CN105207561B - 一种用于电机的磁链观测方法及设备 - Google Patents

Abstract

本发明涉及交流电机领域，公开了一种用于电机的磁链观测方法及设备。其中，所述方法包括：获取所述电机的输入电压和输出电流；将所述输入电压和输出电流输入预设的磁链模型，获得所述预设的磁链模型输出的所述电机的磁链；将所述输入电压和所述磁链输入预设的磁链逆模型，获得所述预设的磁链逆模型输出的所述输出电流的观测值；将所述输出电流的观测值与所述输出电流进行比较；根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的准确磁链(幅值、相位)。本发明通过将输出电流的观测值与输出电流进行比较，并根据比较结果修正输入到磁链模型的输出电流，从而实现了电机磁链的准确观测。

Description

一种用于电机的磁链观测方法及设备

技术领域

本发明涉及交流电机领域，具体地，涉及一种用于电机的磁链观测方法及设备。

背景技术

异步电机具有效率高、结构简单、性能稳定等优点而被广泛使用，其用电量占工业生产三分之二以上。随着电力电子技术、微机控制技术以及现代控制理论的发展，异步电机的调速性能得到了大幅的提高，尤其是直接转矩控制技术(DTC)的出现，使异步电机调速性能提升到了一个新阶段。直接转矩控制技术控制思想新颖，控制方法直接，对电机参数依赖少，解决了计算复杂、易受电机参数变化影响的问题，具有优良的动态性能和静态性能等多方面的优势。

直接转矩控制(DTC)思想于1977年由A.B.Piunkett在IEEE上首先提出，1985年由德国鲁尔大学的德彭布罗克(M.Depenbrock)教授首次取得了实际应用的成功，接着1987年把它推广到弱磁调速范围，1995年ABB公司第一次将DTC技术应用到通用变频器上。传统的DTC技术应用于交流电机调速系统时存在低速性能差、稳态转矩脉动大和开关频率不固定等问题。这些问题严重影响了直接转矩控制技术应用领域的拓宽。为改善低速性能，低速时磁链的准确观测是关键，而磁链准确观测这一关键性问题一直没有解决好。

常用的磁链观测模型有三种：(1)u-i模型：简单，受电机参数影响小，但在低速(低频)时，受定子电阻影响显著，同时存在纯积分环节带来的直流偏置和初始值问题。(2)i-n模型：引入的电机参数多，存在电机转子参数变化和测量不准的问题。(3)u-n模型：引入电流PI调节器，结合了u-i模型与i-n模型的优点，使得异步电机的磁链的观测精度大大提高，但结构复杂、可靠性不高，且两种模型的切换问题尚未很好的解决，难以在工业中得到应用。

异步电机磁链与多个电机参数密切相关，在实际应用中，这些参数随电机工况(电流、频率、速度、温度等)的变化而变化，而这些参数又不方便直接在线测量。异步电机本身是一个具有非线性、时变性、强耦合等特点的多变量系统，这就增加了间接检测出电机参数变化对磁链影响大小的难度。由于上述原因，至今还没有找到对电机磁链实行准确观测的方法。

近年来，一些新型的磁链观测方法相继提出，如滤波法、滤波补偿法、状态观测器法、自适应观测法等，但定子电阻在电机低速区的影响严重，DTC技术在低速区问题仍未有效解决。一些学者还提出了基于模糊逻辑、MRAS、神经网络等的定子电阻辨识方法。但这些方法适用的条件依然苛刻，控制的鲁棒性差，研究理论难于在实际工程中得以应用和推广。智能化的磁链观测方法是提高磁链观测精度的有效途径，值得进一步深入研究。

发明内容

本发明的目的是提供一种用于电机的磁链观测方法及设备。其中，所述方法通过将输出电流的观测值与输出电流进行比较，并根据比较结果修正输入到磁链模型的输出电流，从而实现了电机磁链的准确观测。

