CN109742999A - 一种动态神经网络自适应逆的srm转矩控制方法与系统 - Google Patents

Abstract

本发明为一种动态神经网络自适应逆的SRM转矩控制方法与系统，本发明以系统前一时刻的实际总磁链，当前参考转矩和RBF神经网络输出的前一时刻参考磁链作为RBF神经网络的输入信号，输出参考磁链，构成动态RBF神经网络，即转矩‑磁链模型；转矩偏差经PD控制得到控制量，该控制量经预处理作为RBF神经网络自适应逆控制的学习偏差，且该控制量经滤波处理，作为总参考磁链的一部分，补偿转矩‑磁链模型的输出。总参考磁链与实际总磁链相减得磁链偏差，经磁链偏差分配，接入各相磁链偏差滞环控制，有效抑制SRM的转矩脉动。本发明适应电机快速控制要求，反馈误差学习方法加快神经网络建模并提高建模精度，减小转矩脉动的影响。

Description

一种动态神经网络自适应逆的SRM转矩控制方法与系统

技术领域

本发明涉及电动汽车电机的控制领域，具体为一种动态神经网络自适应逆的SRM转矩控制方法与系统。

背景技术

开关磁阻电机(Switched Reluctance Motor,SRM)结构简单坚固，无永磁材料，制造成本低，系统可靠性高，调速范围广，被应用在许多领域。然而，由于SRM的双凸极结构，开关供电方式和磁路饱和产生较大的转矩脉动，严重制约了SRM的应用场合。

SRM传统的控制方法中，电流斩波控制是以电流为控制量，电压斩波控制是以电压为控制量，角度位置控制是以开关角为控制量，这些控制方法虽然简单但不能达到理想的控制效果。有的方案采用遗传算法优化开通角和重叠角改进转矩分配函数以使SRM转矩脉动最小化。然而，该控制方案需要转矩转化为电流，电流转化为磁链再进行磁链控制，在转矩-电流-磁链的转换过程中难免出现误差，并不能精确的抑制转矩脉动。有的研究通过预测磁链范围改进直接瞬时转矩控制，建立磁链和电流观测器预测磁链通过磁链控制转矩以减小转矩脉动。

还有些研究提出基于相平面变结构的SRM直接转矩控制的磁链是固定不变的，但是在SRM运行过程中，固定不变的磁链幅值会增加SRM启动时的转矩脉动。

获得准确的转矩-磁链模型和参考磁链，是实现基于转矩-磁链模型的SRM转矩控制关键技术。

发明内容

本发明的目的是设计一种动态神经网络自适应逆的SRM转矩控制方法，根据SRM转矩和磁链的非线性特性，以系统k时刻的前一时刻k-1时刻的实际总磁链，RBF神经网络辨识输出的前一时刻的参考磁链和参考转矩，作为RBF神经网络的输入信号，RBF神经网络的输出为参考磁链，构成动态RBF神经网络，即转矩-磁链模型；转矩偏差经比例与微分控制(PD控制)得到控制量，该控制量经预处理作为RBF神经网络自适应逆控制的学习偏差，且该控制量经滤波处理，作为参考磁链的一部分，对转矩-磁链模型输出的参考磁链进行补偿。总参考磁链与实际总磁链比较，得到磁链偏差，分配到各相，经各相磁链偏差滞环控制，有效抑制开关磁阻电机的转矩脉动。

本发明的另一目的是根据上述动态RBF神经网络自适应逆的SRM转矩控制方法设计一种动态RBF神经网络自适应逆的SRM转矩控制系统。本系统微处理器连接磁链滞环控制器，磁链滞环控制器的输出接入功率变换器，功率变换器的三相输出分别控制电机三相电流和电压。开关磁阻电机上还安装转子位置角传感器、转矩传感器及输出电压电流传感器，微处理器的程序存储器含有对应本控制方法的各程序模块。

本发明针对转矩脉动，进行学习偏差预处理，减小转矩脉动所带来的神经网络权值学习过程的波动，加快神经网络建模速度和提高建模精度，适应快速的电机控制要求；采用反馈误差学习方法，实现神经网络学习；在控制通道加入滤波，减小转矩脉动对参考磁链的影响，实现SRM转矩的有效控制。

