永磁同步电机的转矩估测方法、装置、设备及存储介质与流程

1.本技术涉及基于电机控制技术领域，特别是涉及一种永磁同步电机的转矩估测方法、装置、设备及存储介质。


背景技术：

2.永磁同步电机具有高功率密度、高效率、高转矩密度等优点已经被广泛的应用于机器人、工业自动化以及电动汽车等领域。但由于ipmsm受到电机参数的非线性、波动性以及运行不确定性等因素影响，导致其无法准确地实现电机转矩的高精度控制。因此，在传统的电机转矩控制策略中，电机电磁转矩的控制精度偏低，使系统整体的性能下降。
3.为了提高永磁同步电机转矩估算精度，国内外学者已经研究出很多方案，可以分为离线和在线两类。对于离线方案，通常是查表获得，查表法是根据离线实验或者有限元分析模拟到的，基于查表法的方法既简单又具有鲁棒性，但是实现该方法非常耗时，需要利用大量的硬件资源，占据大量的储存空间，并且在每一台机器上进行测试是不切实际的，这些因素大大降低了转矩估算的效率和应用范围。对于在线方法，通常采用扩展卡尔曼滤波算法，扩展卡尔曼滤波算法(ekf)是学者根据卡尔曼(kf)滤波算法无法有效跟踪非线性系统推导出来的算法，是一种对非线性系统的近似处理方法，其对永磁同步电机非线性特性有较好的估算效果，抗干扰性较强，但计算量也相对较大。


技术实现要素：

4.本技术提供一种永磁同步电机的转矩估测方法、装置、设备及存储介质，以解决现有的转矩估测计算量大且准确率较低的问题。
5.为解决上述技术问题，本技术采用的一个技术方案是：提供一种永磁同步电机的转矩估测方法，包括：实时获取电机运行参数；将电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，elman神经网络模型根据电机运行参数预测得到第一转矩估测值，电机转矩数学估测模型根据电机运行参数预测得到第二转矩估测值，第一转矩估测值和第二转矩估测值按权重参数和偏置参数计算得到最终转矩估测值，权重参数和偏置参数在训练转矩估测模型时训练得到。
6.作为本技术的进一步改进，实时获取电机运行参数，包括：基于预设的采集设备实时获取电机的d轴电流、q轴电流、电角度参数和电机转速。
7.作为本技术的进一步改进，最终估测值的计算公式为：
[0008][0009]
其中，表示转矩估测模型的输出，f(xn)表示elman神经网络模型的输出，e(t)表示转矩数学模型的输出，α为权重参数，β为偏置参数，α和β在转矩估测模型训练过程中训练得到。
[0010]
作为本技术的进一步改进，预先训练转矩估测模型的步骤，包括：构建待训练的转
矩估测模型，权重参数和偏置参数初始设定为默认值；获取训练样本输入参数以及与训练样本输入参数对应的实际转矩值；对训练样本输入参数进行特征工程，得到样本特征向量；将样本特征向量输入至转矩估测模型，得到样本转矩估测值；基于预先构建的损失函数、样本转矩估测值和实际转矩值反向传播更新转矩估测模型；重复执行上述训练过程直至转矩估测模型达到预设精度或迭代次数达到预设次数时为止。
[0011]
作为本技术的进一步改进，得到最终转矩估测值之后，还包括：在当前运行的控制系统为转矩控制系统时，根据最终转矩估测值对电机转矩进行闭环控制。
[0012]
作为本技术的进一步改进，根据最终转矩估测值对电机转矩进行闭环控制，包括：获取计算最终转矩估测值所消耗的计算时间和控制系统运行所消耗的处理时间；若当前运行设备的处理器为单核处理器，则将电机控制周期设定为计算时间和处理时间之和，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行闭环控制；若当前运行设备的处理器为多核处理器，则将电机控制周期设定为计算时间和处理时间中的较大值，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行闭环控制。
[0013]
作为本技术的进一步改进，得到最终转矩估测值之后，还包括：在当前运行的控制系统为非转矩控制系统时，将最终转矩估测值作为观测数据输出。
[0014]
为解决上述技术问题，本技术采用的另一个技术方案是：提供一种永磁同步电机的转矩估测装置，包括：获取模块，用于实时获取电机运行参数；估测模块，用于将电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，elman神经网络模型根据电机运行参数预测得到第一转矩估测值，电机转矩数学估测模型根据电机运行参数预测得到第二转矩估测值，第一转矩估测值和第二转矩估测值按权重参数和偏置参数计算得到最终转矩估测值，权重参数和偏置参数在训练转矩估测模型时训练得到。
[0015]
为解决上述技术问题，本技术采用的再一个技术方案是：提供一种计算机设备，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行上述的基于神经网络的转矩估测方法的步骤。