为了实现上述目的，本发明提供一种用于电机的磁链观测方法。所述方法包括：获取所述电机的输入电压和输出电流；将所述输入电压和输出电流输入预设的磁链模型，获得所述预设的磁链模型输出的所述电机的磁链；将所述输入电压和所述磁链输入预设的磁链逆模型，获得所述预设的磁链逆模型输出的所述输出电流的观测值；将所述输出电流的观测值与所述输出电流进行比较；以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的准确观测值。

相应地，本发明还提供一种用于电机的磁链观测设备。所述设备包括：电机，用于提供输出电流；以及处理装置，与所述电机连接，用于获取所述电机的输入电压和输出电流，并根据所述输入电压和输出电流获得所述电机的磁链，再根据所述输入电压和所述磁链获得所述输出电流的观测值，再将所述输出电流的观测值与所述输出电流进行比较，以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的准确观测值，其中，所述处理装置包括预设的磁链模型和预设的磁链逆模型。

通过上述技术方案，根据电机的输入电压和预设的磁链模型输出的电机的磁链预设的磁链逆模型输出输出电流的观测值，将输出电流的观测值与输出电流进行比较，并根据比较结果修正输入到磁链模型的输出电流，解决了电机磁链无法正确观测的问题。

附图说明

图1是本发明提供的用于电机的磁链观测方法的流程图；

图2是本发明提供的用于电机的磁链观测方法的磁链模型的原理图；

图3是本发明提供的用于电机的磁链观测设备的结构示意图；

图4是本发明提供的用于电机的磁链观测设备的另一结构示意图；以及

图5是本发明提供的用于电机的磁链观测设备在DTC系统中具体应用的结构示意图。

附图标记说明

10 交流异步电机 20 处理器 30 控制器

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

在实际应用中，异步电机磁链模型中的多个电机参数随电机工况(电流、频率、速度、温度等)的变化而变化，而这些参数又不方便直接在线测量。异步电机本身是一个具有非线性、时变性、强耦合等特点的多变量系统，这就增加了间接检测出电机参数变化对磁链影响大小的难度。由于上述原因，现有技术中还不存在对电机磁链(幅值、相位)实行准确观测的方法。因此，本发明特提供一种用于电机的磁链观测方法。

图1是本发明提供的用于电机的磁链观测方法的流程图。如图1所示，本发明提供的用于电机的磁链观测方法包括：在步骤S101中，获取所述电机的输入电压和输出电流。具体地，电机的输入电压和输出电流在静止α-β坐标系中以分量的形式进行表示。例如，输入电压可表示为电压分量u_sα、u_sβ，输出电流可表示为电流分量i_sα、i_sβ。在步骤S102中，将所述输入电压和输出电流输入预设的磁链模型，获得所述预设的磁链模型输出的所述电机的磁链。具体地，在将所述输入电压和输出电流输入预设的磁链模型之前，所述方法还包括：

根据公式一和公式二构建所述磁链模型：

公式一

公式二

其中，u_s为所述电机的定子电压，I_S为所述电机的定子电流，R_s为所述电机的定子电阻，ω_e为所述电机的定子电流的角频率，ω_c为低通滤波器的截止频率，为所述电机的定子磁链的估算值，ψ_s为所述预设的磁链模型输出的定子磁链。

在具体的实施方式中，电机的输入电压为电机的定子电压，电机的输出电流为电机的定子电流，电机的磁链为电机的定子磁链，ω_c的取值为ω_e的取值的8％。图2是本发明提供的用于电机的磁链观测方法的磁链模型的原理图。如图2所示，在将电压分量u_sα、u_sβ和电流分量i_sα、i_sβ输入预设的定子磁链模型的情况下，预设的定子磁链模型以静止α-β坐标系中分量的形式输出电机的定子磁链ψ_sα,ψ_sβ。具体地，根据电压分量u_sα,u_sβ和电流分量i_sα,i_sβ得到定子电压误差分量e_sα＝u_sα-R_si_sα，e_sβ＝u_sβ-R_si_sβ。然后，将定子电压误差分量e_sα,e_sβ输入到低通滤波器得到定子磁链的估算分量最后，对定子磁链的估算分量分别进行相位和幅值补偿，便得到有效抑制直流偏移后的定子磁链分量ψ_sα,ψ_sβ。