本发明设计的一种动态神经网络自适应逆的SRM转矩控制方法，主要步骤如下：

Ⅰ、PD控制

PD(Proportional Derivative，PD)控制是比例与微分控制，PD控制的输入信号为由总参考转矩T_ref和实测的输出总转矩T得到的转矩偏差ΔT，其输出为转矩控制量u,作为反馈SRM输出总转矩T具有较大脉动，其与参考转矩之差的转矩偏差也不可避免地存在转矩脉动干扰，故该转矩控制量u经预处理用于神经网络学习偏差，经过滤波作为总参考磁链的一部分，对转矩-磁链模型输出的参考磁链进行补偿。

Ⅱ、动态RBF神经网络自适应逆

本发明采用RBF神经网络，即径向基函数网络(Radial basis functionnetwork)，RBF神经网络的输入信号为系统当前k时刻的前一时刻k-1时刻的实际总磁链ψ(k-1)，RBF神经网络辨识输出的k时刻前一时刻的k-1时刻的参考磁链和k时刻的参考转矩T_ref(k)，RBF神经网络输出的参考磁链为构成动态RBF神经网络，即SRM电机的转矩-磁链模型。

Ⅱ-1、实际总磁链ψ(k)的计算

ψ＝∫(U-IR)dt

其具体计算公式如下：

R_L是开关磁阻电机SRM的L相内阻，L表示电机三相，L＝1,2,3；U_L为开关磁阻电机SRM输出的L相电压，U_L(k)为当前K时刻开关磁阻电机SRM输出的L相电压；I_L为开关磁阻电机SRM的输出L相电流，I_L(k)为当前K时刻开关磁阻电机SRM输出的L相电流。

Ⅱ-2、总参考磁链计算

系统总参考磁链

其中u_f(k)是PD控制当前k时刻的得到的控制量u(k)滤波处理后的值，当前k时刻的转矩控制量u(k)作为总参考磁链的一部分，对转矩-磁链模型输出的参考磁链进行补偿，控制量u(k)中脉动干扰直接影响总参考磁链的精度，对PD控制输出u(k)进行滤波处理，如公式(1)所示。

u_f(k)＝βu_f(k-1)+(1-β)u(k) (1)

其中，0<β<1，u_f(k),u_f(k-1)分别表示u_f当前k时刻的值和前一时刻k-1时刻的值。

Ⅱ-3、学习偏差预处理

对PD控制输出u进行预处理，得到u_ff用作为调整RBF神经网络的学习偏差，

u_ff(k)＝αu_ff(k-1)+(1-α)u(k) (2)

其中，0<α<1，u_ff(k),u_ff(k-1)分别表示u_ff当前k时刻的值和k前一时刻的值。

Ⅱ-4、RBF神经网络自适应逆的算法

所述动态RBF神经网络结构包括输入层x和隐含层h。

输入层为

隐含层为高斯函数

其中，c_j＝[c_j1,c_j2,c_j3]为隐含层中心向量，b＝[b_j]＝[b₁,b₂,b₃]为隐含层基宽向量。权值为w＝[w_j]＝[w₁,w₂,w₃]^T，动态RBF神经网络输出为参考磁链表示隐含层的输出。描述SRM电机的转矩-磁链的动态RBF神经网络数学表达式：

ψ(k-1)表示当前k时刻的前一时刻k-1的实际总磁链ψ值,表示前k时刻的前一时刻k-1的动态RBF神经网络输出的参考磁链值。

总参考磁链RBF神经网络自适应逆，采用反馈误差训练法。

误差性能指标为

采用梯度下降法，则RBF神经网络调整算法为

其中，i＝1，2，3，△b_j(k),△c_ji(k)分别是b_j,c_ji在k时刻的增量，学习速率0<η₁<1，0<η₂<1，0<η₂<1，动量因子0<γ<1。w_j(k),w_j(k-1),w_j(k-2)分别表示k时刻，k时刻的前一时刻k-1，k-1时刻的前一时刻k-2的w_j的值，b_j(k),b_j(k-1),b_j(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的b_j的值，c_ji(k),c_ji(k-1),c_ji(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的c_ji的值。

ψ为步骤Ⅱ-1计算得到的实际总磁链。

Ⅲ、磁链偏差分配

步骤Ⅱ-2得到的总参考磁链ψ_ref(k)与步骤Ⅱ-1得到的实际总磁链ψ(k)相减得到磁链偏差△ψ，通过磁链偏差分配函数f进行分配，本发明采用的现有磁链偏差分配函数f如下：