[0016]
为解决上述技术问题，本技术采用的再一个技术方案是：提供一种存储介质，存储有能够实现上述基于神经网络的转矩估测方法的程序指令。
[0017]
本技术的有益效果是：本技术的永磁同步电机的转矩估测方法通过基于elman神经网络模型和电机转矩数学估测模型进行联合所构建的转矩估测模型，再利用该转矩估测模型根据实时采集的电机运行参数进行估测，得到最终转矩估测值，其通过elman神经网络与电机数学模型算法的融合，避免了转矩估测模型对电机运行中谐波干扰等影响，优化了模型性能，提高了模型预测稳定性和精度。
附图说明
[0018]
图1是本发明第一实施例的永磁同步电机的转矩估测方法的流程示意图；
[0019]
图2是elman神经网络的结构示意图；
[0020]
图3是本发明实施例的永磁同步电机的转矩估测装置的功能模块示意图；
[0021]
图4是本发明实施例的计算机设备的结构示意图；
[0022]
图5是本发明实施例的存储介质的结构示意图。
具体实施方式
[0023]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0024]
本技术中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本技术实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0025]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0026]
图1是本发明第一实施例的永磁同步电机的转矩估测方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
[0027]
步骤s101：实时获取电机运行参数。
[0028]
需要说明的是，本实施例是针对电机实时运作过程中，对电机的转矩进行实时地、在线地控制。
[0029]
具体地，在电机运行过程中，通过设备实时采集电机的电机运行参数。
[0030]
其中，实时获取电机运行参数，包括：基于预设的采集设备实时获取电机的d轴电流、q轴电流、电角度参数和电机转速。
[0031]
本实施例中，通过获取电机转速，从而进一步考虑电机的转速因素，使得根据上述参数得到的预测结果相比于仅通过d轴电流、q轴电流和电角度参数得到的预测结果更为精准。
[0032]
步骤s102：将电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，elman神经网络模型根据电机运行参数预测得到第一转矩估测值，电机转矩数学估测模型根据电机运行参数预测得到第二转矩估测值，第一转矩估测值和第二转矩估测值按权重参数和偏置参数计算得到最终转矩估测值，权重参数和偏置参数在训练转矩估测模型时训练得到。
[0033]
需要说明的是，电机转矩数学估测模型在实际应用中，由于电机运行中存在系统参数变化、磁体饱和、谐波扰动等非线性因素，其输出转矩与实际转矩存在很大误差，因此，本实施例中，将电机转矩数学估测模型的预测结果与elman神经网络模型的预测结果进行整合，进而提高估算稳定性和精确度。
[0034]
需要说明的是，请参阅图2，图2展示了elman神经网络的结构图，elman神经网络是一种典型的动态递归神经网络，它是在bp网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆的目的，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，它比前馈型神经网络具有更强的计算能力。其数学表示式为：
[0035]
y(k)＝g(w3x(k))；
[0036]
x(k)＝f(w1xc(k)+w2(u(k-1)))；
[0037]
xc(k)＝x(k-1)；
[0038]
其中，y为m维输出节点向量；x为n维中间层节点单元向量；u为r维输入向量；xc为n维反馈状态向量；w3为中间层到输出层连接权值；w2为输入层到中间层连接权值；w1为承接层到中间层连接权值；g()为输出神经元的传递函数，是中间层输出的线性组合；f()为中间层神经元的传递函数，常采用s函数。
[0039]
具体地，该最终估测值的计算公式为：
[0040][0041]
其中，表示转矩估测模型的输出，f(xn)表示elman神经网络模型的输出，e(t)表示转矩数学模型的输出，α为权重参数，β为偏置参数，α和β在转矩估测模型训练过程中训练得到。
[0042]
其中，该电机转矩数学估测模型表示为：
[0043][0044][0045][0046]
