CN117311500A - 马达驱动数据生成方法、装置、存储介质及电子设备 - Google Patents
马达驱动数据生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117311500A CN117311500A CN202311254532.3A CN202311254532A CN117311500A CN 117311500 A CN117311500 A CN 117311500A CN 202311254532 A CN202311254532 A CN 202311254532A CN 117311500 A CN117311500 A CN 117311500A
- Authority
- CN
- China
- Prior art keywords
- data
- motor
- driving data
- predicted vibration
- braking
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 13
- 238000012795 verification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请公开了一种马达驱动数据生成方法、装置、存储介质及电子设备,其中,该马达驱动数据生成方法包括获取当前驱动数据;将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;对预测振动数据进行预处理,得到马达刹车数据;对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。本方案可以提高马达的刹车效果。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种马达驱动数据生成方法、装置、存储介质及电子设备。
背景技术
随着电子设备的不断发展,仅具有视觉反馈和听觉反馈功能的电子设备已经不能满足用户日益增长的需求。为了满足用户日益增长的需求,触觉反馈被应用到各种电子设备中。
随着电子设备中的线性马达在铃音随振、游戏效果振动等领域的快速发展,振动效果也越来越丰富,但同时用户对于振动效果的要求也越来越高,尤其在一些短振场景,如打字、游戏中的射击等。
然而,由于马达自身惯性,使用常规波形驱动马达振动后,还会存在较长时间的余振,无法快速刹车,给用户一种严重拖尾的感觉,体验效果较差。
发明内容
本申请提供了一种马达驱动数据生成方法、装置、存储介质及电子设备,可以提高马达的刹车效果。
第一方面,本申请提供了一种马达驱动数据生成方法,包括:
获取当前驱动数据;
将所述当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
对所述预测振动数据进行预处理,得到马达刹车数据;
对所述当前驱动数据和所述马达刹车数据进行整合,得到目标驱动数据。
在本申请提供的马达驱动数据生成方法中,所述对所述预测振动数据进行预处理,得到马达刹车数据,包括:
确定所述预测振动数据的刹车点;
根据所述刹车点采用PID算法对所述预测振动数据进行处理,得到马达刹车数据。
在本申请提供的马达驱动数据生成方法中,所述确定所述预测振动数据的刹车点,包括:
获取所述预测振动数据的过零点,并将所述过零点作为所述预测振动数据的刹车点。
在本申请提供的马达驱动数据生成方法中,所述获取所述预测振动数据的过零点,包括:
获取所述预测振动数据的最大预测振动量;
依次获取所述最大预测振动量之后两个相邻的预测振动量的乘积;
根据所述乘积的大小确定所述预测振动数据的过零点。
在本申请提供的马达驱动数据生成方法中,在所述获取当前驱动数据和目标系数矩阵之前,还包括:
获取测试驱动数据和测试振动数据;
根据所述测试驱动数据和所述测试振动数据构建马达预测模型。
在本申请提供的马达驱动数据生成方法中,在所述根据所述测试驱动数据和所述测试振动数据构建马达预测模型之后,还包括:
采用预设算法对所述马达预测模型进行数据处理,得到目标系数矩阵。
在本申请提供的马达驱动数据生成方法中,所述采用预设算法对所述马达预测模型进行数据处理,得到目标系数矩阵,包括:
采用最小二乘法对所述马达预测模型进行辨识,得到目标系数矩阵。
第二方面,本申请提供了一种马达驱动数据生成装置,包括:
获取单元,用于获取当前驱动数据;
预测单元,用于将所述当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
处理单元,用于对所述预测振动数据进行预处理,得到马达刹车数据;
整合单元,用于对所述当前驱动数据和所述马达刹车数据进行整合,得到目标驱动数据。
第三方面,本申请提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述任一项所述的马达驱动数据生成方法。
第四方面,本申请实施例提供了一种电子设备,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述任一项所述的马达驱动数据生成方法。
