CN112928965A - 基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法 - Google Patents

Abstract

本发明公开基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法，利用神经网络转矩估计模型对转矩进行估计，并利用动态RBF神经网络转矩‑磁链模型实现相参考转矩到磁链的转换，基于估计的转矩信息对磁链进行实时前馈补偿，以获得准确磁链信息，实现了SRM的磁链控制，抑制转矩脉动，方法运算量小；所构造的神经网络转矩估计模型具有能够体现SRM转矩变化规律的激励函数，且对神经网络的输入进行预处理，以实现对瞬时转矩的估计；本系统可构成嵌入式系统，通过神经网络转矩估计模型实现瞬时转矩估计、通过动态RBF神经网络转矩‑磁链模型实现相参考转矩到磁链的转换及磁链前馈补偿，实现了SRM的磁链控制，抑制转矩脉动，方便开关磁阻电机的在线控制。

Description

基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法

技术领域

本发明涉及开关磁阻电机技术领域，具体涉及一种基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法。

背景技术

近年来，开关磁阻电机(Switched Reluctance Motor,SRM)因转子无绕组和永磁体，仅由硅钢片叠压而成，具有结构简单、制造成本低、系统可靠性高及调速范围广等特点，成为新能源汽车、航天航空等领域驱动装置的首选。然而，由于SRM双凸极结构、磁路高度饱和、涡流与磁滞效应等产生的强耦合和强非线性，导致建立精确数学模型较为困难，从而使SRM在低速运行中产生较大的转矩脉动，严重制约了SRM的发展与应用。因此针对SRM转矩脉动抑制控制策略的研究，具有重要工程价值。

发明内容

本发明所要解决的是SRM控制中难以建立精确数学模型问题，提供一种基于磁链的开关磁阻电机转矩脉动抑制控制系统和方法。

为解决上述问题，本发明是通过以下技术方案实现的：

基于磁链的开关磁阻电机转矩脉动抑制控制方法，包括步骤如下：

步骤1、采集开关磁阻电机的电压u、电流i和转子位置角q；

步骤2、对转子位置角q进行求导后得到转速控制量ω^*；

步骤3、将转速控制量ω^*与设定的参考转速ω_ref的转速偏差e进行PI调节后得到参考转矩T_ref；

步骤4、在转子位置角q的控制下，对参考转矩T_ref进行转矩分配，得到相参考转矩T_k；

步骤5、计算电磁转矩预处理值F(i,q)：

其中，A和B为拟合系数，A＝ψ_m-L_dastI_m，

ψ_m为开关磁阻电机最大磁链值，I_m为开关磁阻电机最大磁链下的电流值，L_dast为开关磁阻电机转子凸极中心位置完全对齐时的饱和电感，L_d为开关磁阻电机定子凸极与转子凹槽中对齐时的饱和电感，L_q为开关磁阻电机定子凸极与转子凹槽中心对齐时的饱和电感，N_r为开关磁阻电机转子极数，i为电流，q为转子位置角；

步骤6、将电压u、电流i和电磁转矩预处理值F(i,q)输入神经网络转矩估计模型，将神经网络转矩估计模型输出的转矩估计值

与参考转矩T_ref的第一转矩偏差u_f作为神经网络转矩估计模型的误差，通过误差反向传播算法对神经网络转矩估计模型进行在线学习训练，实现对转矩的估计，神经网络转矩估计模型输出转矩估计值

步骤7、将转矩估计值

与相参考转矩T_k的第二转矩偏差u_t进行PD运算后得到磁链补偿量Δψ_k；

步骤8、将相参考转矩T_k输入动态RBF神经网络转矩-磁链模型，将动态RBF神经网络转矩-磁链模型相参考转矩T_k与转矩估计值

的第二转矩偏差u_t作为动态RBF神经网络转矩-磁链模型的误差，通过误差反向传播算法对动态RBF神经网络转矩-磁链模型进行在线学习训练，实现相参考转矩到磁链的转换，动态RBF神经网络转矩-磁链模型输出相磁链控制量ψ_k；