其中，θ为转子位置角，τ为开关磁阻电机转子周期角，θ₁为其开通角，θ₂为其关断角，θ_ov为其重叠角。

磁链偏差分配函数得到各相磁链偏差△_Lψ^*，送入各相磁链偏差滞环控制器，各相磁链偏差滞环控制器的输出提供给功率变换器作为有效开关信号，功率变换器对开关磁阻电机进行控制，以减小电机的转矩脉动。

本发明根据上述一种动态神经网络自适应逆的SRM控制方法设计的一种动态神经网络自适应逆的SRM控制系统，包括微处理器、模数转换模块、磁链偏差滞环控制器、功率变换器、转子位置角传感器、转矩传感器及SRM输出电压电流传感器。微处理器控制端连接磁链偏差滞环控制器，磁链偏差滞环控制器的输出接入功率变换器，三相交流电源接入功率变换器供电，功率变换器的三相输出分别连接开关磁阻电机的三相输入端，控制电机三相电流和电压，驱动开关磁阻电机转子旋转。开关磁阻电机上还安装转子位置角传感器、转矩传感器及输出电压电流传感器，各传感器的信号线经模数转换模块与微处理器输入端连接。

微处理器配有程序存储器和数据存储器，程序存储器含有转速和转矩数据采集模块、基于学习偏差预处理模块、滤波模块、动态RBF神经网络自适应逆模块、磁链计算模块和磁链偏差分配模块。

所述微处理器连接显示器，实时显示开关磁阻电机转矩、转速等运行信息。

微处理器及所连接的程序存储器、数据存储器、模数转换模块和磁链偏差滞环控制器构成嵌入式控制系统。

与现有技术相比，本发明一种动态神经网络自适应逆的SRM转矩控制方法与系统的优点为：1、针对SRM的特点，改进了RBF神经网络自适应逆的辨识结构，将RBF神经网络的辨识前一刻输出的参考磁链值和实际磁链值前一刻值作为输入信号，构成动态RBF神经网络，建立转矩-磁链模型；2、为了抑制转矩脉动对转矩-磁链建模和参考磁链的影响，根据SRM转矩脉动特点，针对RBF神经网络自适应逆控制，在动态RBF神经网络反馈误差学习过程中，进行学习偏差预处理，削弱由反馈转矩带来的转矩脉动干扰，减小转矩脉动引起RBF神经网络参数学习过程的振荡与波动，加快神经网络转矩-磁链建模速度，提高磁链建模精度，适应电机快速控制的要求；3、在控制通道加入滤波处理，减小转矩脉动的影响，有效地抑制控制量抖动,减小对参考磁链的影响，对转矩-磁链模型输出的参考磁链进行有效地补偿，以得到更加准确的总参考磁链，与实际总磁链做减法运算得到磁链偏差，再将磁链偏差分配到各相控制；有效抑制开关磁阻电机的转矩脉动，脉动率小于1.9％；4、本系统可构成嵌入式系统，方便开关磁阻电机的在线控制。

附图说明

图1为本动态神经网络自适应逆的SRM转矩控制方法实施例的主要步骤框图；

图2为本动态神经网络自适应逆的SRM转矩控制方法实施例的RBF神经网络结构示意图；

图3为本动态神经网络自适应逆的SRM转矩控制方法实施例的流程图；

图4为本动态神经网络自适应逆的SRM转矩控制系统实施例的结构示意图。

具体实施方式

动态神经网络自适应逆的SRM转矩控制方法实施例

本动态神经网络自适应逆的SRM转矩控制方法实施例主要步骤如图1所示，具体如下：

Ⅰ、PD控制

PD控制是比例与微分控制，由总参考转矩T_ref和实测的输出总转矩T得到的转矩偏差ΔT作为PD控制的输入信号，其输出为转矩控制量u,转矩控制量u经预处理用于神经网络学习偏差，经过滤波作为参考磁链的一部分，对转矩-磁链模型输出的参考磁链进行补偿。

Ⅱ、动态RBF神经网络自适应逆

本例RBF神经网络的输入信号为系统当前k时刻的前一时刻k-1时刻的实际总磁链ψ(k-1)，RBF神经网络辨识输出的k时刻前一时刻的k-1时刻的参考磁链和k时刻的参考转矩T_ref(k)，RBF神经网络输出的参考磁链为构成动态RBF神经网络，即SRM电机的转矩-磁链模型。

