基于informer的永磁同步电机参数辨识

永磁同步电机(PMSM)因其优秀的性能在工业领域有广泛的应用,其控制精度受电机的各种参数影响。随着近几年深度学习的大热,选用了一种基于Informer的辨识方法,并且与现有主流的预测模型LSTM,GRU,SAE进行对比。Informer是由编码器(Encoder)和解码器(Decoder)构成,编码器主要由自注意力蒸馏组成,编码器结构与Transformer编码器结构相同。LSTM能有效地缓解RNN模型在处理远距离输入和输出时的相关性逐渐减弱问题,使得远距离节点的参数能够更好地进行学习。GRU比LSTM具有更简单的结构,GRU的更新门合并了LSTM的遗忘门和输入门,使得模型更易于训练和调整。SAE中以通过多层的编码器和解码器结构,学习输入数据的多维特征。每一层的编码器可以捕捉输入数据的不同层次的抽象特征,有助于拟合复杂的非线性函数。数据集来源于2000次的Simulink仿真,总共2000条序列。通过多次实验,Informer预测d轴电感Ld和q轴电感Lq的准确率分别达到了91.6%和97.3%,此外,在MAE、MSE和RMSE这三个评价指标下,Informer模型展现出比LSTM、GRU和SAE模型更优秀的预测效果。