A method of SRM torque ripple suppression based on deep learning network includes the following steps: 1) establishing mathematical model of SRM; 2) building control system diagram and control logic flow chart; 3) building network model structure; 4) offline training of dropout deep learning network. A torque observer based on random dropout deep learning network is proposed. By optimizing the network structure, the nonlinear data such as torque \u2011 current \u2011 position can be quickly converged and fitted, which improves the accuracy and real-time of actual torque acquisition.
【技术实现步骤摘要】
一种基于深度学习网络的SRM转矩脉动抑制方法
本专利技术属于电机控制领域,涉及一种基于深度学习网络的SRM转矩脉动抑制方法。
技术介绍
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。
技术实现思路
本专利技术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,本专利技术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: ...
【技术保护点】
1.一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:/n1)建立开关磁阻电机数学模型;/n2)搭建控制系统框图并建立控制逻辑流程图;/n3)搭建网络模型结构;/n4)进行Dropout深度学习网络的离线训练。/n
【技术特征摘要】
1.一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。
2.根据权利要求1所述的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,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。
3.根据权利要求1所述的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,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:
ffall(θ)=1-frise(θ+θov-θoff+θon)。
4.根据权利要求1所述的一种基于深度学习网络的SRM转矩脉动抑制方法,其特...
【专利技术属性】
技术研发人员:李孟秋,蔡辉,沈仕其,
申请(专利权)人:湖南贝加尔动力科技有限公司,
类型:发明
国别省市:湖南;43
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。