综上,本申请实施例提供的马达驱动数据生成方法采用获取当前驱动数据;将所述当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;对所述预测振动数据进行预处理,得到马达刹车数据;对所述当前驱动数据和所述马达刹车数据进行整合,得到目标驱动数据。本方案可以根据马达预测模型、当前驱动数据和目标系数矩阵进行预测,从而得到马达刹车数据,然后对马达刹车数据和当前驱动数据进行整合得到目标驱动数据。之后,可以根据该目标驱动数据对马达进行驱动,使得马达在振动完成后可以快速刹车,从而提高马达的刹车效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要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是本申请实施例提供的马达驱动数据生成系统的结构示意图。
图2是本申请实施例提供的马达驱动数据生成方法的流程示意图。
图3是本申请实施例提供的PID算法的流程示意图。
图4是本申请实施例提供的马达驱动数据生成装置的结构示意图。
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明,其本身没有特定的意义。因此,“模块”、“部件”或者“单元”可以混合地使用。
在本申请的描述中,需要说明的是,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,“第一”、“第二”等术语仅用于描述目的,而不能理解为指示或暗示相对重要性。
本申请实施例提供了一种马达驱动数据生成方法、装置、存储介质及电子设备,具体的,该马达驱动数据生成装置可以集成在电子设备中,该电子设备可以是服务器,也可以是终端等设备;其中,该终端可以包括手机、穿戴式智能设备、平板电脑、笔记本电脑、以及个人计算机(PC,Personal Computer)等;该服务器可以是单台服务器,也可以是由多个服务器组成的服务器集群,可以是实体的服务器,也可是虚拟服务器。
请参阅图1,图1是本申请实施例提供的马达驱动数据生成系统的结构示意图。该马达驱动数据生成系统可以包括依次连接的计算机10、控制小板20和振动模块30。
其中,控制小板20集成有微控制单元(Microcontroller Unit,MCU)21和马达驱动芯片(IC)22。该微控制单元21具有ADC接口212和I2C接口211。
其中,该振动模块30包括马达31、加速度计32、质量块33和海绵34。具体的,该质量块33设置与海绵34上,马达31和加速度计32均设置与质量块33上。可以理解的是,该海绵33可以使马达31自由振动。
在具体实施过程中,该计算机10可以发送振动数据采集命令和马达驱动数据至微控制单元21;微控制单元21接收到振动数据采集命令和马达驱动数据后,该微控制单元21可以依次通过I2C接口211和马达驱动芯片22将马达驱动数据传输至马达31,从而驱动马达31振动;在马达31振动的同时,加速度计32可以感应马达31的马达振动数据;微控制单元21通过ADC接口212采集该马达振动数据,并将该马达振动数据发送至计算机10。
此时,计算机10可以根据该马达驱动数据和马达振动数据进行建模,得到马达预测模型。在实际应用中,计算机10可以基于该马达预测模型生成特殊波形,如刹车波形等,并将该特殊波形添加到马达驱动数据中,以对马达31进行驱动,达到快速刹车的目的。
需要说明的是,该马达驱动数据可以为电子设备根据用户的触觉反馈操作(比如,虚拟键盘打字、游戏射击等)生成的马达驱动电压信号(比如正弦波、方波及三角波等)。
在一些实施例中,该计算机10还可以对马达驱动数据、马达振动数据和模型误差等信息进行显示,供用户观察使用。
需要说明的是,马达预测模型的建模过程及实际应用也可以在控制小板20实现,其具体过程与计算机10相同,在此不再一一赘述。
以下将通过具体实施例分别对本申请所示的技术方案进行详细说明。需要说明的是,以下实施例的描述顺序不作为对实施例优先顺序的限定。
请参阅图2,图2是本申请实施例提供的马达驱动数据生成方法的流程示意图。该马达驱动数据生成方法可以使用上述的电子设备进行实施,该马达驱动数据生成方法具体可以如下:
101、获取当前驱动数据。
其中,该当前驱动数据为根据用户的触觉反馈操作(比如,虚拟键盘打字、游戏射击等)生成的马达驱动电压信号(比如正弦波、方波及三角波等)。
102、将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据。
可以理解的是,该马达预测模型可以在步骤101之前预先进行构建。具体的,可以获取测试驱动数据和测试振动数据;然后根据测试驱动数据和测试振动数据构建该马达预测模型。
其中,该测试驱动数据为根据用户的触觉反馈操作生成的马达驱动电压信号。当马达该测试驱动数据进行驱动时,可以生成该测试振动数据。
需要说明的是,在本申请实施例中,该马达预测模型为有源自回归(Auto-Regressive with Extra Inputs,ARX)模型。该ARX模型是一种时间序列的分析方法,其模型参数凝聚了系统状态的重要信息,准确的ARX模型能深刻、集中地表达系统的运行规律。
