本发明涉及控制调节，具体涉及控制调节中基于机器学习的多轴电机调节与优化方法。
背景技术：
1、高速双针穿刺送样装置是一种精密的医疗设备，通常用于生物医学研究、临床诊断或其他需要精确控制样本采集的应用中。这种装置可能需要精确控制两个针头的位置、速度和穿刺深度，以确保样本采集的准确性和安全性。而采用多轴电机系统可以独立控制每个轴的运动，实现对双针的精确同步或异步控制，确保穿刺过程的准确性。
2、多轴电机系统在运作中通常需要精确的控制，以实现其运动的精度、速度和同步性。在送样装置中安装可编程逻辑控制器（programmable logic controller，plc），可以通过编程逻辑以及集成比例积分微分（proportion integral differential，pid）算法来精确控制多轴电机的运行。但pid控制器通常基于系统的线性模型设计，而实际系统往往存在非线性、时变和不确定性；这样，由于这些模型的不确定性，使得pid控制器在实际系统中的适应性和鲁棒性较低。
技术实现思路
1、为了解决pid控制器在实际系统中的适应性和鲁棒性较低的技术问题，本发明的目的在于提供基于机器学习的多轴电机调节与优化方法，所采用的技术方案具体如下：
2、第一方面，本发明实施例提供了基于机器学习的多轴电机调节与优化方法，该方法包括：
3、获取多轴电机在多次送样记录中每个轴的历史运行数据；
4、基于所述每个轴的历史运行数据，确定每一送样记录中所述多轴电机的状态系数；
5、基于所述每一送样记录中多轴电机的状态系数，对所述多次送样记录进行聚类，得到多个聚簇；
6、在所述多个聚簇的每一聚簇中确定所述多轴电机的输入与输出之间的协同损失；
7、响应于获取到当前次送样过程中每个轴的实时运行数据，在所述多个聚簇中确定所述实时运行数据相匹配的目标聚簇；
8、基于所述目标聚簇对应的协同损失，调节所述多轴电机的控制参数。
9、结合上述第一方面，在一些可能的实现方式中，所述获取多轴电机在多次送样记录中每个轴的历史运行数据，包括：
10、获取所述多轴电机在所述多次送样记录中每个轴的历史功率数据和历史送针速度数据；其中，所述历史运行数据，包括：所述历史功率数据和所述历史送针速度数据；
11、所述基于所述每个轴的历史运行数据，确定每一送样记录中所述多轴电机的状态系数，包括：
12、对所述每一送样记录中所述多轴电机的历史送针速度数据进行短时傅里叶变换，得到所述多轴电机的每个轴的历史送针速度数据在每一短时窗口的相位谱；
13、基于所述相位谱，确定所述每一短时窗口内的局部协同因子；
14、基于所述每一短时窗口内的局部协同因子，确定所述每一送样记录中所述多轴电机的状态系数。
15、在上述方案中，通过计算每一送样记录中多轴电机的状态系数，从而能够准确分析出该多轴电机所执行指令的复杂程度。
16、结合上述第一方面，在一些可能的实现方式中，所述基于所述相位谱，确定所述每一短时窗口内的局部协同因子，包括：
17、在所述每一短时窗口内，确定所述多轴电机的各轴对应的所述相位谱的最大相位和最小相位；
18、确定所述多轴电机的各轴中不同轴的最大相位之间的相位差，以及同一轴的最大相位与最小相位之间的相位比值；
19、将所述相位差和所述相位比值进行融合，得到所述每一短时窗口内的局部协同因子。
20、在上述方案中，对于每一个短时窗口，通过各轴对应的相位谱的最大相位和最小相位，分别计算相位差和相位比值，从而能够准确分析不同轴在该短时窗口内送针速度的变化率差异以及不同轴先后发生运动的时间差异。
21、结合上述第一方面，在一些可能的实现方式中，所述将所述相位差和所述相位比值进行融合，得到所述每一短时窗口内的局部协同因子，包括：
22、基于所述多轴电机中不同轴对应的相位比值，确定在所述每一短时窗口内所述不同轴的送针速度数据的变化率差异；
23、将所述变化率差异和所述相位差进行融合，得到融合结果；
24、对所述融合结果进行归一化，得到所述每一短时窗口内的局部协同因子。
25、在上述方案中，针对每一短时窗口，通过将不同轴先后发生运动的时间差以及送针速度的变化率差异相结合，能够精确得到该短时窗口内的局部协同因子，从而精准描述不同轴的协同运动过程。
26、结合上述第一方面，在一些可能的实现方式中，所述基于所述每一短时窗口内的局部协同因子，确定所述每一送样记录中所述多轴电机的状态系数，包括：
