CN116505833B - 电机数据的处理方法、***及终端伺服器 - Google Patents

电机数据的处理方法、***及终端伺服器 Download PDF

Info

Publication number
CN116505833B
CN116505833B CN202310745314.3A CN202310745314A CN116505833B CN 116505833 B CN116505833 B CN 116505833B CN 202310745314 A CN202310745314 A CN 202310745314A CN 116505833 B CN116505833 B CN 116505833B
Authority
CN
China
Prior art keywords
data
control signal
control
motion index
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
Application number
CN202310745314.3A
Other languages
English (en)
Other versions
CN116505833A (zh
Inventor
王志杰
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.)
China Technology Co ltd Shenzhen Branch
Original Assignee
China Technology Co ltd Shenzhen Branch
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 China Technology Co ltd Shenzhen Branch filed Critical China Technology Co ltd Shenzhen Branch
Priority to CN202310745314.3A priority Critical patent/CN116505833B/zh
Publication of CN116505833A publication Critical patent/CN116505833A/zh
Application granted granted Critical
Publication of CN116505833B publication Critical patent/CN116505833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02P23/14—Estimation or adaptation of motor parameters, e.g. rotor time constant, flux, speed, current or voltage
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H02P23/0022—Model reference adaptation, e.g. MRAS or MRAC, useful for control or parameter estimation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明涉及电机测试领域，公开了一种电机数据的处理方法、***及终端伺服器，用于实现伺服电机的自适应参数调控并且提高伺服电机的电机性能。方法包括：根据多种控制决策类型对第一控制信号集合以及第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；将电机性能向量输入电机性能分析模型进行电机性能分析，得到电机性能分析结果；根据电机性能分析结果，对目标伺服电机进行参数调整和自适应控制。

Description

电机数据的处理方法、***及终端伺服器
技术领域
本发明涉及电机测试领域，尤其涉及一种电机数据的处理方法、***及终端伺服器。
背景技术
随着工业自动化程度的提高和电机***的复杂化，普通的电机控制方法已经不能满足需求。因此，需要开发出更先进、更智能的电机控制和优化方法，以实现更高效、更稳定的电机***运行。
然而，在现有方案中，很多电机控制方法都存在一些不足之处。例如，一些传统的PID控制方法不能适应复杂的非线性***，而某些卡尔曼滤波算法在噪声和非线性条件下效果不佳。
发明内容
本发明提供了一种电机数据的处理方法、***及终端伺服器，用于实现伺服电机的自适应参数调控并且提高伺服电机的电机性能。
本发明第一方面提供了一种电机数据的处理方法，所述电机数据的处理方法包括：
获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型；
根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；
根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；
根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；
将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；
根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制。
结合第一方面，所述获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型，包括：
获取目标伺服电机的原始控制信号集合以及原始运动指标数据；
对所述原始控制信号集合进行信号去噪和信号滤波处理，得到第一控制信号集合；
对所述原始运动指标数据进行数据异常点去除，得到第一运动指标数据；
对所述第一控制信号集合进行决策类型解析，生成多种控制决策类型，其中，所述多种控制决策类型包括：位置控制决策、速度控制决策、力矩控制决策和加速度控制决策。
结合第一方面，所述根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据，包括：
根据所述多种控制决策类型，确定每种控制决策类型对应的控制信号标识以及运动数据标签；
根据每种控制决策类型对应的控制信号标识，对所述第一控制信号集合进行控制信号标识识别和提取，得到多个第二控制信号集合，其中，所述多个第二控制信号集合包括位置控制信号集合、速度控制信号集合、加速度控制信号集合以及力矩控制信号集合；
根据每种控制决策类型对应的运动数据标签，对所述第一运动指标数据进行数据划分，得到多个第二运动指标数据，其中，所述多个第二运动指标数据包括位置运动指标数据、速度运动指标数据、加速度运动指标数据以及力矩运动指标数据。
结合第一方面，所述根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据，包括：
对所述多个第二控制信号集合以及所述多个第二运动指标数据进行匹配，得到每个第二控制信号集合对应的第二运动指标数据；
获取每个第二控制信号集合的第一时间戳数据，以及获取每个第二运动指标数据的第二时间戳数据；
根据所述第一时间戳数据，对所述第二控制信号集合进行离散化处理，得到第一离散分布序列，以及根据所述第二时间戳数据对所述第二运动指标数据进行离散化处理，得到第二离散分布序列；
提取所述第一离散分布序列中的多个第一离散分布值，以及提取所述第二离散分布序列中的多个第二离散分布值；
对多个第一离散分布值和所述多个第二离散分布值进行时间戳对齐，并计算每个第一离散分布值与对应的第二分布值之间的响应时间，得到多个响应时间；
计算所述多个响应时间的平均值，得到平均响应时间，并将所述平均响应时间作为每种控制决策类型对应的响应延迟数据。
结合第一方面，所述根据每种控制决策类型对应的响应延迟数据，构建电机性能向量，包括：
根据每种控制决策类型匹配权重系数，得到每种控制决策类型的权重系数；
根据每种控制决策类型的权重系数，计算所述响应延迟数据的加权延迟数据；
对所述加权延迟数据进行向量编码，得到所述目标伺服电机的电机性能向量。
结合第一方面，所述将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果，包括：
