CN107276465B - 一种转矩-电流神经网络开关磁阻电机控制方法与*** - Google Patents

Abstract

本发明为一种转矩‑电流神经网络开关磁阻电机控制方法与***，本方法为SRM各相配置一个神经网络前馈控制器，以转矩‑电流逆模型为其激活函数，以给定总转矩分配的各相参考转矩和转子位置角为输入，以PID控制器的输出实现反馈误差学习。神经网络前馈控制器的输出与PID控制器的输出叠加作为参考电流送入电流滞环控制器，结合当前电流反馈信号控制SRM运行。本***SRM安装电流、位置和转矩传感器，信号处理器含有三个神经网络前馈控制器、转矩分配模块、PID控制模块、电流迟滞环控制模块。内环电流滞环控制器跟踪参考电流，控制SRM运行，充分考虑了SRM具有特殊强非线性，有效减小SRM的转矩脉动。

Description

一种转矩-电流神经网络开关磁阻电机控制方法与***

技术领域

本发明涉及新能源汽车驱动用开关磁阻电机的控制技术领域，具体为一种转矩-电流神经网络开关磁阻电机控制方法与***。

背景技术

当前，能源和环境问题日益突出，电动汽车受到广泛的重视，具有非常大的发展前景。相对于其它电机而言，SRM(开关磁阻电机Switched Reluctance Motor，本文内的SRM表示开关磁阻电机)具有结构简单坚固、无需稀土材料、适用于频繁的启停等诸多优良特性，在新能源电动汽车领域最具应用潜力。但是，SRM自身双凸极结构的特点，磁路呈强非线性和饱和性，导致电机运转时存在转矩脉动、噪声、振动大等缺点，阻碍了SRM在新能源电动轿车驱动***中的应用。在SRM控制中，为了抑制SRM转矩脉动，研究者在直接转矩控制和间接转矩控制策略上提出了许多解决方法。

直接转矩控制DTC(Direct Torque Control,DTC)方法用瞬时转矩、磁链确定开关状态，实现对SRM转矩的直接控制，达到转矩脉动抑制的目的。直接瞬时转矩控制DITC(Direct Instantaneous Torque Control,DITC)使用转矩滞环控制器产生每相的开关控制信号，结构简单，不需换相策略，能在宽速度范围内抑制SRM转矩脉动。转矩分配函数(Torque-Sharing Function,TSF)控制策略，通过转矩分配机制解决了换相过程中，开通相和关断相输出转矩平滑过渡的问题，减小了由直接换相操作导致的转矩脉动强度；转矩分配方法通常与其它控制策略结合，实现SRM转矩脉动抑制。

在解决非线性***的控制问题上，智能控制方法相较于常规的控制方法具有突出优势，尤其是其中的神经网络智能控制。神经网络控制具有强大的非线性逼近能力，已经成为智能控制的研究热点。文献报道以转速为控制目标、基于BP(back propagation，BP)神经网络及RBF(Radio Basis Function,RBF)神经网络设计的SRM速度控制器，克服了传统控制器处理非线性***的局限性。还有的研究者将DTC控制策略与神经网络结合，用神经网络代替传统的状态开关选择。并有利用采集到的SRM磁链、电流与转子位置角数据，离线训练神经网络，建立磁链、电流与转子位置角关系模型，实现可应用于控制的转子位置角估算。有报道在TSF分配基础上,采用BP神经网络，优化SRM导通与关断时间，降低SRM转矩脉动，提出转矩与电流的神经网络模型，抑制SRM转矩脉动。相关研究提出SNN(Spiking NeuralNetworks,SNN)实现SRM建模与控制，其中SNN结构非常类似RBF神经网络。基于神经网络的SRM控制，侧重转矩的建模、电流的建模研究。据文献报道，以电流位置函数的泰勒级数为结构，搭建神经网络控制电流模型，通过神经网络在线学习泰勒级数参数。还有报道针对SRM非线性特性，提出混沌原理，改进神经网络梯度学习方法,针对SRM非线性特性，借助遗传优化算法，采用混合训练小波神经网络HTWNN(Hybrid Training Wavelets Neural Network，HTWNN)建立SRM的磁链转矩等非线性模型，此方法不可避免小波复杂结构和大运算量的缺陷。分别采用自适应网络推理***和模糊神经网络对SRM电感特性及磁链特性进行建模，比较分析模糊神经网络SRM建模具有更好性能。如设计双BP神经网络，对SRM电流和转矩进行建模。

