基于深度学习的电驱实验系统设计

高健王向前朱绍鹏 AI汽车制造业 2026-07-24

针对传统永磁同步电机建模方法难以兼顾精度与实时性的问题，本文基于深度学习技术提出一种融合物理约束的永磁同步电机降阶模型，通过深度神经网络实现对电机非线性电磁特性的精细化建模。围绕所提降阶模型，搭建了电驱实验系统，并将该模型集成至电驱系统中，实现了实时硬件在环验证。在不同工况下对降阶模型和传统dq轴解析模型开展实验分析，结果表明，所提出的基于深度学习的永磁同步电机降阶模型在保证高精度建模的同时，实现了更好的动态性能。该模型支撑的实验系统可用于电驱系统的快速仿真与控制算法研究，具有良好的工程应用前景。

0 引言

随着全球能源转型与汽车产业电气化升级，新能源汽车已成为应对环境挑战、实现交通领域碳中和的核心载体。电动汽车主驱动、电动助力转向等核心电驱系统的硬件设计与控制算法直接决定整车动力、续驶及安全性，是研发的关键环节。针对这些复杂电驱系统的性能评估，开发高可靠性的实验教学与科研测试平台显得尤为紧迫。

在传统电驱研发流程中，硬件设计验证与控制算法调试高度依赖实车测试或台架试验，然而实车测试成本高昂、周期漫长，难以复现极端工况与故障场景；同时，对于驱动电机系统在变工况下的动态响应规律，传统测试手段难以实现精细化表征。台架试验对硬件损伤风险较高，且无法实现多场景快速切换，导致硬件潜在缺陷难以早期发现，控制算法迭代优化效率低下。

为解决上述研发痛点，电驱系统建模被应用于电动汽车、能源系统等领域，在理解系统特性、分析系统老化规律、实现系统利用率最大化方面发挥着关键作用。硬件在环（Hardware-in-the-Loop,HIL）测试技术凭借“虚拟工况模拟+真实硬件接入”的核心特性，相较于传统测试方法，可在研发早期精准定位硬件设计缺陷，降低实车测试风险与成本；同时能够全覆盖复杂路况、极端环境及故障注入等实车难复现场景，支持控制算法参数的实时修改与快速迭代，显著提升测试的全面性、重复性与效率。

但电驱的运行特性由多物理场的复杂耦合作用决定，要获得其准确的系统特性和响应过程，通常需要建立有限元模型。然而有限元建模虽然具有较高的稳态计算精度，但其计算量极大，且需要高性能的计算资源支撑。此外，这类模型无法直接部署到硬件在环仿真平台，也无法实现系统实时响应的预测。

另一种解决方案是采用曲线拟合与系统辨识的降阶建模方法，该方法能使子系统模型的计算具备工程可行性。但在诸多关键系统中，这一方法并不被推荐，尤其是在涉及高性能矢量控制算法验证时，因为这类代理模型的精度较低，且无法完整表征部件的全工况运行特性。此外，由于忽略了电机参数的时变特征，传统辨识模型在复杂动态过程中的预测偏差往往难以忽略。

本文针对电驱系统建模与HIL测试的核心痛点，提出一种基于深度学习的永磁同步电机降阶模型，并搭建电驱硬件在环实验系统开展实验验证。该模型可平衡建模精度与计算效率，既克服了有限元模型算力消耗过大的痛点，又弥补了传统降阶模型精度欠佳的短板，能够匹配HIL平台的实时性需求，为电驱系统硬件设计缺陷定位、控制算法迭代优化提供支撑。