将所述电机性能向量输入预置的电机性能分析模型，其中，所述电机性能分析模型包括：两层残差网络、两层长短时记忆网络以及全连接层；
通过所述两层残差网络，对所述电机性能向量进行特征提取，得到第一特征向量；
通过所述两层长短时记忆网络，对所述电机性能向量进行特征提取，得到第二特征向量；
对所述第一特征向量和所述第二特征向量进行特征向量融合，得到目标融合向量；
将所述目标融合向量输入所述全连接层进行电机性能预测，得到电机性能分析结果。
结合第一方面，所述根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制，包括：
获取每种控制决策类型的性能参数范围，并根据所述电机性能分析结果确定超量运动指标以及低量运动指标；
根据所述性能参数范围，计算所述超量运动指标的参数调整数据，生成第一状态参数集合；
根据所述性能参数范围，计算所述低量运动指标的参数调整数据，生成第二状态参数集合；
根据所述第一状态参数集合和所述第二状态参数集合，生成最佳状态参数集合；
将所述最佳状态参数集合下发至所述目标伺服电机的编码器和控制器进行自适应控制。
本发明第二方面提供了一种电机数据的处理***，所述电机数据的处理***包括：
获取模块，用于获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型；
划分模块，用于根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；
计算模块，用于根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；
构建模块，用于根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；
分析模块，用于将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；
生成模块，用于根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制。
本发明第三方面提供了一种终端伺服器，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述终端伺服器执行上述的电机数据的处理方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的电机数据的处理方法。
本发明提供的技术方案中，根据多种控制决策类型对第一控制信号集合以及第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；将电机性能向量输入电机性能分析模型进行电机性能分析，得到电机性能分析结果；根据电机性能分析结果，对目标伺服电机进行参数调整和自适应控制，本发明提高电机***的控制性能，实现更高效、更稳定的电机***运行；通过优化电机***的运行参数，降低能耗，提高电机***的智能化水平，使电机能够更好地适应不同的工作环境和要求，进而实现了伺服电机的自适应参数调控，并且提高了伺服电机的电机性能。
附图说明
图1为本发明实施例中电机数据的处理方法的一个实施例示意图；
图2为本发明实施例中数据划分的流程图；
图3为本发明实施例中计算响应延迟数据的流程图；
图4为本发明实施例中电机性能分析的流程图；
图5为本发明实施例中电机数据的处理***的一个实施例示意图；
图6为本发明实施例中终端伺服器的一个实施例示意图。
具体实施方式
本发明实施例提供了一种电机数据的处理方法、***及终端伺服器，用于实现伺服电机的自适应参数调控并且提高伺服电机的电机性能。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中电机数据的处理方法的一个实施例包括：
S101、获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据第一控制信号集合生成多种控制决策类型；
可以理解的是，本发明的执行主体可以为电机数据的处理***，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标伺服电机的原始控制信号集合以及原始运动指标数据。原始控制信号集合可以包括电机的输入电压、电流等信息，而原始运动指标数据可以包括电机的位置、速度等信息。这些数据通常通过传感器或控制***来获取。服务器对原始控制信号集合进行信号去噪和信号滤波处理，以提高信号的质量和稳定性，并得到第一控制信号集合。去噪和滤波的方法可以根据实际情况选择，如均值滤波、中值滤波、低通滤波等。通过这一步骤，服务器消除原始信号中的噪声和干扰，获得更加平滑和可靠的第一控制信号集合。服务器对原始运动指标数据进行数据异常点去除，以提高数据的准确性和可靠性，并得到第一运动指标数据。异常点可能由于传感器故障或其他异常情况导致，因此需要进行异常点检测和处理。通过识别和移除这些异常点，服务器得到更准确的第一运动指标数据，以便后续的处理和分析。服务器对第一控制信号集合进行决策类型解析，生成多种控制决策类型。根据第一控制信号的特征和应用需求，服务器将其解析为不同的决策类型，如位置控制决策、速度控制决策、力矩控制决策和加速度控制决策等。这些决策类型可以根据具体的控制算法或策略来确定。例如，假设服务器使用一个伺服电机来控制机器人手臂的关节运动。服务器从传感器获取到原始的控制信号集合，包括电机的输入电压和电流数据。服务器对原始控制信号集合进行滤波处理，以得到平滑的第一控制信号集合。服务器检测并移除了原始运动指标数据中的异常点，得到准确的第一运动指标数据。服务器通过分析第一控制信号集合的特征，服务器将其解析为不同的决策类型，比如位置控制、速度控制、力矩控制和加速度控制决策。例如，服务器观察到第一控制信号集合变化较为缓慢且幅度相对稳定，服务器判断为位置控制决策。服务器希望电机以稳定的速度移动到目标位置，并保持在该位置上；如果服务器注意到第一控制信号集合变化率较高，且频繁变动，服务器判断为速度控制决策。这表示服务器控制电机以较高的速度进行运动，快速响应外部环境的变化；如果第一控制信号集合的幅度变化较大且频繁，服务器判断为力矩控制决策。服务器施加适应性的力矩控制，以适应外部负载的变化，保持稳定的力矩输出；如果第一控制信号集合的变化率变化较快，服务器判断为加速度控制决策。这表示服务器希望电机能够加速或减速，以实现更快的响应和更灵活的运动。通过以上的处理步骤，服务器能够获取目标伺服电机的第一控制信号集合和第一运动指标数据，并根据第一控制信号集合生成多种控制决策类型。
S102、根据多种控制决策类型对第一控制信号集合以及第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；
具体的，根据多种控制决策类型，确定每种控制决策类型对应的控制信号标识和运动数据标签。控制信号标识用于标记和识别不同的控制信号类型，而运动数据标签用于标记和识别不同的运动指标数据类型。例如，服务器将位置控制决策类型标识为"Position"，速度控制决策类型标识为"Velocity"，加速度控制决策类型标识为"Acceleration"，力矩控制决策类型标识为"Torque"。服务器根据每种控制决策类型对应的控制信号标识，对第一控制信号集合进行控制信号标识识别和提取，得到多个第二控制信号集合。通过识别控制信号集合中的特征和模式，服务器将其划分为不同的控制信号集合。例如，根据"Position"标识，提取出与位置控制相关的控制信号集合；根据"Velocity"标识，提取出与速度控制相关的控制信号集合；根据"Acceleration"标识，提取出与加速度控制相关的控制信号集合；根据"Torque"标识，提取出与力矩控制相关的控制信号集合。服务器根据每种控制决策类型对应的运动数据标签，对第一运动指标数据进行数据划分，得到多个第二运动指标数据。通过标记和识别运动数据中的特征和类型，服务器将其划分为不同的运动指标数据。例如，根据"Position"标签，提取出与位置运动相关的运动指标数据；根据"Velocity"标签，提取出与速度运动相关的运动指标数据；根据"Acceleration"标签，提取出与加速度运动相关的运动指标数据；根据"Torque"标签，提取出与力矩运动相关的运动指标数据。例如，假设服务器对机器人臂部的伺服电机进行控制。