步骤9、利用磁链补偿量Δψ_k对相磁链控制量ψ_k进行补偿，得到补偿后的相磁链

步骤10、根据电压u和电流i计算参考磁链ψ_ref，并计算补偿后的相磁链

与参考磁链ψ_ref的磁链偏差Δψ^*；

步骤11、对磁链偏差Δψ^*进行磁链滞环控制和功率变换后去驱动开关磁阻电机，以实现对开关磁阻电机的转矩控制。

上述步骤6中，神经网络转矩估计模型的第j隐含节点的激励函数h_j为：

其中，X为神经网络转矩估计模型的输入向量，X＝[i,q,F(i,q)]，i为电流，q为转子位置角，F(i,q)为电磁转矩预处理值，k为设定的形状调节因子，0<k<1，c为设定的中心位置调节因子，0<c<1，b_j代表第j隐含节点的基宽值，j＝1,2.3。

上述步骤3中，转速偏差e为：

e＝ω^*-ω_ref

式中，ω^*为转速控制量，ω_ref为参考转速。

上述步骤6中，第一转矩偏差u_f为：

式中，

为转矩估计值，T_ref为参考转矩。

上述步骤7和8中，第二转矩偏差u_t为：

式中，

为转矩估计值，T_k为相参考转矩。

上述步骤9中，补偿后的相磁链

为：

式中，ψ_k为相磁链控制量，Δψ_k为磁链补偿量。

上述步骤10中，磁链偏差Δψ^*为：

式中，

为补偿后的相磁链，ψ_ref为参考磁链。

基于磁链的开关磁阻电机转矩脉动抑制控制系统，包括电机电压检测模块、电机电流检测模块、电机转子位置检测模块、求导模块、转速减法器、PI调节器、转矩分配模块、动态RBF神经网络转矩-磁链模型、磁链加法器、磁链减法器、磁链计算模块、磁链滞环控制器、功率变换器、第一转矩减法器、预处理函数模块、神经网络转矩估计模型、第二转矩减法器和PD运算模块。

电机电压检测模块、电机电流检测模块和电机转子位置检测模块的输入端与开关磁阻电机连接。电机转子位置检测模块的输出端连接求导模块的输入端，求导模块的输出端连接转矩分配模块的控制端和转速减法器的一个输入端，转速减法器的另一个输入端输入参考转速；转速减法器的输出端连接PI调节器的输入端，PI调节器的输出端连接转矩分配模块的输入端和第一转矩减法器的一个输入端；转矩分配模块的输出端连接动态RBF神经网络转矩-磁链模型的输入端和第二转矩减法器的一个输入端。电机电流检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；电机转子位置检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；预处理函数模块的输出端连接神经网络转矩估计模型的一个输入端；神经网络转矩估计模型的输出端连接第一转矩减法器的另一个输入端和第二转矩减法器的另一个输入端。第一转矩减法器的输出端连接神经网络转矩估计模型的学习端；第二转矩减法器的输出端连接PD运算模块的输入端和动态RBF神经网络转矩-磁链模型的学习端。动态RBF神经网络转矩-磁链模型的输出端和PD运算模块的输出端分别连接磁链加法器的两个输入端；磁链加法器的输出端连接磁链减法器的一个输入端。电机电压检测模块的输出端和电机电流检测模块的输出端连接磁链计算模块的两个输入端；磁链计算模块的输出端连接磁链减法器的另一个输入端。磁链减法器的输出端连接磁链滞环控制器的输入端，磁链滞环控制器的输出端经由功率变换器连接开关磁阻电机的控制端。

与现有技术相比，本发明具有如下特点：

1、利用神经网络转矩估计模型对转矩进行估计，并利用动态RBF(Radial basisfunction)神经网络转矩-磁链模型实现相参考转矩到磁链的转换，基于估计的转矩信息对磁链进行实时前馈补偿，以获得准确磁链信息，实现了SRM的磁链控制，抑制转矩脉动，方法运算量小；