1 系统总体方案设计

为了实现基于深度学习的PMSM降阶模型的高效快捷验证，提出基于深度学习的电驱实验系统架构，主要包括软件层和硬件层，如图1所示。

图1 基于深度学习的电驱实验系统架构

软件层基于模型设计（Model-BasedDesign，MBD）完成永磁同步电机降阶模型（Reduced-OrderModel，ROM）的离线训练、代码生成与仿真监控。硬件层则集成了电气控制柜、电机控制器、真实电机、硬件在环仿真系统、电机模拟器及上位机等设备，能够支持电驱系统进行信号级（Signal-HIL）和功率级（Power-HIL）的硬件在环实验验证。在该架构的核心运行机制中，ROM以实时电机模型的形式替代传统dq解析模型，作为高精度虚拟被控对象嵌入到硬件在环闭环系统中。模型通过电压－电流接口与真实控制硬件交互：接收控制器输出的电压指令（或PWM信号），实时解算并反馈包含非线性特征的电流与位置信号，从而在数字空间中精确复现物理电机的运行特性。

基于上述深度学习电驱实验系统架构，为了明确信号流转与功率交互逻辑，设计了电驱实验系统硬件架构，该架构支持算法验证和功率级验证，如图2所示。

图2 电驱实验系统硬件架构

（1）信号级硬件在环（Signal-HIL）

信号级实验系统主要用于控制逻辑的功能性验证。实时仿真机运行ROM模型，通过I/O板卡模拟编码器、旋变及霍尔传感器信号，并发送给真实的电机控制板。控制板输出的PWM信号被仿真机捕获并解算为下一时刻的电流状态，从而构成闭环测试环境。

（2）功率级硬件在环（Power-HIL）

功率级实验系统可以验证模型与控制算法在非理想工况下的有效性和鲁棒性。系统包括真实的驱动功率箱和大功率电机模拟器。被测控制器的三相输出直接连接至电机模拟器，模拟器根据ROM计算的负载特性吸收或回馈能量，从而复现电机在变工况下的电气性能。

2 模型降阶算法设计

本文基于深度学习构建PMSM降阶模型，将高维非线性电磁特性映射为轻量化网络结构，通过数据驱动方式替代复杂FEM建模。引入单步均方误差（MSE）损失函数确保静态映射精度，结合多步动态展开提升暂态过程的表征能力，并引入物理约束正则化项以保证模型在全工况下的物理一致性。这一方案有效地解决了高精度建模与实时性需求之间的权衡问题，为电驱系统硬件在环验证及高性能智能控制策略的训练提供了高保真且计算高效的降阶模型支撑。

2.1 降阶建模总体架构

ROM的核心目标是在不显式求解Maxwell方程或dq解析模型的情况下，通过深度学习使用轻量神经网络逼近PMSM的非线性电磁映射，并满足实时仿真要求。整体架构以PMSM电磁子系统的状态量与输人量为核心，通过神经网络建立从输人到输出的非线性映射关系，即:

式中，Y为输出向量;X为输入向量;θ为网络权重参数。

2.2 降阶建模对象与状态选取

为兼顾建模精度与计算效率，ROM的建模对象选定为PMSM的电磁子系统。根据电机统一理论与矢量控制需求，定义系统的输人、状态与输出变量如下:

输入由d轴电压u_d、q轴电压u_q、前一时刻dq轴电流及电角速度组成。

选取旋转坐标系下的电流分量：

输出包含电流分量及电磁转矩：

2.3 ROM网络结构设计

采用多输人多输出轻量RNN网络结构，具体设计如下:网络结构设计如图3所示，输人层维度为5，对应输入量;隐藏层数量则,综合考虑建模精度与实时计算开销进行合理选取;输出层维度为3，对应输出量，; 激活函数选择上，隐藏层采用ReLU，输出层采用线性激活(Purelin)以适配电流、转矩的连续取值范围，设网络第1隐藏层输入为h₁、第2隐藏层输入为h₂，各层计算式依次为:

输出层计算：

式中，W₁、W₂、W₃为各层权重矩阵;b₁、b₂、b₃为偏置向量; 为激活函数。

图3 ROM网络结构设计

2.4 动态建模

为增强模型在时域内的泛化能力，采用离散动态映射方法表征电流的演变:

转矩输出：

式中，为转矩映射函数，通过考虑磁饱和的转矩公式实现，确保输出与PMSM物理特性一致。

2.5 损失函数与训练策略

为了保证ROM在全工况下的物理合理性与预测稳定性，本文在传统均方误差(MSE)损失函数的基础上，引人了基于物理约束的正则化项。

(1) 多目标损失项:

