基于机理特性的SRM神经网络电感模型构建及转矩脉动控制.docx

基于机理特性的SRM神经网络电感模型构建及转矩脉动控制
基于机理特性的SRM神经网络电感模型构建及转矩脉动控制
摘要：
开关磁阻电机（SRM）是一种具有简单、结构紧凑和高可靠性的电机，因其特殊的工作原理，容易产生电感模型误差及转矩脉动。为了减小电感模型误差并提高转矩平滑，本文提出了基于机理特性的SRM神经网络电感模型构建及转矩脉动控制方法。首先，通过对SRM的工作原理进行分析，建立了SRM的电感模型，并讨论了其相关误差来源。接着，提出了基于神经网络的电感模型构建方法，通过训练网络模型，根据输入电流和转速预测电感值，并用预测值校正转矩输出。最后，进行了仿真实验验证了所提方法的有效性和可行性。
关键词：开关磁阻电机（SRM）、电感模型、机理特性、神经网络、转矩脉动控制
引言：
开关磁阻电机（SRM）是一种独特的电机，采用了磁场的开闭控制，无需传统电机的永磁体或励磁线圈。然而，由于其特殊的工作原理，SRM容易产生电感模型误差及转矩脉动。电感模型误差会导致电流预测不准确，从而影响到转矩输出的平滑性。因此，研究如何减小电感模型误差并提高转矩平滑性成为了SRM控制的关键问题。
方法：
1.SRM的电感模型及误差分析
为了准确的建立SRM的电感模型，并降低误差对转矩输出的影响，首先需要对SRM的工作原理进行分析。SRM的电感模型可以表示为:
L(t)=L0+a(I)+b(ωr)
其中，L(t)为瞬时电感，L0为基本电感，a(I)和b(ωr)分别表示电流和转速的影响。然而，由于SRM的结构特点及参数的不确定性，电感模型中的参数往往难以准确获得，导致模型误差的产生。常见的误差来源包括参数误差、电流采样误差和温度变化误差等。
2.基于神经网络的电感模型构建
为了减小电感模型误差，本文提出了基于神经网络的电感模型构建方法。通过训练网络模型，根据输入电流和转速预测电感值，并用预测值校正转矩输出。具体步骤如下：
（1）收集训练数据集:在不同负载和转速下，测量电感值和相应的电流、转速数据。
（2）网络模型构建:选取适合的神经网络结构，如BP神经网络，根据训练数据集进行网络训练。
（3）模型训练和测试:将训练数据集划分为训练集和测试集，通过训练集对网络模型进行训练，然后通过测试集评估模型的训练效果并进行调整。
（4）电感预测和转矩校正：根据训练好的网络模型，输入电流和转速，进行电感预测，并用预测值对转矩输出进行校正。
3.转矩脉动控制
为了提高转矩平滑性，本文提出了转矩脉动控制方法。通过引入电感模型误差修正，对转矩输出进行调整，使得转矩脉动减小。具体步骤如下：
（1）实时电感预测：根据训练好的神经网络模型，根据实时输入的电流和转速，预测当前时刻的电感值。
（2）转矩校正：将预测的电感值与实际测量值进行对比，得到电感模型误差，将其转化为转矩补偿值，并校正转矩输出。
实验结果与讨论：
本文通过对SRM电感模型的分析和误差来源的讨论，建立了基于神经网络的电感模型构建方法，并提出了转矩脉动控制方法。在Matlab/Simulink下进行了仿真实验，通过对比实验结果，验证了所提方法的有效性和可行性。实验结果表明，所提方法能够显著减小电感模型误差，并有效减小转矩脉动。
总结：
本文提出了基于机理特性的SRM神经网络电感模型构建及转矩脉动控制方法。通过建立电感模型，并通过神经网络对电感进行预测和校正，有效减小了电感模型误差，提高了转矩平滑性。实验结果证明了所提方法的有效性和可行性。未来的工作可以进一步优化神经网络结构，并在实际SRM系统中进行验证。