Ｄｉｓｔｕｒｂａｎｃｅ Ｒｅｊｅｃｔｉｏｎ Ｃｏｎｔｒ０１．Ｔｈｃ ａｄｖａｎｔａｇｅｓ
ｏｆｔＩｌ嫩ｃｏｎｔｒｏｌ ｍｅｔｈｏｄｓ
ｔｏｏ．
ａｌｓｏ ｄｉｓｃｕｓｓｅｄ ｉｎ
Ｆｉｎａｌｌｙ．ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｓｐｅｃｔｓ ＯｆＡＤＲＣ Ｋｅｙ
ｃｏｎｔｍｌ ｓｙｓｔｅｍ ｆｏｒ ＢＬＤＣＭ ｉｓ ｐｍｐｏｓｏｄ
２６－２９．
【８】夏长亮，李志强，王明超等．基于ＲＢＦ神经网络在线辨识的永磁无刷直流电机单神经元ＰＩＤ模型参考自适应控制明． 电＿丁技术学报，２００５。２０（１ １）：６５－６９． 【９】孙佃升，白连平．模糊自适应ＰＩＤ控制器在无刷直流电机控制系统中的应用【Ｊ】．电气传动，２００９，３９（１０）：６３－６６． 【ＪＯ】范冰洁，李玉忍，陈永橡．基于遗传算法的无刷直流电机控制参数优化田．计算机仿真，２００９，２研８）：１８８・１９１． 【ｌｊ】夏长亮．无刷直流电考Ｌ控制系统【Ｍ】．ｊ匕京：科学ｉ｝｛版社．２００９：５７—８９． 【１２】李世超，石秀华，孙希通等．改进模糊神经网络无刷直流电机控制系统设计【Ｊ】．计算机仿真，２００９，２６（１０）：１５３—１５６． 【１３】韩京清．自抗扰控制器及其应用【Ｊ】．控制与决策，１９９８，１３（１）：１９－２３． 【１４】Ｚ．Ｇａｏ，Ｓ．Ｈｕ，ａｎｄ
Ｔｕｎｉｎｇ［］］．ｉｎ
Ｐｒｏｃ．２００３ Ａｍｅｒｃｉａ Ｃｏｎｔｒｏｌ
Ｃｏｎｆｅｒｅｎｃｅ，Ｄｅｎｖｅｒ，Ｃｏｌｏｒａｄｏ ＵＳＡ，２００３。ＰＰ。４８４９－４９９６．
【１７】Ｗｕ
Ｄ，Ｚｈａｏ Ｔ，Ｃｈｃｎ Ｋ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆＡｃｔｉｖｅ Ｄｉｓｔｕｒｂａｎｃｅ
３
无刷直流电机的人工智能控制
ＢＰ和ＲＢＦ神经网络控制 随着神经网络理论的发展以及无刷直流电动机非线性、多变量耦合的特性，神经网络已融入到无
３．１
刷直流电动机控制当中。ＢＰ算法（反向传播算法）是一种神经网络学习的数学模型，其引入了隐层饱 和度，改善了控制器的性能１６１。ＢＰ神经网络是一种全局逼近的神经网络，学习速度很慢，而ＲＢＦ（径 向基函数）神经网络则是一种局部逼近网络，学习速度相对ＢＰ网络快，可实现实时性要求较高的控制。 与ＢＰ神经网络相比，ＲＢＦ神经网络具有结构简单，收敛速度快、泛化能力强等优点。实验表明：基于 ＲＢＦ神经网络对无刷直流电动机控制达到了在线辨识、在线控制的目的，具有良好的静态和动态性能， 自适应性强、鲁棒性强ＩＭＪ。然而两种神经网络算法都没有能力解释自己的推理依据和过程，学习算法 还有待进一步提高。 ３．２自适应模糊控制 自适应模糊控制是在模糊控制器的基础上提出的。模糊控制不依赖被控对象精确的数学模型，可 根据操作者或专家的经验，实现对系统的控制，该控制系统根据控制对象的实际响应情况运用模糊推 理，自动实现对参数的最佳调整。仿真结果表明：相较于普通的ＰＩＤ控制，自适应模糊无刷直流电动 机控制系统的响应速度加快、超调量变小、调节精度更高，具有良好的动静态性能，较强的鲁棒性１９ｌ。 ３．３遗传算法控制 遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的一种计算机模拟，模拟自然界遗 传机制和生物进化论的一种并行随机搜索最优化方法。其有效的引入了系统误差及控制量作为系统性 能指标，使用适应度比例算子、算术交义算子、非均匀变异算子进行运算，得到最优的ＰＩ、ＰＤ参数。 