其中,该ARX模型的表达式如下:
A(q)*Z(k)=B(q)*X(k)+e(k)
其中,q表示线性系统阶次,Z(k)为当前输出,X(k)为当前输入,e(k)为模型误差,A(q)=d(q)Z-q,B(q)=n(q)*Z-q,d(q)和n(q)分别为输出和输入的加权值。ARX模型的表达式即是当前输出等于前q次输出和输入的加权和再加上模型误差。
可以理解的是,在本实施例中,当前输出即为测试振动数据,当前输入即为测试驱动数据。
以三阶线性系统为例,当前输出近似等于前三次输出和输入的加权和,即当前预测输出可表示如下:
此时,ARX模型用矩阵表示如下:
在本实施例中,该马达预测模型的目的是找到一组最佳参数d2、d3、d4、n1、n2、n3、n4,使得所有样本的预测输出与实际输出的损失函数最小化。
具体的,可以设该ARX模型的左边样本矩阵为H,中间系数矩阵为W,右边预测矩阵为然后采用预设算法求解中间系数矩阵W。
在本申请实施例中,该预设算法为PID算法,采用PID算法求解中间系数矩阵W的具体过程可以如下:
设损失函数为误差平方和,然后将损失函数J(W)关于W求偏导,令其偏导为0即可使损失函数最小化。最小二乘法的求解过程如下:
在一些实施例中,为了方便理解,令右边预测矩阵为目标真实矩阵Z,直接利用矩阵法也可求解W。
需要说明的是,采用预设算法求解中间系数矩阵W的过程即为对ARX模型进行辨识的过程。也即,在构建马达预测模型之后,还可以包括:
采用预设算法对马达预测模型进行数据处理,得到目标系数矩阵。
具体的,可以采用最小二乘法对所述马达预测模型进行辨识,得到目标系数矩阵。可以理解的是,该目标系数矩阵即为上述的中间系数矩阵W。
在一些实施例中,在完成马达模型辨识之后,还可以对马达预测模型与实际马达的拟合度进行验证,以确定该马达预测模型的准确度。
具体的,可以先获取生成的验证驱动数据,再将该验证驱动数据发送至马达驱动芯片,以使马达可以根据该验证驱动数据进行驱动,产生相应的验证振动数据,然后对该验证振动数据进行采集;之后,再根据该验证驱动数据、马达预测模型和目标系数矩阵生成验证预测振动数据;最后,可以将该验证预测振动数据与验证振动数据进行比较,从而确定该马达预测模型的准确度是否符合预期。可以理解的是,当该马达预测模型的准确度不符合预期时,可以对该马达预测模型进行校准。
在一些实施例中,还可以对验证驱动数据、验证振动数据、验证预测振动数据以及模型误差等信息进行显示,供用户观察使用,人为确定是否需要对马达预测模型进行校准。
103、对预测振动数据进行预处理,得到马达刹车数据。
具体的,可以先确定该预测振动数据的刹车点,然后根据该刹车点采用PID算法对预测振动数据进行处理,得到马达刹车数据。
在本申请实施例中,该刹车点即为该预测振动数据的过零点。也即,确定该预测振动数据的刹车点具体可以为获取预测振动数据的过零点,并将过零点作为预测振动数据的刹车点。
其中,过零点指的是该预测振动数据的首个下降极值点后的首个零点,首个下降极值点说明振动量开始衰减,即已经达到了最大预测振动量,此后可以开始进行刹车。需要说明的是,零点指的是加速度为零。
在一些实施例中,可以通过判断该预测振动数据中的第K点的左右导数乘积是否小于或等于0,来判断当前振动量是否为极值点;然后再通过判断当前极值的绝对值是否小于上一极值的绝对值来确定当前极值点是否为首个下降极值点,即最大预测振动量;最后,可以通过将该最大预测振动量之后两个相邻的预测振动量的乘积来确定过零点。
也即,步骤“获取预测振动数据的过零点”可以包括:
获取预测振动数据的最大预测振动量;
依次获取最大预测振动量之后两个相邻的预测振动量的乘积;
根据所述乘积的大小确定所述预测振动数据的过零点。
需要说明的是,当最大预测振动量之后两个相邻的预测振动量的乘积小于或等于0时,则可以确定两个相邻的预测振动量中的前预测振动量为过零点。可以理解的是,首次获取到最大预测振动量之后两个相邻的预测振动量的乘积小于或等于0时,即可确定两个相邻的预测振动量中的前预测振动量为过零点。
在确定该预测振动数据的刹车点后,可以根据该刹车点采用比例积分微分调节(Proportion Integration Diffe,PID)算法对所述预测振动数据进行处理,得到马达刹车数据。
具体的,可以如图3所示,将目标振动量target设为0,然后采用PID算法对该预测振动数据进行快速刹车。其中,图3中y_pred()函数即是预测振动量;times表示pid算法调整的次数;本实施例取的是0.01*采样率,即10ms的调整时间;kp、ki和kd为pid算法的参数,可以根据经验设置;zero_pos为该预测振动数据的过零点;brake(i)为pid算法生成的马达刹车数据;b_max和b_min分别为输入信号的最大值和最小值,本实施例中取的是正负3.6。
104、对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。
具体的,可以当前驱动数据和马达刹车数据进行数据拼接,从而得到目标驱动数据。