在步骤S103中，将所述输入电压和所述磁链输入预设的磁链逆模型，获得所述预设的磁链逆模型输出的所述输出电流的观测值。具体地，在将所述输入电压和所述磁链输入预设的磁链逆模型之前，所述方法还包括：基于预设的神经网络，获取所述磁链逆模型。更为具体地，使用预设的神经网络逼近理想的磁链逆模型的方式构建预设的磁链逆模型。

根据三相异步电机在静止α-β坐标系下的定子电压方程

得到：

对其进行拉氏变换能够得到

对拉氏变换后的公式进行简单的变

换便可得到理想的磁链逆模型：

其中，s为微分算子，为电流分量的观测值。

基于预设的神经网络，获取所述磁链逆模型包括：首先，将预设的多组输入电压和输出电流输入到所述预设的磁链模型，获得多个磁链，从而得到多个由输入电压、输出电流以及磁链构成的样本点((u_sαj,u_sβj,ψ_sαj,ψ_sβj),i_sαj,i_sβj),j＝1,2,...,N。具体地，将预设的多组输入电压和输出电流输入到所述预设的磁链模型包括：将预设的多组输入电压和输出电流由三相静止坐标系转换到两相静止坐标系。预设的多组输入电压和输出电流是电机在全速范围内、多工况(电机的电流、频率、速度以及温度的变化)下进行物理实验得到。然后，根据所述多个样本点对所述神经网络进行综合离线训练以获得所述磁链逆模型。所述磁链逆模型既不依赖电机参数且又能反映电机内部的非线性关系。在具体的实施方式中，采用RBF(Radial Basis Function，径向基函数)神经网络进行多工况下的综合离线训练以逼近理想的磁链逆模型；由上述可知RBF神网络的结构是4-m-2的形式，即输入变量为4个，输出变量为2个，中间隐层的神经元是m个。在综合离线训练过程中，设定的隐层神经元规模不宜过大，且要保证一定的精度，训练误差不超过0.5％，这样才有较好的效果。具体的综合离线训练过程如下：

输入向量组为：X＝[x₁,x₂,...x_n]^T；x_i为输入变量，i＝1,2,3...n，n为输入向量个数；

输出向量组为：y＝[y₁,y₂]^T；y₁,y₂为两个输出量；由于两个输出变量算法是一致的，以下只以y₁为例给出说明。

RBF神经网络隐层径向基向量：H＝[h₁,h₂,h₃...h_m]^T，m为隐层神经元个数，由训练精度决定。

上述RBF神经网络径向基向量中h_j为高斯基函数；

上述高斯基函数中，X是输入向量组，C_j＝[c_j1,c_j2,...,c_jm]^T为RBF神经网络第j个节点的中心向量，||.||为2-范数，b_j为节点j的基宽参数；C_jm为第j个节点中第m个高斯基函数的中心。

B＝[b₁,b₂,b₃,...,b_m]^T为RBF神经网络的基宽向量i＝1,2,3...m，通常b_i＝0.8326/spread；spread为径向基函数的扩展速度。输入层到隐含层的权均为1.0。

RBF神经网络的性能指标：

RBF神经网络的输出：Y＝H·W其中，H＝[h₁,h₂,h₃...h_m]^T为隐层神经元输出矩阵,W＝[w₁,w₂,w₃,...,w_m]为输出权值矩阵。

优选地，所述方法还包括：根据隐层神经元中心在线优化算法、隐层神经元宽度在线优化算法以及最小二乘算法对综合离线训练获得的磁链逆模型进行在线优化。藉此，能够提高综合离线训练获得的磁链逆模型动态逼近理想的磁链逆模型的精度以及提高系统对电机控制的响应速度。

