开关磁阻电机(Switched Reluctance Motor,简称SRM)是一种新型的特种电机,与传统的交流电机相比,开关磁阻电机具有结构简单可靠、效率高、启动转矩大、无击穿风险,造价低廉、调速范围宽、鲁棒性强等优点。正是基于这些特点,开关磁阻电机不仅被广泛使用在纺织、家电等传统工业领域,也受到了新能源汽车等新兴产业的关注。但是由于其自身的双凸极结构,电机在工作中存在着严重的磁路饱和,转矩、电流、转子位置之间的强烈非线性,难以获得准确的电机模型。因此尽管开关磁阻电机相较于传统交流电机有诸多优势,但是中低速度下运行时,较大的转矩脉动和噪音阻碍了开关磁阻电机在新能源汽车中的直接应用,及其他行业的进一步发展。本文以开关磁阻电机为研究对象,针对开关磁阻电机运行时产生的转矩脉动进行研究,实现转矩脉动的抑制控制。本文提出了以下两种控制策略:(1)针对SRM转矩脉动过大的问题,提出基于最优化的拉格朗日乘子法电流优化策略与改进的迭代学习控制补偿相结合的转矩脉动抑制控制算法。在电感约束条件下,采用拉格朗日最优化乘子法,以恒转矩为目标,进行分配电流的分段优化;引入误差预处理的迭代学习控制器输出补偿电流,与优化电流叠加,作为电流滞环恒转矩控制的参考电流,实现转矩的闭环控制,有效抑制转矩脉动。仿真实验结果表明,所提出电流优化分配与迭代学习相融合的综合控制策略,提高了迭代收敛速度,有效降低转矩脉动。(2)从SRM内部磁路饱和带来的参数强耦合所决定强非线性特性建模的角度,构建了RBF双隐层神经网络电感模型的电流补偿控制策略,与基于转子位置的低通滤波相结合成为转矩脉动抑制控制策略。a)在磁链的非线性模型中引入电流相关参数,推导出电流的电感非线性模型,以电感非线性模型作为激活函数,构建RBF双隐层神经网络电感模型,作为前馈控制器,对转矩分配控制的三相电流进行补偿;b)在恒转矩控制目标下,引入基于转子位置的一阶低通滤波器,滤除神经网络补偿后叠加电流所带来的波动,进一步抑制系统的转矩脉动。仿真实验结果表明,与传统方法相比,所提出的基于双隐层神经网络建模的电流补偿控制策略与分段的一阶低通滤波结合后对转矩脉动抑制控制效果更好。在基于TMS320F2812 DSP系统的SRM实验平台,对所构建RBF双隐层神经网络电感模型的电流补偿策略进行实验,与基于常规转矩分配函数的转矩控制的实验进行对比分析,证明所提出转矩控制策略在真实电机控制中的有效性。