CN117332313A - 预测模型构建、振动量预测方法、装置和系统 - Google Patents
预测模型构建、振动量预测方法、装置和系统 Download PDFInfo
- Publication number
- CN117332313A CN117332313A CN202311253612.7A CN202311253612A CN117332313A CN 117332313 A CN117332313 A CN 117332313A CN 202311253612 A CN202311253612 A CN 202311253612A CN 117332313 A CN117332313 A CN 117332313A
- Authority
- CN
- China
- Prior art keywords
- model
- motor
- sample
- vibration quantity
- training
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 94
- 230000004044 response Effects 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000013016 damping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请公开一种预测模型构建、振动量预测方法、装置和系统。其中预测模型构建方法包括:获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;根据所述样本振动量和所述估计振动量确定损失函数;根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的步骤,直至达到训练退出条件;根据达到训练退出条件时的模型参数确定所述预测模型。本申请提供的模型构建方案具有更高的灵活性,能够提升对应的模型构建效率。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种预测模型构建、振动量预测方法、装置和系统。
背景技术
科技日益发达的今天,电子产品作为现代社会科技进步的象征,已经成为每个人都几乎必须拥有的工具。仅包含视觉和听觉反馈的功能已经不能满足人类日益增长的需求,基于此,触觉反馈进入各厂商的视野。以线性马达为振动器的电子产品,通过设计特殊波形,可以获得不同的触觉体验,例如游戏中各种碰撞、枪声等的振动反馈可以带给游戏者不同的沉浸式体验。而要针对不同的应用场景设计特殊波形,对马达的准确建模就成为一项关键的工作。在马达模型的支持下,根据不同应用场景下的振动需求,可通过马达模型确定输入电压,从而可以提高特殊波形开发的速度与准确度。
现有马达建模方法大多依赖于马达的物理模型,需要对马达内部结构有非常清晰的了解,才能完成马达的建模。例如游戏马达建模方法首先需要了解马达的弹簧、限位块、磁铜、极片和线圈等内部结构,根据马达内部结构图,画出如图1所示的等效原理图,再根据等效原理图,推导出电学方程和力学方程,再联立电学方程和力学方程,得到一组电压和电流的关系公式,在此基础上,同时采集马达两端的电压和电流,来完成马达的建模。上述建模过程需要依赖于马达的物理模型,对马达内部结构有非常清晰的了解,才能实现马达建模,存在局限性。
发明内容
鉴于此,本申请提供一种预测模型构建、振动量预测方法、装置和系统,以解决传统的马达建模方案存在局限性的问题。
本申请提供的一种预测模型构建方法,包括:
获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;
将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;
根据所述样本振动量和所述估计振动量确定损失函数;
根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的步骤,直至达到训练退出条件;
根据达到训练退出条件时的模型参数确定所述预测模型。
可选地,在所述将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量之前,所述预测模型构建方法还包括:确定所述马达对应的训练模型,初始化所述训练模型的各个所述模型参数。
可选地,所述损失函数包括:或者其中,J表示损失函数,a(i)表示第i个样本振动量,/>表示第i个估计振动量,n表示样本振动量的个数。
可选地,所述模型参数的更新公式包括:其中,J表示损失函数,αj表示第j组模型参数,其中各组模型参数可以包括一个模型参数,也可以包括多个模型参数,ηj表示第j组模型参数对应的学习率,/>表示J对αj求偏导。
可选地,所述训练退出条件包括所述损失函数的取值小于或等于预设的损失阈值,或者迭代次数大于或等于预设的次数阈值。