综上,本申请实施例提供的马达驱动数据生成方法包括获取当前驱动数据;将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;对预测振动数据进行预处理,得到马达刹车数据;对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。本方案可以根据马达预测模型、当前驱动数据和目标系数矩阵进行预测,从而得到马达刹车数据,然后对马达刹车数据和当前驱动数据进行整合得到目标驱动数据。之后,可以根据该目标驱动数据对马达进行驱动,使得马达在振动完成后可以快速刹车,从而提高马达的刹车效果。
并且,本申请实施例采用的建模方式是黑盒建模算法,不需要了解马达内部结构,即可完成马达预测模型的构建。且在本申请实施例中,只需要使用一颗MCU就能完成马达的驱动和数据采集,不需要昂贵的信号发生器、滤波器和信号采集设备,价格低且携带方便。
为便于更好的实施本申请实施例提供的马达驱动数据生成方法,本申请实施例还提供了一种马达驱动数据生成装置。其中名词的含义与上述马达驱动数据生成方法中相同,具体实现细节可以参考方法实施例中的说明。
请参阅图4,图4是本申请实施例提供的马达驱动数据生成装置的结构示意图。该马达驱动数据生成装置可以包括获取单元201、预测单元202、处理单元203和整合单元204。其中,
获取单元201,用于获取当前驱动数据;
预测单元202,用于将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
处理单元203,用于对预测振动数据进行预处理,得到马达刹车数据;
整合单元204,用于对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。
以上各个单元的具体实施方式可参见上述的马达驱动数据生成方法的实施例,在此不再一一赘述。
在具体实施过程中,该马达驱动数据生成装置通过获取单元201获取当前驱动数据;由预测单元202将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;由处理单元203对预测振动数据进行预处理,得到马达刹车数据;由整合单元204,用于对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。本方案可以根据马达预测模型、当前驱动数据和目标系数矩阵进行预测,从而得到马达刹车数据,然后对马达刹车数据和当前驱动数据进行整合得到目标驱动数据。之后,可以根据该目标驱动数据对马达进行驱动,使得马达在振动完成后可以快速刹车,从而提高马达的刹车效果。
并且,本申请实施例采用的建模方式是黑盒建模算法,不需要了解马达内部结构,即可完成马达预测模型的构建。且在本申请实施例中,只需要使用一颗MCU就能完成马达的驱动和数据采集,不需要昂贵的信号发生器、滤波器和信号采集设备,价格低且携带方便。
本申请实施例还提供一种电子设备,其中可以集成本申请实施例的马达驱动数据生成装置,如图5所示,其示出了本申请实施例所涉及的电子设备300的结构示意图,具体来讲:
该电子设备300可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器301是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器302内的软件程序和/或模块,以及调用存储在存储器302内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器301可包括一个或多个处理核心;优选的,处理器301可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块,处理器301通过运行存储在存储器302的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器302可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器302还可以包括存储器控制器,以提供处理器301对存储器302的访问。
电子设备还包括给各个部件供电的电源303,优选的,电源303可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可以包括输入单元304,该输入单元304可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,在一个具体的实施例中,输入单元304可包括触敏表面以及其他输入设备。触敏表面,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触觉反馈操作(比如,虚拟键盘打字、游戏射击等),并根据预先设定的程式驱动相应的连接装置(比如,马达)。可选的,触敏表面可包括触摸检测装置和触摸控制器两个部分。
尽管未示出,电子设备还包括显示单元和马达等,在此不再赘述。具体在本实施例中,电子设备中的处理器301会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能,如下:
获取当前驱动数据;
