基于小波神经网络的减振化DITC用于电动汽车中的开关磁阻电机

为何更平顺的电机很重要

电动汽车承诺安静且高效的出行，但驱动车轮的电机仍可能产生不必要的振动和噪声。作为未来车辆的一种热门电机类型，开关磁阻电机坚固、成本低且不依赖稀土磁体，但它存在明显的转矩波动问题，即导致振动的扭矩微幅起伏。本文探讨了一种智能控制方法，利用专门设计的神经网络平抑这些波动，使这些耐用电机在日常驾驶中更舒适、更高效。

坚固电机却行驶颠簸

开关磁阻电机因结构简单、高可靠性且不依赖稀有磁性材料而对电动汽车具有吸引力。其缺点来自力的产生方式：当转子齿与励磁定子齿对齐时，转矩会自然出现脉动。以方波电流控制的传统方案实现简单，但会留下较大的转矩变化。更先进的基于转矩的控制可以更快响应，然而在这些机器强烈非线性的磁行为面前仍然吃力，特别是在多相重叠、转矩从一相切换到另一相的短暂瞬间。

教控制器向前思考

作者在一种称为直接瞬时转矩控制的策略上改进，该策略中控制器将期望转矩与估计的实际转矩直接比较，并快速切换功率电子器件以修正误差。其基本形式仍会产生较大波动。研究在速度控制器与转矩控制器之间加入了一个紧凑型小波神经网络。这个智能模块不是发送固定的转矩目标，而是同时观察转矩误差及其变化速率，然后实时微调参考转矩。小波能在时间和尺度上捕捉模式，帮助网络仅用两个隐藏神经元和七个调优参数学习电机复杂的、与位置相关的转矩特性。

一次优化，处处可用

为避免无休止的重训练模型，团队使用一种称为平衡优化器的算法，只在一个精心选择的工作点上对神经网络进行一次调优：略高于额定转速且在额定载荷下，此处转矩波动较大但电流仍被良好控制。该算法搜索能同时最小化转矩波动和总体转矩误差的参数值。得到的七个参数随后固定，并在所有转速和载荷下使用。与此同时，同一优化器也用于在速度-转矩网格上优化各相通断的角度，最佳值被存入控制器内的简单查找表中。

从计算机模型到试验台

在一台三相12/8开关磁阻电机上的大量仿真表明，新控制器提供更高的平均转矩、更平滑的转矩曲线以及与传统方案相当的峰值电流。该改进在宽转速范围内以及轻负载和重负载下均有体现。对实物电机的实验验证了这些结论。在开环测试和包含速度阶跃及突发负载变化的现实闭环驾驶场景中，所提控制器在轻载下将测得的转矩波动约减少16%，在重载下则接近29%。代价是更高的开关频率和计算时间的适度增加，但两者均在常见工业限值范围内。

对未来电驱的意义

简言之，研究表明一个小型、训练良好的神经网络可以充当驾驶者转矩需求与电机之间的智能滤波器，通过重塑指令来抵消开关磁阻电机内在的许多脉动。由于网络结构简单、只训练一次并配合优化的换相角，整体控制对实时硬件仍然可行。对于电动汽车及其他高要求应用，该方法为在无需重设计电机的情况下使用稳健、不含磁体的电机，同时减少振动并提高驱动品质，提供了一条可行路径。

引用: Saleh, A.L., Hamouda, M., Számel, L. et al. Wavelet neural network based reduced-ripple DITC of switched reluctance motors in electric vehicles. Sci Rep 16, 15564 (2026). https://doi.org/10.1038/s41598-026-46371-7

关键词: 开关磁阻电机, 转矩波动, 电动汽车驱动, 神经网络控制, 电机控制优化