在具体的实施方式中，隐层神经元中心在线优化算法为：

+b_j＝(y(k)-y₁(k))w_jh_j||X-C_j||²/b_j ³

b_j(k)＝b_j(k-1)+ηΔb_j+α(b_j(k-1)-b_j(k-2))

隐层神经元宽度在线优化算法为：

Δc_ji＝(y(k)-y₁(k))w_jh_j(x_i-c_ji)/b_j ²

c_ji(k)＝c_ji(k-1)+ηΔc_ji+α(c_ji(k-1)-c_ji(k-2))

上式中，y₁(k)是对RBF神经网络进行综合离线训练后的输出；η为学习速率，取为0.05；α为动量因子，取为0.05，η,α∈[0,1]，j＝1,2,...m；i＝1,2,3,4。

使用最小二乘算法(RLS)在线优化RBF神经网络输出权值，RLS迭代算法如下：

K(k)＝P(k-1)H(k)[H^T(k)P(k-1)H(k)+1/μ]^-1；

在上述RLS迭代算法中，λ,μ在训练时取1，应用时μ＝1/λ；0.95<λ<1，K(k)为神经网络在线优化过程中的中间过程参数，P(k)为神经网络在线优化过程中的过程参数，其中，k是指程序运行的周期。

由于电机实时性要求高，通过在线训练逐步建立神经网络的方式不能满足要求。可以先综合离线训练出RBF神经网络的隐层结构,再利用上述在线训练算法优化隐层神经元的中心、宽度和输出权值。在实际的应用中，此处罗列的公式就是神经网络的训练方法，将这些公式用程序描述出来，同时采用以上设置的参数。在仿真过程中，输入样本点((u_sαj,u_sβj,ψ_sαj,ψ_sβj),i_sαj,i_sβj),j＝1,2,...,N就能得到逼近理想的磁链逆模型的RBF神经网络，(输入为电压分量u_sα,u_sβ和磁链分量ψ_sα,ψ_sβ，输出为电流分量i_sα,i_sβ)。其中，在线优化算法是对用RBF神经网络逼近理想的定子磁链逆模型进行在线调整，目的是为了进一步提高RBF神经网络对理想磁链逆模型的逼近精度。综合离线训练的目的是为了初步地训练出一个不依赖电机参数但能反映电机特性的磁链逆模型。众所周知，神经网络的训练过程需要较长的时间，但是电机通电之后立即运行，需要同时即对电机的参数进行修正。因此，不能在电机运行时训练神经网络。为此，可以通过离线训练事先训练出一个初步的磁链逆模型，然后在电机运行时在线优化神经网络的参数。这样既能及时的响应电机的运行，同时又能对磁链逆模型进行调整。

在具体的应用中，除了采用RBF神经网络进行多工况下的综合离线训练以逼近理想的磁链逆模型以外，还可以采用BP(Back Propagation，反向传播)神经网络和DRNN(diagonal recurrent neural networks，对角回归神经网络)神经网络进行多工况下的综合离线训练以逼近理想的磁链逆模型，从而得到预设的磁链逆模型。

在获取预设的磁链逆模型之后，继续步骤S104，将所述输出电流的观测值与所述输出电流进行比较。然后，继续步骤S105，根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的正确观测值。

相应地，本发明还提供一种用于电机的磁链观测设备。图3是本发明提供的用于电机的磁链观测设备的结构示意图。如图3所示，本发明提供的用于电机的磁链观测设备包括：电机10，用于提供输出电流；以及处理装置，与所述电机10连接，用于获取所述电机的输入电压和输出电流，并根据所述输入电压和输出电流获得所述电机的磁链，再根据所述输入电压和所述磁链获得所述输出电流的观测值，再将所述输出电流的观测值与所述输出电流进行比较，以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的准确观测值，其中，所述处理装置包括预设的磁链模型和预设的磁链逆模型。