从传感器中获取到原始的控制信号集合和运动指标数据。根据多种控制决策类型的标识，服务器将位置控制决策类型标识为"Position"，速度控制决策类型标识为"Velocity"，加速度控制决策类型标识为"Acceleration"，力矩控制决策类型标识为"Torque"。根据这些标识，服务器对第一控制信号集合进行识别和提取。假设服务器观察到一组控制信号集合表现出稳定的持续变化，服务器将其识别为位置控制信号集合。另一组控制信号集合表现出较高的变化率，服务器将其识别为速度控制信号集合。还有一组控制信号集合表现出较大的幅度变化，服务器将其识别为力矩控制信号集合。服务器根据运动数据标签，服务器对第一运动指标数据进行划分。假设服务器观察到一组运动指标数据与位置运动相关，服务器将其划分为位置运动指标数据。另一组运动指标数据与速度运动相关，服务器将其划分为速度运动指标数据。进一步地，服务器将与加速度运动和力矩运动相关的指标数据分别划分为加速度运动指标数据和力矩运动指标数据。通过以上的处理步骤，服务器成功地根据多种控制决策类型对第一控制信号集合和第一运动指标数据进行了数据划分，得到了多个第二控制信号集合和第二运动指标数据。这样的数据划分和标识可以为后续的控制决策和分析提供基础。通过针对不同的控制信号集合和运动指标数据进行分析和处理，服务器实施相应的控制策略，从而满足不同的控制需求和优化目标。例如，在位置控制决策类型下，服务器使用位置控制信号集合和位置运动指标数据来精确控制伺服电机的位置，以实现精准的定位任务。在速度控制决策类型下，服务器使用速度控制信号集合和速度运动指标数据来控制电机的速度，以实现快速响应和平滑的运动轨迹。在力矩控制决策类型下，服务器使用力矩控制信号集合和力矩运动指标数据来实现对负载的力矩调节，以适应不同的工作负载要求。在加速度控制决策类型下，服务器使用加速度控制信号集合和加速度运动指标数据来控制电机的加速度，以实现快速的加减速过程。
S103、根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；
需要说明的是，服务器对所述多个第二控制信号集合以及所述多个第二运动指标数据进行匹配，以确保每个第二控制信号集合与相应的第二运动指标数据一一对应。这样可以保证在后续的计算中使用正确的数据。服务器获取每个第二控制信号集合的第一时间戳数据和每个第二运动指标数据的第二时间戳数据。第一时间戳数据对应控制信号集合，第二时间戳数据对应运动指标数据。这些时间戳数据用于后续的离散化处理和时间戳对齐。基于第一时间戳数据，服务器对所述第二控制信号集合进行离散化处理，得到第一离散分布序列。服务器根据第二时间戳数据，对所述第二运动指标数据进行离散化处理，得到第二离散分布序列。离散化处理将连续的时间序列数据转换为离散的数据点，方便后续的计算。服务器从第一离散分布序列中提取多个第一离散分布值，以及从第二离散分布序列中提取多个第二离散分布值。这些离散分布值代表了控制信号集合和运动指标数据在不同时间点的状态。服务器对多个第一离散分布值和所述多个第二离散分布值进行时间戳对齐。通过匹配相同时间戳的数据点，服务器确保它们对应相同的时间点。服务器计算每个第一离散分布值与对应的第二分布值之间的响应时间，得到多个响应时间。服务器计算所述多个响应时间的平均值，得到平均响应时间。这个平均响应时间可以作为每种控制决策类型对应的响应延迟数据。它反映了控制***在接收到控制信号后产生响应的时间延迟。举个例子，假设服务器正在控制一个机器人的关节运动。服务器有四种不同的控制决策类型：位置控制、速度控制、加速度控制和力矩控制。针对每种决策类型，服务器有相应的第二控制信号集合和第二运动指标数据。服务器将每个第二控制信号集合与对应的第二运动指标数据进行匹配。例如，位置控制信号集合与位置运动指标数据匹配，速度控制信号集合与速度运动指标数据匹配，以此类推。服务器获取每个第二控制信号集合的第一时间戳数据和每个第二运动指标数据的第二时间戳数据。例如，服务器记录位置控制信号集合的时间戳数据作为第一时间戳数据，记录位置运动指标数据的时间戳数据作为第二时间戳数据。服务器根据第一时间戳数据，对第二控制信号集合进行离散化处理，得到第一离散分布序列。服务器根据第二时间戳数据，对第二运动指标数据进行离散化处理，得到第二离散分布序列。服务器从第一离散分布序列中提取多个第一离散分布值，例如，位置控制信号集合在不同时间点的离散值。服务器从第二离散分布序列中提取多个第二离散分布值，例如，相应时间点的位置运动指标数据的离散值。服务器对多个第一离散分布值和对应的第二离散分布值进行时间戳对齐。通过匹配相同时间戳的数据点，服务器确保它们对应相同的时间点，这样就可以进行后续的计算。服务器计算每个第一离散分布值与对应的第二离散分布值之间的响应时间，即从控制信号发出到运动指标发生变化的时间差。这样可以得到多个响应时间。服务器计算这些响应时间的平均值，得到平均响应时间。将平均响应时间作为每种控制决策类型对应的响应延迟数据。例如，服务器计算出在位置控制下，平均响应时间为10毫秒；在速度控制下，平均响应时间为15毫秒，以此类推。服务器根据每个第二控制信号集合和对应的第二运动指标数据计算出了每种控制决策类型对应的响应延迟数据，用于评估***的性能和优化控制策略。
S104、根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；
具体的，服务器为每种控制决策类型匹配权重系数，以反映其在电机性能中的重要程度。这些权重系数基于先验知识、经验或者通过数据分析得出。例如，假设服务器有四种控制决策类型：位置控制、速度控制、力矩控制和加速度控制。服务器分配如下的权重系数：位置控制权重系数为0.4，速度控制权重系数为0.3，力矩控制权重系数为0.2，加速度控制权重系数为0.1。服务器根据每种控制决策类型的权重系数，服务器计算每种控制决策类型对应的响应延迟数据的加权延迟数据。具体地，服务器将每种控制决策类型的响应延迟数据与其对应的权重系数相乘，然后将结果相加。例如，如果位置控制的平均响应延迟为10毫秒，速度控制的平均响应延迟为15毫秒，力矩控制的平均响应延迟为12毫秒，加速度控制的平均响应延迟为8毫秒，根据权重系数计算得到的加权延迟数据为：(10*0.4)+(15*0.3)+(12*0.2)+(8*0.1)=11.1毫秒。对加权延迟数据进行向量编码，以构建电机性能向量。向量编码的目的是将加权延迟数据以向量的形式表示，便于后续的分析和比较。常见的向量编码方法包括使用多维向量或二进制编码。例如，服务器将加权延迟数据编码为一个四维向量：[10,15,12,8]，其中每个维度代表一种控制决策类型的加权延迟数据。本实施例中，服务器根据每种控制决策类型对应的响应延迟数据构建电机性能向量。这个向量能够综合反映不同控制决策类型的性能表现，帮助服务器评估和比较不同控制策略在实际应用中的效果。需要注意的是，权重系数的分配和向量编码的具体方法可以根据实际需求和具体应用场景进行调整。例如，权重系数的分配可以根据***性能要求和用户需求进行优化和调整。如果在特定应用中，位置控制对***性能的影响更为重要，可以增加位置控制的权重系数，以便更准确地反映其在电机性能中的重要性。
S105、将电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；
