无传感器控制是永磁同步电动机(PMSM)控制系统的重要研究方向,省去了位置和速度传感器,简化了系统的结构,提高了可靠性,降低了成本,但这些优势是以增加计算复杂性和牺牲控制性能为代价的,因此目前尚处于研究阶段,只能在要求不太高的场合中应用。准确地估计转子位置与转子转速,以及找到理想的控制器设计方法是无传感器PMSM控制研究的重要问题。然而,系统参数不确定性和外界扰动会导致估计与控制结果的非收敛性或振动。神经网络、模糊逻辑系统等智能控制方法为解决被控对象存在复杂性、时变性和不确定性而获得高性能控制效果提供了有力技术支撑。当前很多学者提出了多种基于神经网络、模糊逻辑系统等实现无传感器PMSM的自适应鲁棒估计及控制的方法,但还没解决下面的几个问题：当神经网络用在控制器与估计器的设计时,消除神经网络重构误差对控制结果的不良影响；当利用系统模型进行鲁棒位置和速度估计时,不是针对一两个参数不确定性的鲁棒性,而是实现针对整个参数不确定性的鲁棒性；当利用粒子群算法优化模糊PI控制器的参数时,避免该算法容易陷入局部最优；当神经网络用在控制器设计时,找到对无传感器PMSM最合适的自适应鲁棒控制律,并计算最佳学习速率。为了解决以上问题,并实现智能自适应鲁棒控制的无传感器PMSM伺服系统,本文主要工作如下：1.针对无传感器PMSM的自适应鲁棒转子速度估计问题,提出了一种基于神经网络自适应观测器的速度估计方案。此方案通过自适应观测PMSM控制系统的动态,消除系统参数不确定性和负载扰动对速度估计的影响。当神经网络用于构成自适应观测器时在一定程度上具有重构误差,其对速度估计结果会产生振动与非收敛性,因此提出了自适应律和鲁棒补偿方法来消除神经网络重构误差对速度估计的影响。神经网络鲁棒速度估计器利用神经网络自适应观测器辨识出来的系统状态变量来估计转子速度。转子位置是通过积分速度估计得到的。仿真结果表明,所提出的速度和位置估计方案不仅能有效、快速地估计转子速度和转子位置,而且能满足鲁棒性和渐近收敛性。2.针对无传感器PMSM的鲁棒转子位置估计问题,提出了一种基于PMSM复数模型的鲁棒位置估计方案。该方案通过复数分析把位置估计结果分离成实部和虚部的特性,消除整个系统不确定性对位置估计的影响。本方法是一种基于电动机物理模型的鲁棒位置估计方法。所估计的位置值被实部与虚部分开,实部表示的是实际位置估计值,虚部表示的是由于系统不确定性产生的位置估计误差值。为了使估计误差为零,位置型PI控制器应用于位置估计器的虚部,因此估计误差收敛到零。此方法只能在包括低速的额定速度领域里满足鲁棒性,因为弱磁通区域的退磁影响整个估计策略。为了保证此方案在弱磁通区域里的可行性和鲁棒性,引入扩展卡尔曼滤波器作为自适应控制方法对永磁磁链进行辨识。转子速度是通过微分位置估计得到的。仿真结果表明,所提出的方案在整个控制领域内能够有效、快速地估计转子位置和转子速度。3.针对基于模糊理论的无传感器PMSM的自适应鲁棒速度控制器设计问题,提出了一种基于自适应粒子群算法的模糊PI控制器参数优化的方法。为了避免模糊隶属函数参数的约束条件使粒子群搜索空间变小,并粒子群算法容易陷入局部最优,本文提出了一种新的粒子构成方法。此粒子在范围[0,1]内完全具有遍历性,这时通过本文提出的参数决定方法,模糊隶属函数的参数不需要任何计算负担,而直接满足模糊隶属函数的参数所需满足的顺序条件,还为找到最优的隶属函数参数提供了最大的粒子群搜索空间。为了提高参数优化的自适应率,提出了一种改进的自适应PSO算法。仿真结果表明,所提出的优化方案使PMSM控制系统能够实现高的动态响应和鲁棒性。4.针对基于神经网络理论的无传感器PMSM的自适应鲁棒速度控制器设计问题,提出了一种基于递归Elman神经网络(RENN)的PMSM速度控制器设计方案。此方案通过改进的RENN结构和适合于无传感器PMSM动态的自适应律,克服系统参数不确定性和负载扰动对速度跟踪控制的影响。所提出的自适应鲁棒控制器由RENN控制器和补偿控制器组成。RENN控制器用于估计理想的PMSM速度控制器。补偿控制器用于消除误差,此误差包括神经网络近似误差以及理想控制器输出与实际神经网络控制器输出之间的误差。根据Lyapunov理论,证明了基于所提出的自适应律的自适应RENN速度控制器的稳定性,并跟踪结果的渐近收敛性。5.针对提高自适应RENN速度控制器的自适应性能的问题,提出了一种最佳学习速率算法。此方法通过考虑系统跟踪误差和RENN重构误差的现状,提高RENN的学习速率。首先,提出了一种最适合于RENN的新型在线训练算法。接下来,为了提高权值学习的精度和速率,提出了一种最佳学习速率算法。最佳学习速率是由系统的速度跟踪误差和RENN权值范数极大值得到。仿真结果表明,当利用最佳学习速率时,系统能够满足更快的自适应性和跟踪收敛性。