基于神经网络的电机输出扭矩修正方法、设备及介质技术

本发明专利技术提供了一种基于神经网络的电机输出扭矩修正方法、设备及介质，涉及扭矩修正技术领域，包括以下：建立数据库和修正模型，将训练集的样本温度、样本转速、样本d轴电流和样本q轴电流对应输入至所述修正模型；所述隐藏层在每一神经元上对所述输入层采用激活函数补偿映射；所述输出层对隐藏层采用激活函数补偿映射；采用梯度下降优化算法对所述隐藏层和所述输出层进行参数优化，迭代训练后，采用测试集测试，生成目标模型；获取目标d轴电流、目标q轴电流、目标转速和目标温度，采用所述目标模型进行预测，获得目标扭矩偏差；采用所述目标扭矩偏差对所述目标扭矩进行修正，解决现有电机输出扭矩未修正，精度不够，影响电机性能的问题。问题。问题。

【技术实现步骤摘要】
基于神经网络的电机输出扭矩修正方法、设备及介质


[0001]本专利技术涉及扭矩修正
，尤其涉及一种基于神经网络的电机输出扭矩修正方法、设备及介质。

技术介绍

[0002]随着新能源汽车逐渐发展，永磁同步电机凭借着它高功率密度、高效率和小尺寸以及较轻的重量等特点，被广泛运用在新能源汽车的整车传动系统中。
[0003]现有已知的，温度对电机定子电阻和永磁体的磁链有较大的影响，首先，当前电机控制软件策略中包括以下两种：对于电阻，在25℃恒温箱测得电缆电阻与定子电阻之和，通过温度
‑‑
电阻公式换算成其他温度下的电阻，填入电机参数表；对于磁链，测得两个温度(40/85)下全转速范围的磁链，取数据平均值，根据这两个温度线性插值得到全温度范围的磁链。以上策略均无法准确体现温度对电机性能的影响。
[0004]其次，电机输出扭矩的精度完全取决于电机在台架标定的结果。台架标定时控制电机在恒温工作是非常困难的，台架标定时不可能测得电机温度连续变化对输出扭矩的影响，且受台架硬件条件所限，必然产生台架标定数据本身精度的问题，而且对于这些因素产生的扭矩精度偏差无反馈机制，不能适应多变、复杂的运行工况。
[0005]现有的一部分解决方案需要改变电机原有结构，增加电子元器件或者增加扭矩传感器，以此获得较为准确的电机输出扭矩，因此，缺乏一种考虑温度对电机定子电阻和永磁体的磁链对输出扭矩进行修正的方法。