具体的，准备预置的电机性能分析模型。该模型可以由多个神经网络层组成，其中包括两层残差网络、两层长短时记忆（LSTM）网络以及全连接层。这些网络层的设计旨在提取和融合电机性能向量中的关键特征，并进行性能预测。服务器将电机性能向量输入两层残差网络进行特征提取。残差网络通过引入跳跃连接，可以更有效地捕捉输入和输出之间的残差信息。通过多个残差块的堆叠，可以逐渐提取出电机性能向量中的高级特征。这些特征将构成第一特征向量。服务器将电机性能向量输入两层长短时记忆（LSTM）网络进行特征提取。LSTM网络是一种适用于序列数据建模的循环神经网络。通过LSTM网络的多个时间步，可以对电机性能向量中的时序特征进行建模和提取。LSTM网络将输出第二特征向量。再服务器对第一特征向量和第二特征向量进行特征向量融合。这可以通过简单的连接操作、加权平均或其他融合技术来实现。融合后的目标融合向量将综合考虑来自残差网络和LSTM网络的特征信息。将目标融合向量输入全连接层进行电机性能预测。全连接层是一种常见的神经网络层，可以将输入向量与权重进行线性组合，并通过激活函数产生输出结果。在电机性能分析中，全连接层将利用目标融合向量的特征来预测电机的性能表现，例如输出电机的效率、扭矩输出或其他相关指标。例如，假设服务器有一个预置的电机性能分析模型，其中残差网络和LSTM网络都具有两层。服务器将电机性能向量[8,12,10,9]输入到该模型进行分析。残差网络提取特征并生成第一特征向量[3,5,2,4]。接着，LSTM网络对电机性能向量进行处理并生成第二特征向量[2,4,3,1]。服务器通过特征向量融合，得到目标融合向量[3,5,2,4,2,4,3,1]。将目标融合向量[3,5,2,4,2,4,3,1]输入到全连接层进行电机性能预测。全连接层将利用其内部的权重参数对目标融合向量进行线性组合，并通过激活函数生成电机性能分析结果。例如，假设全连接层的权重参数为[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8]，并且使用线性激活函数。通过将目标融合向量[3,5,2,4,2,4,3,1]与权重参数进行元素级乘法和求和操作，可以得到：(3*0.1)+(5*0.2)+(2*0.3)+(4*0.4)+(2*0.5)+(4*0.6)+(3*0.7)+(1*0.8)=6.8因此，电机性能分析模型预测的电机性能结果为6.8。本实施例中，服务器成功实现了将电机性能向量输入预置的电机性能分析模型进行电机性能分析，并获得了相应的电机性能分析结果。这种方法能够利用神经网络模型的特征提取和预测能力，对电机性能进行准确的分析和预测。
S106、根据电机性能分析结果，对目标伺服电机进行参数调整，生成最佳状态参数集合，并根据最佳状态参数集合进行自适应控制。
具体的，服务器获取每种控制决策类型的性能参数范围，并根据电机性能分析结果确定超量运动指标和低量运动指标。这些性能参数可以包括位置误差、速度响应、加速度性能等。例如，假设控制决策类型为速度控制，性能参数范围为位置误差小于1mm，速度响应时间在10ms以内。根据电机性能分析结果，服务器确定超量运动指标为位置误差大于1mm，低量运动指标为速度响应时间大于10ms。服务器根据性能参数范围，计算超量运动指标的参数调整数据，生成第一状态参数集合。例如，服务器将位置误差控制在1mm以内，通过调整位置环PID控制器的比例、积分和微分参数来实现。服务器生成第一状态参数集合，例如[Kp1,Ki1,Kd1]。进一步地，根据性能参数范围，计算低量运动指标的参数调整数据，生成第二状态参数集合。例如，服务器缩小速度响应时间至10ms以内，通过调整速度环PID控制器的参数来实现。服务器生成第二状态参数集合，例如[Kp2,Ki2,Kd2]。服务器根据第一状态参数集合和第二状态参数集合，生成最佳状态参数集合。最佳状态参数集合是通过综合考虑超量运动指标和低量运动指标的调整结果得到的。例如，服务器根据某种加权策略，将第一状态参数集合和第二状态参数集合加权求和，得到最佳状态参数集合[Kp_best,Ki_best,Kd_best]。将最佳状态参数集合下发至目标伺服电机的编码器和控制器进行自适应控制。编码器将接收最佳状态参数集合，用于测量目标位置和实际位置的差异。控制器将使用最佳状态参数集合来调整电机的输出，以使实际位置接近目标位置，并根据实际情况进行自适应调整。本实施例中，服务器能够根据电机性能分析结果对目标伺服电机进行参数调整，并生成最佳状态参数集合。这些参数集合将用于自适应控制，以提高电机的性能和精度。例如，假设服务器使用上述方法对一台目标伺服电机进行参数调整和自适应控制。通过电机性能分析，服务器得到的电机性能向量为[8,12,10,9]。根据每种控制决策类型的性能参数范围和电机性能分析结果，服务器确定超量运动指标为位置误差大于8，低量运动指标为速度响应时间大于10。服务器计算超量运动指标的参数调整数据和低量运动指标的参数调整数据，生成第一状态参数集合和第二状态参数集合。假设第一状态参数集合为[Kp1,Ki1,Kd1]，表示位置环PID控制器的比例、积分和微分参数。通过调整这些参数，服务器能够将位置误差控制在8以内。假设第二状态参数集合为[Kp2,Ki2,Kd2]，表示速度环PID控制器的参数。通过调整这些参数，服务器能够将速度响应时间控制在10以内。服务器根据第一状态参数集合和第二状态参数集合，服务器生成最佳状态参数集合。假设服务器使用加权平均的方式进行参数融合，权重分别为0.7和0.3。则最佳状态参数集合为：[Kp_best,Ki_best,Kd_best]=[0.7*Kp1+0.3*Kp2,0.7*Ki1+0.3*Ki2,0.7*Kd1+0.3*Kd2]。将最佳状态参数集合下发至目标伺服电机的编码器和控制器进行自适应控制。编码器测量目标位置和实际位置之间的差异，并将反馈信号传递给控制器。控制器使用最佳状态参数集合来调整电机的输出，以使实际位置接近目标位置。通过持续的自适应调整，电机能够在不同负载和工况下保持稳定的性能和精度。总结来说，根据电机性能分析结果，服务器通过参数调整和自适应控制生成最佳状态参数集合，以提高目标伺服电机的性能和精度。这种方法能够根据实际需求和性能要求对电机进行灵活的调整，并实现自适应控制，以应对不同工况和负载变化。
本发明实施例中，根据多种控制决策类型对第一控制信号集合以及第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；将电机性能向量输入电机性能分析模型进行电机性能分析，得到电机性能分析结果；根据电机性能分析结果，对目标伺服电机进行参数调整和自适应控制，本发明提高电机***的控制性能，实现更高效、更稳定的电机***运行；通过优化电机***的运行参数，降低能耗，提高电机***的智能化水平，使电机能够更好地适应不同的工作环境和要求，进而实现了伺服电机的自适应参数调控，并且提高了伺服电机的电机性能。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标伺服电机的原始控制信号集合以及原始运动指标数据；
（2）对原始控制信号集合进行信号去噪和信号滤波处理，得到第一控制信号集合；
（3）对原始运动指标数据进行数据异常点去除，得到第一运动指标数据；
（4）对第一控制信号集合进行决策类型解析，生成多种控制决策类型，其中，多种控制决策类型包括：位置控制决策、速度控制决策、力矩控制决策和加速度控制决策。
具体的，服务器获取目标伺服电机的原始控制信号集合和原始运动指标数据。通过电机控制***，服务器获取到目标伺服电机在一段时间内的控制信号和相应的运动指标数据，例如位置、速度、力矩等信息。服务器对原始控制信号集合进行信号去噪和信号滤波处理，以减少噪音对信号的影响，并提取出更加平滑和稳定的第一控制信号集合。服务器对原始运动指标数据进行异常点的检测和去除，以排除异常数据对后续分析的影响，得到第一运动指标数据。服务器对第一控制信号集合进行决策类型解析，通过分析控制信号的特征和模式，将其归类为不同的控制决策类型。常见的控制决策类型包括位置控制决策、速度控制决策、力矩控制决策和加速度控制决策，每种决策类型对应着不同的控制策略和参数设定。举个例子，假设服务器有一个伺服电机，服务器获取了其原始控制信号集合和原始运动指标数据。经过信号处理和异常点去除，服务器得到了平滑的第一控制信号集合和清理后的第一运动指标数据。服务器通过分析第一控制信号集合的特征和模式，服务器确定了该电机的控制决策类型为速度控制决策。服务器以控制电机的速度为目标，进行相应的控制策略和参数设定。本实施例中，服务器能够获取目标伺服电机的第一控制信号集合和第一运动指标数据，并根据这些数据生成多种控制决策类型，为后续的控制过程奠定基础。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、根据多种控制决策类型，确定每种控制决策类型对应的控制信号标识以及运动数据标签；
S202、根据每种控制决策类型对应的控制信号标识，对第一控制信号集合进行控制信号标识识别和提取，得到多个第二控制信号集合，其中，多个第二控制信号集合包括位置控制信号集合、速度控制信号集合、加速度控制信号集合以及力矩控制信号集合；
S203、根据每种控制决策类型对应的运动数据标签，对第一运动指标数据进行数据划分，得到多个第二运动指标数据，其中，多个第二运动指标数据包括位置运动指标数据、速度运动指标数据、加速度运动指标数据以及力矩运动指标数据。