27、确定所述每一送样记录中所述历史送针速度数据的短时窗口数量和局部协同因子的类数；
28、基于所述短时窗口数量和所述每一短时窗口内的局部协同因子，确定所述多轴电机在所述每一送样记录中的协同性；
29、基于所述局部协同因子的类数和各类局部协同因子，确定多个短时窗口内的局部协同因子的一致性；
30、将所述多轴电机在所述每一送样记录中的协同性和所述多个短时窗口内的局部协同因子的一致性进行融合，得到所述每一送样记录中所述多轴电机的状态系数。
31、在上述方案中，通过分析多轴电机在每一送样记录中的协同性，以及在该送样记录的多个短时窗口内的局部协同因子的一致性，确定该送样记录中多轴电机的状态系数，从而能够通过该状态系数精确分析多轴电机所执行的指令的复杂程度。
32、结合上述第一方面，在一些可能的实现方式中，所述基于所述短时窗口数量和所述每一短时窗口内的局部协同因子，确定所述多轴电机在所述每一送样记录中的协同性，包括：
33、针对所述每一送样记录，基于所述短时窗口数量和各短时窗口内的局部协同因子，确定所述每一送样记录中所述各短时窗口内的局部协同因子均值；
34、基于所述局部协同因子均值，得到所述多轴电机在所述每一送样记录中的协同性。
35、在上述方案中，通过计算送样记录中所有短时窗口内的局部协同因子的均值，从而能够准确评估多轴电机在该每一送样记录中的协同性。
36、结合上述第一方面，在一些可能的实现方式中，所述基于所述局部协同因子的类数和各类局部协同因子，确定多个短时窗口内的局部协同因子的一致性，包括：
37、确定所述每一送样记录中所述各类局部协同因子的概率；
38、基于所述局部协同因子的类数和所述概率，确定所述每一送样记录中所述各类局部协同因子的信息熵；
39、基于所述信息熵，确定所述多个短时窗口内的局部协同因子的一致性。
40、在上述方案中，针对每一送样记录，通过该送样记录中各类局部系统因子的概率能够准确分析该送样记录中所有类局部协同因子的信息熵，从而能够更加精准的确定出所有短时窗口内的局部协同因子的一致性。
41、结合上述第一方面，在一些可能的实现方式中，所述基于所述每一送样记录中多轴电机的状态系数，对所述多次送样记录进行聚类，得到多个聚簇，包括：
42、确定任两次送样记录中多轴电机的状态系数之间的差值；
43、基于所述每一送样记录中多轴电机的状态系数和所述差值，对所述多次送样记录进行聚类，得到所述多次送样记录的多个聚簇。
44、在上述方案中，以多轴电机的状态系数之间的差值为聚类距离度量，以状态系数为特征对多次送样记录进行聚类，从而能够准确得到多个聚簇。
45、结合上述第一方面，在一些可能的实现方式中，所述在所述多个聚簇的每一聚簇中确定所述多轴电机的输入与输出之间的协同损失，包括：
46、确定所述多轴电机的历史功率数据为输入端，所述多轴电机的历史送针速度数据为输出端；
47、对所述历史功率数据和所述历史送针速度数据进行预处理，得到已处理功率数据和已处理送针速度数据；
48、在所述每一送样记录中，分别确定所述多轴电机中不同轴在每一时刻的功率比值和送针速度比值，得到功率比值集合和送针速度比值集合；
49、基于所述功率比值集合和所述送针速度比值集合，确定所述多个聚簇中每一聚簇所属的多次送样记录对应的协同损失；
50、基于所述每一聚簇所属的多次送样记录对应的协同损失之间的均值，确定所述每一聚簇中所述多轴电机的功率与送针速度之间的协同损失。
51、在上述方案中，通过先确定出每一聚簇所属的多次送样记录对应的协同损失，再分析每一聚簇所属的多次送样记录对应的协同损失之间的均值，从而能够精确得到在送样记录中多轴电机的输入与输出之间的相关性，提高了协同损失的准确度。
52、结合上述第一方面，在一些可能的实现方式中，所述基于所述目标聚簇对应的协同损失，调节所述多轴电机的控制参数，包括：
53、获取所述多轴电机的初始比例增益系数；其中，所述控制参数，包括：所述初始比例增益系数；
54、采用所述目标聚簇对应的协同损失，调节所述多轴电机的初始比例增益系数。
55、在上述方案中，对于多轴电机复杂的非线性运行状态，调节后的pid控制器可以更好的适应多轴电机的控制需求，提高送针装置的稳定性和操作精度。
56、第二方面，提供了基于机器学习的多轴电机调节与优化装置，所述装置包括：
57、获取模块，用于获取多轴电机在多次送样记录中每个轴的历史运行数据；
