本技术涉及离心机，尤其涉及一种基于底座力传感器的医用离心机转速校准方法及系统。
背景技术：
1、医用离心机是一种专门用于医疗实验室的设备，它通过高速旋转产生强大的离心力，从而实现对各种生物样本的分离和浓缩。这种设备在医学研究、临床诊断和生物制品的制备中发挥着至关重要的作用。医用离心机通常具备多种转速和离心力选择，能够适应不同类型的样本和实验需求。它们的设计通常注重安全性和易用性，以确保实验室人员在操作过程中的安全，并提高工作效率。
2、医用离心机的实际转速通常是结合电机的控制芯片输出的控制信号得出的，但是在实际的使用中，受到如样本重量、空气阻力等各种因素的影响，实际的转速与控制信号得出的转速具有一定的误差。对于离心机的实际转速一般采用霍尔传感器或光栅传感器对其进行校准，但在离心机转速较高时，霍尔传感器或光栅传感器的误差较大，校准精度较低。
技术实现思路
1、本技术实施例提供一种基于底座力传感器的医用离心机转速校准方法和系统，以改善上述问题。
2、为达到上述目的，本技术采用如下技术方案：
3、第一方面，本技术实施例提出了一种基于底座力传感器的医用离心机转速校准方法，其特征在于，医用离心机包括控制器，方法适用于控制器，包括：
4、控制器获取第一周期内医用离心机的第一振动频率；
5、控制器获取驱动芯片在第一周期内输出的第一转动控制信号，基于第一转动控制信号确定第一转动速度；
6、控制器根据输入的测量结果，获取第一实际转动速度；
7、控制器将第一振动频率，第一转动速度以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度以及第一实际转动速度进行迭代计算，并根据输入的振动频率以及目标转动速度，输出预测的实际转动速度；
8、控制器获取目标周期内医用离心机的目标振动频率以及驱动芯片在目标周期内输出的目标转动控制信号，基于目标转动控制信号确定目标转动速度；
9、控制器将目标振动频率以及目标转动速度输入目标神经网络模型，得到预测目标实际转速；
10、基于目标实际转速对医用离心机上所显示的转速进行校准。
11、结合第一方面，在一些实施方式中，控制器获取目标周期内医用离心机的目标振动频率以及驱动芯片在目标周期内输出的目标转动控制信号，基于目标转动控制信号确定目标转动速度，包括：
12、控制器基于第一转动速度确定第二转动速度，第一转动速度与第二转动速度之间的速度差值为条件转动速度；
13、控制器获取第二周期内医用离心机的第二振动频率；
14、控制器将第一振动频率，第二振动频率以及条件转动速度输入第一神经网络预测模型，第一神经网络预测模型用于根据输入的条件转动速度以及输入的第一振动频率，输出预测的第二振动频率；
15、控制器基于目标转动速度与第一转动速度，确定目标条件转动速度；
16、控制器将目标转动速度以及第一振动频率输入第一神经网络预测模型，根据第一神经网络训练模型的输出结果，确定目标振动频率。
17、结合第一方面，在一些实施方式中，方法还包括：
18、控制器获取第一周期内医用离心机中，多个样本参数重量；
19、控制器将第一振动频率，第一转动速度以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度以及第一实际转动速度进行迭代计算，并根据输入的振动频率以及目标转动速度，输出预测的实际转动速度，还包括：
20、控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、多个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度。
21、结合第一方面，在一些实施方式中，控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
22、控制器对第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行数据处理，其中，第一振动频率，第一转动速度、一个样本参数重量作为三个不同的维度，三个维度构成实际转动速度的特征向量；
23、控制器基于特征向量控制目标神经网络训练模型进行迭代计算。
24、结合第一方面，在一些实施方式中，控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
25、控制器获取预测的实际转动速度，并将预测的实际转动速度反馈至目标神经网络训练模型，根据反馈的结果确定误差值；
26、若误差值大于预设阈值，则目标神经网络训练模型继续进行迭代计算；