具体的，服务器根据多种控制决策类型确定每种决策类型对应的控制信号标识和运动数据标签。根据控制决策类型，服务器定义一组控制信号标识，用于表示不同类型的控制信号。例如，服务器将位置控制信号标识为"P"，速度控制信号标识为"V"，加速度控制信号标识为"A"，力矩控制信号标识为"T"等。这些标识将用于后续识别和提取第二控制信号集合。服务器还需要定义一组运动数据标签，用于表示不同类型的运动指标数据。例如，位置运动指标数据可以用标签"Position"表示，速度运动指标数据可以用标签"Velocity"表示，加速度运动指标数据可以用标"Acceleration"表示，力矩运动指标数据可以用标签"Torque"表示等。这些标签将用于划分和提取第二运动指标数据。服务器根据控制信号标识对第一控制信号集合进行识别和提取。通过分析第一控制信号集合中的特征和模式，服务器确定其中包含的不同控制信号类型，并将其提取出来形成多个第二控制信号集合。例如，服务器识别出所有带有标识"P"的控制信号，将它们提取出来形成位置控制信号集合；进一步地，服务器识别出带有标识"V"的控制信号形成速度控制信号集合，以此类推。服务器根据运动数据标签对第一运动指标数据进行划分。根据不同的运动数据标签，服务器将第一运动指标数据进行划分，提取出与各个标签对应的第二运动指标数据。例如，服务器将所有带有标签"Position"的运动指标数据提取出来形成位置运动指标数据；进一步地，服务器提取出带有标签"Velocity"的运动指标数据形成速度运动指标数据，以此类推。举个例子，假设服务器有一个目标伺服电机，服务器已经确定了控制决策类型的控制信号标识为"P"（位置控制）、"V"（速度控制）、"A"（加速度控制）和"T"（力矩控制），并且运动数据标签为"Position"（位置运动指标）、"Velocity"（速度运动指标）、"Acceleration"（加速度运动指标）和"Torque"（力矩运动指标）。服务器现在有一个原始的控制信号集合和运动指标数据集合。服务器对原始的控制信号集合进行信号去噪和滤波处理，得到第一控制信号集合。这个处理过程可以包括使用滤波算法（如低通滤波器）来去除噪声，并对信号进行平滑处理，以获得更稳定和准确的控制信号。服务器对原始的运动指标数据进行异常点检测和去除，得到第一运动指标数据。异常点可以是由于传感器误差或测量噪声引起的不准确数据点。通过采用异常点检测算法（如统计分析或离群点检测算法），服务器识别和剔除这些异常数据点，从而获得更可靠的运动指标数据。服务器根据控制信号标识对第一控制信号集合进行识别和提取。服务器通过识别控制信号集合中的特征模式或关键字来确定包含特定控制信号标识的信号段。例如，如果控制信号标识为"P"（位置控制），服务器识别所有包含"P"标识的信号段，并提取出这些信号段形成位置控制信号集合。进一步地，服务器根据运动数据标签对第一运动指标数据进行划分。服务器基于运动数据标签的存在性或特征来识别和提取对应的运动指标数据。例如，如果存在标签"Position"（位置运动指标），服务器识别并提取出所有与位置运动相关的指标数据形成位置运动指标数据集合。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、对多个第二控制信号集合以及多个第二运动指标数据进行匹配，得到每个第二控制信号集合对应的第二运动指标数据；
S302、获取每个第二控制信号集合的第一时间戳数据，以及获取每个第二运动指标数据的第二时间戳数据；
S303、根据第一时间戳数据，对第二控制信号集合进行离散化处理，得到第一离散分布序列，以及根据第二时间戳数据对第二运动指标数据进行离散化处理，得到第二离散分布序列；
S304、提取第一离散分布序列中的多个第一离散分布值，以及提取第二离散分布序列中的多个第二离散分布值；
S305、对多个第一离散分布值和多个第二离散分布值进行时间戳对齐，并计算每个第一离散分布值与对应的第二分布值之间的响应时间，得到多个响应时间；
S306、计算多个响应时间的平均值，得到平均响应时间，并将平均响应时间作为每种控制决策类型对应的响应延迟数据。
具体的，对于多个第二控制信号集合和多个第二运动指标数据，服务器进行匹配，以确保每个第二控制信号集合都有对应的第二运动指标数据。通过将它们按照相同的索引进行对应匹配，服务器得到每个第二控制信号集合对应的第二运动指标数据。服务器获取每个第二控制信号集合的第一时间戳数据和每个第二运动指标数据的第二时间戳数据。这些时间戳数据可以用于后续的离散化处理和时间戳对齐。通过提取每个数据集的时间戳信息，服务器获得第一时间戳数据和第二时间戳数据。服务器根据第一时间戳数据，对第二控制信号集合进行离散化处理，得到第一离散分布序列。离散化可以采用合适的分段方法，将连续的时间戳转换为离散的时间间隔或时间段，并形成第一离散分布序列。进一步地，根据第二时间戳数据，对第二运动指标数据进行离散化处理，得到第二离散分布序列。服务器从第一离散分布序列中提取多个第一离散分布值，并从第二离散分布序列中提取多个第二离散分布值。这些分布值可以代表每个离散分布序列的特定特征或属性，例如峰值、均值等。服务器对多个第一离散分布值和多个第二离散分布值进行时间戳对齐。通过比较它们的时间戳，服务器将相应的第一离散分布值与对应的第二分布值进行匹配。这样可以确保它们是在相同时间段内获得的数据。在时间戳对齐的基础上，服务器计算每个第一离散分布值与对应的第二分布值之间的响应时间。响应时间表示两个分布之间的时间差异或延迟。通过计算多个响应时间，服务器得到多个响应时间值。服务器计算多个响应时间的平均值，得到平均响应时间。这个平均响应时间可以作为每种控制决策类型对应的响应延迟数据。通过比较不同控制决策类型的平均响应时间，服务器评估它们的响应性能并作出相应的优化。
在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：
（1）根据每种控制决策类型匹配权重系数，得到每种控制决策类型的权重系数；
（2）根据每种控制决策类型的权重系数，计算响应延迟数据的加权延迟数据；
（3）对加权延迟数据进行向量编码，得到目标伺服电机的电机性能向量。
具体的，根据每种控制决策类型，匹配相应的权重系数。这些权重系数用于量化不同控制决策类型的重要性或优先级。权重系数根据实际需求和领域专家的知识来确定，也可以通过数据分析和实验来估计。例如，假设服务器有四种控制决策类型：A、B、C和D，服务器可能得到相应的权重系数为0.4、0.3、0.2和0.1。服务器根据每种控制决策类型的权重系数，计算响应延迟数据的加权延迟数据。对于每个控制决策类型，将其对应的响应延迟数据与相应的权重系数相乘，然后将它们加总起来得到加权延迟数据。这一步骤考虑了不同控制决策类型的重要性，使得更重要的决策类型对电机性能的影响更加突出。对加权延迟数据进行向量编码，得到目标伺服电机的电机性能向量。向量编码是将多个数值组成的数据转换为一个向量表示的过程。可以使用不同的编码方法，例如将加权延迟数据按顺序排列形成一个向量，或者使用特定的编码算法对加权延迟数据进行转换。服务器就得到了表示电机性能的向量，其中每个维度对应一个控制决策类型的加权延迟数据。例如，假设服务器有四种控制决策类型：A、B、C和D，对应的权重系数为0.4、0.3、0.2和0.1。假设服务器计算得到的响应延迟数据为[10,8,12,9]。按照权重系数进行加权计算，服务器得到加权延迟数据的计算结果为：0.4*10+0.3*8+0.2*12+0.1*9=9.3。这个值表示了考虑了不同控制决策类型权重的加权延迟数据。接着，服务器将加权延迟数据进行向量编码。假设服务器按顺序将加权延迟数据排列，得到电机性能向量为[9.3]。这个向量表示了目标伺服电机的电机性能，其中的维度对应于加权延迟数据。本实施例中，服务器根据每种控制决策类型的权重系数，计算响应延迟数据的加权延迟数据，并将加权延迟数据进行向量编码，得到目标伺服电机的电机性能向量。这样的电机性能向量可以综合考虑不同控制决策类型的影响，以及它们的重要性。
在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：
S401、将电机性能向量输入预置的电机性能分析模型，其中，电机性能分析模型包括：两层残差网络、两层长短时记忆网络以及全连接层；
S402、通过两层残差网络，对电机性能向量进行特征提取，得到第一特征向量；
S403、通过两层长短时记忆网络，对电机性能向量进行特征提取，得到第二特征向量；