58、第一确定模块，用于基于所述每个轴的历史运行数据，确定每一送样记录中所述多轴电机的状态系数；
59、聚类模块，用于基于所述每一送样记录中多轴电机的状态系数，对所述多次送样记录进行聚类，得到多个聚簇；
60、第二确定模块，用于在所述多个聚簇的每一聚簇中确定所述多轴电机的输入与输出之间的协同损失；
61、第三确定模块，用于响应于获取到当前次送样过程中每个轴的实时运行数据，在所述多个聚簇中确定所述实时运行数据相匹配的目标聚簇；
62、调节模块，用于基于所述目标聚簇对应的协同损失，调节所述多轴电机的控制参数。
63、第三方面，提供了一种服务器，包括存储器和处理器。该存储器用于存储可执行程序代码，该处理器用于从存储器中调用并运行该可执行程序代码，使得该设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
64、第四方面，提供了一种计算机程序产品，该计算机程序产品包括：计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
65、第五方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序代码，当该计算机程序代码在计算机上运行时，使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
66、本发明具有如下有益效果：对于多轴电机的多次送样记录，通过获取该多轴电机的每一轴的历史运行数据，计算每一送样记录中多轴电机的状态系数；这样，该状态系数能够表征每个完整送样过程中多轴电机所执行的指令复杂程度。之后，根据每一送样记录中多轴电机的状态系数对多次送样记录进行聚类，并计算每个聚簇中多轴电机输入与输出之间的协同损失；最后，在获取到当前次送样过程中每个轴的实时运行数据的情况下，通过对实时运行数据进行聚类，分析出该实时运行数据匹配的目标聚簇，从而利用目标聚簇对应的协同损失，对多轴电机的控制参数进行调节；这样，调节后的pid控制器能够更好的适应多轴电机非线性运行状态下的控制需求，以提高送针装置的稳定性和操作精度。
1.基于机器学习的多轴电机调节与优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述获取多轴电机在多次送样记录中每个轴的历史运行数据，包括：
3.根据权利要求2所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述相位谱，确定所述每一短时窗口内的局部协同因子，包括：
4.根据权利要求3所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述将所述相位差和所述相位比值进行融合，得到所述每一短时窗口内的局部协同因子，包括：
5.根据权利要求2所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述每一短时窗口内的局部协同因子，确定所述每一送样记录中所述多轴电机的状态系数，包括：
6.根据权利要求5所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述短时窗口数量和所述每一短时窗口内的局部协同因子，确定所述多轴电机在所述每一送样记录中的协同性，包括：
7.根据权利要求5所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述局部协同因子的类数和各类局部协同因子，确定多个短时窗口内的局部协同因子的一致性，包括：
8.根据权利要求1所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述每一送样记录中多轴电机的状态系数，对所述多次送样记录进行聚类，得到多个聚簇，包括：
9.根据权利要求1所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述在所述多个聚簇的每一聚簇中确定所述多轴电机的输入与输出之间的协同损失，包括：
10.根据权利要求1所述的基于机器学习的多轴电机调节与优化方法，其特征在于，所述基于所述目标聚簇对应的协同损失，调节所述多轴电机的控制参数，包括：