2、所构造的神经网络转矩估计模型具有能够体现SRM转矩变化规律的激励函数，且对神经网络的输入进行预处理，以实现对瞬时转矩的估计；

3、本系统可构成嵌入式系统，通过神经网络转矩估计模型实现瞬时转矩估计、通过动态RBF神经网络转矩-磁链模型实现相参考转矩到磁链的转换及磁链前馈补偿，实现了SRM的磁链控制，抑制转矩脉动，方便开关磁阻电机的在线控制。

附图说明

图1为传统SRM磁链控制系统原理图。

图2为转矩特性瞬时转矩估计和磁链补偿控制原理图。

图3为SRM转矩特性神经网络结构图。

图4为激励函数特性图。

图5为动态RBF神经网络结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实例，对本发明进一步详细说明。

1、传统SRM磁链控制

基于TSF(Torque distribution function)传统磁链控制系统如图1所示，主要由PI(Proportional Integral)调节器、转矩分配模块、转矩-磁链模型、磁链计算、磁链滞环控制器、功率变换器等环节构成。控制系统外环：PI调节器根据设定的参考转速ω_ref和转速控制量ω^*的偏差e输出参考转矩T_ref，其中转速控制量ω^*由转子位置角q微分得到。转矩分配模块根据转子位置角q将参考转矩T_ref合理地分配到SRM的各相，得到相参考转矩T_k。通过转矩-磁链模型将相参考转矩T_k转换为相磁链控制量ψ_k。控制系统内环：基于磁链计算公式，根据电机电压u和电机电流i计算参考磁链ψ_ref。将相磁链控制量ψ_k和参考磁链ψ_ref的偏差Δψ送入磁链滞环控制器,进行磁链滞环控制，磁链滞环控制器输出的控制信号送给功率变换器，功率变换器驱动SRM，实现对SRM转矩控制。

SRM换相时转矩应该满足下式：

其中，T_k为第k相参考转矩。f_k(q)为第K相转矩分配函数。m＝3,在常用的四种TSF：立方型、指数型、线性型、余弦型，该发明中，选择具有更好性能的立方型TSF，其表达式如下：

其中，q是开关磁阻电机的旋转角度即转子位置角，q_on为转矩曾大时开通角，q_off为转矩减小时关断角，q_ov为换相重叠角。

2、基于神经网络转矩估计模型和动态RBF神经网络转矩-磁链模型的转矩脉动抑制控制

由于基于TSF传统磁链控制，并没有考虑到将转矩脉动信息引入到控制过程中，因此本发明在基于TSF传统磁链控制的基础上，利用动态RBF神经网络，构建转矩估计模型，基于转矩偏差，通过PD(Proportional Differential)运算后，对动态RBF神经网络转矩-磁链模型输出磁链进行磁链补偿，通过磁链内环控制，有效抑制SRM转矩脉动。如图2所示。

2.1、神经网络转矩估计模型

根据SRM转矩特性，设计一种能反映转矩特性的神经网络激活函数和预处理函数，神经网络拓扑结构如图3所示。

由电流i，转子位置角q及电磁转矩预处理函数F(i,q)组成动网络的输入向量X＝[x₁,x₂,x₃]＝[i,q,F(i,q)]，隐含层激励函数为h＝[h₁,h₂…h_n]，隐含层权值向量为W＝[w₁,w₂…w_n]，网络输出向量为T＝W^Th。

2.1.1、电磁转矩预处理函数

采用电磁转矩预处理函数为：

其中，L_q为SRM电机定子凸极和转子凹槽中心对应饱和电感，L_dast为SRM电机定转子凸极中心位置完全对齐时的饱和电感。A、B为拟合系数，f^‘(q)为位置角函数。A、B、f(q)表达式分别为：

A＝ψ_m-L_dastI_m (4)

其中，N_r为SRM电机转子极数，L_d为SRM电机定子凸极与转子凹槽中心位置对齐时的饱和电感，ψ_m为最大磁链值，I_m为最大磁链下的电流值。

考虑SRM的转矩特性具有较强的非线性特性，所以引入转矩非线性解析表达式作为神经网络的预处理函数，充分利用SRM的机理特性对基于神经网络转矩估计模型的结构进行优化，增强基于神经网络转矩估计模型的泛化能力。

