[发明专利]一种基于深度学习网络的SRM转矩脉动抑制方法

权利要求书

1.一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，包括以下步骤：

1)建立开关磁阻电机数学模型；

2)搭建控制系统框图并建立控制逻辑流程图；

3)搭建网络模型结构；

4)进行Dropout深度学习网络的离线训练。

2.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，在所述步骤1)中，电磁转矩计算公式为：

其中θ为转子位置角，ik是相电流，Tk是电磁转矩。

3.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，在所述步骤1)中，提出采用转矩分配法(TSF)来抑制换相时的转矩脉动，TSF将固定输出转矩通过一定的分配函数，在相邻相电流换相期间建立重叠区域分配给重叠的两相共同承担输出。

k相的参考转矩可以定义为：

在线性TSF中，函数frize被定义为：

而在正弦TSF中，它被定义为：

对于任何TSF，函数ffall都与函数frise相关：

f_fall(θ)＝1-f_rise(θ+θ_ov-θ_off+θ_on)。

4.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，在所述步骤2)中，通过对电流-角度-转矩离散样本数据训练，构造基于dropout深度学习网络结构的转矩观测器，实时采样电流及角度作为观测器二维输入，估算实际转矩作为观测器输出，与各相转矩进行滞环控制，输出六路开关逻辑信号，控制功率器件的导通。

5.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，在所述步骤3)中，网络以最小化均方误差损失(Mean Squared Error，MSE)为优化目标，MSE损失定义为预测值与实际值间残差的平方和。。网络采用收敛速度快、能够有效解决梯度消失问题的Relu激活函数，函数定义为：

ReLU(x)＝max(0,x)

网络训练使用小批量随机梯度下降算法作为优化方式，其公式为：

其中η为学习速率。

6.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法，其特征在于，在所述步骤4)中，本实验的相关参数设置为：优化算法学习速率为1e-3，批次大小(Batchsize)为360，迭代次数(Iteration)为5000。

dropout对深度网络模型训练精度有直接影响，以收敛速度快与拟合精度高为目标，分析不同大小的随机dropout失活参数作用下深度网络模型的实验精度，来选取dropout最优值。