金爱娟，邵飞旋，严紫光

(上海理工大学 光电信息与计算机工程学院，上海 200093)

感应电机具有较低的成本和较高的可靠性，因而被广泛应用于工业生产与日常生活中。为降低硬件复杂性，减少成本，提高系统可靠性，针对感应电机无速度传感器矢量控制的研究一直都是领域内的热点[1-5]。在对转速估计精度和稳定性有要求的系统中，目前较为主流的感应电机转速闭环观测器方法包括：模型参考自适应法(Model Reference Adaptive System，MRAS)、全阶速度自适应观测器法(Adaptive Full-Observer，AFO)、扩展卡尔曼滤波器法(Extend Kalman Filter，EKF)、滑模观测器法(Sliding Mode Observer，SMO)和智能算法等[6]。MRAS通常将感应电机的电压模型设计为参考模型，将电流模型设计为可调模型。此方法原理简单也易于实现，但电压模型中存在纯积分环节，磁链模型会受到积分初值及零漂的影响，导致转速估计结果不准确，低速时性能较差[7]。EKF算法对电机转速辨识效果良好，算法的统计本质使得感应电机模型的非线性和不确定性对EKF的不利影响较小，但是EKF计算量巨大，不适用于高实时性驱动系统[8-9]。SMO不受参数变化和其他干扰的影响，但是其滑模控制的连续切换特性会带来抖动问题，从而影响控制精度[10-11]。智能算法近年来得到了蓬勃发展，转速辨识效果明显，但其目前的可行性一般。AFO是MRAS的一种特殊形式，其在状态估测方程中加入了校正环节，从而利用观测器的输出误差修正模型输入。因此，AFO具备较高的转速估计稳态精度。此外，该算法简单且易于实现，还有良好的抗干扰能力，得到了研究人员的广泛关注[12-13]。……