2.1.2、激励函数

根据输入信号的先验知识设计隐含层元激励函数与Sigmoid函数、径向基函数等通用激励函数相比，能够简化网络结构并提升网络性能，更有效率的解决问题。该发明根据SRM转矩基本变化规律，设计的神经网络第j隐含节点的激励函数h_j为：

其中，X为神经网络转矩估计模型的输入向量，X＝[i,q,F(i,q)]，i为电流，q为转子位置角，F(i,q)为电磁转矩预处理值。b_j代表第j隐含节点的基宽值，j＝1,2.3。k为设定的形状调节因子，其用于调节激励函数的形状，0<k<1，c为设定的中心位置调节因子，其用于调节隐含节点的中心位置，0<c<1。

考虑到c与当前的导通相有关，根据SRM三相周期性导通规则，c遵守以下约束：

其中，c的取值应该在当前导通相q_on与q_off之间，使激励函数类似于SRM的电磁转矩特性。

隐含层激励函数的设计目的是为了能够更好的描述SRM的转矩特性。激励函数图形如图4所示。由图得知，激励函数形状和SRM的转矩特性类似，所设计的激励函数可以表达SRM转矩的基本变化规律。

2.1.3、模型的训练

神经网络转矩估计模型通过误差反向传播算法进行在线学习训练。选取性能指标函数为：

其中，u_f是神经网络转矩估计模型误差，

是神经网络转矩估计模型的输出、T_ref是参考转矩。

自适应学习率就是让学习率的大小适应网络的训练；当损失函数曲面较为平缓时，加大学习率；损失函数曲面振荡较为剧烈时，应减小学习率，提升网络收敛性。

假设L(t)、L(t-1)分别是当前t时刻和当前时刻的前一时刻的t-1时刻的损失函数，β(t)为当前t时刻损失函数的变化率。

则当前t时刻的学习率η(t)为：

式中阈值0<a<0.5，0<d<0.1。

根据梯度法调节神经网络中参数公式如下：

其中，0<α<1为动量因子,0<η<1是η学习率，w_j(t)、w_j(t-1)、w_j(t-2)是第j隐含节点当前t时刻，当前时刻的前一时刻及前一时刻的前一时刻的加权w值。η(t)、η(t-1)当前t时刻，当前时刻的前一时刻学习率η值。β(t)是当前t时刻的损失函数的变化率β值。δ(t)是当前t时刻的损失函数的δ变化率。b_j(t)、b_j(t-1)、b_j(t-2)是第j隐含节点当前t时刻，当前时刻的前一时刻及前一时刻的前一时刻的基宽b值。。h_j(t)是当前t时刻第j个节点的激励函数。

2.2、动态RBF神经网络转矩-磁链模型

动态RBF神经网络转矩-磁链模型的拓扑结构如图5所示。当前t时刻ψ_k(t)、当前t时刻的前一时刻磁链ψ_k(t-1)及相参考转矩T_k构成动态RBF神经网络转矩-磁链模型的输入向量X＝[ψ_k(t-1),T_k,ψ_k(t)]^T，隐含层激励函数构成向量为HH＝[hh₁,hh₂…hh_n]，隐含层权值向量为W＝[w₁,w₂…w_n]^T，网络输出为ψ＝W^THH，隐含层激励函数为高斯函数为：