现有的文献报道中，在SRM建模与控制中，所用的神经网络都是通用的神经网络模型，未结合SRM特殊的非线性特性进行神经网络模型设计，故难以对SRM转矩进行有效控制。

发明内容

本发明的目的是设计一种转矩-电流神经网络开关磁阻电机控制方法，本方法为SRM三相中的每一相配置一个基于转矩-电流关系的神经网络前馈控制器，以转矩-电流逆模型表达式作为前馈控制器神经网络隐含层的激活函数，按立方分配函数将给定总转矩分配作为各相参考转矩T_kk(θ)，参考转矩T_kk(θ)和转子位置角θ作为神经网络的输入。神经网络前馈控制器基于外环PID控制器的输出实现反馈误差学习。神经网络前馈控制器的输出用于补偿PID控制器的输出，二者叠加作为参考电流送入电流滞环控制器，结合当前电流反馈信号控制SRM运行。本方法充分考虑了SRM具有特殊强非线性，有效减小电机的转矩脉动。

本发明的另一目的是设计一种转矩-电流神经网络开关磁阻电机控制***。SRM安装电流传感器、位置传感器和转矩传感器，本***的信号处理器含有转矩-电流三个神经网络前馈控制模块器、转矩分配模块、PID控制模块、电流迟滞环控制模块。所述神经网络前馈控制器为转矩-电流逆模型神经网络。转矩分配模块与神经网络前馈控制器串联；外环PID控制模块的输出作为神经网络前馈控制器学习信号，内环电流滞环控制器跟踪参考电流，经功率驱动器控制SRM运行，实现SRM转矩控制，有效减小SRM的转矩脉动。

本发明设计的一种转矩-电流神经网络开关磁阻电机控制方法，包括以下步骤：

步骤I SRM各相转矩分配

参考转矩分配的输出作为神经网络前馈控制器输入信号之一。转矩分配函数TSF，采用最佳分配函数：立方分配函数，其表达式为：

式中f(θ)表示立方分配函数；θ为转子位置角；θ_on为开通角；θ_ov为换相重叠角；

根据公式(1)，将给定总转矩分配作为各相参考转矩T_kk(θ)，转矩分配公式如下：

式中为设定参考转矩；T_kk(θ)为随θ变化的相参考转矩；f(θ)表示立方分配函数；θ为转子位置角；θ_on为开通角；θ_ov为换相重叠角；θ_off为关断角；kk＝1,2,3表示SRM的A、B及C三相。

步骤Ⅱ、基于转矩-电流关系构造的神经网络前馈控制器

Ⅱ-1 SRM的转矩-电流逆模型与神经网络前馈控制器激励函数

实际SRM相电感具有强非线性特性，准确的SRM数学模型难以获得。若忽略磁饱和与边缘效应，即得到简化的线性电感模型，通过采用该线性电感模型的转矩-电流转换公式计算获得各相参考电流。因简化线性电感模型与实际电感模型的非线性差异，所得的各相参考电流难以准确控制电机转矩，并导致其控制输出的转矩脉动恶化。

综合考虑SRM非线性特性及磁饱和特性，分析转矩与相电流关系，本发明采用较准确的转矩-电流逆模型表达式：

公式(3)中T_e(θ)为随θ变化的相参考转矩，取值为转矩分配函数输出T_kk；a(θ)、b(θ)参数分别由转子位置角θ与固定的权值向量W_a、W_b确定；i(θ)为随θ变化的相电流。

