摘要：永磁同步电机( pmsm)是一个多变量、非线性、强耦合的复杂系统，对外界扰动及内部摄动极为敏感。为提高系统鲁棒性，基于小波神经网络的时频局部特性、变焦特性、自学习、自适应、鲁棒性及很强的非线性逼近能力等特性，建立非线性映射，估计转子位置并计算转子的输出速度，引入滑模变结构控制策略对pmsm进行控制，并在同等条件下对pi控制进行了仿真研究，结果表明所提出的控制策略能有效提高系统的调速性能。

    关键词：永磁同步电机；小波神经网络；无速度传感器

    中图分类号：tm301. 2：tm351文献标识码：a文章编号：1673-6540(2010)03-0031-04

    永磁同步电机( pmsm)具有结构简单、功率密度高、效率高等优点，广泛应用于很多领域，例如电动汽车领域等。而对于pmsm这样的交流传动系统而言，无传感器技术已成为研究的热点之一，主要方法包括开环型转速估计法、现代控制理论法、智能控制分析法和不依赖电机方程的检测法筹。开环型观测器估计精度较差，仅满足中、高速情况下的控制要求；基于现代控制理论的模型参考自适应法、扩展卡尔曼滤波法(ekf)及全阶状态观测法等，在转速估计中得到一定的应用，但系统计算量大、抗参数变化能力不强，制约了其发展；不依赖电机方程的高频注入法、漏感脉动检测法和由阻抗差异法等虽提高了系统的全速观测性，但同时也带来了操作上的不便。

    和其他交流电机一样，由于受噪声、温度和磁场等因素的影响，pmsm也是一个参数不确定、非线性、强耦合和多变量高阶复杂系统。传统pmsm控制器多采用pi调节器，pi控制算法简单，能满足一定范围内的控制要求，但其设计依赖于精确的数学模型，在实际应用中，由于外界干扰和内部摄动等不确定因素的影响，很难满足高性能控制的要求。高性能控制系统不仅要求快速和准确，还要求在未知扰动和参数变化时具有高恢复能力。faa-jeng lin等学者提出采用自适应不确定观测器观测不确定扰动，提高鲁棒性。由于这些方法计算复杂，在实际系统中应用并不多。在系统辨识和控制中，由于人工神经网络(ann)属于非线性动态系统，具有很强的自学习、自适应和泛化能力[34]，ann已作为一种新手段广泛在交流传动系统中得到研究，文献[5]利用bp网络实现电流、磁链到转子位置的映射，并利用数字信号处理器(dsp)实现开关磁阻电机(srm)神经网络控制，效果良好。文献[6]提出一种基于自适应rbf神经网络的转子位置辨识方法，建立以各相电流、磁链作为输入，转子位置信号作为输出的神经网络来实现电机电流、磁链和转子位置间的非线性映射，估算转子位置角度，从而有效消除位置传感器。尽管rbf神经网络全局收敛，但是其隐层节点的数目、隐层节点的中心和标准化参数难以确定。逅年来，国外学者尝试将滑模控制( slide mode control，smc)应用于各类电机的位置伺服系统中，结果表明能有效改善摩擦非线性和负载时变性，提高了系统的鲁棒性。文献[12]将smc引入pmsm无位置传感器调速系统，提高了速度观测器的精度。文献[13]将smc应用于pmsm直接转矩控制并进行了初步试验，证明smc能改善直接转矩控制存在的电流、磁链和转矩脉动问题。本文基于小波神经网络的时频局部特性、变焦特性、自学习、自适应、鲁棒性及很强的非线性逼近能力的特性，提出一种基于小波神经网络的pmsm无速度传感器滑模控制策略，并将其应用于矢量控制pmsm调速系统。仿真结果表明所提出的控制策略能较好地提高系统的鲁捧性和快速性，有效改善了电机的动、静态特性。

    小波神经网络是以小波函数为基函数的一种连接型前馈网络，将常规神经网络的隐层函数用小波函数代替，相应的输入层到隐层的权值及隐层阀值分别由小波函数的伸缩系数和平移参数代替，又可认为是rbf网络的推广。图1为小波神经网络的拓扑结构图，分为三层：第一层为输入层；第二层为隐含层，采用小波函教作为激励函数；第三层为线性输出层。