其中，b_j＝(b₁,b₂…b₈)为第j个隐含节点的基宽向量值，c_ij＝(c_i1,c_i2，…，c_i8),i＝1,2,3，为第j个隐含节点的中心向量值。

在电流变化缓慢时，转矩偏差与磁链偏差近似正比例关系，所以通过转矩偏差，对动态RBF神经网络转矩-磁链模型进行训练，使得系统磁链偏差误差

趋近于0，对应磁链偏差也趋于0，其比例系数为k_ψ,

理想的磁链。

实现动态RBF神经网络转矩-磁链模型的误差性能指标为

采用常规梯度下降法，可得到动态RBF神经网络转矩-磁链模型的加权系数。

2.3、磁链的补偿

通过神经网络转矩估计模型得到转矩估计值

并将相T_k与转矩估计值

的第二转矩偏差u_t进行PD运算后得到磁链补偿量Δψ。动态RBF神经网络转矩-磁链模型的输出为ψ_k，利用磁链补偿量Δψ对其进行补偿，补偿后的磁链

为：

对补偿后磁链与参考磁链比较后，在内环磁链控制下，通过磁链滞环控制器，实现SRM实时控制。

基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，包括步骤如下：

步骤1、采集开关磁阻电机的电压u、电流i和转子位置角q；

步骤2、对转子位置角q进行求导后得到转速控制量ω^*；

步骤3、将转速控制量ω^*与设定的参考转速ω_ref的转速偏差e进行PI调节后得到参考转矩T_ref；其中e＝ω^*-ω_ref；

步骤4、在转子位置角q的控制下，对参考转矩T_ref进行转矩分配，得到相参考转矩T_k；

步骤5、计算电磁转矩预处理值F(i,q)：

其中，A和B为拟合系数，A＝ψ_m-L_dastI_m，

ψ_m为开关磁阻电机最大磁链值，I_m为开关磁阻电机最大磁链下的电流值，L_dast为开关磁阻电机转子凸极中心位置完全对齐时的饱和电感，L_d为开关磁阻电机定子凸极与转子凹槽中对齐时的饱和电感，L_q为开关磁阻电机定子凸极与转子凹槽中心对齐时的饱和电感，N_r为开关磁阻电机转子极数，i为电流，q为转子位置角；

步骤6、将电压u、电流i和电磁转矩预处理值F(i,q)输入神经网络转矩估计模型，将神经网络转矩估计模型输出的转矩估计值

与参考转矩T_ref的第一转矩偏差u_f作为神经网络转矩估计模型的误差，通过误差反向传播算法对神经网络转矩估计模型进行在线学习训练，实现对转矩的估计，神经网络转矩估计模型输出转矩估计值

其中

在本发明优选实施例中，神经网络转矩估计模型的第j隐含节点的激励函数h_j为：

其中，X为神经网络转矩估计模型的输入向量，X＝[i,q,F(i,q)]，i为电流，q为转子位置角，F(i,q)为电磁转矩预处理值，k为设定的形状调节因子，0<k<1，c为设定的中心位置调节因子，0<c<1，b_j代表第j隐含节点的基宽值，j＝1,2.3。

步骤7、将转矩估计值

与相参考转矩T_k的第二转矩偏差u_t进行PD运算后得到磁链补偿量Δψ_k；其中

步骤8、将相参考转矩T_k输入动态RBF神经网络转矩-磁链模型，将动态RBF神经网络转矩-磁链模型相参考转矩T_k与转矩估计值

的第二转矩偏差u_t作为动态RBF神经网络转矩-磁链模型的误差，通过误差反向传播算法对动态RBF神经网络转矩-磁链模型进行在线学习训练，实现相参考转矩到磁链的转换，动态RBF神经网络转矩-磁链模型输出相磁链控制量ψ_k；其中

步骤9、利用磁链补偿量Δψ_k对相磁链控制量ψ_k进行补偿，得到补偿后的相磁链

其中

步骤10、根据电压u和电流i计算参考磁链ψ_ref，并计算补偿后的相磁链

与参考磁链ψ_ref的磁链偏差Δψ^*；其中

步骤11、对磁链偏差Δψ^*进行磁链滞环控制和功率变换后去驱动开关磁阻电机，以实现对开关磁阻电机的转矩控制。

实现上述方法的基于磁链的开关磁阻电机转矩脉动抑制控制系统，包括电机电压检测模块、电机电流检测模块、电机转子位置检测模块、求导模块、转速减法器、PI调节器、转矩分配模块、动态RBF神经网络转矩-磁链模型、磁链加法器、磁链减法器、磁链计算模块、磁链滞环控制器、功率变换器、第一转矩减法器、预处理函数模块、神经网络转矩估计模型、第二转矩减法器和PD运算模块；