本申请还提供一种预测模型构建装置,包括:
第一获取模块,用于获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;
第二获取模块,用于将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;
第一确定模块,用于根据所述样本振动量和所述估计振动量确定损失函数;
更新模块,用于根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回进入所述第二获取模块,以执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的过程,直至达到训练退出条件;
第二确定模块,用于根据达到训练退出条件时的模型参数确定所述预测模型。
本申请还提供一种预测模型构建系统,所述预测模型构建系统包括智能终端,所述智能终端用于执行上述任一种预测模型构建方法。
可选地,所述预测模型构建系统还包括控制小板和马达响应模块;所述控制小板用于接收所述智能终端发送的样本驱动数据,根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块输出所述马达驱动信号,并采集所述马达响应模块针对所述马达驱动信号反馈的样本振动量,向所述智能终端发送所述样本振动量;所述马达响应模块用于响应所述马达驱动信号,输出所述样本振动量。
可选地,所述控制小板包括通信总线、马达驱动芯片和模数转换器;所述通信总线用于连接所述马达驱动芯片和所述智能终端;所述马达驱动芯片用于根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块输出所述马达驱动信号;所述模数转换器用于将所述马达响应模块输出的样本振动量转换为数字信号,并向所述智能终端输出转换得到的数字信号。
可选地,所述马达响应模块包括马达和加速度计;所述马达用于根据所述马达驱动信号进行振动;所述加速度计用于在所述马达振动过程中采集振动量,输出所述样本振动量。
本申请还提供一种振动量预测方法,包括:
获取用于控制马达的输入电压;
将所述输入电压输入根据上述任一种预测模型构建方法构建的预测模型,以获取预测振动量。
可选地,所述获取用于控制马达的输入电压,包括:获取目标振动量和所述预测振动量之间的偏差;对所述偏差进行PID控制,得到所述输入电压。
本申请还提供一种振动量预测装置,包括:
第三获取模块,用于获取用于控制马达的输入电压;
第四获取模块,用于将所述输入电压输入根据所述权利要求6所述的预测模型构建装置构建的预测模型,以获取预测振动量。
本申请提供的上述预测模型构建、振动量预测方法、装置和系统中,通过获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量,将样本驱动数据输入训练模型,获取训练模型输出的估计振动量,根据样本振动量和估计振动量确定损失函数,根据损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新训练模型,再返回执行将样本驱动数据输入训练模型,获取训练模型输出的估计振动量的步骤,以持续训练对应模型,直至达到训练退出条件,以对应模型参数确定所需预测模型,该确定预测模型的无需了解振动马达内部结构,只需要给马达发送一组固定已知的样本驱动数据,同时采集马达运动时产生的振动量,即可构建对应预测模型,具有更高的灵活性,能够提升对应的模型构建效率,从而可以提升依据对应预测模型进行振动量预测的效率,便于更好地控制振动效果。
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是马达等效原理示意图;
图2是本申请一实施例的预测模型构建方法结构示意图;
图3是本申请一实施例的预测模型构建装置结构示意图;
图4是本申请一实施例的预测模型构建系统结构示意图;
图5是本申请另一实施例的预测模型构建系统结构示意图;
图6是本申请一实施例的预测模型构建系统工作过程示意图;
图7是本申请一实施例的振动量预测过程示意图。
具体实施方式
下面结合附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而非全部实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,下述各个实施例及其技术特征可以相互组合。
本申请第一方面提供一种预测模型构建方法,该预测模型构建方法用于在用于构建预测模型的智能终端执行,该智能终端可以是计算机。参考图2所示,所述预测模型构建方法包括步骤S110至步骤S150。
S110,获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量。