技术实现思路

[0006]为了克服上述技术缺陷，本专利技术的目的在于提供一基于神经网络的电机输出扭矩修正方法、设备及介质，用于克服现有电机输出扭矩未进行修正，与实际电机性能不符，精度不够，影响电机性能的问题。
[0007]本专利技术公开了一种基于神经网络的电机输出扭矩修正方法，包括以下：
[0008]建立数据库和修正模型，其中所述数据库中包括训练集和测试集；所述修正模型包括输入层、隐藏层和输出层，其中，所述隐藏层包含m个神经元；
[0009]获取训练集任一数据，所述数据包括样本d轴电流、样本q轴电流、样本温度、样本转速以及样本扭矩偏差；
[0010]将所述样本温度、样本转速、样本d轴电流和样本q轴电流对应输入至所述修正模型的输入层；
[0011]所述隐藏层在每一神经元上对所述输入层的样本温度、样本转速、样本d轴电流和样本q轴电流分别采用激活函数补偿映射，获得m个中间值；
[0012]所述输出层对所述m个中间值采用激活函数补偿映射，生成预测扭矩偏差；
[0013]采用梯度下降优化算法对所述隐藏层和所述输出层进行参数优化，直至确定预测扭矩偏差与所述样本扭矩偏差的差值满足预设范围；
[0014]迭代训练后，采用测试集测试，当符合预设误差范围后生成目标模型；
[0015]获取目标扭矩、目标d轴电流、目标q轴电流、目标转速和目标温度；
[0016]采用所述目标模型根据所述目标d轴电流、目标q轴电流、目标转速和目标温度进行预测，获得目标扭矩偏差；
[0017]采用所述目标扭矩偏差对所述目标扭矩进行修正。
[0018]优选地，所述激活函数包括Sigmoid函数、双曲正切函数或线性函数。
[0019]优选地，所述隐藏层在每一神经元上对所述输入层的样本温度、样本转速、样本d轴电流和样本q轴电流分别采用激活函数补偿映射，获得m个中间值，包括：
[0020]利用激活函数在所述隐藏层在每一神经元上基于所述输入层各个输入加权补偿计算；所述激活函数为Sigmoid函数，则任一中间值可计算为：
[0021][0022]其中，u
j
为第j个神经元u
j
上的中间值；x1，x2，x3，x4分别为输入层的d轴电流、q 轴电流、温度和转速；v
ij
为基于各个输入层x
i
计算隐藏层第j个神经元上u
j
的权重，其中i＝1，2，3，4；为基于所有输入层xi计算隐藏层的补偿。
[0023]优选地，所述输出层对所述m个中间值采用激活函数补偿映射，生成预测扭矩偏差，包括以下：
[0024]利用激活函数在所输出层基于所述隐藏层各个神经元加权补偿计算；
[0025]所述激活函数为Sigmoid函数，则所述预测扭矩偏差计算为：
[0026][0027]其中，y为输出层，即预测扭矩偏差；ω
j
为基于隐藏层第j个神经元u
j
计算输出层的权重；u
j
为第j个神经元u
j
上的中间值；θ
y
基于隐藏层所有神经元计算输出层y的补偿。
[0028]优选地，所述采用梯度下降优化算法对所述隐藏层和所述输出层进行参数优化，至确定预测扭矩偏差与所述样本扭矩偏差的差值满足预设范围，包括：
[0029]建立目标函数，所述目标函数为其中，y
(k)
为预测扭矩偏差；为样本扭矩偏差；k为训练次数；
[0030]采用所述目标函数对隐藏层和输出层的各个权重和补偿进行求导；
[0031]调整所述隐藏层和输出层的各个权重和补偿，直至确定所述预测扭矩偏差与所述样本扭矩偏差的差值满足预设范围。
[0032]优选地，在建立数据库后，还包括：
[0033]对数据库中的扭矩偏差基于各自的均值和标准差进行标准化处理。
[0034]优选地，采用测试集测试，当不符合预设精度要求，则更换激活函数，重新训练。
[0035]优选地，所述预设精度要求，包括：
[0036]判断采用训练后的修正模型输出的扭矩偏差与测试集中的扭矩偏差之间是否满足误差范围，若是，则符合预设精度要求。
[0037]本专利技术还提供一种计算机设备，所述计算机设备包括：
[0038]存储器，用于存储可执行程序代码；以及
[0039]处理器，用于调用所述存储器中的所述可执行程序代码，执行所述的输出扭矩修正方法。
[0040]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，
[0041]所述计算机程序被处理器执行时实现所述输出扭矩修正方法的步骤。
[0042]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0043]本专利技术提供的输出扭矩修正方法，建立包含输入层、隐藏层和输出层的修正模型，对修正模型进行训练，在隐藏层和输出层分别基于激活函数补偿映射，同时采用梯度下降优化算法对所述隐藏层和所述输出层进行参数优化，并测试直至满足精度要求，生成目标模型，将目标模型应用于目标扭矩，获得目标扭矩偏差，由此对目标扭矩进行修正，解决现有电机输出扭矩未进行修正，精度不够，影响电机性能等问题。
附图说明
[0044]图1为本专利技术所述基于神经网络的电机输出扭矩修正方法实施例一的流程图；
[0045]图2为本专利技术所述基于神经网络的电机输出扭矩修正方法实施例一的操作流程图；
[0046]图3为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的电机输出扭矩修正方法，其特征在于，包括以下：建立数据库和修正模型，其中所述数据库中包括训练集和测试集；所述修正模型包括输入层、隐藏层和输出层，其中，所述隐藏层包含m个神经元；获取训练集任一数据，所述数据包括样本d轴电流、样本q轴电流、样本温度、样本转速以及样本扭矩偏差；将所述样本温度、样本转速、样本d轴电流和样本q轴电流对应输入至所述修正模型的输入层；所述隐藏层在每一神经元上对所述输入层的样本温度、样本转速、样本d轴电流和样本q轴电流分别采用激活函数补偿映射，获得m个中间值；所述输出层对所述m个中间值采用激活函数补偿映射，生成预测扭矩偏差；采用梯度下降优化算法对所述隐藏层和所述输出层进行参数优化，直至确定预测扭矩偏差与所述样本扭矩偏差的差值满足预设范围；迭代训练后，采用测试集测试，当符合预设误差范围后生成目标模型；获取目标扭矩、目标d轴电流、目标q轴电流、目标转速和目标温度；采用所述目标模型根据所述目标d轴电流、目标q轴电流、目标转速和目标温度进行预测，获得目标扭矩偏差；采用所述目标扭矩偏差对所述目标扭矩进行修正。2.根据权利要求1所述的输出扭矩修正方法，其特征在于：所述激活函数包括Sigmoid函数、双曲正切函数或线性函数。3.根据权利要求1所述的输出扭矩修正方法，其特征在于，所述隐藏层在每一神经元上对所述输入层的样本温度、样本转速、样本d轴电流和样本q轴电流分别采用激活函数补偿映射，获得m个中间值，包括：利用激活函数在所述隐藏层在每一神经元上基于所述输入层各个输入加权补偿计算；所述激活函数为Sigmoid函数，则任一中间值可计算为：其中，u
j
为第j个神经元u
j
上的中间值；x1，x2，x3，x4分别为输入层的d轴电流、q轴电流、温度和转速；v
ij
为基于各个输入层x
i
计算隐藏层第j个神经元上u
j
的权重，其中i＝1，2，3，4；为基于所有输入层x
i
计算隐藏层的补偿。4.根据权利要求1...

【专利技术属性】
技术研发人员：秦坚，
申请(专利权)人：上海临港电力电子研究有限公司，
类型：发明
国别省市：