电机电压检测模块、电机电流检测模块和电机转子位置检测模块的输入端与开关磁阻电机连接；

电机转子位置检测模块的输出端连接求导模块的输入端，求导模块的输出端连接转矩分配模块的控制端和转速减法器的一个输入端，转速减法器的另一个输入端输入参考转速；转速减法器的输出端连接PI调节器的输入端，PI调节器的输出端连接转矩分配模块的输入端和第一转矩减法器的一个输入端；转矩分配模块的输出端连接动态RBF神经网络转矩-磁链模型的输入端和第二转矩减法器的一个输入端；

电机电流检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；电机转子位置检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；预处理函数模块的输出端连接神经网络转矩估计模型的一个输入端；神经网络转矩估计模型的输出端连接第一转矩减法器的另一个输入端和第二转矩减法器的另一个输入端；

第一转矩减法器的输出端连接神经网络转矩估计模型的学习端；第二转矩减法器的输出端连接PD运算模块的输入端和动态RBF神经网络转矩-磁链模型的学习端；

动态RBF神经网络转矩-磁链模型的输出端和PD运算模块的输出端分别连接磁链加法器的两个输入端；磁链加法器的输出端连接磁链减法器的一个输入端；

电机电压检测模块的输出端和电机电流检测模块的输出端连接磁链计算模块的两个输入端；磁链计算模块的输出端连接磁链减法器的另一个输入端；

磁链减法器的输出端连接磁链滞环控制器的输入端，磁链滞环控制器的输出端经由功率变换器连接开关磁阻电机的控制端。

需要说明的是，尽管以上本发明所述的实施例是说明性的，但这并非是对本发明的限制，因此本发明并不局限于上述具体实施方式中。在不脱离本发明原理的情况下，凡是本领域技术人员在本发明的启示下获得的其它实施方式，均视为在本发明的保护之内。

Claims (8)

1.基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，包括步骤如下：

步骤1、采集开关磁阻电机的电压u、电流i和转子位置角θ；

步骤2、对转子位置角θ进行求导后得到转速控制量ω^*；

步骤3、将转速控制量ω^*与设定的参考转速ω_ref的转速偏差e进行PI调节后得到参考转矩T_ref；

步骤4、在转子位置角θ的控制下，对参考转矩T_ref进行转矩分配，得到相参考转矩T_k；

步骤5、计算电磁转矩预处理值F(i,θ)：

其中，A和B为拟合系数，A＝ψ_m-L_dastI_m，

ψ_m为开关磁阻电机最大磁链值，I_m为开关磁阻电机最大磁链下的电流值，L_dast为开关磁阻电机转子凸极中心位置完全对齐时的饱和电感，L_d为开关磁阻电机定子凸极与转子凹槽中对齐时的饱和电感，L_q为开关磁阻电机定子凸极与转子凹槽中心对齐时的饱和电感，N_r为开关磁阻电机转子极数，i为电流，θ为转子位置角；

步骤6、将电压u、电流i和电磁转矩预处理值F(i,θ)输入神经网络转矩估计模型，将神经网络转矩估计模型输出的转矩估计值

与参考转矩T_ref的第一转矩偏差u_f作为神经网络转矩估计模型的误差，通过误差反向传播算法对神经网络转矩估计模型进行在线学习训练，实现对转矩的估计，神经网络转矩估计模型输出转矩估计值

步骤7、将转矩估计值

与相参考转矩T_k的第二转矩偏差u_t进行PD运算后得到磁链补偿量Δψ_k；

步骤8、将相参考转矩T_k输入动态RBF神经网络转矩-磁链模型，将动态RBF神经网络转矩-磁链模型相参考转矩T_k与转矩估计值

的第二转矩偏差u_t作为动态RBF神经网络转矩-磁链模型的误差，通过误差反向传播算法对动态RBF神经网络转矩-磁链模型进行在线学习训练，实现相参考转矩到磁链的转换，动态RBF神经网络转矩-磁链模型输出相磁链控制量ψ_k；