上述样本驱动数据可以包括马达驱动电压数据,马达驱动电压数据可以根据不同频率的正弦波、方波和/或三角波产生。智能终端可以根据用户输入数据和/或相关目标振动参数生成不同频率的正弦波、方波及三角波,以此确定样本驱动数据。样本驱动数据可以记为x(1)、x(2)、……、x(n),n表示样本驱动数据的个数。
具体地,智能终端生成样本驱动数据之后,可以直接或者间接将样本驱动数据发送至对应马达,以使马达响应上述样本驱动数据进行振动,智能终端或其连接的采集模块可以在马达振动过程中采集振动量,以获得样本振动量。样本振动量可以包括x(1)对应的a(1)、x(2)对应的a(2)、……、x(n)对应的a(n)。
S120,将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量。
上述训练模型可以包括依据马达结构确定的初始模型,也可以包括训练过程中的模型。
S130,根据所述样本振动量和所述估计振动量确定损失函数。
S140,根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回执行步骤S120,将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的步骤,以持续训练对应的训练模型,直至达到训练退出条件。
上述训练退出条件可以包括对应模型能够准确预测振动量的条件。
S150,根据达到训练退出条件时的模型参数确定所述预测模型。
上述预测模型构建方法,通过获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量,将样本驱动数据输入训练模型,获取训练模型输出的估计振动量,根据样本振动量和估计振动量确定损失函数,根据损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新训练模型,再返回执行将样本驱动数据输入训练模型,获取训练模型输出的估计振动量的步骤,以持续训练对应模型,直至达到训练退出条件,以对应模型参数确定所需预测模型,该确定预测模型的无需了解振动马达内部结构,只需要给马达发送一组固定已知的样本驱动数据,同时采集马达运动时产生的振动量,即可构建对应预测模型,具有更高的灵活性。
在一个实施例中,在所述将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量之前,所述预测模型构建方法还包括:确定所述马达对应的训练模型,初始化所述训练模型的各个所述模型参数。本实施例可以根据马达的类型和/或结构等特征确实训练模型以及训练模型具有的模型参数,以使最终确定的预测模型中的模型参数能够表征对应马达内部的电阻、电感、质量块重量、阻尼系数和/或弹簧系数等。可选地,上述初始化所述训练模型的各个所述模型参数,可以包括:将训练模型的各个模型参数分别确定为一个不为0的随机数。
构建用于进行马达系统辨识的预测模型的目标是,当给预测模型输入任意一组数据(如x(1)~x(n))后,计算输出的马达对应的振动量与马达真实输出的振动量a(1)~a(n)无限接近,即样本振动量与估计振动量之间的偏差最小(接近于0)。基于上述目标,在一个实施例中,损失函数可以依据样本振动量与估计振动量之间的偏差设定。
在一个示例中,所述损失函数包括:又例如,在另一个示例中,所述损失函数包括:/>其中,J表示损失函数,a(i)表示第i个样本振动量,/>表示第i个估计振动量,n表示样本振动量的个数。
在一个实施例中,所述模型参数的更新公式包括:其中,J表示损失函数,αj表示第j组模型参数,其中各组模型参数可以包括一个模型参数,也可以包括多个模型参数,ηj表示第j组模型参数对应的学习率,/>表示J对αj求偏导。第j组模型参数对应的学习率ηj的取值可以依据相关经验值确定,其取值范围可以为0.0001至0.01,例如有些模型参数对应的学习率可以取0.0001,有些模型参数对应的学习率可以取0.001,有些模型参数对应的学习率可以取0.01等等。
在一个示例中,若α1包括α,α2包括β,α3包括γ,α4包括δ,即模型参数包括α、β、γ、δ;各个模型参数的更新过程可以包括:
在一个实施例中,训练退出条件可以包括用于表征训练模型能够准确预测输入电压对应的振动量的条件。
在一个示例中,所述训练退出条件包括所述损失函数的取值小于或等于预设的损失阈值;其中损失阈值可以设为0.001等较小的阈值。损失函数的取值小于或等于损失阈值,表征预测模型输出的振动量与马达真实产生的振动量已非常接近,预测模型能够针对输入数据进行准确预测。
在另一个示例中,所述训练退出条件包括:迭代次数大于或等于预设的次数阈值;其中次数阈值可以设备5000等较大的阈值。
进一步地,对于上述预测模型,最终都可以表示成当前输出与输入x(1)~x(k)以及以前的输出/>和一些模型参数(如αi,βj等)的函数关系(k∈[1,n]),即:
这种函数关系可以是线性的,也可以是非线性的。线性关系可以表征为: 非线性关系可以表征为: 其中,函数f()、g1()~gm()是某种类型的非线性函数。