在具体的实施方式中，所述处理装置包括：处理器20，与所述电机10连接，用于获取所述电机的输入电压和输出电流，并根据所述输入电压和输出电流获得所述电机的磁链，再根据所述输入电压和所述磁链获得所述输出电流的观测值；以及控制器30，与所述电机10和所述处理器20连接，用于将所述输出电流的观测值与所述输出电流进行比较，以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的准确观测值。具体地，所述处理装置中的处理器20包括预设的磁链模型和预设的磁链逆模型。

优选地，所述控制器30包括PID控制器和/或自适应跟踪控制器。藉此，不仅使得本发明提供的用于电机的磁链观测设备的设计更加方便，而且减少了用于电机的磁链观测设备的计算量。

在具体的实施方式中，电机10为交流异步电机，处理器20为数字信号处理器。

如图3所示，为向量,F(x),G(x,y),P(x,y),D(x)为函数向量。交流异步电机的输入电压与输出电流之间存在固有的函数关系y＝F(x(t))。将交流异步电机的输入电压与输出电流输入磁链模型，从而获得电机的定子磁链ψ_s(t)。然后，将交流异步电机的输入电压x(t)和磁链模型输出的定子磁链输入磁链逆模型。当交流异步电机的参数不变时，磁链逆模型输出的输出电流的观测值等于交流异步电机的输出电流y(t)，误差当交流异步电机的参数发生变化时，其输入电压与输出电流之间的函数关系由y＝F(x(t))变为y'＝F'(x(t))，相应输出电流为y'＝F'(x(t))。如果磁链模型的输入或参数不作相应的变化(即G(x,y)不变)，此时误差磁链逆模型输出的输出电流的观测值与电机的输出电流y(t)之间出现误差，该误差的大小与交流异步电机参数变化的大小有关。若磁链模型的输入或参数作相应变化，则可使误差趋于零。因此，可将交流异步电机的输出电流作为参考，磁链模型与磁链逆模型一起作为“可调整系统”，使用自适应跟踪控制器根据误差修正输入到磁链模型的输出电流，从而实现交流异步电机的定子磁链的准确观测。

图4是本发明提供的用于电机的磁链观测设备的另一结构示意图。如图4所示，图4与图3显然是等价的。当交流异步电机的输入电压不变时，处理装置类似一个跟踪控制系统，交流异步电机的输出电流是它的跟踪信号。处理装置中磁链模型和磁链逆模型一起组成的“可调整系统”可看成是一个模型未知的非线性多输入/多输出系统。应用自适应控制理论，对它实行跟踪控制，可使磁链逆模型的输出跟踪电机的输出，从而使磁链模型输出的定子磁链以一定精度逼近电机的实际定子磁链，从而实现定子磁链的准确观测。