经仿真分析表明：应用遗传算法控制无刷直流电动机可以快速得到控制模型的最优参数，比传统方法 响应更快，调节精度更高１１０ｌ。 ３．４遗传算法、模糊控制和神经网络相结合控制 基于专家知识库的模糊逻辑控制系统推理能力强，但学习能力差：而神经网络控制系统推理能力 差，学习能力强：遗传算法按照模拟生物界进化建立的，可从优化角度对控制器参数进行在线或离线 优化．但运算空间和时间较大。因此。采用了多种智能方法结合的手段．实现优势互补。自适应遗传 算法优化的模糊神经网络控制系统集合了三个算法的优点，部件保证推理和学习功能的实现，还保证 了参数的优化，从而实现对无刷直流电动机转速的精确控制【Ｉ卜坦Ｊ。通过仿真和实践，表明：该方法响
Ｅ Ｊｉａｎｇ，Ａ Ｎｏｖｅｌ
Ｍｏｔｉｏｎ Ｃｏｎｔｒｏｌ Ｄｅｓｉｇｎ Ａｐｐｒｏａｃｈ Ｂａｓｅｄ Ｏｎ Ａｃｔｉｖｅ Ｄｉｓｔｕｒｂａｎｃｅ Ｒｅｊｅｃｔｉｏｎ［Ｊ］，ＩＥＥＥ
ＣＤＣ ｃｏｎｆｅｒ豇＇ｌｃｅ，Ｄｅｃｅｍｂｅｒ，２００１，
【ｌ ５】Ｚｈｉｑｉａｎｇ
Ｇａｏ，Ａｃｔｉｖｅ
Ｄｉｓｔｕｒｂａｎｃｅ Ｒｅｊｅｃｔｉｏｎ Ｃｏｎｔｒｏｌ：Ａ Ｐａｒａｄｉｇｍ Ｓｈｉｆｔ Ｆｅｅｄｂａｃｋ
２０１０年祸建省机械工程学会学术年会论文集
‘机电技术》２０１０年增刊ｌ
无刷直流电动机控制方法的研究综述
蔡文质部松山叶大鹏
（福建农林大学机电工程学院。福建福州３５０００２） 摘要：简要介绍了无刷直流电动机（ＢＬＤＣＭ）控制系统的结构，综述了当前无刷直流电动机控制系统的常见控制方 法：ＰＩＤ控制、人工智能控制、ＦＩＤ与人工智能综合控制和自抗扰控制，并讨论了它们的优缺点．最后探讨了自抗扰控制 系统在无刷直流电动机控制中的应用前景． 关键词ｔ无刷直流电动机（ＢＬＤＣＭ）；ＰＩＤ：人工智能控制；自抗扰控制（ＡＤＲｃ） 中图分类号：ＴＭ３０１．２
ＴＰ２７３
文献标识码：Ａ
文章编号ｌ １６７２－－４８０１（２０１０）Ｚｌ—０５７一０４
Ｔｈｅ Ｒｅｖｉｅｗ
ｏｎ
Ｂｒｕｓｈｌｅｓｓ ＤＣ
Ｍｏｔｏｒ Ｃｏｎｔｒｏｌ Ｍｅｔｈｏｄｓ
Ｗｅｎｚｈｉ Ｃａｉ，Ｓｏｎｇｓｈａｎ Ｇｕｏ，Ｄａｐｃｎｇ Ｙｅ （Ｃｏｌｌｅｇｅ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｆｕｊｉａｎ Ａｇｒｉｃｕｌｔｕｒｅ ａｎｄ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ ３５０００２，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：１１诧ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｓ ｔｈｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｂｒｕｓｈｌｃｓｓ ＤＣ ｍｏｔｏｒ ｃｏｎ扭ｏｌ ｓｙｓｔｅｍ ａｎｄ ｔｈｅ ｒｅｖｉｅｗ ｏｆ ｔｈｒｅｅ ｃｕｒｒｅｎｔ
Ｃｏｎｔｒｏｌ Ｓｙｓｔｅｍ
Ｄｅｓｉｇｎ【Ｊｌ，Ｐｒｏｃｅｅｄｉｎｇｓ
Ｏｆ２００６ Ａｍｅｒｉｃａｎ
Ｃｏｎｔｒｏｌ Ｃｏｎｆｅｒｅｎｃｅ，２００６，ＰＰ．２３９９・２４０５．
Ｂａｎｄｗｉｄｔｈ－Ｐａｒａｍｅｔｅｒｉｚａｔｉｏｎ Ｂａｓｅｄ Ｃｏｎｔｒｏｌｌｅｒ
【ｌ ６】Ｚ．Ｇａｎ．ＳｃａＩｉｎｇ ａｎｄ