在一个示例中,为了对马达的建模过程有一个直观的理解,下面假设马达模型为4阶非线性系统,且振动量当前值只与输入电压x(k)、x(k-1)、x(k-2)、x(k-3)、x(k-4)有关,其振动量与输入电压的关系如下: 该关系式中的模型系数α0~α4是需要计算的与训练模型相关的参数,这些模型系数可以表征马达内部的电阻、电感、质量块重量、阻尼系数、弹簧系数等。对应的损失函数为:/> 本示例中预测模型的构建过程可以包括(1)至(8)。
(1)获取样本驱动数据:电压序列x(1)至x(n),以及样本振动量:振动量数据序列a(1)至a(n)。
(2)初始化模型系数α0~α4,将模型系数α0~α4分别设为不等于0的随机数。
(3)根据上述训练模型对应的振动量与输入电压的关系式,计算x(1)至x(n)分别对应的估计振动量其中:
……
(4)根据样本振动量和估计振动量确定损失函数J:
(5)若J<0.001,则马达建模完成,返回参数α0~α4即为马达模型参数;否则进行步骤(6)至(7)的计算。
(6)计算损失函数J对各模型参数的偏导数值。
J对α0偏导数的计算过程如下:
J对α1偏导数的计算过程如下: 其中当i=1时,x(i-1)取0;
J对α2偏导数的计算过程如下: 其中当i<=2时,x(i-2)取0;
J对α3偏导数的计算过程如下: 其中当i<=3时,x(i-3)取0;
J对α4偏导数的计算过程如下:
其中当i<=4时,x(i-4)取0。
(7)更新各模型参数,以更新训练模型:i=0~4;其中η0~η2取0.01,η3~η4取0.0001。
(8)回到步骤(3),循环进行参数的迭代;其中步骤3到8,可能会循环很多次,直到J<0.001或达到指定的最大次数,本示例设置最大次数为5000。
以上预测模型构建方法,通过获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量,将样本驱动数据输入训练模型,获取训练模型输出的估计振动量,根据样本振动量和估计振动量确定损失函数,根据损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新训练模型,再返回执行将样本驱动数据输入训练模型,获取训练模型输出的估计振动量的步骤,以持续训练对应模型,直至达到训练退出条件,以对应模型参数确定所需预测模型,该确定预测模型的无需了解振动马达内部结构,只需要给马达发送一组固定已知的样本驱动数据,同时采集马达运动时产生的振动量,即可构建对应预测模型,具有更高的灵活性,能够提升对应的模型构建效率。
本申请在第二方面提供一种预测模型构建装置,参考图3所示,所述预测模型构建装置包括:
第一获取模块110,用于获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;
第二获取模块120,用于将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;
第一确定模块130,用于根据所述样本振动量和所述估计振动量确定损失函数;
更新模块140,用于根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回进入所述第二获取模块,以执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的过程,直至达到训练退出条件;
第二确定模块150,用于根据达到训练退出条件时的模型参数确定所述预测模型。
关于预测模型构建装置的具体限定可以参见上文中对于预测模型构建方法的限定,在此不再赘述。上述预测模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请在第三方面提供一种预测模型构建系统,所述预测模型构建系统包括智能终端,所述智能终端用于执行上述任一实施例所述的预测模型构建方法。
可选地,智能终端可以包括计算机,该计算机上可以安装UI软件,以通过UI软件与用户交互,读取样本驱动数据和/或相关配置命令。
在一个实施例中,参考图4所示,所述预测模型构建系统在包括智能终端210的基础上,还包括控制小板220和马达响应模块230。
所述控制小板220用于接收所述智能终端210发送的样本驱动数据,根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块230输出所述马达驱动信号,并采集所述马达响应模块230针对所述马达驱动信号反馈的样本振动量,向所述智能终端210发送所述样本振动量;
所述马达响应模块230用于响应所述马达驱动信号,输出所述样本振动量。