公式(3)转矩-电流逆模型表达式做为神经网络前馈控制器的隐含层激励函数，构造转矩-电流逆模型的神经网络，以得到各相最佳参考电流。

Ⅱ-2、神经网络前馈控制器

本发明为SRM三相中的每一相配置一个神经网络前馈控制器，其为转矩-电流逆模型神经网络。某一相的神经网络前馈控制器为包括输入层、隐含层和输出层的神经网络。参考转矩T_kk(θ)和转子位置角θ作为神经网络前馈控制器的输入，T_kk(θ)为相参考转矩由步骤I的转矩分配函数TSF得到；θ为SRM转子位置角，由SRM上的位置传感器所测得；神经网络前馈控制器的隐含层H＝[O₁,O₂,…O_j]，O_j为隐含层节点的输出，j为隐含层节点数，j＝1,2,3，...,j的最大值为6～200；输出层为求和线性函数。

神经网络前馈控制器的神经网络加权系数学习采用公知的动量梯度法学习方法。

神经网络前馈控制器运行过程如下：

Ⅱ-21、隐含层权值向量

隐含层激励函数中神经网络学习之前参数确定：固定权值向量W_a＝[w_a1,w_a2,…w_aj]^T、W_b＝[w_b1,w_b2,…w_bj]^T随机初始化为10～30之间的任意数值；输出层权值向量W_out＝[w₁,w₂,…w_j]^T初始化，取值大于零，该发明取初值为0.1。

Ⅱ-22、转子位置角θ

SRM上的位置传感器所测得的转子位置角θ经三角函数归一化为0至1之间周期变化的数值。

Ⅱ-23、隐含层各节点的输出

按公式(3)计算，得到i(θ)值作为隐含层各节点的输出值O_j。

Ⅱ-24、神经网络前馈控制器输出

式中表示某个神经网络前馈控制器的输出电流，称为某相神经网络输出电流，w_j为加权系数，j＝1,2,3，...m，m＝40,kk＝1,2,3。

Ⅱ-25、根据学习信号i_error调整输出权值

由SRM上安装的转矩传感器得到当前转矩值Tc与给定总转矩的差做为转矩偏差ΔT，作为外环PID控制器(Proportion Integral Derivative比例积分微分控制器)的输入，外环PID控制器得到随θ变化的PID输出电流i_error，i_error经电流分配得到某相的PID控制电流 为本方法所得的某相参考电流；

Ⅱ-3、神经网络前馈控制器的反馈误差学习

本发明神经网络前馈控制器采用有监督的在线学习，其监督学习信号为PID控制器得到的控制电流i_error。神经网络的输入层采用固定的权值，只需调整输出层的权值。

输出层的权值的性能指标函数为：

步骤Ⅱ-21确定神经网络前馈控制器隐含层权值向量W_a和W_b的数值后，根据梯度下降法，调整神经网络前馈控制器的输出权值；

式中w_j(k)为k时刻的输出层权值，w_j(k-1)是k时刻的前一时刻的输出层权值，w_j(k-2)是(k-1)时刻的前一时刻的输出层权值，Δw_j(k)为调整权值增量；i_error(k)为k时刻的PID输出电流；O_j(k)为隐含层k时刻的输出量；j为隐含层节点数(j＝1...m)，α为动量因子，范围,0.01～0.1，η为参数调整学习率，范围0～1。

步骤Ⅲ、电流滞环控制

神经网络前馈控制器的输出与PID控制器输出的叠加后得到本方法的参考电流作为内环电流迟滞环控制器的参考电流，同时SRM上安装的电流传感器也将当前三相的电流值I_kk.mear送入内环电流迟滞环控制器，内环电流迟滞环控制器经功率驱动器控制SRM运行，实现转矩控制，有效抑制SRM的转矩脉动。

在SRM启动时，神经网络前馈控制器与PID控制器共同作用，得到参考电流使***稳定工作；神经网络前馈控制器经过充分学***衡状态。

根据本发明的一种转矩-电流神经网络开关磁阻电机控制方法，设计一种转矩-电流神经网络开关磁阻电机控制***，包括信号处理器、功率驱动器、电流传感器、位置传感器、转矩传感器、显示器及SRM，开关磁阻电机的输出轴上安装转矩传感器，输出SRM的当前转矩信号T_c；磁阻电机转子上安装位置传感器，输出当前转子位置角θ；SRM的三相输入端分别安装电流传感器，输出当前各相的电流值。

