开关磁阻电机(SRM )主开关器件与相绕组串联,具有不存在直通短路的极高可靠性;其转子无绕组及永磁体,结构简单、坚固,成本低,易于冷却.S RM极高的安全性以及简单坚固的结构使其成为未来新能源汽车动力系统的首选.然而SRM自身的双凸极结构以及高度的磁饱和特性给电机带来了极强的非线性特性,使得对其进行建模变得非常困难,而且低速运行时较大的转矩脉动制约了新能源汽车的推广和使用.为了有效抑制转矩脉动,提出两种S RM控制策略:
　　(1) 基于转矩-相电流神经网络模型的SRM转矩脉动抑制策略.以转矩、相电流机理模型为依据,设计新的转矩-相电流神经网络,搭建SRM非线性模型,实现SRM的有效控制.针对由SRM转矩和电流之间的强非线性关系而引起的转矩脉动,将经典RBF神经网络模型的激励函数进行重构,设计转矩-相电流神经网络非线性模型用于计算SRM的控制相电流,实现对SRM的有效控制.转矩-相电流神经网络非线性模型以转矩分配函数策略(TSF)为基础,设计一种能够反映 SRM 相电流基本变化规律的新神经网络激励函数,描述SRM的强非线性特征,使设计的神经网络结构更能体现SRM的本质特性,有利于加快建模速度,提高建模精度.转矩-相电流神经网络模型通过在线学习得到S RM的转矩-电流模型,计算对应的控制电流对SRM进行控制,实现转矩脉动的有效抑制.仿真结果表明,基于TSF的转矩-相电流神经网络模型控制策略的控制效果优于基于TSF的RBF神经网络模型控制策略.
　　(2) 基于转矩-总电流神经网络模型的SRM转矩脉动抑制策略.以SRM总电流基本变化规律为基础,结合电流分配策略(CSM),设计一种能够描述SRM总电流基本变化规律与强非线性特性的函数作为转矩-总电流神经网络的激励函数,构建SRM转矩-总电流神经网络非线性模型.转矩-总电流神经网络的激励函数特性与SRM总电流基本变化规律一致,更能反映SRM的固有特征,有利于加快神经网络学习速度,提高建模精度.通过具有自学习能力的转矩-总电流神经网络模型计算对应的控制电流控制 SRM,实现转矩脉动的有效抑制.仿真结果表明,基于 CSM的转矩-总电流神经网络模型控制策略的控制效果优于基于CSM的RBF神经网络模型控制策略.
　　在英飞凌XC2765X-104F核心板的SRM实验平台上,对转矩-总电流神经网络模型控制进行实验验证,将其与传统 RBF 神经网络控制进行对比,结果表明了基于转矩-总电流神经网络模型的S RM控制策略的可行性.