在一个示例中,所述控制小板包括通信总线、马达驱动芯片和模数转换器。其中通信总线可以包括I2C总线。马达驱动芯片可以包括具有马达驱动能力的芯片,如喇叭驱动芯片等。所述通信总线用于连接所述马达驱动芯片和所述智能终端,以将智能终端的样本驱动数据和/或相关配置命令传输至马达驱动芯片。所述马达驱动芯片用于根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块输出所述马达驱动信号。所述模数转换器用于将所述马达响应模块输出的样本振动量转换为数字信号,并向所述智能终端输出转换得到的数字信号,以使智能终端能够获取采用数字信号表征的样本振动量。
可选地,上述通信总线和模数转换器为MCU(微控制器)内置的I2C总线和ADC(模数转换器)。智能终端在向MCU发送样本驱动数据时,还可以向MCU发送振动量信号采集命令,以在马达驱动芯片向马达响应模块发送马达驱动信号之后,ADC及时采集样本振动量,并进行模数转换和传输。
在一个示例中,所述马达响应模块包括马达和加速度计。所述马达用于根据所述马达驱动信号进行振动;所述加速度计用于在所述马达振动过程中采集振动量,输出所述样本振动量。
进一步地,参考图5所示,智能终端包括计算机,该计算机上可以安装UI软件;通信总线和模数转换器为MCU内置的I2C总线和ADC。上述马达响应模块可以设于质量块上,质量块放置到海绵。质量块用于承载马达和加速度计,放置到海绵上是为了使马达相对能自由的运动;加速度计用于感应马达的振动量,将振动量转化为采用电压表征的样本振动量后,由MCU内置的ADC采集上传给计算机的UI软件。图5所示预测模型构建系统的工作过程可以参考图6所示,包括步骤S310至S350。
S310,计算机的UI软件向MCU发送样本驱动数据和振动量信号采集命令,等等MCU返回数据。
S320,MCU收到样本驱动数据和振动量信号采集命令后,通过马达驱动芯片驱动马达振动。
S330,MCU通过马达驱动芯片驱动马达振动的同时,通过ADC采集加速度传感器感应的样本振动量。
S340,所有样本驱动数据发送完成后,MCU将ADC采集的样本振动量上传至计算机的UI软件。
S350,计算机的UI软件执行上述任一实施例所述的预测模型构建方法构建预测模型。
以上预测模型构建系统中,智能终端可以执行上述任一实施例所述的预测模型构建方法,具有上述任一实施例所述的预测模型构建方法的所有有益效果,在此不再赘述。
本申请在第四方面提供一种振动量预测方法,所述振动量预测方法包括:获取用于控制马达的输入电压;将所述输入电压输入根据上述任一实施例所述的预测模型构建方法构建的预测模型,以获取预测振动量,预估对应的振动效果。
在一个实施例中,所述获取用于控制马达的输入电压,包括:获取目标振动量和所述预测振动量之间的偏差;对所述偏差进行PID(比例积分微分)控制,得到所述输入电压。
具体地,本实施例的振动量预测过程可以参考图7所示,若第k个输入电压x(k)对应的目标振动量为target,预测振动量est,则第k个偏差为err(k)=target-est,该偏差的积分为:err_sum=err_sum+err(k),微分为:err_d=err(k)-err(k-1),第k个输入电压x(k)为:x(k)=Kp*err(k)+Ki*err_sum+Kd*err_d;其中,Kp、Ki和Kd分别为PID参数,三者可以根据实际情况调试的值,本实施例取Kp=0.549,Ki=0.129,Kd=1.892。
以上振动量预测方法,通过将输入电压输入根据上述任一实施例所述的预测模型构建方法构建的预测模型,以获取预测振动量,具有上述任一实施例所述的预测模型构建方法的所有有益效果,在此不再赘述。
本申请在第五方面提供一种振动量预测装置,所述振动量预测装置包括:
第三获取模块,用于获取用于控制马达的输入电压;
第四获取模块,用于将所述输入电压输入根据所述上述任一实施例所述的预测模型构建装置构建的预测模型,以获取预测振动量。
关于振动量预测装置的具体限定可以参见上文中对于振动量预测方法的限定,在此不再赘述。上述振动量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
尽管已经相对于一个或多个实现方式示出并描述了本申请,但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型,并且仅由所附权利要求的范围限制。特别地关于由上述组件执行的各种功能,用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示),即使在结构上与执行本文所示的本说明书的示范性实现方式中的功能的公开结构不等同。
即,以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,例如各实施例之间技术特征的相互结合,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
