找找相同研究方向的朋友

hyowinner

本研究探索基于物理信息神经网络（PINNs）的开关磁阻电机(SRM)驱动控制策略。与纯数据驱动模型不同，PINNs将电机的支配物理定律——如电压方程和转矩方程——直接嵌入神经网络的训练过程。这使得模型能够同时利用实测数据与物理约束，从而提升预测精度与鲁棒性。通过强制遵循第一性原理动力学，基于PINN的模型能够捕捉SRM复杂的磁饱和及位置依赖特性，同时较之黑箱近似方法所需训练数据更少，并展现出更强的泛化能力。

本控制策略将基于PINN的预测模型系统性地集成至SRM驱动的MPC框架中。所提方法摒弃传统依赖解析模型或查表模型进行状态预测的路径，转而采用PINN直接从输入输出数据中学习非线性的磁链与电感特性，同时通过机电能量转换过程的微分方程对其进行正则化约束。该基于PINN的预测器随后被嵌入FCS-MPC与CCS-MPC两种构架，替代传统的正向预测模型。在FCS-MPC方案中，PINN为每个可容许开关状态提供精确的单步超前相电流、磁链及转矩预测，从而实现更可靠的代价函数评估与开关状态选择。在CCS-MPC方案中，PINN提供系统动力学的连续可微近似，便于基于梯度的电压参考轨迹优化。通过保持对输入及状态的可微性，PINN模型还支持雅可比矩阵与灵敏度的解析计算，有助于提升求解器效率与实时可行性。

通过在FCS-MPC与CCS-MPC方案中均采用基于PINN的预测模型，本研究旨在实现以下目标：提升电流、磁链与转矩的预测精度；改善转矩脉动抑制效果与电流调节性能；增强对参数摄动及磁饱和效应的鲁棒性。PINN与MPC的协同由此构成SRM驱动控制领域的一种新范式，其通过物理一致性与数据适应性的联合强化，克服了高非线性磁阻电机预测控制中长期存在的模型精度瓶颈。

2026年，有研究相同类型电机、或者研究相同控制算法的朋友，欢迎一起讨论，共同进步。