图5是本发明提供的用于电机的磁链观测设备在DTC(Direct Torque Control，直接转矩控制)系统中具体应用的结构示意图。如图5所示，首先，给定参考速度和参考磁链。其中，参考速度和参考磁链是预先设定的。具体地，参考速度根据实际工作需要所设定，并且可调。参考磁链是由具体的电机特性所决定。为了充分利用电机的性能，并且又不能超过电机饱和磁场，直接转矩控制系统中一般都设定参考定子磁链为0.8～1。设交流异步电机运行时的速度为w₁，则当电机运行时的实际速度w₁与参考速度不相等时，则会产生一个误差信号。此误差信号经PID调节器1调节后输出为转矩T，该转矩与转矩模型计算出的实际转矩Te相比较，产生一个误差信号。此误差信号被发送到PID调节器2后，输出为两相旋转坐标系下的q轴上定子电压u_q。同时，由定子磁链模型计算出的定子磁链幅值与参考磁链的幅值进行比较得到差值。此差值经PID调节器3调节后输出两相旋转坐标系下的d轴上定子电压u_d。将定子电压u_d、uq以及定子磁链模型得到的磁链角θ_s输入到park坐标变换后，得到静止两相坐标系α-β下定子电压分量u_α、u_β。然后，将定子电压分量u_α、u_β输入到svpwm脉冲发生器中以使得svpwm脉冲发生器输出pwm波。直流电源为三相三桥臂IGBT逆变器提供高压直流电(400V)，由pwm波来控制三相三桥臂IGBT逆变器的桥臂的导通与关断，从而产生驱动交流异步电机的矩形脉冲。当交流异步电机运行时，电压3s/2s变换器将输入电机的三相电压转换成α-β坐标系下的u_sα,u_sβ；电流3s/2s变换器将电机定子中的三相电流转换成α-β坐标系下的i_sα,i_sβ。。将定子磁链模型观测出的定子磁链ψ_s和电压3s/2s变换器输出的u_s输入定子磁链逆模型，获得定子电流的观测值与此同时，电流3s/2s变换器的输出为i_s。当电机参数(例如，定子电阻、转子电阻、温度、漏磁)发生变化时，由于定子磁链模型以及转矩模型中的参数不能同步变化，这样，由定子磁链模型观测出的定子磁链以及转矩模型计算的转矩并不等于实际值，导致观测不准确。

在DTC系统中定子磁链逆模型的输出为定子电流的观测值即，通过RBF神经网络对电机非线性特性的逼近，将各种扰动导致的电机参数变化集中体现在定子电流的观测值的变化上。由于对RBF神经网络进行训练所采用的数据是多种工况下的数据，即我们认为不依赖电机参数只与外部输入数据有关的定子磁链逆模型是精确的。当定子磁链逆模型的输入变量(u_sα,u_sβ,ψ_sα,ψ_sβ)是电机运行时的准确值时，那么定子磁链逆模型输出的定子电流的观测值与电流3s/2s变换器输出的i_s的差值为零。当电机参数变化时，定子磁链模型中电机参数没有同步发生变化，导致其观测出的定子磁链不准确，从而导致定子磁链逆模型的输入变量(ψ_sα,ψ_sβ)不是真实值，因而产生误差根据误差e_s，自适应跟踪控制器可以对定子电流i_s进行有效的修正，其效果等价于定子磁链模型中的参数发生与电机参数同步的变化。当定子磁链模型中的电机参数发生与电机实际参数同步的变化时，其观测出的定子磁链才是真实有效的。

本发明解决了交流异步电机的磁链在低速区难以准确观测的问题，克服了现有各种改进的磁链观测设备构造复杂、计算量大、观测不准的缺点。在应用中本发明提供的用于电机的磁链观测设备可以准确跟踪交流异步电机实际定子磁链的幅值、相位，跟踪精度高，不仅能在定子电阻发生变化时准确观测出定子磁链，对于其余各种扰动(电流、频率、速度、温度等变化)导致电机参数发生变化时，仍能准确观测出定子磁链。现有的定子磁链观测器，大多视电机参数为常值，而实际电机运行时参数会变化，因此定子磁链观测不准确。采用离线算法对电机参数进行辨识的磁链观测器，需要非常多的样本数据，且效果不明显。采用在线电机参数辨识的观测器，算法复杂，结构复杂，效果不太明显。

以上是针对异步电机这一特定对象的实施进行具体分析，对同步电机、双馈电机等，此发明也是适应的。因此，此发明并不仅仅局限于特定对象异步电机。同时，利用此发明将异步电机中转子磁链作为研究对象也能取得同样效果。此外用来构造磁链逆模型的神经网络也能利用其它前向神经网络替换。因此根据本发明的技术方案及构思，进行同等替换，都在保护范围之内。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种用于电机的磁链观测方法，其特征在于，所述方法包括：