另外,对于特性相同或相似的结构元件,本申请可采用相同或者不相同的标号进行标识。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词是用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何一个实施例不一定被解释为比其它实施例更加优选或更加具优势。为了使本领域任何技术人员能够实现和使用本申请,本申请给出了以上描述。在以上描述中,为了解释的目的而列出了各个细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本申请的描述变得晦涩。因此,本申请并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
Claims (13)
1.一种预测模型构建方法,其特征在于,所述预测模型构建方法包括:
获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;
将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;
根据所述样本振动量和所述估计振动量确定损失函数;
根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的步骤,直至达到训练退出条件;
根据达到训练退出条件时的模型参数确定所述预测模型。
2.根据权利要求1所述的预测模型构建方法,其特征在于,在所述将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量之前,所述预测模型构建方法还包括:
确定所述马达对应的训练模型,初始化所述训练模型的各个所述模型参数。
3.根据权利要求1所述的预测模型构建方法,其特征在于,所述损失函数包括:或者/>其中,J表示损失函数,a(i)表示第i个样本振动量,/>表示第i个估计振动量,n表示样本振动量的个数。
4.根据权利要求1所述的预测模型构建方法,其特征在于,所述模型参数的更新公式包括:其中,J表示损失函数,αj表示第j组模型参数,ηj表示第j组模型参数对应的学习率,/>表示J对αj求偏导。
5.根据权利要求1所述的预测模型构建方法,其特征在于,所述训练退出条件包括所述损失函数的取值小于或等于预设的损失阈值,或者迭代次数大于或等于预设的次数阈值。
6.一种预测模型构建装置,其特征在于,所述预测模型构建装置包括:
第一获取模块,用于获取样本驱动数据和马达响应所述样本驱动数据反馈的样本振动量;
第二获取模块,用于将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量;
第一确定模块,用于根据所述样本振动量和所述估计振动量确定损失函数;
更新模块,用于根据所述损失函数对各个模型参数的偏导更新各个模型参数,根据更新后的模型参数更新所述训练模型,返回进入所述第二获取模块,以执行将所述样本驱动数据输入训练模型,获取所述训练模型输出的估计振动量的过程,直至达到训练退出条件;
第二确定模块,用于根据达到训练退出条件时的模型参数确定所述预测模型。
7.一种预测模型构建系统,其特征在于,所述预测模型构建系统包括智能终端,所述智能终端用于执行权利要求1至5任一项所述的预测模型构建方法。
8.根据权利要求7所述的预测模型构建系统,其特征在于,所述预测模型构建系统还包括控制小板和马达响应模块;
所述控制小板用于接收所述智能终端发送的样本驱动数据,根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块输出所述马达驱动信号,并采集所述马达响应模块针对所述马达驱动信号反馈的样本振动量,向所述智能终端发送所述样本振动量;
所述马达响应模块用于响应所述马达驱动信号,输出所述样本振动量。
9.根据权利要求8所述的预测模型构建系统,其特征在于,所述控制小板包括通信总线、马达驱动芯片和模数转换器;
所述通信总线用于连接所述马达驱动芯片和所述智能终端;
所述马达驱动芯片用于根据所述样本驱动数据生成马达驱动信号,向所述马达响应模块输出所述马达驱动信号;
所述模数转换器用于将所述马达响应模块输出的样本振动量转换为数字信号,并向所述智能终端输出转换得到的数字信号。
10.根据权利要求8所述的预测模型构建系统,其特征在于,所述马达响应模块包括马达和加速度计;
所述马达用于根据所述马达驱动信号进行振动;
所述加速度计用于在所述马达振动过程中采集振动量,输出所述样本振动量。
11.一种振动量预测方法,其特征在于,所述振动量预测方法包括:
获取用于控制马达的输入电压;
将所述输入电压输入根据所述权利要求1至5任一项所述的预测模型构建方法构建的预测模型,以获取预测振动量。
12.根据权利要求11所述的振动量预测方法,其特征在于,所述获取用于控制马达的输入电压,包括:
获取目标振动量和所述预测振动量之间的偏差;
对所述偏差进行PID控制,得到所述输入电压。
13.一种振动量预测装置,其特征在于,所述振动量预测装置包括:
第三获取模块,用于获取用于控制马达的输入电压;