(2) 结合PMSM磁饱和与dq轴交叉耦合特性，通过限制网络输出对d轴电流的异常敏感度，抑制磁路饱和工况下的转矩非物理跳变，确保模型输出与电机实际电磁特性一致:

(3) 总损失函数如下，将正则化项与传统损失函数累加，可实现精度与物理稳定性的平衡：

2.6 模型训练

训练流程分为6个步骤，如图4所示。

图4 训练流程

基于深度学习的神经网络验证周期设置为每10次迭代进行一次，训练过程如图5所示。通过观察训练过程可见，训练准确率在第35次迭代后达到接近100%，验证精度在第43次迭代后达到接近100%。因此在第42次迭代后，随着迭代次数的增加，验证集与训练集的数据损失均收敛至稳定区间。

图5 深度神经网络训练过程

2.7 AI-ROM模型搭建

基于Simulink搭建PMSM ROM模型，如图6所示，其中神经网络采用Deep learning tools中模块搭建离线训练模型，实现了电流与转矩的快速推理。该结构无需自定义S-Function，具有良好的可复现性与工程移植性。

图6 PMSMROMSimulink模型

3 系统硬件与软件设计

基于电驱实验系统硬件架构，搭建了信号级和功率级硬件在环电驱实验系统，其整体结构如图7所示。

图7 电驱硬件在环实验系统

3.1 硬件在环实验系统

信号级HIL硬件系统最上层的是该设备的电源管理模块PMU（Power Management Unit），主要实现对设备的电源进行控制、分配、保护等功能。下一层为IT6502可编程电源，具有定电压和定电流模式，输出波形可编辑。接着下层为PXI机箱，插有CPU、FPGA等板卡，实时运行电机模型。再下层为信号调理模块，包含2组旋变传感器的调理通道，2组霍尔传感器信号的调理通道，1组增量和1组绝对式编码器信号的调理通道。通过信号调理模块，配置需要调理的通道，对信号进行调理，实现信号驱动、放大、滤波和保护等功能，同时提供信号保护功能，防止信号过载或损坏系统。再下层为断线测试箱，具有以下功能：①为仿真机出线提供测点；②可以在仿真过程中手动断开仿真机侧信号。控制板置于中层的控制器抽屉中，通过BOB香蕉插座连接PXIe-1092信号调理模块的I/O口。上位机调试部分由仿真主机和监控主机组成，主要完成模型的开发、试验管理、自动测试和图形化监控等功能。

功率级HIL硬件系统则包含大功率直流源、真实的电机控制器（控制板+驱动功率箱）和大功率电机模拟器。该系统可用于开展控制器带载能力测试、系统效率MAP图绘制，以及功率级故障注入测试，如模拟电机相间短路、对地短路和堵转等极端危险工况，从而验证控制器硬件保护电路与软件故障处理策略的协同性与有效性。

3.2 上位机及仿真软件设计

本文基于模型设计搭建PMSM降阶模型进行研究，软件架构如图8所示。首先根据系统需求制定电机控制策略，搭建ROM Simulink模型；模型搭建成功后对模型进一步检验并优化，将算法模型与底层驱动进行集成，构建出完整的代码模型；最后自动生成代码并编译运行，通过上位机实现数据监控与参数调整。

图8 基于模型设计的电机控制软件架构

4 实验应用与分析

实验采用基于DSP F28377D为核心控制芯片的电机控制器，控制对象为永磁同步电机模型，实验验证所用的电机模型基于实际的内嵌式永磁同步电机搭建，其参数如表1所示。永磁同步电机矢量控制结构如图9所示。通过设计不同的实验工况进行硬件在环测试，并记录测试数据。