所述信号处理器含有与SRM三相配合的三个神经网络前馈控制器，其为转矩-电流逆模型神经网络，还有转矩分配模块、PID控制模块、电流迟滞环控制模块。

所述转矩分配模块将给定总转矩分配为各相参考转矩T_kk(θ)，和转子位置角θ一起，分别输入三个神经网络前馈控制器，三个神经网络前馈控制器输出各相的神经网络控制电流分别送入三个电流加法器。

SRM上安装的转矩传感器得到的当前转矩值Tc和给定总转矩接入转矩减法器，输出的转矩偏差ΔT接入外环PID控制器，外环PID控制器据此得到PID输出电流i_error，i_error接入电流分配模块，电流分配模块根据当前转子位置角得到各相的PID控制电流接入三个电流加法器。同时PID输出的i_error作为三个转矩-电流神经网络前馈控制器的神经网络的学习信号。

三个电流加法器分别实现各相神经网络输出电流和PID控制电流叠加，得到三相的理想的参考电流接入电流迟滞环控制模块，同时SRM上安装的电流传感器也将当前三相的电流值作为电流反馈信号送入内环电流迟滞环控制器，内环电流迟滞环控制器的输出经功率驱动器控制SRM运行。

信号处理器与显示器连接，显示控制状态和控制结果。

信号处理器配置CAN(控制器局域网络Controller Area Network)接口，提供与外设通信接口。

与现有技术相比，本发明一种转矩-电流神经网络开关磁阻电机控制方法与***的优点为：1、借鉴RBF神经网络结构，应用SRM转矩-电流逆关系函数作为神经网络隐含层的激活函数，构建了一种基于转矩-电流关系的神经网络前馈控制器，其针对SRM的特殊非线性进行建模，输出的神经网络控制电流可补偿外环PID控制器的输出的PID控制电流，二者叠加得到各相参考电流；2、外环PID控制器输出的PID输出电流作为神经网络前馈控制器的学习信号，即采用反馈误差学习方法建立神经网络前馈控制器，其具有在线学习能力和自适应调整能力；3、在内环电流滞环控制器配合控制下，外环PID控制器和神经网络前馈控制器相结合的控制策略能有效实现转矩控制，并有效抑制SRM的转矩脉动；与无神经网络前馈控制器传统方法比较，本发明实现SRM转矩的有效控制，转矩脉动率低了50％；4、所设计的神经网络前馈控制器结构简洁，学习速度快，易于实现。

附图说明

图1为本转矩-电流神经网络开关磁阻电机控制方法实施例的某相神经网络前馈控制器结构示意图；

图2为本转矩-电流神经网络开关磁阻电机控制***实施例整体结构示意图。

具体实施方式

转矩-电流神经网络开关磁阻电机控制方法实施例

本转矩-电流神经网络开关磁阻电机控制方法实施例包括以下步骤：

步骤I SRM各相转矩分配

本例转矩分配函数TSF采用最佳分配函数立方分配函数，其表达式为：

式中f(θ)表示立方分配函数；

根据公式(1)，将给定总转矩分配作为各相参考转矩T_kk(θ)，转矩分配公式如下：

式中为设定参考转矩；T_kk(θ)为随θ变化的相参考转矩；f(θ)表示立方分配函数；θ为转子位置角；θ_on为开通角；θ_ov为换相重叠角；θ_off为关断角；kk＝1,2,3表示SRM的A、B及C三相。

步骤Ⅱ、基于转矩-电流关系构造的神经网络前馈控制器

Ⅱ-1 SRM的转矩-电流逆模型与神经网络前馈控制器激励函数

本例采用较准确的转矩-电流逆模型表达式：

公式(3)式中T_e(θ)为相参考转矩，取值为转矩分配函数输出T_kk(θ),a(θ)、b(θ)参数分别由转子位置角θ与固定的权值向量W_a、W_b确定。公式(3)作为神经网络前馈控制器的神经网络隐含层激励函数。

