开关磁阻电机(SRM)具有结构简单坚固、制造成本低、系统可靠性高、调速范围广等优点,成为新一代新能源电动汽车驱动装置的重要候选。然而,由于电机运行时产生较大转矩脉动以及由此而引起的噪声,严重制约了SRM在新能源电动汽车领域的发展与应用。因此,为了有效抑制电机的转矩脉动,实现SRM恒转矩控制,本文提出两种控制策略。(1)SRM电感变化率非线性特性神经网络建模与控制策略。该策略依据在恒转矩下需要获得的控制电流与电感变化率之间的函数关系,利用神经网络对电感变化率进行建模,具体过程为:根据SRM的电感变化率特性曲线,设计分段非线性激励函数,基于该激励函数构建电感变化率神经网络,由于所构激励函数描述了SRM实际电感变化率机理特性,因此,可以有效提高神经网络的建模速度与建模精度,实现对电感变化率非线性特性的精确建模。与传统对电感进行建模的方法不同,该方法直接对电感变化率进行建模,更加简单、直接地实现控制电流的求解。仿真结果表明,所提出的基于分段激励函数神经网络进行SRM控制的方法,能更好地适应电机的非线性电感变化率特性,改善系统动态品质,有效地抑制SRM转矩脉动。(2)强化学习与模糊推理相融合的SRM电感模型非线性补偿与控制策略。该策略采用了一种前馈补偿的方法,回避了对非线性电感的直接建模。在基于线性电感模型的闭环控制系统中,利用能体现SRM模型误差的转矩偏差及其变化率,设计模糊推理规则,构建模糊补偿器,实现对线性电感模型的非线性前馈补偿,间接描述电感的强非线性特性;并引入强化学习,设计回报函数,与模糊补偿器相配合,进一步实现电感模型的非线性自适应优化补偿。仿真结果表明,所提出的基于强化学习与模糊推理进行SRM控制的方法,能更好地适应电机的非线性电感特性,改善系统动态品质,有效地抑制SRM转矩脉动。在以英飞凌XC2765X-104F控制板为核心的SRM实验平台上,对所提出的SRM电感变化率非线性特性神经网络建模与控制策略进行实验验证。实验结果表明,与基于线性电感模型的传统SRM电流分配控制相比,所提出的基于分段激励函数神经网络进行SRM控制的方法,能有效抑制电机的转矩脉动,具有更好性能。