Ⅱ-1、实际总磁链ψ的计算

ψ＝∫(U-IR)dt：

实际总磁链ψ(k)的计算公式如下：

R_L是开关磁阻电机SRM的L相内阻，L表示开关磁阻电机SRM三相，L＝1,2,3；U_L为开关磁阻电机SRM输出的L相电压，U_L(k)为当前K时刻开关磁阻电机SRM输出的L相电压；I_L为开关磁阻电机SRM输出的L相电流，I_L(k)为当前K时刻开关磁阻电机SRM输出的L相电流。

Ⅱ-2、总参考磁链计算

系统总参考磁链

其中u_f(k)是PD控制当前k时刻得到的转矩控制量u(k)经滤波处理后的值，其为总参考磁链的一部分，对转矩-磁链模型输出的参考磁链进行补偿。

对PD控制输出的u(k)进行的滤波处理如公式(1)所示。

u_f(k)＝βu_f(k-1)+(1-β)u(k) (1)

其中，0<β<1，本例取β＝0.3，u_f(k),u_f(k-1)分别表示u_f当前k时刻的值和前一时刻k-1时刻的值。

Ⅱ-3、学习偏差预处理

对PD控制输出u进行预处理，得到u_ff用作为调整RBF神经网络的学习偏差，

u_ff(k)＝αu_ff(k-1)+(1-α)u(k) (2)

其中，0<α<1，本例取α＝0.2，u_ff(k),u_ff(k-1)分别表示u_ff当前k时刻的值和k前一时刻的值。

Ⅱ-4、RBF神经网络自适应逆的算法

本例的动态RBF神经网络结构如图2所示，包括输入层x和隐含层h。

输入层为

隐含层为高斯函数

其中，c_j＝[c_j1,c_j2,c_j3]为隐含层中心向量，b＝[b_j]＝[b₁,b₂,b₃]为隐含层基宽向量。权值为w＝[w_j]＝[w₁,w₂,w₃]^T，动态RBF神经网络输出的参考磁链为表示隐含层的输出。描述SRM电机的转矩-磁链的动态RBF神经网络数学表达式：

ψ(k-1)，分别表示当前k时刻的前一时刻k-1的实际总磁链ψ值,当前k时刻的前一时刻k-1动态RBF神经网络输出的参考磁链值。

总参考磁链RBF神经网络自适应逆，采用反馈误差训练法。

误差性能指标为

采用梯度下降法，则RBF神经网络调整算法为

其中，i＝1，2，3，△b_j(k),△c_ji(k)分别是b_j,c_ij在k时刻的增量，学习速率0<η₁<1，0<η₂<1，0<η₂<1，本例取η₁＝η₂＝η₃＝0.2动量因子0<γ<1，本例取γ＝0.05。w_j(k),w_j(k-1),w_j(k-2)分别表示k时刻，k时刻的前一时刻k-1，k-1时刻的前一时刻k-2的w_j的值，b_j(k),b_j(k-1),b_j(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的b_j的值，c_ji(k),c_ji(k-1),c_ji(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的c_ji的值。

ψ为步骤Ⅱ-1计算得到的实际总磁链。

Ⅲ、磁链偏差分配

步骤Ⅱ-2得到的总参考磁链ψ_ref(k)与步骤Ⅱ-1得到的实际总磁链相减得到磁链偏差，再通过磁链偏差分配函数f进行分配，本例采用现有的磁链偏差分配函数f如下：

其中，θ为转子位置角，τ为开关磁阻电机转子周期角，θ₁为其开通角，θ₂为其关断角，θ_ov为其重叠角。

磁链偏差分配函数得到各相磁链偏差△₁ψ^*、△₂ψ^*和△₃ψ^*送入各相磁链偏差滞环控制器1-3，其输出提供给功率变换器作为有效开关信号，功率变换器对开关磁阻电机进行控制，以减小电机的转矩脉动。

