金 昊，丁曙光

(合肥工业大学机械工程学院，合肥 230009)

0 引言

永磁同步电机具有高功率密度和高效率的特点[1]，在电动汽车、数控机床等领域中发挥着越来越重要的作用。传统的永磁同步电机从安装在转子轴上的传感器来获得转子位置信息，但安装传感器增加了系统成本，降低了系统可靠性。因此，永磁同步电机无位置控制方法[2]被提出。

当前，无位置控制方法主要有：①基于模型参考自适应方法[3-4]，该方法实现简单，响应速度快，但对电机参数的依赖性高; ②高频信号注入估算方法[5-6]，该方法利用电机凸极效应，通过注入高频信号进行转子位置估计，受参数影响小，但需要外加励磁信号，并且只适用于低速无传感器控制; ③滑模观测器法[7]，该方法对外界参数扰动不敏感，响应速度快，鲁棒性强。但系统在低速运行时会抖动，影响系统稳态精度。随着神经网络理论的发展，许多和神经网络相结合的无位置控制方法被提出[8-10]。这类方法不依赖于精确的电机模型，对电机参数变化有较高的鲁棒性，扩展了可应用速度范围。

神经网络主要有反向传播(back propagation，BP)神经网络[11]和径向基函数(radial basis function, RBF)神经网络[12]。它们都是非线性多层前向网络，其中RBF比BP神经网络拥有更好的泛化能力，更高的精度及更快的收敛速度，能够逼近任意非线性函数。RBF神经网络算法是以梯度下降法[13]为基础的网络参数寻优,随机选取初始参数易使网络陷入局部最优，影响神经网络的收敛性。遗传算法是一种全局优化算法，通过GA优化RBF神经网络的初始参数[14]，能够有效避免搜索过程中易陷入局部最优问题。……