无刷双馈电机(Brushless Doubly Fed Machine, BDFM)作为近年发展起来的一种新型电机,它由两套相互独立的定子功率绕组、定子控制绕组和特殊结构的转子绕组组成。当它作为电动机运行用于交流调速系统中,利用可逆变频器调节定子控制绕组的电源频率,实现对BDFM的转速控制。另一方面,BDFM也可作为发电机运行用于变速恒频恒压发电系统中。BDFM具有无电刷、集电环、结构简单、运行可靠、变频器容量小、功率因数可控制等优点。在节能水泵和风机调速系统中以及水力和风力发电领域具有广阔的应用前景。本论文研究的目的是针对BDFM在三相静止坐标系下和二相旋转坐标系下的数学模型建立过程中的不确定性和模型表现出的非线性特性,提出智能控制策略在BDFM调速系统中的应用,以提高控制系统的鲁棒性和静动态特性。本论文研究的方法是在BDFM的结构分析、电磁关系分析和运行原理的深入理解的基础上,对BDFM模型建立方法、电机参数辨识方法和智能控制方法进行理论研究。由于BDFM的模型建立的不确定性和部分电机参数的时变性,为了得到较好的BDFM调速系统的控制特性,一些智能控制算法,如模糊控制、神经网络控制、滑模变结构控制、预测控制和支持向量机等,通过计算机仿真进行应用研究。本论文各章的研究工作概述如下：第1章介绍了BDFM的发展现状、构成、运行原理和应用前景,综述了BDFM建模、电机参数计算方法和控制策略的研究现状,指出了无刷双馈电机设计和运行中存在的不足和问题,明确本学位论文的研究目的、意义和内容。第2章介绍了BDFM定子功率绕组和控制绕组以及转子绕组的电感计算方法,针对难于测量的转子参数和转子磁链等信息,主要研究利用神经网络模型来进行电机参数辨识。首先对神经网络参数辨识问题的基本理论进行了介绍,指出了神经网络技术已经成为系统辨识的一种新方法。提出了基于系统的数学模型来构造神经网络的方法,以及将网络权值或网络模型输出作为待辨识参数作的思想。在BDFM调速系统实际应用中,给出了利用电机参数辨识的数学模型来构造神经网络,并进行仿真实验验证,结果表明了该方法的有效性。第3章基于BDFM的理想化物理模型和假设,根据BDFM的电磁关系,建立了三相静止坐标系下的数学模型,并利用坐标变换理论建立了BDFM的三相转子速dq坐标系下的数学模型和双同步速坐标下的数学模型。基于双同步速数学模型,推导出转子磁场定向控制方程,实现电机的动态转矩控制,并进行了仿真实验。仿真结果表明,该控制策略适用于BDFM调速系统的控制,可达到与感应电机的转子磁场定向控制的效果,具有较好的动态特性。第4章针对BDFM建模过程的不确定性和模型的非线性特性,为了提高BDFM调速系统的控制特性,应用了模糊自适应滑模变结构非线性控制算法控制BDFM的转速,并用MATLAB/SIMULINK工具和软件进行了仿真实验研究。引入模糊自适应和遗传算法控制算法,实现滑模切换控制中的切换速率和滑模等效控制中的反馈增益的自适应调节,减弱了滑模变结构系统引起的抖振影响,并维持了BDFM运行过程的稳定性和动态性能。仿真实验结果表明,应用的控制算法既保持了滑模变结构控制的鲁棒性,又具有响应速度快、无超调、无静态误差等优点。第5章应用基于径向基(RBF)神经网络模糊预测控制算法进行了BDFM调速控制的仿真实验研究。利用RBF神经网络进行了BDFM模型的辨识,并采用模糊自适应的多步推理和性能测量方法计算性能评价指标,用模糊预测控制算法实施BDFM的速度控制。因为通过对未来系统输出量的预测能达到对复杂过程的有效控制,所以,对BDFM这样的非线性被控对象能获得较好的控制效果。应用MATLAB/SIMULINK软件的仿真实验结果表明,应用的控制方法能有效地实现BDFM非线性系统的优化控制。第6章将机器学习领域的支持向量机(SVM)引入BDFM的建模与控制研究中,探讨了基于SVM的建模方法在BDFM建模和控制中的应用。通过支持向量机与模糊控制技术相结合,设计的基于支持向量机的模糊推理控制器,实现了BDFM调速系统具有良好的动态响应特性。设计的SVM辨识器,能够精确的描述BDFM调速系统中转速与转矩、磁链等参数之间的非线性关系。仿真实验结果表明,应用的控制方法能有效地实现BDFM非线性系统的实时控制。第7章是对本学位论文的总结,总结本学位论文的工作取得的进展和成绩以及不足之处,并指出今后有待进一步研究的工作点、方向以及要解决的问题。