S404、对第一特征向量和第二特征向量进行特征向量融合，得到目标融合向量；
S405、将目标融合向量输入全连接层进行电机性能预测，得到电机性能分析结果。
具体的，服务器构建一个预置的电机性能分析模型，该模型包括两层残差网络、两层长短时记忆网络以及全连接层。这些网络层的结构和参数需要事先进行训练和调整，以适应电机性能分析的任务。服务器将电机性能向量输入到预置的电机性能分析模型中。通过两层残差网络对电机性能向量进行特征提取，得到第一特征向量。残差网络可以有效地学习输入数据的残差信息，从而提取出有用的特征。服务器通过两层长短时记忆网络对电机性能向量进行特征提取，得到第二特征向量。长短时记忆网络是一种适合处理序列数据的神经网络，可以捕捉到数据中的时序关系和长期依赖。服务器将第一特征向量和第二特征向量进行特征向量融合，得到目标融合向量。特征向量融合可以将不同特征的信息进行整合，以提供更全面和准确的特征表示。服务器将目标融合向量输入全连接层进行电机性能预测，得到电机性能分析结果。全连接层是一种常见的神经网络层，可以将输入的特征映射到最终的输出结果空间。通过全连接层的计算和学习，服务器得到对电机性能的预测结果。举个例子，假设服务器有一个电机性能向量为[6,9,7,8]。服务器将这个电机性能向量输入预置的电机性能分析模型进行分析。通过两层残差网络对电机性能向量进行特征提取，得到第一特征向量。假设第一特征向量为[2,4,3]。服务器通过两层长短时记忆网络对电机性能向量进行特征提取，得到第二特征向量。假设第二特征向量为[1,3,2]。服务器将第一特征向量和第二特征向量进行特征向量融合，得到目标融合向量。假设特征向量融合的操作是将两个特征向量进行逐元素相加，得到目标融合向量为[3,7,5]。将目标融合向量输入全连接层进行电机性能预测，得到电机性能分析结果。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）获取每种控制决策类型的性能参数范围，并根据电机性能分析结果确定超量运动指标以及低量运动指标；
（2）根据性能参数范围，计算超量运动指标的参数调整数据，生成第一状态参数集合；
（3）根据性能参数范围，计算低量运动指标的参数调整数据，生成第二状态参数集合；
（4）根据第一状态参数集合和第二状态参数集合，生成最佳状态参数集合；
（5）将最佳状态参数集合下发至目标伺服电机的编码器和控制器进行自适应控制。
具体的，服务器获取每种控制决策类型的性能参数范围。对于每种控制决策类型，服务器定义一组合理的参数范围，以确保电机运行在合适的条件下。例如，对于位置控制决策，可能涉及到参数如位置误差容限、最大加速度和最大速度等。对于速度控制决策，可能涉及到参数如速度误差容限、最大加速度和最大速度等。通过定义这些参数范围，服务器为每种控制决策类型建立相应的性能参数范围。服务器根据电机性能分析结果确定超量运动指标和低量运动指标。通过对电机性能分析的结果进行评估和分析，服务器确定电机在当前状态下的性能表现。基于这些结果，服务器识别出超量运动指标和低量运动指标。超量运动指标表示电机在某些方面表现出过度的运动特性，例如超过允许的误差范围或超过了最大速度限制。低量运动指标表示电机在某些方面表现出不足的运动特性，例如无法达到目标位置或速度。服务器根据性能参数范围计算超量运动指标的参数调整数据，生成第一状态参数集合。对于识别出的超量运动指标，服务器根据其性质和程度来计算相应的参数调整数据。这些参数调整数据可以用于修改当前控制参数，以减小或消除超量运动。通过应用这些参数调整数据，服务器生成第一状态参数集合，其中包含调整后的参数值。进一步地，根据性能参数范围计算低量运动指标的参数调整数据，生成第二状态参数集合。对于低量运动指标，服务器根据其性质和程度计算相应的参数调整数据。这些参数调整数据可以用于改善电机的运动性能，以使其能够更好地达到目标位置或速度。通过应用这些参数调整数据，服务器生成第二状态参数集合，其中包含调整后的参数值。根据第一状态参数集合和第二状态参数集合，生成最佳状态参数集合。通过将第一状态参数集合和第二状态参数集合进行合并或融合，服务器生成最佳状态参数集合。这个最佳状态参数集合代表了在当前情况下，具有最佳性能和适应性的参数组合。服务器将最佳状态参数集合下发至目标伺服电机的编码器和控制器进行自适应控制。通过将最佳状态参数集合下发至目标伺服电机的编码器和控制器，服务器实现自适应控制。编码器和控制器将根据新的参数设置来调整电机的运行方式，以达到更好的性能和控制精度。电机将根据实时的需求和环境条件进行自适应调整，以优化其运动表现。例如，假设服务器有一个目标伺服电机，其当前进行位置控制。通过电机性能分析，服务器发现电机在某些情况下存在超量运动的问题，即超过了允许的位置误差容限。根据性能参数范围和分析结果，服务器计算出相应的参数调整数据，以减小超量运动。服务器还发现在低速运动时，电机无法达到期望的位置。因此，服务器也计算出相应的参数调整数据，以提高低速运动的性能。将这些参数调整数据应用于目标伺服电机的编码器和控制器，生成了第一状态参数集合和第二状态参数集合。服务器通过将这两个状态参数集合合并或融合，服务器得到最佳状态参数集合。最佳状态参数集合反映了在当前情况下，能够最有效地解决超量运动和低量运动问题的参数组合。服务器将最佳状态参数集合下发至目标伺服电机的编码器和控制器。编码器和控制器将根据这些参数进行相应的调整，以实现自适应控制。电机将根据实时的需求和运行条件进行调整，以获得更精确、更可靠的运动控制。通过获取性能参数范围、计算参数调整数据、生成状态参数集合，并将其下发至编码器和控制器，服务器实现目标伺服电机的自适应控制，以优化其性能和运动特性。这种自适应控制策略可以提高电机的运动精度、稳定性和适应性，从而满足不同应用场景的需求。
上面对本发明实施例中电机数据的处理方法进行了描述，下面对本发明实施例中电机数据的处理***进行描述，请参阅图5，本发明实施例中电机数据的处理***一个实施例包括：
获取模块501，用于获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型；
划分模块502，用于根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；
计算模块503，用于根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；
构建模块504，用于根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；
分析模块505，用于将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；
生成模块506，用于根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制。
通过上述各个组成部分的协同合作，根据多种控制决策类型对第一控制信号集合以及第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；将电机性能向量输入电机性能分析模型进行电机性能分析，得到电机性能分析结果；根据电机性能分析结果，对目标伺服电机进行参数调整和自适应控制，本发明提高电机***的控制性能，实现更高效、更稳定的电机***运行；通过优化电机***的运行参数，降低能耗，提高电机***的智能化水平，使电机能够更好地适应不同的工作环境和要求，进而实现了伺服电机的自适应参数调控，并且提高了伺服电机的电机性能。
上面图5从模块化功能实体的角度对本发明实施例中的电机数据的处理***进行详细描述，下面从硬件处理的角度对本发明实施例中终端伺服器进行详细描述。
图6是本发明实施例提供的一种终端伺服器的结构示意图，该终端伺服器600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对终端伺服器600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在终端伺服器600上执行存储介质630中的一系列指令操作。
终端伺服器600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的终端伺服器结构并不构成对终端伺服器的限定，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。