Ⅱ-2、神经网络前馈控制器

本例为SRM电机三相中的每一相配置一个神经网络前馈控制器，其为转矩-电流逆模型神经网络。某一相的神经网络前馈控制器如图1所示，为包括输入层、隐含层和输出层的神经网络。其参考转矩T_kk(θ)和转子位置角θ作为神经网络前馈控制器的输入，T_kk(θ)为相参考转矩由步骤I的转矩分配函数TSF得到。θ为SRM转子位置角，由SRM上的位置传感器所测得；隐含层H＝[O₁,O₂,…O_j]，O_j为隐含层节点的输出，j为隐含层节点数，j＝1,2,3，...,本例j的最大值为40；步骤Ⅱ-1的SRM转矩-电流逆模型，即公式(3)作为隐含层激励函数；输出层为求和线性函数。

本例神经网络前馈控制器的神经网络加权系数学习采用公知的动量梯度法学习。

本例神经网络前馈控制器运行过程如下：

Ⅱ-21、隐含层权值向量

隐含层激励函数中神经网络学习之前参数确定：固定权值向量W_a＝[w_a1,w_a2,…w_aj]^T、W_b＝[w_b1,w_b2,…w_bj]^T随机初始化为10～30之间的任意数值；输出层权值向量W_out＝[w₁,w₂,…w_j]^T初始化，本例W_out均取初值为0.1。

Ⅱ-22、转子位置角θ

SRM上的位置传感器所测得的转子位置角θ经三角函数归一化为0至1之间周期变化的数值。

Ⅱ-23、隐含层各节点的输出

按公式(3)计算，得到i(θ)值作为隐含层各节点的输出值O_j。

Ⅱ-24、神经网络前馈控制器输出

式中表示某个神经网络前馈控制器的输出电流，称为某相神经网络输出电流，w_j为加权系数，j＝1,2,3，...，本例j的最大值为40。

Ⅱ-25、根据学习信号i_error调整输出权值

由SRM上安装的转矩传感器得到当前转矩值Tc与给定总转矩的差做为转矩偏差ΔT，作为外环PID控制器的输入，外环PID控制器得到PID输出电流i_error，i_error经电流分配得到三相的PID控制电流 为本方法所得的某相参考电流；

Ⅱ-3、神经网络前馈控制器的反馈误差学习

本例神经网络前馈控制器采用有监督的在线学习，其监督学习信号为PID控制器得到的控制电流i_error。神经网络的输入层采用固定的权值，只需调整输出层的权值。

输出层的权值的性能指标函数为：

步骤Ⅱ-21确定神经网络前馈控制器隐含层权值向量W_a和W_b的数值后，根据梯度下降法，调整神经网络前馈控制器的输出权值；

式中w_j(k)为k时刻的输出层权值，w_j(k-1)是k时刻的前一时刻的输出层权值，w_j(k-2)是(k-1)时刻的前一时刻的输出层权值，Δw_j(k)为调整权值增量；i_error(k)为k时刻的PID输出电流；O_j(k)为隐含层k时刻的输出量；α为动量因子，η为参数调整学习率，本例α＝0.01,η＝0.1。

在SRM启动时，神经网络前馈控制器与PID控制器共同作用，得到参考电流使***稳定工作；神经网络前馈控制器经过充分学***衡状态。

步骤Ⅲ、电流滞环控制

神经网络前馈控制器的输出与PID控制器输出叠加后得到参考电流其为内环电流迟滞环控制器的参考电流，同时SRM上安装的电流传感器也将当前三相的电流值I_kk.mear送入内环电流迟滞环控制器，内环电流迟滞环控制器经功率驱动器控制SRM运行，实现转矩控制，有效抑制SRM的转矩脉动。

转矩-电流神经网络开关磁阻电机控制***实施例

根据上述的转矩-电流神经网络开关磁阻电机控制方法实施例，设计本转矩-电流神经网络开关磁阻电机控制***实施例，如图2所示包括信号处理器、功率驱动器、电流传感器、位置传感器、转矩传感器、显示器及开关磁阻电机SRM，开关磁阻电机的输出轴上安装转矩传感器，输出SRM的当前转矩信号T_c；磁阻电机转子上安装位置传感器，输出当前转子位置角θ；SRM的三相输入端分别安装电流传感器，输出当前各相的电流值。