图9 永磁同步电机矢量控制结构框图

建立高保真有限元仿真模型如图10所示，单步计算时间一般为2～5s。将dq轴解析模型、FEM模型和ROM模型进行对比，不同建模方法的性能如表2所示。由表2可知，在合理设置网络和推理优化的前提下，做到与dq解析模型同一量级是完全可行的。本文ROM单步计算时间仅1~5μs，远低于HIL平台常规实时性阈值（＜1ms），满足硬件闭环仿真的实时交互需求，可直接部署至HIL系统。

图10 FEM高保真模型有限元仿真

将不同模型部署在HIL实验系统后，为进一步验证所提出ROM模型在不同运行条件下的准确性与鲁棒性，基于硬件在环实验系统构造了100组随机运行工况，包括典型工况和极端工况，涵盖不同转速、负载转矩及电流工作点，并同时包含恒转矩区与高速弱磁运行区间，以充分反映实际运行条件下的复杂性。在每一组随机工况下，分别测试传统dq轴模型与所提出ROM的转矩结果，如图11所示。在相同控制参数下，基于测试数据和波形，与传统dq轴模型相比，ROM的转矩RMSE降低约66%，因此在闭环控制条件下，ROM模型可在保证高精度建模的前提下实现更好的动态性能。

图11 100组随机工况两种模型转矩均方根误差

针对基于ROM模型的硬件在环平台，开展了低速与额定转速工况下的无速度传感器运行实验。由图12和图13所示实验波形可知，基于ROM模型参数的无速度控制都能稳定运行，速度与位置估算误差也能得到很好的控制。实验结果表明，该模型在电驱动系统快速仿真及控制算法验证场景下具有良好的实用有效性。

图12 低速ROM模型硬件在环矢量控制图

图13 额定转速ROM模型硬件在环矢量控制图

5 结语

本文针对永磁同步电机高精度建模与实时性需求之间的矛盾，提出了一种基于深度学习并融合物理约束的永磁同步电机降阶模型，实现了对复杂非线性电磁特性的高精度建模。在此基础上，将所提出的降阶模型集成至硬件在环电驱系统仿真平台中，实现了与电机控制器的协同实时运行。实验结果表明，该模型在多种运行工况下均具有良好的稳定性、精度与实时性，验证了其在电驱系统快速仿真与控制算法验证中的有效性。未来研究可在现有工作的基础上引入更强的物理先验约束，将输入电功率、电磁功率与系统损耗之间的能量守恒关系显式融入模型训练过程，从而提升模型在极端运行工况下的物理一致性与预测可靠性。

综上所述，该实验系统为智能电驱系统的快速仿真、控制算法研究及数字孪生应用提供了新的技术路径，具有良好的工程应用前景。

参考文献

[1] 魏一凡,韩雪冰,卢兰光,等.面向碳中和的新能源汽车与车网互动技术展望[J].汽车工程,2022,44(4):449-464+444.

[2] 乔英俊,赵世佳,伍晨波,等.“双碳”目标下我国汽车产业低碳发展战略研究[J].中国软科学,2022(6):31-40.

[3] 丁荣军,刘侃.新能源汽车电机驱动系统关键技术展望[J].中国工程科学,2019,21(3):56-60.

[4] 严蓓兰.新能源汽车电机发展趋势及测试评价研究[J].电机与控制应用,2018,45(6):109-116.

[5] 毕大强,郭瑞光,陈洪涛.电力电子与电力传动DSP-HIL教学实验平台设计[J].实验技术与管理,2019,36(1):4.

[6] 张宇,刘加洪,周美兰.基于CAN通信的电动汽车复合储能实验平台[J].实验技术与管理,2021(8):38.

[7] 王志福,孙庆乐,李昊龙,等.新能源汽车驱动电机硬件在环仿真技术综述[J].电气传动,2022,52(1):3-12.

[8] 孔令静,从宏超,梁长飞,等.基于硬件在环的电动汽车整车控制器自动化测试研究及应用[J].时代汽车,2020(12):73-75.

[9] 李腾飞.新能源汽车电机控制器硬件在环测试系统研究[D].北京：北京交通大学,2019.

[10] 黄福春.新能源整车控制器硬件在环测试研究与应用[J].汽车电器,2019(11):34-36.