其中，u表示电压，l表示电感，i表示电流，d表示d轴，q表示q轴，r为电机定子线圈，ψ为电机磁链，p是电机极对数，te是第二转矩估测值，w是电机角速度。
[0047]
进一步的，预先训练转矩估测模型的步骤，包括：
[0048]
1、构建待训练的转矩估测模型，权重参数和偏置参数初始设定为默认值。
[0049]
需要说明的是，权重参数和偏置参数的默认值预先设置。
[0050]
2、获取训练样本输入参数以及与训练样本输入参数对应的实际转矩值。
[0051]
具体地，该样本输入参数和每个样本输入参数对应的实际转矩值在电机实际运行中采集获得的，值得注意的是，理想情况下，认为电机运行状态与控制同时完成，但实际应用过程中，由于存在机械响应延时，即转矩信号要晚于电机调制控制电流信号一定周期，因此需要对采集数据进行数据校准匹配。
[0052]
3、对训练样本输入参数进行特征工程，得到样本特征向量。
[0053]
4、将样本特征向量输入至转矩估测模型，得到样本转矩估测值。
[0054]
5、基于预先构建的损失函数、样本转矩估测值和实际转矩值反向传播更新转矩估测模型。
[0055]
重复执行上述训练过程直至转矩估测模型达到预设精度或迭代次数达到预设次数时为止。
[0056]
本实施例中，通过在训练过程中，不断筛选和调整网络模型结构，包括网络神经元个数、隐含层层数、学习率、训练次数，使得该转矩估测模型达到预设精度或迭代次数达到预设次数，得到训练好的转矩估测模型。
[0057]
进一步的，在一些实施例中，该最终转矩估测值还可用于对电机进行转矩控制，因此，得到最终转矩估测值之后，还包括：
[0058]
在当前运行的控制系统为转矩控制系统时，根据最终转矩估测值对电机转矩进行闭环控制。
[0059]
具体地，在将上述elman神经网络模型和电机转矩数学估测模型嵌入到电机控制程序中后，若当前运行的控制系统为转矩控制系统时，即可通过实时采集电机运行过程中的d轴电流、q轴电流和电角度参数，再以d轴电流、q轴电流和电角度参数进行估测，得到最终转矩估测值，再根据最终转矩估测值对转矩进行闭环控制。
[0060]
需要说明的是，电机控制程序当前运行设备处理器核心数的不同会使得电机控制的执行存在区别，因此，根据最终转矩估测值对电机转矩进行闭环控制，具体包括：
[0061]
1、获取计算最终转矩估测值所消耗的计算时间和控制系统运行所消耗的处理时间。
[0062]
其中，计算时间是指elman神经网络模型和电机转矩数学估测模型从获取到电机运行参数到根据电机运行参数得到最终转矩估测值所消耗的时间，处理时间是指控制系统运行所消耗的时间。
[0063]
2、若当前运行设备的处理器为单核处理器，则将电机控制周期设定为计算时间和处理时间之和，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行闭环控制。
[0064]
3、若当前运行设备的处理器为多核处理器，则将电机控制周期设定为计算时间和处理时间中的较大值，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行闭环控制。
[0065]
具体地，在当前设备为单核处理器时，则elman神经网络模型和电机转矩数学估测模型与电机控制程序是串行关系，因此，需要在电机控制程序完成后，再运行elman神经网络模型和电机转矩数学估测模型，此时，电机控制周期则设置为计算时间和处理时间之和，例如，电机控制程序用时为25us左右即可完成，而本次elman神经网络模型和电机转矩数学估测模型计算最终转矩估测值用时为85us，则电机控制周期设定为150us。
[0066]
在当前设备为多核处理器时，则elman神经网络模型和电机转矩数学估测模型与电机控制程序是并行关系，因此，电机控制程序与elman神经网络模型和电机转矩数学估测模型可同时执行，此时，电机控制周期则设置为计算时间和处理时间中的较大值，例如，电机控制程序用时为25us左右即可完成，而本次elman神经网络模型和电机转矩数学估测模型计算最终转矩估测值用时为85us，则电机控制周期设定为100us。
[0067]
可知，单线程处理平台需要计算时间更长，则对电机控制性能略有降低，而多线程处理平台对电机控制性能更强。
[0068]
进一步的，在根据第一转矩估测值和第二转矩估测值加权计算得到最终转矩估测值之后，还包括：
[0069]
在当前运行的控制系统为非转矩控制系统时，将最终转矩估测值作为观测数据输出。
[0070]
本发明第一实施例的永磁同步电机的转矩估测方法通过基于elman神经网络模型和电机转矩数学估测模型进行联合所构建的转矩估测模型，再利用该转矩估测模型根据实时采集的电机运行参数进行估测，得到最终转矩估测值，其通过elman神经网络与电机数学模型算法的融合，避免了转矩估测模型对电机运行中谐波干扰等影响，优化了模型性能，提高了模型预测稳定性和精度。