27、若误差值小于等于预设阈值，则目标神经网络训练模型停止迭代计算并输出预测的实际转动速度。
28、结合第一方面，在一些实施方式中，控制器获取预测的实际转动速度，并将预测的实际转动速度反馈至目标神经网络训练模型，根据反馈的结果确定误差值，包括：
29、将预测的实际转动速度与第一实际转动速度进行比对，若第一实际转动速度大于预测的实际转动速度，则误差值，第一实际转动速度与预测的实际转动速度之间的关系满足：
30、=（-）
31、其中，为误差值，为第一实际转动速度，为预测的实际转动速度。
32、结合第一方面，在一些实施方式中，将预测的实际转动速度与第一实际转动速度进行比对，若第一实际转动速度小于预测的实际转动速度，则误差值，第一实际转动速度与预测的实际转动速度之间的关系满足：
33、=（-）
34、其中，为误差值，为第一实际转动速度，为预测的实际转动速度。
35、本技术第二方面提出了一种医用离心机转速校准系统，医用离心机包括控制器，该系统被配置为：
36、控制器获取第一周期内医用离心机的第一振动频率；
37、控制器获取驱动芯片在第一周期内输出的第一转动控制信号，基于第一转动控制信号确定第一转动速度；
38、控制器根据输入的测量结果，获取第一实际转动速度；
39、控制器将第一振动频率，第一转动速度以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度以及第一实际转动速度进行迭代计算，并根据输入的振动频率以及目标转动速度，输出预测的实际转动速度；
40、控制器获取目标周期内医用离心机的目标振动频率以及驱动芯片在目标周期内输出的目标转动控制信号，基于目标转动控制信号确定目标转动速度；
41、控制器将目标振动频率以及目标转动速度输入目标神经网络模型，得到预测目标实际转速；
42、基于目标实际转速对医用离心机上所显示的转速进行校准。
43、结合第二方面，在一些实施方式中，该系统被配置为：
44、控制器获取目标周期内医用离心机的目标振动频率以及驱动芯片在目标周期内输出的目标转动控制信号，基于目标转动控制信号确定目标转动速度，包括：
45、控制器基于第一转动速度确定第二转动速度，第一转动速度与第二转动速度之间的速度差值为条件转动速度；
46、控制器获取第二周期内医用离心机的第二振动频率；
47、控制器将第一振动频率，第二振动频率以及条件转动速度输入第一神经网络预测模型，第一神经网络预测模型用于根据输入的条件转动速度以及输入的第一振动频率，输出预测的第二振动频率；
48、控制器基于目标转动速度与第一转动速度，确定目标条件转动速度；
49、控制器将目标转动速度以及第一振动频率输入第一神经网络预测模型，根据第一神经网络训练模型的输出结果，确定目标振动频率。
50、结合第二方面，在一些实施方式中，该系统被配置为：
51、控制器获取第一周期内医用离心机中，多个样本参数重量；
52、控制器将第一振动频率，第一转动速度以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度以及第一实际转动速度进行迭代计算，并根据输入的振动频率以及目标转动速度，输出预测的实际转动速度，还包括：
53、控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、多个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度。
54、结合第二方面，在一些实施方式中，该系统被配置为：
55、控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
56、控制器对第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行数据处理，其中，第一振动频率，第一转动速度、一个样本参数重量作为三个不同的维度，三个维度构成实际转动速度的特征向量；
57、控制器基于特征向量控制目标神经网络训练模型进行迭代计算。
58、结合第二方面，在一些实施方式中，该系统被配置为：
59、控制器将第一振动频率，第一转动速度、多个样本参数重量、以及第一实际转动速度作为训练集，导入目标神经网络模型，目标神经网络模型用于将第一振动频率，第一转动速度、一个样本参数重量以及第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
60、控制器获取预测的实际转动速度，并将预测的实际转动速度反馈至目标神经网络训练模型，根据反馈的结果确定误差值；