本方法的流程图如图3所示，电机开始运行后，安装于电机上的各传感器采样得到当前的实际转矩T(k)、转子位置角θ和电流I(k)电压U(k),根据当前的电流I(k)电压U(k)计算当前实际总磁链ψ(k)。由总参考转矩T_ref和实际转矩T(k)得到的转矩偏差ΔT作为PD控制的输入信号，其输出为转矩控制量u(k),转矩控制量u(k)进行预处理作为调整RBF神经网络参数学习的偏差值，RBF神经网络输出的参考磁链和转矩控制量u(k)进行滤波后所得的u_f(k)相加得到总参考磁链ψ_ref(k)，与实际总磁链ψ(k)相减得到磁链偏差△ψ，经磁链偏差分配，输入到各相磁链偏差滞环控制器，得到各相磁链偏差△_Lψ^*，作为功率变换器的有效开关信号，功率变换器对开关磁阻电机进行控制。

动态神经网络自适应逆的SRM控制系统实施例

本动态神经网络自适应逆的SRM控制系统实施例是根据上述动态神经网络自适应逆的SRM控制方法实施例所设计的，如图4所示，包括微处理器、模数转换模块、磁链滞环控制器、功率变换器、转子位置角传感器、转矩传感器及电压电流传感器。微处理器控制端连接磁链滞环控制器，磁链滞环控制器的输出接入功率变换器，三相交流电源(380～)接入功率变换器供电，功率变换器的三相输出分别连接开关磁阻电机的三相输入端，控制电机三相电流和电压，驱动开关磁阻电机转子旋转。开关磁阻电机上还安装转子位置角传感器、转矩传感器及输出电压电流传感器，各传感器的信号线经模数转换模块与微处理器输入端连接。

微处理器配有程序存储器和数据存储器，程序存储器含有转速和转矩数据采集模块、基于学习偏差预处理模块、滤波模块、动态RBF神经网络自适应逆模块、磁链计算模块和磁链偏差分配模块。

本例微处理器连接显示器，实时显示开关磁阻电机转矩、转速等运行信息。本例微处理器还连接一个或多个数据接口。

微处理器及所连接的程序存储器、数据存储器、模数转换模块和磁链偏差滞环控制器构成嵌入式控制系统，如图3中点划线框标出的部分。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (5)

1.一种动态神经网络自适应逆的SRM转矩控制方法，主要步骤如下：

Ⅰ、PD控制

PD控制的输入信号为由总参考转矩T_ref和实测的输出总转矩T得到转矩偏差ΔT，其输出为转矩控制量u；

Ⅱ、动态RBF神经网络自适应逆

RBF神经网络的输入信号为系统当前k时刻的前一时刻k-1时刻的实际总磁链ψ(k-1)，RBF神经网络辨识输出的k时刻前一时刻的k-1时刻的参考磁链和k时刻的参考转矩T_ref(k)，RBF神经网络的输出参考磁链为构成动态RBF神经网络，即SRM电机的转矩-磁链模型；

Ⅱ-1、实际总磁链ψ的计算

实际总磁链ψ(k)的计算公式如下：

R_L是开关磁阻电机SRM的L相内阻，L表示开关磁阻电机SRM三相，L＝1,2,3；U_L为开关磁阻电机SRM输出的L相电压，U_L(k)为当前K时刻开关磁阻电机SRM输出的L相电；I_L为开关磁阻电机SRM输出的L相电流，I_L(k)为当前K时刻开关磁阻电机SRM输出的L相电流；

Ⅱ-2、总参考磁链计算

系统总参考磁链

其中u_f(k)是PD控制当前k时刻的得到的控制量u(k)滤波处理后的值，对PD控制输出u(k)进行滤波处理，如公式(1)所示，

u_f(k)＝βu_f(k-1)+(1-β)u(k) (1)

其中，0<β<1，u_f(k),u_f(k-1)分别表示u_f当前k时刻的值和前一时刻k-1时刻的值；

Ⅱ-3、学习偏差预处理

对PD控制输出u进行预处理，得到u_ff用作为调整RBF神经网络的学习偏差，

u_ff(k)＝αu_ff(k-1)+(1-α)u(k) (2)

其中，0<α<1，u_ff(k),u_ff(k-1)分别表示u_ff当前k时刻的值和k前一时刻的值；

Ⅱ-4、RBF神经网络自适应逆的算法

动态RBF神经网络结构包括输入层x和隐含层h；

输入层为

隐含层为高斯函数

其中，c_j＝[c_j1,c_j2,c_j3]为隐含层中心向量，b＝[b_j]＝[b₁,b₂,b₃]为隐含层基宽向量；权值为w＝[w_j]＝[w₁,w₂,w₃]^T，动态RBF神经网络输出为表示隐含层的输出；描述SRM电机的转矩-磁链的动态RBF神经网络数学表达式：