获取所述电机的输入电压和输出电流；

将所述输入电压和输出电流输入预设的磁链模型，获得所述预设的磁链模型输出的所述电机的磁链；

将所述输入电压和所述磁链输入预设的磁链逆模型，获得所述预设的磁链逆模型输出的所述输出电流的观测值；

将所述输出电流的观测值与所述输出电流进行比较；以及

根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的正确观测值；

其中，所述磁链逆模型为：

其中，s为微分算子，输入为电压分量为u_sα,u_sβ，磁链分量为ψ_sα,ψ_sβ，为电流分量的观测值。

2.根据权利要求1所述的用于电机的磁链观测方法，其特征在于，在将所述输入电压和输出电流输入预设的磁链模型之前，所述方法还包括：

根据公式一和公式二构建所述磁链模型：

其中，u_s为所述电机的定子电压，I_S为所述电机的定子电流，R_s为所述电机的定子电阻，ω_e为所述电机的定子电流的角频率，ω_c为低通滤波器的截止频率，为所述电机的定子磁链的估算值，ψ_s为所述预设的磁链模型输出的定子磁链。

3.根据权利要求1所述的用于电机的磁链观测方法，其特征在于，在将所述输入电压和所述磁链输入预设的磁链逆模型之前，所述方法还包括：

基于预设的神经网络，获取所述磁链逆模型。

4.根据权利要求3所述的用于电机的磁链观测方法，其特征在于，基于预设的神经网络，获取所述磁链逆模型，包括：

将预设的多组输入电压和输出电流输入到所述预设的磁链模型，获得多个磁链，从而得到多个由输入电压、输出电流以及磁链构成的样本点；以及

根据所述多个样本点对所述神经网络进行综合离线训练以获得所述磁链逆模型。

5.根据权利要求4所述的用于电机的磁链观测方法，其特征在于，所述方法还包括：

根据隐层神经元中心在线优化算法、隐层神经元宽度在线优化算法以及最小二乘算法对综合离线训练获得的磁链逆模型进行在线优化。

6.根据权利要求4所述的用于电机的磁链观测方法，其特征在于，将预设的多组输入电压和输出电流输入到所述预设的磁链模型包括：

将预设的多组输入电压和输出电流由三相静止坐标系转换到两相静止坐标系。

7.根据权利要求3-6中任意一项权利要求所述的用于电机的磁链观测方法，其特征在于，所述预设的神经网络为以下中的至少一者：RBF、BP以及DRNN。

8.一种用于电机的磁链观测设备，其特征在于，所述设备包括：

电机，用于提供输出电流；以及

处理装置，与所述电机连接，用于获取所述电机的输入电压和输出电流，并根据所述输入电压和输出电流获得所述电机的磁链，再根据所述输入电压和所述磁链获得所述输出电流的观测值，再将所述输出电流的观测值与所述输出电流进行比较，以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到预设的磁链模型，从而获得所述电机磁链的准确观测值，

其中，所述处理装置包括预设的磁链模型和预设的磁链逆模型；

其中，所述磁链逆模型为：

其中，s为微分算子，输入为电压分量为u_sα,u_sβ，磁链分量为ψ_sα,ψ_sβ，为电流分量的观测值。

9.根据权利要求8所述的用于电机的磁链观测设备，其特征在于，所述处理装置包括：

处理器，与所述电机连接，用于获取所述电机的输入电压和输出电流，并根据所述输入电压和输出电流获得所述电机的磁链，再根据所述输入电压和所述磁链获得所述输出电流的观测值；以及

控制器，与所述电机和所述处理器连接，用于将所述输出电流的观测值与所述输出电流进行比较，以及根据比较结果修正所述输出电流，以使得所述输入电压和修正后的输出电流输入到所述预设的磁链模型，从而获得所述电机的磁链的准确观测值。

10.根据权利要求9所述的用于电机的磁链观测设备，其特征在于，所述控制器包括PID控制器和/或自适应跟踪控制器。