内嵌式永磁同步电机是一款非线性交流电机,物理参数互相耦合,如计算电机转矩或磁链时,需要考虑电机电感、电流、转速等参数的影响。在控制内嵌式永磁同步电机时,因周围环境、温度、湿度等原因,会引起电机参数变化或磁饱和问题。矢量控制内嵌式永磁同步电机时,需要通过公式法计算电机转矩或者MTPA(Maximum Torque Per Ampere)点,若电机参数变化会影响计算的精度,进而影响控制的准确度。本文探索用电机反馈的大数据搭建基于深度学习的预测模型,对输出转矩与MTPA点进行观测,提高转矩观测器精度,避免电机参数非线性变化的影响。论文分析了内嵌式永磁同步电机的数学模型,建立了内嵌式永磁同步电机仿真模型和以控制转矩为目的的矢量控制系统。搭建了以Dspace为核心的内嵌式永磁同步电机驱动控制平台,包括信号调理板、逆变器功率板、电机信号测量板等硬件电路。研究了深度学习模型的工程应用,包括多层神经网络、循环神经网络以及应用广泛的卷积神经网络,并搭建了基于卷积神经网络的转矩观测器与基于卷积神经网络-循环神经网络的MTPA点预测模型。利用基于Dspace的电机控制平台提取电机数据,对建立的深度学习模型提供数据支撑。经过测试,发现建立的转矩观测器的均方误差与均方根误差分别为0.304与0.582,建立的预测MTPA点的模型的均方误差与均方根误差分别为0.178与0.213。通过与采集到的真实电机数据作对比,建立的模型可以观测到准确的数据,具有一定的鲁棒性。对比传统的转矩观测器与MTPA点计算,有效解决了因内嵌式永磁同步电机参数的非线性、强耦合带来的计算精度变差问题。