直线电机系统的伺服性能与控制策略密切相关。能否建立恰当的控制模型则是控制策略成败的关键。本文针对直线电机运动系统特点,在系统建模和控制优化方面进行了研究。　　在建立直线电机运动系统原理图的基础上,利用机理分析,推导了各个系统控制环节的传递函数,综合整理得到整个系统的传递函数及其控制结构图。并根据传递函数,进一步分析了影响直线电机运动系统建模精度的因素,比如非线性摩擦力、直线电机特有的端部效应,以及其他一些无法确定的干扰因素等等。因此得出结论:用理论分析得到的数学模型,并不能充分描述运动控制系统的真实状况。　　综合比较了常用于非线性系统的模型类之后,确定采用优点突出的神经网络拓扑结构作为直线电机运动系统的模型。介绍了神经网络结构设计的要点,推导了基于Levenberg-Marquardt数值优化方法的BP网络训练算法。为了避免神经网络的训练陷入局部极小值,结合单纯形法进行了全局优化:单纯形的不同顶点代表BP网络结构不同的初始权值和阈值,通过优化单纯形的顶点来改变网络连接权值和阈值的初始值,然后通过LMBP算法来训练优化这些连接权值和阈值。采用以上建模算法,仿真了一个含有死区的非线性系统,结果表明:该算法具有良好的辨识效果。　　针对神经网络的训练工作量大、耗时长,引入快速系统辨识算法,即对增广递推最小二乘法进行了改进,作为系统性能检验或故障诊断时的补充。利用伴随微分方程法分析了该递推算法的收敛性。并采用多次单独计算机仿真,用统计的方法说明了在保持辨识精度和收敛速度的同时该算法改善了运算量,降低了时间消耗。　　以直线电机系统为研究对象,从系统辨识试验设计着手,设计了合理的辨识信号和辨识方式,并利用开环系统的简化机理模型确定了神经网络模型结构,实现了以上建模的算法和思想。　　以获取的神经网络模型为依据,选取前馈+PID负反馈复合控制作为直线电机运动系统的调节器;用神经网络来训练优化PID控制器三个系数的组合,并根据不变性原理,采用系统的神经网络逆模型作为前馈控制器。试验表明,该控制方案具有良好的控制效果。