ψ(k-1)，分别表示当前k时刻的前一时刻k-1的实际总磁链ψ值,当前k时刻的前一时刻k-1的动态RBF神经网络输出参考磁链值；

总参考磁链RBF神经网络自适应逆采用反馈误差训练法；

误差性能指标为

采用梯度下降法，则RBF神经网络调整算法为

其中，i＝1，2，3，△b_j(k),△c_ij(k)分别是b_j,c_ij在k时刻的增量，学习速率0<η₁<1，0<η₂<1，0<η₂<1，动量因子0<γ<1；w_j(k),w_j(k-1),w_j(k-2)分别表示k时刻，k时刻的前一时刻k-1，k-1时刻的前一时刻k-2的w_j的值，b_j(k),b_j(k-1),b_j(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的b_j的值，c_ji(k),c_ji(k-1),c_ji(k-2)分别表示k时刻，k前一时刻，k-1的前一时刻的c_ji的值；ψ为步骤Ⅱ-1计算得到的实际总磁链；

Ⅲ、磁链偏差分配

步骤Ⅱ-2得到的总参考磁链ψ_ref(k)与步骤Ⅱ-1得到的实际总磁链ψ(k)相减得到磁链偏差△ψ，通过磁链偏差分配函数f进行分配，采用的磁链偏差分配函数f如下：

其中，θ为转子位置角，τ为开关磁阻电机转子周期角，θ₁为其开通角，θ₂为其关断角，θ_ov为其重叠角；

磁链偏差分配函数得到各相磁链偏差△_Lψ^*，送入各相磁链偏差滞环控制器，各相磁链偏差滞环控制器的输出提供给功率变换器作为有效开关信号，功率变换器对开关磁阻电机进行控制。

2.根据权利要求1所述的动态神经网络自适应逆的SRM控制方法，其特征在于：

所述电机开始运行后，安装于电机上的各传感器采样得到当前的实际转矩T(k)、转子位置角θ和电流I(k)电压U(k),根据当前的电流I(k)电压U(k)计算当前实际总磁链ψ(k)；由总参考转矩T_ref和实际转矩T(k)得到的转矩偏差ΔT作为PD控制的输入信号，其输出为转矩控制量u(k),转矩控制量u(k)进行预处理作为调整RBF神经网络参数学习的偏差值，RBF神经网络输出的参考磁链和转矩控制量u(k)进行滤波后所得的u_f(k)相加得到总参考磁链ψ_ref(k)，总参考磁链与实际总磁链ψ(k)相减得到磁链偏差△ψ，经磁链偏差分配，输入到各相磁链偏差滞环控制器，得到各相磁链偏差△_Lψ^*，作为功率变换器的有效开关信号，功率变换器对开关磁阻电机进行控制。

3.根据权利要求1或2所述的动态神经网络自适应逆的SRM控制方法设计的一种动态神经网络自适应逆的SRM控制系统，包括微处理器、模数转换模块、磁链滞环控制器、功率变换器、转子位置角传感器、转矩传感器及输出电压电流传感器；微处理器控制端连接磁链滞环控制器，磁链滞环控制器的输出接入功率变换器，三相交流电源接入功率变换器供电，功率变换器的三相输出分别连接开关磁阻电机的三相输入端，控制电机三相电流和电压，驱动开关磁阻电机转子旋转；开关磁阻电机上还安装转子位置角传感器、转矩传感器及输出电压电流传感器，各传感器的信号线经模数转换模块与微处理器输入端连接；其特征在于：

所述微处理器配有程序存储器和数据存储器，程序存储器含有转速和转矩数据采集模块、基于学习偏差预处理模块、滤波模块、动态RBF神经网络自适应逆模块、磁链计算模块和磁链偏差分配模块。

4.根据权利要求3所述的动态神经网络自适应逆的SRM控制系统，其特征在于：

所述微处理器连接显示器。

5.根据权利要求3所述的动态神经网络自适应逆的SRM控制系统，其特征在于：

所述微处理器及所连接的程序存储器、数据存储器、模数转换模块和磁链偏差滞环控制器构成嵌入式控制系统。