永磁同步电机具有高功率密度、高可靠性、过载能力强等特点,在很多的工程领域得到了广泛的研究与应用。由于直接转矩控制具有响应迅速与动态性能良好等优良特点,目前已得到了很好的发展。但是传统的直接转矩控制技术仍存在着一些不足之处,例如:电机参数受外界影响会出现非线性变化、转矩观测不精确以及转矩脉动较大等问题,从而会影响系统整体的控制效率。本文主要在转矩观测器方面,针对永磁同步电机存在的算法复杂、电机参数辨识困难、系统运行较差、电磁转矩难以通过数学模型来精确估算等问题,运用深度学习的方法来对转矩观测的精确度与稳定性进行研究。针对永磁同步电机的控制理论进行了研究与分析,并给出了传统转矩控制的缺点。在此基础上,引入深度学习对转矩观测器进行研究。由于BP神经网络与ELMAN神经网络对未知数据具有强大的非线性估测能力,而且ELMAN神经网络对时间序列的数据集还具有记忆特性,因此选取了BP神经网络与ELMAN神经网络这两种深度学习方法。分别设计了基于这两种神经网络算法的永磁同步电机的仿真控制模型,通过Tensor Flow框架编写算法代码设计这两种神经网络算法的模型,使用Control Desk对不同工况下的电机参数进行数据记录,将其作为神经网络优化的训练集与测试集,然后根据调整神经网络的层结构和每层神经元的数目以及传递函数去训练优化网络模型,将设计的神经网络模型使用MATLAB2019b/Simulink封装成转矩观测器模块,并将其移植到永磁同步电机的仿真控制模型中进行仿真。仿真结果表明:这两种神经网络算法都可以有效解决永磁同步电机参数的计算复杂、非线性变化以及高耦合等问题,同时可以有效提高转矩观测器的精确度。将这两种方法建立的转矩观测器通过对比后发现,ELMAN神经网络观测器比BP神经网络观测器的估算效果更好。为验证设计的转矩观测器,搭建了以Dspace为核心的永磁同步电机驱动控制平台。该平台包括上位机信号调理板、逆变器功率板、三相电流测量板、电机温度测量板以及转速信号测量板等。将训练好的两种神经网络算法模型通过Simulink模块函数Gensim模块化后分别移植到该硬件平台进行验证。实验结果表明:这两种方法都具有一定的鲁棒性与工程应用的可行性;与传统转矩控制方法进行对比分析后发现,基于这两种算法的转矩观测器都具有较强的非线性拟合能力、高精度的转矩输出性能以及较强的瞬态响应特性。其中,基于ELMAN神经网络算法的转矩观测器比BP神经网络算法的转矩观测器具有更高的精度、更强的鲁棒性,该方法为转矩控制的后续研究提供了基础。