将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
对预测振动数据进行预处理,得到马达刹车数据;
对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。
综上,在本申请实施例提供的电子设备300中,通过获取当前驱动数据;将当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;对预测振动数据进行预处理,得到马达刹车数据;对当前驱动数据和马达刹车数据进行整合,得到目标驱动数据。本方案可以根据马达预测模型、当前驱动数据和目标系数矩阵进行预测,从而得到马达刹车数据,然后对马达刹车数据和当前驱动数据进行整合得到目标驱动数据。之后,可以根据该目标驱动数据对马达进行驱动,使得马达在振动完成后可以快速刹车,从而提高马达的刹车效果。
并且,本申请实施例采用的建模方式是黑盒建模算法,不需要了解马达内部结构,即可完成马达预测模型的构建。且在本申请实施例中,只需要使用一颗MCU就能完成马达的驱动和数据采集,不需要昂贵的信号发生器、滤波器和信号采集设备,价格低且携带方便。
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,可以参见上文针对马达驱动数据生成方法的详细描述,此处不再赘述。
需要说明的是,对本申请实施例中的马达驱动数据生成方法而言,本领域技术人员可以理解实现本申请实施例中的马达驱动数据生成方法的全部或部分流程,是可以通过计算机程序来控制相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,如存储在终端的存储器中,并被该终端内的至少一个处理器执行,在执行过程中可包括如马达驱动数据生成方法的实施例的流程。
对本申请实施例的马达驱动数据生成装置而言,其各功能模块可以集成在一个处理芯片中,也可以是各个模块单独物理存在,还可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
为此,本申请实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种马达驱动数据生成方法中的步骤。其中,该存储介质可以为磁碟、光盘、只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)等。
以上分别对本申请所提供的马达驱动数据生成方法、装置、存储介质及电子设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种马达驱动数据生成方法,其特征在于,包括:
获取当前驱动数据;
将所述当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
对所述预测振动数据进行预处理,得到马达刹车数据;
对所述当前驱动数据和所述马达刹车数据进行整合,得到目标驱动数据。
2.如权利要求1所述的马达驱动数据生成方法,其特征在于,所述对所述预测振动数据进行预处理,得到马达刹车数据,包括:
确定所述预测振动数据的刹车点;
根据所述刹车点采用PID算法对所述预测振动数据进行处理,得到马达刹车数据。
3.如权利要求2所述的马达驱动数据生成方法,其特征在于,所述确定所述预测振动数据的刹车点,包括:
获取所述预测振动数据的过零点,并将所述过零点作为所述预测振动数据的刹车点。
4.如权利要求3所述的马达驱动数据生成方法,其特征在于,所述获取所述预测振动数据的过零点,包括:
获取所述预测振动数据的最大预测振动量;
依次获取所述最大预测振动量之后两个相邻的预测振动量的乘积;
根据所述乘积的大小确定所述预测振动数据的过零点。
5.如权利要求1所述的马达驱动数据生成方法,其特征在于,在所述获取当前驱动数据和目标系数矩阵之前,还包括:
获取测试驱动数据和测试振动数据;
根据所述测试驱动数据和所述测试振动数据构建马达预测模型。
6.如权利要求5所述的马达驱动数据生成方法,其特征在于,在所述根据所述测试驱动数据和所述测试振动数据构建马达预测模型之后,还包括:
采用预设算法对所述马达预测模型进行数据处理,得到目标系数矩阵。
7.如权利要求6所述的马达驱动数据生成方法,其特征在于,所述采用预设算法对所述马达预测模型进行数据处理,得到目标系数矩阵,包括:
采用最小二乘法对所述马达预测模型进行辨识,得到目标系数矩阵。
8.一种马达驱动数据生成装置,其特征在于,包括:
获取单元,用于获取当前驱动数据;
预测单元,用于将所述当前驱动数据和目标系数矩阵输入至马达预测模型,得到预测振动数据;
处理单元,用于对所述预测振动数据进行预处理,得到马达刹车数据;
整合单元,用于对所述当前驱动数据和所述马达刹车数据进行整合,得到目标驱动数据。
9.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的马达驱动数据生成方法。