第四获取模块,用于将所述输入电压输入根据所述权利要求6所述的预测模型构建装置构建的预测模型,以获取预测振动量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253612.7A CN117332313A (zh) | 2023-09-26 | 2023-09-26 | 预测模型构建、振动量预测方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253612.7A CN117332313A (zh) | 2023-09-26 | 2023-09-26 | 预测模型构建、振动量预测方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332313A true CN117332313A (zh) | 2024-01-02 |
Family
ID=89278303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311253612.7A Pending CN117332313A (zh) | 2023-09-26 | 2023-09-26 | 预测模型构建、振动量预测方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332313A (zh) |
-
2023
- 2023-09-26 CN CN202311253612.7A patent/CN117332313A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019192172A1 (zh) | 一种姿态预测方法、装置和电子设备 | |
Calanca et al. | MIMO closed loop identification of an industrial robot | |
US7672920B2 (en) | Apparatus and method for embedding recurrent neural networks into the nodes of a self-organizing map | |
CN101902191B (zh) | 用于电机驱动系统的控制技术 | |
CN101820239B (zh) | 用于电机驱动系统的控制技术 | |
CN104364805A (zh) | 信息处理器、信息处理方法和程序 | |
KR102225370B1 (ko) | 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법 | |
CN113325311B (zh) | 振动电机特性参数获取方法、设备及存储介质 | |
Woodley et al. | Model free subspace based/spl Hscr//sub/spl infin//control | |
CN115280322A (zh) | 使用学习的隐藏状态规划作用因素控制 | |
JPH10320008A (ja) | 複合被駆動システムの効率的合成 | |
JP2018024036A (ja) | 制御装置、制御方法、および制御プログラム | |
CN117332313A (zh) | 预测模型构建、振动量预测方法、装置和系统 | |
CN114327040A (zh) | 振动信号生成方法、装置、电子设备及存储介质 | |
KR101454483B1 (ko) | 공진 주파수 식별 | |
JP6469041B2 (ja) | 制御信号推定装置、擬似力覚発生装置、波形推定装置、制御信号推定方法、波形推定方法、およびプログラム | |
CN111459017B (zh) | 一种数控离散的速度曲线规划方法 | |
Bouallègue et al. | A new method for tuning PID-type fuzzy controllers using particle swarm optimization | |
CN110034715B (zh) | 一种基于扰动估计的音圈电机运动控制方法及相关设备 | |
CN102981461A (zh) | 信息处理设备和方法、服务器设备和控制方法以及程序 | |
CN113283152B (zh) | 驱动电信号的调整方法、驱动方法及驱动电路、电子设备 | |
CN116155143A (zh) | 马达参数的获取方法及装置 | |
CN112667077A (zh) | 一种马达模型参数检测方法、装置、电子设备和介质 | |
CN116341169A (zh) | 一种马达驱动波形的设计方法及装置 | |
CN117811449A (zh) | 马达驱动方法、马达模型生成方法及电子设备 |
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 |