本例信号处理器含有与SRM三相配合的三个神经网络前馈控制器，其为转矩-电流逆模型神经网络，还有转矩分配模块、PID控制模块、电流迟滞环控制模块；转矩分配模块将给定总转矩T_r*_ef分配为各相参考转矩T_kk(θ)、和转子位置角θ一起，分别输入三个神经网络前馈控制器，输出各相的神经网络控制电流分别送入三个电流加法器；

SRM上安装的转矩传感器得到的当前转矩值Tc和给定总转矩接入转矩减法器，输出的转矩偏差ΔT接入外环PID控制器，外环PID控制器据此得到控制电流i_error，i_error接入电流分配模块，电流分配模块根据当前转子位置角得到三相的PID控制电流接入三个电流加法器。同时PID输出的i_error作为三个神经网络前馈控制器神经网络的学习信号。

三个电流加法器分别实现神经网络控制电流和PID控制电流叠加，得到三相的理想的参考电流接入电流迟滞环控制模块，同时SRM上安装的电流传感器也将当前三相的电流值作为电流反馈信号送入内环电流迟滞环控制器，内环电流迟滞环控制器的输出经功率驱动器控制SRM运行。

本例信号处理器与显示器连接，显示控制状态和控制结果。

本例信号处理器配置CAN接口，提供与外设通信接口。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (6)

1.一种转矩-电流神经网络开关磁阻电机控制方法，包括以下步骤：

步骤I SRM各相转矩分配

采用最佳分配函数：立方分配函数，其表达式为：

式中f(θ)表示立方分配函数；θ为转子位置角；θ_on为开通角；θ_ov为换相重叠角；

根据公式(1)，将给定总转矩分配作为各相参考转矩T_kk(θ)，转矩分配公式如下：

式中为设定参考转矩；T_kk(θ)为随θ变化的相参考转矩；θ_off为关断角；kk＝1,2,3表示SRM的A、B及C三相；

步骤Ⅱ、基于转矩-电流关系构造的神经网络前馈控制器

Ⅱ-1 SRM的转矩-电流逆模型与神经网络前馈控制器激励函数

采用转矩-电流逆模型表达式：

公式(3)中T_e(θ)为随θ变化的相参考转矩，取值为转矩分配函数输出T_kk(θ)；a(θ)、b(θ)参数分别由转子位置角θ与固定的权值向量W_a、W_b确定；i(θ)为随θ变化相电流；

转矩-电流逆模型表达式为神经网络前馈控制器的隐含层激励函数；

Ⅱ-2、神经网络前馈控制器

SRM三相中的每一相配置一个神经网络前馈控制器，其为转矩-电流逆模型神经网络；某一相的神经网络前馈控制器为包括输入层、隐含层和输出层的神经网络；参考转矩T_kk(θ)和转子位置角θ作为神经网络前馈控制器的输入，T_kk(θ)为相参考转矩由步骤I的转矩分配函数TSF得到；θ为SRM转子位置角，由SRM上的位置传感器所测得；神经网络前馈控制器的隐含层H＝[O₁,O₂,…O_j]，O_j为隐含层节点的输出，j为隐含层节点数，j＝1,2,3，....,j的最大值为6～200；输出层为求和线性函数；

神经网络前馈控制器运行过程如下：

Ⅱ-21、隐含层权值向量

隐含层激励函数中神经网络学习之前参数确定：固定权值向量W_a＝[w_a1,w_a2,…w_aj]^T、W_b＝[w_b1,w_b2,…w_bj]^T随机初始化为10～30之间的任意数值；输出层权值向量W_out＝[w₁,w₂,…w_j]^T初始化，取值大于零；

Ⅱ-22、转子位置角θ

SRM上的位置传感器所测得的转子位置角θ经三角函数归一化为0至1之间周期变化的数值；

Ⅱ-23、隐含层各节点的输出

按转矩-电流逆模型表达式计算，得到i(θ)值作为隐含层各节点的输出值O_j；

Ⅱ-24、神经网络前馈控制器输出

式中表示某个神经网络前馈控制器的输出电流，称为某相神经网络输出电流，w_j为加权系数；

Ⅱ-25、根据学习信号i_error调整输出权值

由SRM上安装的转矩传感器得到当前转矩值Tc与给定总转矩的差为转矩偏差ΔT，作为外环PID控制器的输入，外环PID控制器得到随θ变化的PID输出电流i_error，i_error经电流分配得到某相的PID控制电流 为本方法所得的某相参考电流；