10.一种电子设备,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的马达驱动数据生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254532.3A CN117311500A (zh) | 2023-09-26 | 2023-09-26 | 马达驱动数据生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311254532.3A CN117311500A (zh) | 2023-09-26 | 2023-09-26 | 马达驱动数据生成方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117311500A true CN117311500A (zh) | 2023-12-29 |
Family
ID=89287854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311254532.3A Pending CN117311500A (zh) | 2023-09-26 | 2023-09-26 | 马达驱动数据生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311500A (zh) |
-
2023
- 2023-09-26 CN CN202311254532.3A patent/CN117311500A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063829B (zh) | 神经网络构建方法、装置、计算机设备和存储介质 | |
CN104640608A (zh) | 基于用户的迷你游戏生成和发布 | |
EP2936137B1 (en) | Testing system and method | |
US20220125360A1 (en) | Method and computer program for determining psychological state through drawing process of counseling recipient | |
US10546509B2 (en) | Evaluating user contribution in collaborative environments | |
CN105378668B (zh) | 多处理器系统中的操作系统管理的中断引导 | |
CN110321178A (zh) | 附属应用端的启动处理方法、装置、设备及存储介质 | |
JP2022500808A (ja) | 文生成方法と装置、電子機器及びプログラム | |
JP2023508062A (ja) | 対話モデルの訓練方法、装置、コンピュータ機器及びプログラム | |
US20220100763A1 (en) | Optimizing job runtimes via prediction-based token allocation | |
CN112862112A (zh) | 联邦学习方法、存储介质、终端、服务器、联邦学习系统 | |
CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
CN111124920A (zh) | 设备性能测试方法、装置及电子设备 | |
KR102511069B1 (ko) | 심리 상태를 판단하는 장치, 심리 상태를 판단하는 방법 및 컴퓨터 프로그램 | |
CN107729144B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
EP3939033B1 (en) | Automated assistant control of external applications lacking automated assistant application programming interface functionality | |
CN117311500A (zh) | 马达驱动数据生成方法、装置、存储介质及电子设备 | |
CN111382793A (zh) | 一种特征提取方法、装置和存储介质 | |
CN117311503A (zh) | 马达模型生成方法、装置、存储介质及电子设备 | |
CN117311498A (zh) | 马达模型构建方法、装置、存储介质及电子设备 | |
JP2014182648A (ja) | リストを作成する装置、方法およびプログラム | |
CN111124862A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN114398501B (zh) | 多媒体资源的分组方法、装置、设备及存储介质 | |
CN117311501A (zh) | 马达驱动信号的计算方法、装置、存储介质及电子设备 | |
CN117311499A (zh) | 马达驱动信号的计算方法、装置、存储介质及电子设备 |
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 |