本发明还提供一种终端伺服器，所述终端伺服器包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述电机数据的处理方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电机数据的处理方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述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（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种电机数据的处理方法，其特征在于，所述电机数据的处理方法包括：
获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型；具体包括：获取目标伺服电机的原始控制信号集合以及原始运动指标数据；对所述原始控制信号集合进行信号去噪和信号滤波处理，得到第一控制信号集合；对所述原始运动指标数据进行数据异常点去除，得到第一运动指标数据；对所述第一控制信号集合进行决策类型解析，生成多种控制决策类型，其中，所述多种控制决策类型包括：位置控制决策、速度控制决策、力矩控制决策和加速度控制决策；
根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；具体包括：根据所述多种控制决策类型，确定每种控制决策类型对应的控制信号标识以及运动数据标签；根据每种控制决策类型对应的控制信号标识，对所述第一控制信号集合进行控制信号标识识别和提取，得到多个第二控制信号集合，其中，所述多个第二控制信号集合包括位置控制信号集合、速度控制信号集合、加速度控制信号集合以及力矩控制信号集合；根据每种控制决策类型对应的运动数据标签，对所述第一运动指标数据进行数据划分，得到多个第二运动指标数据，其中，所述多个第二运动指标数据包括位置运动指标数据、速度运动指标数据、加速度运动指标数据以及力矩运动指标数据；
根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；具体包括：对所述多个第二控制信号集合以及所述多个第二运动指标数据进行匹配，得到每个第二控制信号集合对应的第二运动指标数据；获取每个第二控制信号集合的第一时间戳数据，以及获取每个第二运动指标数据的第二时间戳数据；根据所述第一时间戳数据，对所述第二控制信号集合进行离散化处理，得到第一离散分布序列，以及根据所述第二时间戳数据对所述第二运动指标数据进行离散化处理，得到第二离散分布序列；提取所述第一离散分布序列中的多个第一离散分布值，以及提取所述第二离散分布序列中的多个第二离散分布值；对多个第一离散分布值和所述多个第二离散分布值进行时间戳对齐，并计算每个第一离散分布值与对应的第二分布值之间的响应时间，得到多个响应时间；计算所述多个响应时间的平均值，得到平均响应时间，并将所述平均响应时间作为每种控制决策类型对应的响应延迟数据；
根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；具体包括：根据每种控制决策类型匹配权重系数，得到每种控制决策类型的权重系数；根据每种控制决策类型的权重系数，计算所述响应延迟数据的加权延迟数据；对所述加权延迟数据进行向量编码，得到所述目标伺服电机的电机性能向量；
将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；具体包括：将所述电机性能向量输入预置的电机性能分析模型，其中，所述电机性能分析模型包括：两层残差网络、两层长短时记忆网络以及全连接层；通过所述两层残差网络，对所述电机性能向量进行特征提取，得到第一特征向量；通过所述两层长短时记忆网络，对所述电机性能向量进行特征提取，得到第二特征向量；对所述第一特征向量和所述第二特征向量进行特征向量融合，得到目标融合向量；将所述目标融合向量输入所述全连接层进行电机性能预测，得到电机性能分析结果；
根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制；具体包括：获取每种控制决策类型的性能参数范围，并根据所述电机性能分析结果确定超量运动指标以及低量运动指标；根据所述性能参数范围，计算所述超量运动指标的参数调整数据，生成第一状态参数集合；根据所述性能参数范围，计算所述低量运动指标的参数调整数据，生成第二状态参数集合；根据所述第一状态参数集合和所述第二状态参数集合，生成最佳状态参数集合；将所述最佳状态参数集合下发至所述目标伺服电机的编码器和控制器进行自适应控制。
2.一种电机数据的处理***，其特征在于，所述电机数据的处理***包括：
获取模块，用于获取目标伺服电机的第一控制信号集合以及第一运动指标数据，并根据所述第一控制信号集合生成多种控制决策类型；具体包括：获取目标伺服电机的原始控制信号集合以及原始运动指标数据；对所述原始控制信号集合进行信号去噪和信号滤波处理，得到第一控制信号集合；对所述原始运动指标数据进行数据异常点去除，得到第一运动指标数据；对所述第一控制信号集合进行决策类型解析，生成多种控制决策类型，其中，所述多种控制决策类型包括：位置控制决策、速度控制决策、力矩控制决策和加速度控制决策；
划分模块，用于根据所述多种控制决策类型对所述第一控制信号集合以及所述第一运动指标数据进行数据划分，得到多个第二控制信号集合以及多个第二运动指标数据；具体包括：根据所述多种控制决策类型，确定每种控制决策类型对应的控制信号标识以及运动数据标签；根据每种控制决策类型对应的控制信号标识，对所述第一控制信号集合进行控制信号标识识别和提取，得到多个第二控制信号集合，其中，所述多个第二控制信号集合包括位置控制信号集合、速度控制信号集合、加速度控制信号集合以及力矩控制信号集合；根据每种控制决策类型对应的运动数据标签，对所述第一运动指标数据进行数据划分，得到多个第二运动指标数据，其中，所述多个第二运动指标数据包括位置运动指标数据、速度运动指标数据、加速度运动指标数据以及力矩运动指标数据；
计算模块，用于根据每个第二控制信号集合以及对应的第二运动指标数据，计算每种控制决策类型对应的响应延迟数据；具体包括：对所述多个第二控制信号集合以及所述多个第二运动指标数据进行匹配，得到每个第二控制信号集合对应的第二运动指标数据；获取每个第二控制信号集合的第一时间戳数据，以及获取每个第二运动指标数据的第二时间戳数据；根据所述第一时间戳数据，对所述第二控制信号集合进行离散化处理，得到第一离散分布序列，以及根据所述第二时间戳数据对所述第二运动指标数据进行离散化处理，得到第二离散分布序列；提取所述第一离散分布序列中的多个第一离散分布值，以及提取所述第二离散分布序列中的多个第二离散分布值；对多个第一离散分布值和所述多个第二离散分布值进行时间戳对齐，并计算每个第一离散分布值与对应的第二分布值之间的响应时间，得到多个响应时间；计算所述多个响应时间的平均值，得到平均响应时间，并将所述平均响应时间作为每种控制决策类型对应的响应延迟数据；
构建模块，用于根据每种控制决策类型对应的响应延迟数据，构建电机性能向量；具体包括：根据每种控制决策类型匹配权重系数，得到每种控制决策类型的权重系数；根据每种控制决策类型的权重系数，计算所述响应延迟数据的加权延迟数据；对所述加权延迟数据进行向量编码，得到所述目标伺服电机的电机性能向量；
分析模块，用于将所述电机性能向量输入预置的电机性能分析模型进行电机性能分析，得到电机性能分析结果；具体包括：将所述电机性能向量输入预置的电机性能分析模型，其中，所述电机性能分析模型包括：两层残差网络、两层长短时记忆网络以及全连接层；通过所述两层残差网络，对所述电机性能向量进行特征提取，得到第一特征向量；通过所述两层长短时记忆网络，对所述电机性能向量进行特征提取，得到第二特征向量；对所述第一特征向量和所述第二特征向量进行特征向量融合，得到目标融合向量；将所述目标融合向量输入所述全连接层进行电机性能预测，得到电机性能分析结果；
生成模块，用于根据所述电机性能分析结果，对所述目标伺服电机进行参数调整，生成最佳状态参数集合，并根据所述最佳状态参数集合进行自适应控制；具体包括：获取每种控制决策类型的性能参数范围，并根据所述电机性能分析结果确定超量运动指标以及低量运动指标；根据所述性能参数范围，计算所述超量运动指标的参数调整数据，生成第一状态参数集合；根据所述性能参数范围，计算所述低量运动指标的参数调整数据，生成第二状态参数集合；根据所述第一状态参数集合和所述第二状态参数集合，生成最佳状态参数集合；将所述最佳状态参数集合下发至所述目标伺服电机的编码器和控制器进行自适应控制。