Ⅱ-3、神经网络前馈控制器的反馈误差学习

本发明神经网络前馈控制器输入层采用固定的权值，输出层的权值的性能指标函数为：

步骤Ⅱ-21确定神经网络前馈控制器隐含层权值向量W_a和W_b的数值后，根据梯度下降法，调整神经网络前馈控制器的输出权值；

式中w_j(k)为k时刻的输出层权值，w_j(k-1)是k时刻的前一时刻的输出层权值，w_j(k-2)是(k-1)时刻的前一时刻的输出层权值，Δw_j(k)为调整权值增量；i_error(k)为k时刻的PID输出电流值；O_j(k)为隐含层k时刻的输出量；α为动量因子，α取值为0.01～0.1，η为参数调整学习率，η取值0～1；

步骤Ⅲ、电流滞环控制

神经网络前馈控制器的输出的神经网络控制电流与PID控制器输出PID控制电流叠加后得到的参考控制电流作为内环电流迟滞环控制器的输入电流，同时SRM上安装的电流传感器也将当前三相的电流值I_kk.mear送入内环电流迟滞环控制器，内环电流迟滞环控制器经功率驱动器控制SRM运行，实现转矩控制，抑制SRM的转矩脉动。

2.根据权利要求1所述的一种转矩-电流神经网络开关磁阻电机控制方法，其特征在于：

所述步骤Ⅱ-2中神经网络前馈控制器的神经网络加权系数学习采用动量梯度法学习。

3.根据权利要求1所述的一种转矩-电流神经网络开关磁阻电机控制方法，其特征在于：

在SRM启动时，神经网络前馈控制器与PID控制器共同作用，得到参考控制电流使***稳定工作；神经网络前馈控制器经过充分学***衡状态。

4.根据权利要求1至3中任一项所述的一种转矩-电流神经网络开关磁阻电机控制方法设计的一种转矩-电流神经网络开关磁阻电机控制***，包括信号处理器、功率驱动器、电流传感器、位置传感器、转矩传感器、显示器及开关磁阻电机SRM，开关磁阻电机的输出轴上安装转矩传感器，输出SRM的当前转矩信号T_c；磁阻电机转子上安装位置传感器，输出当前转子位置角θ；SRM的三相输入端分别安装电流传感器，输出当前各相的电流值；其特征在于：

所述信号处理器含有与SRM三相配合的三个神经网络前馈控制器，其为转矩-电流逆模型神经网络，还有转矩分配模块、PID控制模块、电流迟滞环控制模块；转矩分配模块将给定总转矩分配为各相参考转矩T_kk(θ)、和转子位置角θ一起，分别输入三个神经网络前馈控制器，输出各相的神经网络控制电流分别送入三个电流加法器；

SRM上安装的转矩传感器得到的当前转矩值Tc和给定总转矩接入转矩减法器，输出的转矩偏差ΔT接入外环PID控制器，外环PID控制器据此得到PID输出电流i_error，i_error接入电流分配模块，电流分配模块根据当前转子位置角θ得到各相的PID控制电流接入上述的三个电流加法器；同时PID输出的i_error作为三个神经网络前馈控制器的神经网络的学习信号；

三个电流加法器分别实现各相神经网络控制电流和PID控制电流叠加，得到三相的参考电流接入电流迟滞环控制模块，同时SRM上安装的电流传感器也将当前三相的电流值作为电流反馈信号送入内环电流迟滞环控制器，内环电流迟滞环控制器的输出经功率驱动器控制SRM运行。

5.根据权利要求4所述的一种转矩-电流神经网络开关磁阻电机控制***，其特征在于：

所述信号处理器与显示器连接，显示控制状态和控制结果。

6.根据权利要求4所述的一种转矩-电流神经网络开关磁阻电机控制***，其特征在于：

所述信号处理器配置CAN接口。