[0071]
图3是本发明实施例的永磁同步电机的转矩估测装置的功能模块示意图。如图3所示，该永磁同步电机的转矩估测装置30包括获取模块31和估测模块32。
[0072]
获取模块31，用于实时获取电机运行参数；
[0073]
估测模块32，用于将电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，elman神经网络模型根据电机运行参数预测得到第一转矩估测值，电机转矩数学估测模型根据电机运行参数预测得到第二转矩估测值，第一转矩估测值和第二转矩估测值按权重参数和偏置参数计算得到最终转矩估测值，权重参数和偏置参数在训练转矩估测模型时训练得到。
[0074]
可选地，获取模块31执行实时获取电机运行参数的操作，具体包括：基于预设的采集设备实时获取电机的d轴电流、q轴电流、电角度参数和电机转速。
[0075]
可选地，最终估测值的计算公式为：
[0076][0077]
其中，表示转矩估测模型的输出，f(xn)表示elman神经网络模型的输出，e(t)表示转矩数学模型的输出，α为权重参数，β为偏置参数，α和β在转矩估测模型训练过程中训练得到。
[0078]
可选地，其还包括训练模块，用于执行预先训练转矩估测模型的操作，具体包括：构建待训练的转矩估测模型，权重参数和偏置参数初始设定为默认值；获取训练样本输入参数以及与训练样本输入参数对应的实际转矩值；对训练样本输入参数进行特征工程，得到样本特征向量；将样本特征向量输入至转矩估测模型，得到样本转矩估测值；基于预先构建的损失函数、样本转矩估测值和实际转矩值反向传播更新转矩估测模型；重复执行上述训练过程直至转矩估测模型达到预设精度或迭代次数达到预设次数时为止。
[0079]
可选地，估测模块32执行得到最终转矩估测值的操作之后，还用于：在当前运行的控制系统为转矩控制系统时，根据最终转矩估测值对电机转矩进行闭环控制。
[0080]
可选地，估测模块32执行根据最终转矩估测值对电机转矩进行闭环控制的操作，具体包括：获取计算最终转矩估测值所消耗的计算时间和控制系统运行所消耗的处理时间；若当前运行设备的处理器为单核处理器，则将电机控制周期设定为计算时间和处理时间之和，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行
闭环控制；若当前运行设备的处理器为多核处理器，则将电机控制周期设定为计算时间和处理时间中的较大值，并按照电机控制周期，以电机控制周期内获取的最终转矩估测值对电机转矩进行闭环控制。
[0081]
可选地，估测模块32执行得到最终转矩估测值的操作之后，还用于：在当前运行的控制系统为非转矩控制系统时，将最终转矩估测值作为观测数据输出。
[0082]
关于上述实施例永磁同步电机的转矩估测装置中各模块实现技术方案的其他细节，可参见上述实施例中的永磁同步电机的转矩估测方法中的描述，此处不再赘述。
[0083]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0084]
请参阅图4，图4为本发明实施例的计算机设备的结构示意图。如图4所示，该计算机设备60包括处理器61及和处理器61耦接的存储器62，存储器32中存储有程序指令，程序指令被处理器61执行时，使得处理器61执行上述任一实施例所述的永磁同步电机的转矩估测方法的步骤。
[0085]
其中，处理器61还可以称为cpu(central processing unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0086]
参阅图5，图5为本发明实施例的存储介质的结构示意图。本发明实施例的存储介质存储有能够实现上述所有方法的程序指令71，其中，该程序指令71可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本技术各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等计算机设备设备。
[0087]
在本技术所提供的几个实施例中，应该理解到，所揭露的计算机设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0088]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本技术的实施方式，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。

技术特征：
