开关磁阻电动机(Switched Reluctance Motor,SRM)自问世以来就凭借简易的结构、可靠运行能力且效率高等众多优点受到了广泛的关注。而且,SRM驱动调速系统(Switched Reluctance Motor Drive,SRD)与传统的DC调速系统和AC电动机系统相比,SRD能够运行于更加宽阔的转速范围且性能和成本等指标都表现出独特的优越性。综上所述,SRM在工业、汽车等诸多领域具有良好的应用发展潜力。但是,因为SRM内部具有特殊的双凸极结构导致了其磁链特性是关于转子位置角和电流的高度非线性关系,从而导致难以建立精确的电机数学模型。而且,传统的机械位置传感器会使得SRM内部结构更加冗杂并提高了成本,从而降低了 SRD系统工作的可靠性,以至于限制了 SRM的应用场合。因此,本文探究了根据SRM的运行参数间接检测得到转子位置角的方式,从而消去SR电机内部传统的机械位置传感器,实现SRM无位置传感器控制并优化SRM内部结构。本文首先对SR电机的本体结构以及非线性数学模型进行深入分析的前提下,通过有限元分析法和堵转实验法分别获取SRM仿真和实验的磁链特性曲线。由于人工神经网络(Artificial Neural Network,ANN)凭借自身优越的非线性映射能力以及自学习、自适应能力而被广泛应用于诸多非线性控制系统中,因此本文采用BPNN建立磁链、电流和位置角的非线性映射关系,并利用改进的粒子群算法(Particle Swarm Optimization,PSO)不仅解决了 BP 神经网络(Back Propagation Neural Network,BPNN)存在收敛速度慢、易陷入局部极小值等缺点,而且克服了标准PSO算法无法较好地平衡收敛速度与精度之间的矛盾等缺陷。通过MATLAB/Simulink的仿真结果验证,经过BPNN模型估算SRM的转子位置角在换相区间存在较大误差。针对上述问题,本文在传统磁链和电流作为BPNN模型双输入信号的基础上,提出了将曲线拟合的电感作为第三个输入信号。仿真结果表明,改进后的BPNN模型辨识得到的SRM转子位置角误差更小,从而实现无位置传感器运行。最后,本文搭建以DSP TMS320F2812作为主控器的SRM硬件实验平台和相关软件设计,利用DSP芯片强大的信号处理能力和实时控制功能实现电机的无位置传感器控制策略,并为进一步工作奠定了基础。