[发明专利]一种基于深度学习网络的SRM转矩脉动抑制方法

说明书

一种基于深度学习网络的SRM转矩脉动抑制方法，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。提出设计一种基于随机Dropout深度学习网络的转矩观测器，通过优化网络结构，使转矩‑电流‑位置等非线性数据快速收敛拟合，提高了实际转矩的采集准确性及实时性。

技术领域

本发明属于电机控制领域，涉及一种基于深度学习网络的SRM转矩脉动抑 制方法。

背景技术

开关磁阻电机具有结构简单、成本低、容错能力强、可靠性高等特点，在 采矿、运输等领域广泛应用。其特殊铁心磁路结构及非线性电磁特征导致开关 磁阻转矩脉动较大，尤其是低速使换相区间各相转矩输出之和与负载转矩不平 衡时尤为明显。

发明内容

本发明所要解决的技术问题是，克服现有技术存在的上述缺陷，提供一种 基于深度学习网络的SRM转矩脉动抑制方法，通过优化网络结构，使转矩-电流 -位置等非线性数据快速收敛拟合，提高了实际转矩的采集准确性及实时性。

为解决上述技术问题，本发明所采用的技术方案为：

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；

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

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)

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。

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：

θ_t+1＝θ_t-η·▽_θJ(θ；x_i:i+m；y_i:i+m)