3.一种终端伺服器，其特征在于，所述终端伺服器包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述终端伺服器执行如权利要求1所述的电机数据的处理方法。
4.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1所述的电机数据的处理方法。
CN202310745314.3A 2023-06-25 2023-06-25 电机数据的处理方法、***及终端伺服器 Active CN116505833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310745314.3A CN116505833B (zh) 2023-06-25 2023-06-25 电机数据的处理方法、***及终端伺服器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310745314.3A CN116505833B (zh) 2023-06-25 2023-06-25 电机数据的处理方法、***及终端伺服器

Publications (2)

Publication Number Publication Date
CN116505833A CN116505833A (zh) 2023-07-28
CN116505833B true CN116505833B (zh) 2024-01-05

Family

ID=87320532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310745314.3A Active CN116505833B (zh) 2023-06-25 2023-06-25 电机数据的处理方法、***及终端伺服器

Country Status (1)

Country Link
CN (1) CN116505833B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117289668B (zh) * 2023-11-24 2024-02-02 深圳市陶氏精密技术有限公司 分布式减速机网络协同控制方法、装置、设备及存储介质
CN117555284B (zh) * 2024-01-10 2024-03-26 深圳市华科科技有限公司 一种基于plc的动力优化方法、***、装置和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108572609A (zh) * 2017-03-14 2018-09-25 欧姆龙株式会社 控制装置、记录媒体以及控制***
CN112152520A (zh) * 2019-06-26 2020-12-29 深圳大学 一种闭环网络多电机协同运动控制方法及***
CN115222023A (zh) * 2022-08-15 2022-10-21 西北工业大学 基于神经网络的非合作目标控制策略识别方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108572609A (zh) * 2017-03-14 2018-09-25 欧姆龙株式会社 控制装置、记录媒体以及控制***
CN112152520A (zh) * 2019-06-26 2020-12-29 深圳大学 一种闭环网络多电机协同运动控制方法及***
CN115222023A (zh) * 2022-08-15 2022-10-21 西北工业大学 基于神经网络的非合作目标控制策略识别方法及***

Also Published As

Publication number Publication date
CN116505833A (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN116505833B (zh) 电机数据的处理方法、***及终端伺服器
Bojana et al. Predictive manufacturing systems in industry 4.0: Trends, benefits and challenges
KR101825881B1 (ko) 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템
CN112534362B (zh) 控制装置、控制方法及计算机可读存储介质
Zhao et al. Experimental evaluation of human motion prediction toward safe and efficient human robot collaboration
CN117289668B (zh) 分布式减速机网络协同控制方法、装置、设备及存储介质
CN116466672B (zh) 基于人工智能的数据中心机房参数调控方法及相关装置
KR102476392B1 (ko) 스마트공장의 운영 분석 시스템 및 방법
CN117352762A (zh) 电池制造设备的控制***
EP4154067B1 (en) Method and system for determining a compression rate for an ai model of an industrial task
EP3462338A1 (en) Data processing device, data analyzing device, data processing system and method for processing data
Dif et al. Fractional order PID controller with online tuning based on FRIT and RLS
JP2018147103A (ja) モデル学習装置、制御量算出装置、及びプログラム
WO2021074489A1 (en) A controller
Pang et al. A mixed time-/condition-based precognitive maintenance framework for zero-breakdown industrial systems
CN116587270A (zh) 一种基于速度叠加的时间圆整方法及***
CN111752144B (zh) 循环涟漪纹波预测方法与智能控制***
Stover et al. A behavior-based architecture for the design of intelligent controllers for autonomous systems
CN117477993A (zh) 无刷直流电机转速控制方法及***
Tijani Non-Parametric Modeling of Motion Control Systems Using an Hybrid MODE-NARX Algorithm
Frey Process diagnosis and monitoring of field bus based automation systems using self-organizing maps and watershed transformations
CN118175186A (zh) 用于ai感知哨兵终端的边缘网关控制方法、***及装置
FI20195892A1 (en) Diagnostic arrangement
KR20230026622A (ko) 공장의 생산 지표를 추정하는 서버, 방법 및 컴퓨터 프로그램
Nasir et al. Comparative Analysis of MPC Based on Integer and Non-Integer Order Models: Case Studies

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