摘要：近年来高效永磁同步电机的进一步普及有助于降低能耗。因此，需要进一步发展电机技术。通过使用RT仿真进行控制，提出了能够处理非线性元件的控制方法。然而，传统的基于RT仿真的控制不能应对电机参数的变化。为了解决这一问题，我们提出使用机器学习算法来建立能够响应电机参数变化的电机模型.

1  引言

      为了进一步推广永磁同步电机（PMSM），有必要建立高性能电机技术。其中之一是对电机控制技术更高性能的需求。目前，通用的PMSM控制方法是通过定义要控制的电机的参数来表示物理现象，并基于数学模型执行控制。然而，在实际机器中，由于材料特性、热量、谐波分量的产生和磁饱和现象等驱动条件，电机参数会发生变化。

      作为电机参数变化的一个典型例子是温度，永磁体的工作点根据磁体温度和外部磁化而变化，由于存在滞后特性，这些非线性元件具有难以在数学模型中表达的行为。该建模误差导致电机控制性能的恶化，例如电流控制的可控性恶化、无位置传感器控制的误差因素、导致振动和声学噪声的转矩脉动的发生、与所需转矩的稳定偏差等。这是一个大问题。

       因此，在本研究中，我们构建了一个系统，该系统使用实时模拟器（RT模拟器）并行操作虚拟电机和实际电机，并结合耦合电路作为直接电机驱动的控制逻辑，解决了传统控制的问题。所创建的模型可以实现高性能控制。

2  提出的方法

A.LSTM

     在许多神经网络方法中，LSTM是对应于时间序列数据的代表性模型。LSTM根据过去的输出数据进行预测[5][6]。除了一般神经网络提供的输入数据外，先前的输出结果作为输入。这使得创建时间相关数据成为可能。LSTM方程如方程（1）所示。

B.实时仿真器

       实时模拟器是一种开发模拟器，能够通过执行实时模拟电机的数学模型来模拟实际机器。实时模拟器使用虚拟控制目标程序和工厂模型来执行计算，这些虚拟控制目标和工厂模型取代了现实世界中的电气设备和机械设备。通过将实际的电子控制单元（ECU）连接到实时模拟器，可以计算虚拟输出，并且它在接口电路中产生诸如旋转传感器信号的命令。

C.拟建模型

       其通过使用能够进行高性能和高速计算的实时仿真器，可以并行地执行实际机器和虚拟环境的机器控制。可以通过将虚拟环境中使用的模型改变为使用机器学习的模型来实现可以处理非线性元素的控制。在本研究中，预测了满足所需扭矩和速度的输入，为了构建多个预测模型，有必要学习答案的输入。因此，学习流程与预测流程相反。在这种情况下，我们考虑使用机器学习方法。

3  机器学习的方法

A.U相电流预测

       首先，作为神经网络的引入，它创建了一个从电压和时间预测U相电流的模型。当输入电压为0-4.5[V]、1015[V]，90-95[V]和95-100[V]时，向神经网络输入40个输入电压，从数据集（每个数据集1080个数据）学习网络，并将权重调整10000次。学习后使用10000个学习模型进行预测，结果可以清楚地看出，在每个输入电压范围内都可以进行充分的电流波形预测。研究还发现，随着学习次数的重复，预测精度提高，并且在达到一定数量后，预测精度保持不变。

B.三相电流预测

       在第III-A节中，很明显，即使当输入电压改变时，也可以预测U相电流。在实际行驶条件下，需要预测三相电流。因此，验证了是否可以类似地预测V相和W相。此外，到上一节为止，虽然主要预测了初始瞬态，但我们尝试从瞬态预测到稳态。从输入电压为160-165[V]的40个数据集（每个数据集1080个数据集）执行学习，权重调整超过10000次。学习后使用10000个学习模型的预测结果，可以清楚地看出，V相和W相的预测与U相的预测相同。然而，很明显，因为随着预测时间与前一节相比增加，学习时间被划分为0-0.1[s]和0-0.2[s]，所以切换部分的精度随着学习次数的增加而降低。

C.检查频率和幅度的波动

      我们验证了是否可以做出与电流波形的振幅和频率变化相对应的预测。利用本次给定的数据，在MATLAB上以正弦波形改变电压指令值，并通过与该变化成比例地改变转速来获得恒定V/F下的输入电压和输出电流。使用所获取的数据，从输入电压为50-55[V]的40个数据集（每个数据集1080个数据集）执行学习，并将权重调整10000次。学习后，使用10000个学习模型进行预测。给定数据的范围是5[V]，这是一个非常窄的范围。为了最小化学习时的计算，优选一次学习的范围大。因此，我们将范围扩大到10[V]并进行了预测。从输入电压为50-60[V]的40个数据集（每个数据集1080个数据集）执行学习，权重调整超过10000次。学习后，使用10000个学习模型进行预测。结果是当学习范围较大时，预测精度会下降。从该结果中，发现有必要通过区分电压的幅度来执行学习和预测。

4  结论

       在本文中，我们使用LSTM预测三相电压波形和时间数据的电流波形。从上述结果可以确认，无论输入电压的大小如何，都可以以恒定的正弦波形充分地预测三相电流。此外，由于必须能够应对驱动期间波形的变化，我们还估计了具有变化频率和振幅的波形，但确认如果学习范围可以被限制，则可以充分估计。