步骤9、利用磁链补偿量Δψ_k对相磁链控制量ψ_k进行补偿，得到补偿后的相磁链

步骤10、根据电压u和电流i计算参考磁链ψ_ref，并计算补偿后的相磁链

与参考磁链ψ_ref的磁链偏差Δψ^*；

步骤11、对磁链偏差Δψ^*进行磁链滞环控制和功率变换后去驱动开关磁阻电机，以实现对开关磁阻电机的转矩控制。

2.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤6中，神经网络转矩估计模型的第j隐含节点的激励函数h_j为：

其中，X为神经网络转矩估计模型的输入向量，X＝[i,θ,F(i,θ)]，i为电流，θ为转子位置角，F(i,θ)为电磁转矩预处理值，k为设定的形状调节因子，0＜k＜1，c为设定的中心位置调节因子，0＜c＜1，b_j代表第j隐含节点的基宽值，j＝1,2.3。

3.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤3中，转速偏差e为：

e＝ω^*-ω_ref

式中，ω^*为转速控制量，ω_ref为参考转速。

4.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤6中，第一转矩偏差u_f为：

式中，

为转矩估计值，T_ref为参考转矩。

5.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤7和8中，第二转矩偏差u_t为：

式中，

为转矩估计值，T_k为相参考转矩。

6.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤9中，补偿后的相磁链

为：

式中，ψ_k为相磁链控制量，Δψ_k为磁链补偿量。

7.根据权利要求1所述基于磁链的开关磁阻电机转矩脉动抑制控制方法，其特征是，步骤10中，磁链偏差Δψ^*为：

式中，

为补偿后的相磁链，ψ_ref为参考磁链。

8.基于磁链的开关磁阻电机转矩脉动抑制控制系统，包括电机电压检测模块、电机电流检测模块、电机转子位置检测模块、求导模块、转速减法器、PI调节器、转矩分配模块、动态RBF神经网络转矩-磁链模型、磁链加法器、磁链减法器、磁链计算模块、磁链滞环控制器、功率变换器、第一转矩减法器、预处理函数模块、神经网络转矩估计模型、第二转矩减法器和PD运算模块；

电机电压检测模块、电机电流检测模块和电机转子位置检测模块的输入端与开关磁阻电机连接；

电机转子位置检测模块的输出端连接求导模块的输入端，求导模块的输出端连接转矩分配模块的控制端和转速减法器的一个输入端，转速减法器的另一个输入端输入参考转速；转速减法器的输出端连接PI调节器的输入端，PI调节器的输出端连接转矩分配模块的输入端和第一转矩减法器的一个输入端；转矩分配模块的输出端连接动态RBF神经网络转矩-磁链模型的输入端和第二转矩减法器的一个输入端；

电机电流检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；电机转子位置检测模块的输出端分别连接预处理函数模块的输入端和神经网络转矩估计模型的一个输入端；预处理函数模块的输出端连接神经网络转矩估计模型的一个输入端；神经网络转矩估计模型的输出端连接第一转矩减法器的另一个输入端和第二转矩减法器的另一个输入端；

第一转矩减法器的输出端连接神经网络转矩估计模型的学习端；第二转矩减法器的输出端连接PD运算模块的输入端和动态RBF神经网络转矩-磁链模型的学习端；

动态RBF神经网络转矩-磁链模型的输出端和PD运算模块的输出端分别连接磁链加法器的两个输入端；磁链加法器的输出端连接磁链减法器的一个输入端；

电机电压检测模块的输出端和电机电流检测模块的输出端连接磁链计算模块的两个输入端；磁链计算模块的输出端连接磁链减法器的另一个输入端；

磁链减法器的输出端连接磁链滞环控制器的输入端，磁链滞环控制器的输出端经由功率变换器连接开关磁阻电机的控制端。

Images