ＷＯｒｄｓ：ＢＬＤＣＭ，ＰＩＤ，Ａｌ Ｃｏｎｔｒｏｌ，ＡＤＲＣ
无刷直流电动机（ＢＬＤＣＭ）没有机械接触的换向器和电刷，因此，其运行寿命比普通电机长．且 具有机械摩擦小、调速性能好、控制方法灵活多变、效率高等优点，现已广泛应用于各个领域中。无 刷直流电机控制系统是典型的非线性、多变量耦合系统，传统的ＰＩＤ控制算法简单、易于实现．但不 易满足高精度伺服控制系统的控制要求。随着科学技术的发展，０年福建省机械丁程学会学术年会论文集
‘机电技术》２０１０年增刊Ｉ
应快、超调小、鲁棒性强，动态特性明显优于各种智能控制方法的独立控制。该种方法将在实践中获 得更广泛的应用。
４无刷直流电机的ＡＤＲＣ控制
传统的ＰＩＤ虽然在实际中大量应用，但不易满足高性能要求。且整定参数需要较强的经验知识。 而人工智能控制需要求出对象的精确数学模型且需要一系列复杂的推导。自抗扰控制器（ＡＤＲＣ）。则 是在经典ＰＩＤ控制基础上．结合现代控制理论的特点，在已知被控对象部分模型的基础上．便可实现
积分ＰＩＤ算法，参数自适应控制、遗传算法控制、模糊控制、神经网络等人工智能控制，自抗扰控制
等为基础的控制策略已被用于无刷直流电机的控制当中ＩＩ硎。
ｌ无刷直流电机控制系统结构
无刷直流电机控制系统通常采用电流环、速度环双闭环的控制策略。双闭环控制系统结构框图。 如图１所示．用给定速度值与实际速度值比较，经转速调节器调节，输出电流给定值，与检测到的电 流实际值比较．经过电流调节器，输出得到供给电机的控制电压．通过改变控制电压来实现对电机的 速度调节，控制电枢电流达到控制电机转矩的目的Ｉ引。
ｂｒｕｓｈｌｃｓｓ Ａｃｔｉｖｅ
ＤＣ ｍｏｔｏｒ ｃｏｎｔｒｏｌ ｍｅｔｈｏｄｓ，ｓｕｃｈ
ａｓ
ＰＩＤ Ｃｏｎｔｒｏｌ，Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｃｏｎｔｒｏｌ，ＰＩＤ ａｎｄ ｄｉｓａｄｖａｎｔａｇｅｓ
ａｎｄ
ａｒｃ
ＡＩ ｉｎｔｅｇｒ址ｅｄ
ｃｏｎｔｒｏｌ ａｎｄ
ｔｈｅ ｐａｐｅｒ．
对系统精确快速控制。ＡＤＲＣ的核心是利用扩张状态观测器（ＥＳＯ），估计出系统的总扰动．厂（・）（包括
内部动态变化和外部干扰），并在控制器中减去总扰动，得到纯的控制信号，从而实现对被控对象的主
动抗扰，提高系统的控制效果渺。７ Ｊ。其结构如图２所示：
图２自抗扰控制器（ＡＤＲＣ）结构框图
基于ＡＤＲＣ的无刷直流电动机控制图，如图３所示。ＡＤＲＣ２与∑，组成系统内环，为电流子系统， ＡＤＲＣＩ与∑ｓ组成系统外环，为转速子系统。转速给定信号与转速反馈信号比较后，送入速度调节器 （ＡＤＲＣＩ），速度调节器的输出ｉ与电流反馈信号比较后，送入电流调节器（ＡＤＲｃ２）。输出占空比信号材
控制定子绕组的相电流。使逆变器输出的电流跟随给定电流变化【排悖ｌ。
幽３
无刷直沉电机自抗扰控制图
仿真结果表明：自抗扰控制器对无刷直流电动机模型的不确定性和外部扰动变化具有较强的适应 性和鲁棒性，控制器算法简单，解决了无刷直流电动机实时控制中具有不确定参数难以整定的问题， 具有良好的动态响应性能。
５结论
５２・５４．
【５】韩京滴．从ＰＩＤ技术到“自抗扰控制”技术【Ｊ】．控制技术・２００２，９（３）：１３・１８． 【６】徐建，胡业林．一种新的无刷直流电机控制系统的设计【Ｊ】．自动化技术与应用，２００９．
２８（２）；７０－７３． １７（３）：
【７】夏长亮，文德。范娟等．基于ＲＢＦ神经网络的无刷直流电机无位置传感器控制【Ｊ】．电工技术学报，２００２，