电机驱动控制方法、装置及驱动电机与流程

本技术涉及电机驱动控制，特别涉及一种电机驱动控制方法、装置及驱动电机。

背景技术：

1、永磁同步电机广泛采用脉冲宽度调制技术驱动，载波频率的选取直接影响系统效率、振动噪声性能（nvh）和功率器件热管理三大关键指标。为改善固定载频带来的谐波集中问题，随机载频技术通过使载波频率在一定范围内随机变化以扩散谐波能量，其控制效果取决于中心频率和频率波动范围两个核心参数。

2、然而，现有技术存在明显缺陷：多数方案仅优化单一固定载频或仅对随机载频进行开关控制，未将两个核心参数同时作为连续在线优化变量；基于固定规则或离线map表的方法缺乏闭环自适应能力；在线优化算法计算复杂度过高，无法在微秒级控制周期内于嵌入式控制器中实时求解。

3、此外，现有方案普遍依赖精确物理模型和专家经验，可移植性差、开发周期长。因此，如何在资源受限的嵌入式平台上实现随机载频双参数的低延迟在线自适应优化并综合权衡效率、振动噪声与热管理，是本领域亟待解决的技术难题。

技术实现思路

1、有鉴于此，本技术旨在提出一种电机驱动控制方法、装置及驱动电机，以实现随机载频双参数的在线实时自适应优化，在系统效率、振动噪声性能和热管理之间达到综合平衡。

2、为达到上述目的，本技术的技术方案是这样实现的：

3、一种电机驱动控制方法，应用于电机控制器，包括：

4、获取电机当前的工况参数，所述工况参数包括电机转速、负载扭矩、直流母线电压、相电流及功率器件温度中的至少一种；

5、将所述工况参数输入至部署在所述电机控制器中的预设学习模型中，由所述预设学习模型输出与所述工况参数适配的随机载频参数；

6、根据所述随机载频参数生成当前电机控制周期的载波频率，并基于所述载波频率驱动所述电机。

7、进一步的，所述随机载频参数包括中心频率和频率波动范围。

8、进一步的，所述预设学习模型通过如下过程获得：

9、构建数据集，所述数据集包括电机在多种预设工况下的运行参数，与所述运行参数对应的随机载频参数，以及反映电机运行性能的预设指标参数；

10、利用所述数据集和预设的多目标损失函数，训练轻量化机器学习模型，所述多目标损失函数用于权衡至少两个相互冲突的预设指标参数；

11、在所述轻量化机器学习模型训练完成后得到所述预设学习模型。

12、进一步的，所述构建数据集，包括：

13、遍历电机全工况范围下的运行参数，并采集不同工况组合下的运行参数，所述运行参数包括工况向量和对应的预设指标参数；

14、采用多目标优化算法，以优化至少两个预设指标参数为目标，求解每个工况下的帕累托最优解集；

15、根据预设策略，从各所述帕累托最优解集中选取最优的随机载频参数，并与对应的工况向量关联形成带标注的样本数据，构建得到所述数据集。

16、进一步的，所述多目标损失函数由效率代价项、振动噪声代价项和热管理代价项中的至少两项加权构成；

17、所述效率代价项与电机开关损耗相关联；

18、所述振动噪声代价项与载频参数和电机转速共同决定的噪声性能相关联；

19、所述热管理代价项与电机控制器中功率器件的结温相关联。

20、进一步的，所述轻量化机器学习模型采用基于树模型的轻量级梯度提升机模型。

21、进一步的，在得到所述预设学习模型后，所述电机驱动控制方法还包括：

22、对得到所述预设学习模型进行优化，所述优化包括模型剪枝、参数量化和生成嵌入式代码中的至少一种。

23、进一步的，在获取电机当前的工况参数后，所述电机驱动控制方法还包括：

24、对获取的所述工况参数进行预处理，构建与所述预设学习模型输入特征向量格式一致的特征向量；

25、其中，所述预处理包括归一化处理。

26、相对于相关技术，本技术具有以下优势：

27、（1）本技术所述的电机驱动控制方法，通过将预设学习模型部署于电机控制器本地，实现随机载频参数的在线实时决策，无需依赖外部上位机或云端实时计算，避免通信延迟，保证控制实时性和系统自主性；且预设学习模型能够根据实时工况参数动态输出适配的随机载频参数，使载波频率跟随工况变化自适应调整，克服固定载频方案无法响应工况瞬变的缺陷；同时，完整的闭环控制链路使随机载频控制从开环模式升级为全闭环自适应模式，提高系统的可靠性和安全性。

