一种基于深度学习网络的SRM转矩脉动抑制方法技术

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 method of SRM torque ripple reduction based on deep learning network

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：对于任何TSF，函数ffall都与函数frise相关：ffall(θ)＝1-frise(θ+θov-θoff+θon)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(MeanSquaredError，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：θt+1＝θt-η·▽θJ(θ；xi:i+m；yi: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专利技术进行详细的说明。本专利技术由步骤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：Ψk(θ,ik)＝Lk(θ,ik)·ik(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：ffall(θ)＝1-frise(θ+θov-θoff+θon)(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，其公式本文档来自技高网...

【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