアーキテクチャ |
US8214063B2 (en) * | 2009-09-29 | 2012-07-03 | Kollmorgen Corporation | Auto-tune of a control system based on frequency response |
CN102054039A (zh) * | 2010-12-30 | 2011-05-11 | 长安大学 | 一种提高遗传算法全局搜索能力的适应度定标方法 |
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 |
CN103746630B (zh) * | 2014-01-16 | 2016-01-06 | 北华大学 | 一种用于电气传动系统低频振动的主动控制方法 |
CN107992671B (zh) * | 2017-11-28 | 2021-09-03 | 常州大学 | 一种基于生物遗传算法的智能机器人调频方法 |
-
2018
- 2018-12-29 CN CN201811637133.4A patent/CN110058679B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007049412A1 (ja) * | 2005-10-27 | 2007-05-03 | Yamaguchi University | 超音波モータの制御方法、超音波モータ制御装置及び超音波モータを制御するためのプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN110058679A (zh) | 2019-07-26 |
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 | |
JP5768834B2 (ja) | プラントモデル管理装置及び方法 | |
CN109217617B (zh) | 一种马达的激励信号搜索方法及电子设备 | |
JP7287397B2 (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
CA2436352A1 (en) | Process and system for developing a predictive model | |
EP3739494A2 (en) | Method, apparatus, system, and program for optimizing solid electrolytes for li-ion batteries using bayesian optimization | |
US9129075B2 (en) | Mesh generation system | |
CN112740233B (zh) | 网络量化方法、推理方法以及网络量化装置 | |
CN112105994B (zh) | 控制系统、装置与方法、学习装置与方法及介质 | |
CN112257751A (zh) | 神经网络剪枝方法 | |
JP2020064535A (ja) | 最適化装置及び最適化装置の制御方法 | |
JP6902487B2 (ja) | 機械学習システム | |
CN113377964A (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
KR20180046172A (ko) | 다층확률 기계학습 기반 최적해 탐색 시스템 및 방법 | |
CN116739269A (zh) | 基于调度优化模型的排程方法、装置、计算机设备及存储介质 | |
US5768130A (en) | Method of calculating macrocell power and delay values | |
JP2016018230A (ja) | 制御パラメータ適合方法及び制御パラメータ適合支援装置 | |
US20230122178A1 (en) | Computer-readable recording medium storing program, data processing method, and data processing device | |
Araujo et al. | Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation | |
CN109063782A (zh) | 一种自适应泵站故障智能诊断方法 | |
JP2009265729A (ja) | 推定装置および方法、並びにプログラム | |
US20170255537A1 (en) | Data-agnostic adjustment of hard thresholds based on user feedback | |
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 | |
CN110580517A (zh) | 基于堆叠自编码器的特征提取方法、装置及终端设备 | |
EP2325755A2 (en) | Method of searching a set of real numbers for a nearest neighbor |
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 |