1.一种永磁同步电机的转矩估测方法，其特征在于，包括：实时获取电机运行参数；将所述电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，所述转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，所述elman神经网络模型根据所述电机运行参数预测得到第一转矩估测值，所述电机转矩数学估测模型根据所述电机运行参数预测得到第二转矩估测值，所述第一转矩估测值和所述第二转矩估测值按权重参数和偏置参数计算得到所述最终转矩估测值，所述权重参数和偏置参数在训练所述转矩估测模型时训练得到。2.根据权利要求1所述的永磁同步电机的转矩估测方法，其特征在于，所述实时获取电机运行参数，包括：基于预设的采集设备实时获取电机的d轴电流、q轴电流、电角度参数和电机转速。3.根据权利要求1所述的永磁同步电机的转矩估测方法，其特征在于，所述最终估测值的计算公式为：其中，表示所述转矩估测模型的输出，f(x
n
)表示所述elman神经网络模型的输出，e(t)表示所述转矩数学模型的输出，α为权重参数，β为偏置参数，α和β在所述转矩估测模型训练过程中训练得到。4.根据权利要求1所述的永磁同步电机的转矩估测方法，其特征在于，预先训练所述转矩估测模型的步骤，包括：构建待训练的所述转矩估测模型，所述权重参数和所述偏置参数初始设定为默认值；获取训练样本输入参数以及与所述训练样本输入参数对应的实际转矩值；对所述训练样本输入参数进行特征工程，得到样本特征向量；将所述样本特征向量输入至所述转矩估测模型，得到样本转矩估测值；基于预先构建的损失函数、所述样本转矩估测值和所述实际转矩值反向传播更新所述转矩估测模型；重复执行上述训练过程直至所述转矩估测模型达到预设精度或迭代次数达到预设次数时为止。5.根据权利要求1所述的永磁同步电机的转矩估测方法，其特征在于，所述得到最终转矩估测值之后，还包括：在当前运行的控制系统为转矩控制系统时，根据所述最终转矩估测值对电机转矩进行闭环控制。6.根据权利要求5所述的永磁同步电机的转矩估测方法，其特征在于，所述根据所述最终转矩估测值对电机转矩进行闭环控制，包括：获取计算所述最终转矩估测值所消耗的计算时间和所述控制系统运行所消耗的处理时间；若当前运行设备的处理器为单核处理器，则将电机控制周期设定为所述计算时间和所述处理时间之和，并按照所述电机控制周期，以所述电机控制周期内获取的所述最终转矩估测值对电机转矩进行闭环控制；
若当前运行设备的处理器为多核处理器，则将电机控制周期设定为所述计算时间和所述处理时间中的较大值，并按照所述电机控制周期，以所述电机控制周期内获取的所述最终转矩估测值对电机转矩进行闭环控制。7.根据权利要求1所述的永磁同步电机的转矩估测方法，其特征在于，所述得到最终转矩估测值之后，还包括：在当前运行的控制系统为非转矩控制系统时，将所述最终转矩估测值作为观测数据输出。8.一种永磁同步电机的转矩估测装置，其特征在于，包括：获取模块，用于实时获取电机运行参数；估测模块，用于将所述电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，所述转矩估测模型包括elman神经网络模型和电机转矩数学估测模型，所述elman神经网络模型根据所述电机运行参数预测得到第一转矩估测值，所述电机转矩数学估测模型根据所述电机运行参数预测得到第二转矩估测值，所述第一转矩估测值和所述第二转矩估测值按权重参数和偏置参数计算得到所述最终转矩估测值，所述权重参数和偏置参数在训练所述转矩估测模型时训练得到。9.一种计算机设备，其特征在于，所述计算机设备包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-7中任一项权利要求所述的永磁同步电机的转矩估测方法的步骤。10.一种存储介质，其特征在于，存储有能够实现如权利要求1-7中任一项所述的永磁同步电机的转矩估测方法的程序指令。

技术总结
本发明公开了一种永磁同步电机的转矩估测方法、装置、设备及存储介质，其中方法包括：实时获取电机运行参数；将电机运行参数输入至预先训练好的转矩估测模型，得到最终转矩估测值，转矩估测模型包括Elman神经网络模型和电机转矩数学估测模型，Elman神经网络模型根据电机运行参数预测得到第一转矩估测值，电机转矩数学估测模型根据电机运行参数预测得到第二转矩估测值，第一转矩估测值和第二转矩估测值按权重参数和偏置参数计算得到最终转矩估测值，权重参数和偏置参数在训练转矩估测模型时训练得到。本发明通过采用Elman模型与数学模型形成混合模型，进一步提高了计算速度和响应速度，同时提高了预测准确率。同时提高了预测准确率。同时提高了预测准确率。


技术研发人员：梁嘉宁 孙天夫
受保护的技术使用者：深圳先进技术研究院
技术研发日：2021.12.31
技术公布日：2023/7/13