阅读说明：本技术 一种基于深度学习网络的srm转矩脉动抑制方法 (SRM torque ripple suppression method based on deep learning network ) 是由 李孟秋 蔡辉 沈仕其 于 2019-08-03 设计创作，主要内容包括：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。(a SRM torque ripple suppression method based on a deep learning network comprises the following steps: 1) establishing a mathematical model of the switched reluctance motor; 2) building a control system block diagram and a control logic flow chart; 3) building a network model structure; 4) offline training of the Dropout deep learning network is performed. The torque observer based on the random Dropout deep learning network is provided and designed, nonlinear data such as torque-current-position and the like are subjected to fast convergence fitting through optimizing a network structure, and the acquisition accuracy and the real-time performance of actual torque are improved.)

一种基于深度学习网络的SRM转矩脉动抑制方法

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)

其中η为学习速率。

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，选取dropout最优值。

附图说明

图1控制系统框图；

图2控制逻辑流程图；

图3深度网络模型结构图；

图4训练结果与实际转矩的误差曲面；

图5随机dropout网络训练结果。

具体实施方式

以下结合附图和实施例对本发明进行详细的说明。

本发明由步骤1建立开关磁阻电机数学模型，步骤2搭建控制系统框图并 建立控制逻辑流程图，步骤3搭建网络模型结构，步骤4进行Dropout深度学 习网络的离线训练构成。

在步骤1建立开关磁阻电机数学模型中，SRM各相转矩会随着转子位置与 相电流的变化而发生较大改变，一般来说，在任意转子位置角θ及相电流ik作 用产生的电磁转矩Tk可通过对磁共能函数求偏导计算得到：

其中，m是电机相数，Wc定义为：

相位磁链Ψk的两个基本方程为：

Ψ_k(θ,i_k)＝L_k(θ,i_k)·i_k (3)

其中，Lk是相电感，uk是相电压，Rk是相电阻。

相电感Lk的大小与转子位置角及相电流皆相关，在对其进行分析时，通常 忽略磁路饱和的影响，此时Lk与相电流ik无关，而只是关于转子位置角θ的 函数，据此可得电磁转矩计算公式：

当相电感关于θ的导数为正，产生的转矩也为正，如图1所示，相电感Lk 及其导数周期性地变化。在理想情况下，正转矩只能在定子和转子磁极重叠角 度的始端θbo和末端θeo之间产生。但实际上，在不对称的θu和对称的θal 位置之间的整个区域中可以产生正转矩，其等于转子极距(τ/2)的一半：

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。

在TSF的非零区域中，有k相单独提供提供整个电机转矩()的次区域， 也有一相或多相共同提供转矩的次区域(即换向或重叠区域)，满足。本文只考 虑在重叠区域中同时激励不超过两相的情况，在这种条件下，大多数三相和四 相SRM的任何相不会产生负转矩。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) (10)

根据三相合成指令转矩给各相的分配方式不同，将有无数个TSF曲线。

在步骤2搭建控制系统框图并建立控制逻辑流程图中，参见图1为控制系 统框图，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。参见图2是控制逻辑流程图。(参见图1，图2)

在步骤3搭建网络模型结构中，对比传统网络模型，dropout网络新定义 了一个超参数p来表示神经元节点的激活概率。网络输出为：

其中，L为网络层次总数，Bernoulli函数表示以概率p 随机生成一个0或1的向量，m^(l)为服从Bernoulli分布的向量，m^(l)与第l 层的输出矩阵a^(l)相乘，得到l层的稀疏输出。随机dropout算法的应用，相当于从完整的网络结构中抽取子网络进行训练。 对于一个包含n个神经元的深度网络而言，dropout算法可以抽取共计2ⁿ个不同结构的子网络，最终通过对这些子网络进行模型融合，将大大提高整个 网络模型的泛化能力及稳定性。

通过有限元分析得到电机的曲线，作为神经网络的训练样本，其中电流取 值范围为0～250A，每2.5A取一组样本，角度取值范围为0～，每取一组样本， 共18281组样本。

本文网络模型结构参见图3，网络以最小化均方误差损失为优化目标，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)

其中η为学习速率。(参见图3)

在步骤4进行Dropout深度学习网络的离线训练中，择适当的转子、电流 及转矩样本数据进行训练，通过网络结构对其进行训练，基于dropout快速拟 合及逼近能力，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。

电机电流、转矩及角度之间的离散数据样本由有限元仿真获取，为提高训 练精度，选取1°作为角度间隔，角度区间为0-360°(电角度)，选取1A为电 流取样间隔，取值范围为0-250A，数据为361行，251列，共计个数据 90611，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

从参见图4，参见图5对比训练结果可以看出，训练结果与实际误差较 小，训练误差保持在3N*m之内，最大转矩误差相对额定转矩不到，满足转矩计 算精度的要求。通过以上分析可以看出，采用随机Dropout神经网络构造的转 矩观测器，通过离线模型训练，减小了查表法所需的额外存储空间，也避免了 解析法带来的复杂运算，能够很好的表示SRM转矩与输入电流及角度间复杂的 非线性关系，可应用于工程实践。(参见图4，图5)