61、若误差值大于预设阈值，则目标神经网络训练模型继续进行迭代计算；
62、若误差值小于等于预设阈值，则目标神经网络训练模型停止迭代计算并输出预测的实际转动速度。
63、结合第二方面，在一些实施方式中，该系统被配置为：
64、控制器获取预测的实际转动速度，并将预测的实际转动速度反馈至目标神经网络训练模型，根据反馈的结果确定误差值，包括：
65、将预测的实际转动速度与第一实际转动速度进行比对，若第一实际转动速度大于预测的实际转动速度，则误差值，第一实际转动速度与预测的实际转动速度之间的关系满足：
66、=（-）
67、其中，为误差值，为第一实际转动速度，为预测的实际转动速度。
68、结合第二方面，在一些实施方式中，该系统被配置为：
69、将预测的实际转动速度与第一实际转动速度进行比对，若第一实际转动速度小于预测的实际转动速度，则误差值，第一实际转动速度与预测的实际转动速度之间的关系满足：
70、=（-）
71、其中，为误差值，为第一实际转动速度，为预测的实际转动速度。
72、本发明实施例第三方面提出一种电子设备，电子设备包括：
73、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本发明实施例第一方面提出方法。
74、本发明实施例第四方面提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例第一方面提出方法。
75、综上，上述方法及装置具有如下技术效果：
76、本技术提出的一种医用离心机转速校准系统，通过在第一周期内获取离心机的第一振动频率，以及驱动芯片在第一周期内输出的第一转动控制信号，以及第一周期内通过直接测量得到的转速来建立神经网络训练模型，通过多个数据的迭代训练得到训练好的神经网络训练模型后，将实际使用过程中的振动频率以及控制芯片输出的转动速度导入神经网络训练模型中，根据预测的结果输出实际的转动速度，并利用该速度对离心机显示的速度进行校准，使得离心机显示的速度更接近真实的转速而不是输入的转动速度，提高计量的准确性。
1.一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述医用离心机包括控制器，所述方法适用于所述控制器，包括：
2.根据权利要要求1所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述控制器获取目标周期内所述医用离心机的目标振动频率以及所述驱动芯片在所述目标周期内输出的目标转动控制信号，基于所述目标转动控制信号确定目标转动速度，包括：
3.根据权利要求2所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述控制器将所述第一振动频率，所述第一转动速度、多个所述样本参数重量、以及所述第一实际转动速度作为训练集，导入目标神经网络模型，所述目标神经网络模型用于将所述第一振动频率，所述第一转动速度、一个所述样本参数重量以及所述第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
5.根据权利要求4所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述控制器将所述第一振动频率，所述第一转动速度、多个所述样本参数重量、以及所述第一实际转动速度作为训练集，导入目标神经网络模型，所述目标神经网络模型用于将所述第一振动频率，所述第一转动速度、一个所述样本参数重量以及所述第一实际转动速度进行迭代计算，并根据输入的振动频率、样本参数重量以及目标转动速度，输出预测的实际转动速度，包括：
6.根据权利要求5所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，所述控制器获取所述预测的实际转动速度，并将所述预测的实际转动速度反馈至所述目标神经网络训练模型，根据反馈的结果确定误差值，包括：
7.根据权利要求6所述的一种基于底座力传感器的医用离心机转速校准方法，其特征在于，将所述预测的实际转动速度与所述第一实际转动速度进行比对，若所述第一实际转动速度小于所述预测的实际转动速度，则所述误差值，所述第一实际转动速度与所述预测的实际转动速度之间的关系满足：
8.一种基于底座力传感器的医用离心机转速校准系统，其特征在于，所述医用离心机包括控制器，该系统被配置为：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如如权利要求1-7任一项提出的方法。