28、（2）通过将随机载频的控制维度从单一参数拓展为中心频率和频率波动范围双参数协同调控，提升随机载频的调控自由度；中心频率决定频谱的整体位置，频率波动范围决定频谱的散布宽度，二者协同使得谐波能量的频域分布更加灵活可控，能够针对不同工况下的振动噪声敏感频段进行定向优化，实现效率、振动噪声和热管理三者之间更精细的动态折中

29、（3）通过构建覆盖全工况的数据集进行离线训练，使模型在出厂前即学习到最优映射关系，无需现场在线自学习或人工整定，简化调试流程；多目标损失函数使模型天然具备多目标优化能力，在相互冲突的指标之间自动寻找帕累托最优折中解，无需依赖人工经验反复权衡；采用轻量化模型替代深度神经网络或在线求解器，在保证精度的前提下降低推理计算量，使其能够部署于资源受限的嵌入式控制器中。

30、（4）通过遍历全工况范围采集数据，确保训练样本覆盖电机所有运行区域，避免模型在未覆盖工况下外推产生偏差，保证全工况范围内的输出可靠性；采用多目标优化算法求解帕累托最优解集，在多个冲突目标之间系统性搜索最优折中解，获得更高质量的监督标签；预设策略的引入使数据集构建具有明确的工程导向，可支撑多种工作模式，一套框架适配不同应用需求；带标注样本用于监督学习，使在线推理仅需一次前向计算即可获得最优解，避免在线迭代求解的计算负担。

31、（5）通过效率代价项使模型感知不同载频对系统效率的影响，学会优先选择开关损耗较低的参数以实现节能降耗；振动噪声代价项使模型理解载频参数对噪声性能的非线性影响规律，在振动噪声敏感工况下自动选择更优参数以降低噪声振动；热管理代价项通过一阶rc热等效网络引入热累积效应，使模型具备前瞻性热管理能力，避免短期性能优化导致长期热累积超标；三项代价项通过可配置权重系数灵活适配不同应用场景，无需重新设计算法框架。

32、（6）通过采用轻量级梯度提升机模型，其模型尺寸小、推理计算量低，能够有效适配电机控制器有限的存储和计算资源；同时，该模型对表格型数据的拟合能力良好，能够准确建立多维工况参数与随机载频参数之间的映射关系，在保证决策精度的前提下满足电机控制的微秒级实时响应要求。

33、（7）通过对训练完成的预设学习模型进行剪枝、参数量化及嵌入式代码生成等优化处理，可进一步缩减模型占用的存储空间并降低在线推理时的计算开销，使得原本需在云端或高性能平台运行的模型能够高效、稳定地部署于资源受限的嵌入式电机控制器中，且无需依赖额外的解释器或推理框架。

34、（8）通过在模型推理前对原始传感器数据进行滤波和归一化预处理，滤波消除噪声干扰和瞬时尖峰，避免异常值导致模型误判；归一化将各维度特征统一映射至规定区间，消除量纲差异对模型决策的影响，确保输入特征分布与离线训练时一致；预处理后的特征向量与训练数据格式完全匹配，保证模型在线推理的正确性和可靠性。

35、本技术的另一目的在于提出一种电机驱动控制装置，应用于电机控制器，包括：

36、获取模块，用于获取电机当前的工况参数；

37、处理模块，用于将所述工况参数输入部署在所述电机控制器中的预设学习模型，并由所述预设学习模型输出与所述工况参数适配的随机载频参数；

38、驱动控制模块，用于根据所述随机载频参数生成当前电机控制周期的载波频率，并基于所述载波频率驱动所述电机。

39、本技术还提出一种驱动电机，包括电机控制器，所述电机控制器包括存储器和处理器；

40、所述存储器存储有计算机程序；

41、所述处理器执行所述计算机程序，能够实现上述所述电机驱动控制方法。

42、本技术电机驱动控制装置通过三个模块均在电机控制器本地运行，无需依赖外部算力，形成闭环自适应控制系统；模块化设计使装置具有良好的可移植性，集成于不同型号的电机控制器硬件平台。