神經(jīng)網(wǎng)絡(luò)在無刷直流電機(jī)控制系統(tǒng)中的應(yīng)用

程聲烽, 程小華

(華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640)

0 引 言

無刷直流電機(jī)(Brushless Direct Current Motor, BLDCM)以其體積小、效率高、維護(hù)方便、勵(lì)磁損耗無及調(diào)速性能好等優(yōu)點(diǎn)被廣泛應(yīng)用于伺服系統(tǒng)、數(shù)控機(jī)床、醫(yī)療機(jī)械、航天航空及軍事工業(yè)等領(lǐng)域[1-3]。神經(jīng)網(wǎng)絡(luò)是由眾多簡單的神經(jīng)元連接而成，通過模擬人腦細(xì)胞的分布式工作特點(diǎn)和自組織功能實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射等功能。由于能逼近任意非線性函數(shù)，可自學(xué)習(xí)以適應(yīng)環(huán)境變化等特點(diǎn)，神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于BLDCM控制系統(tǒng)，并取得了較多的研究成果。本文在參考國內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，對神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應(yīng)用進(jìn)行歸納總結(jié)。

1 神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應(yīng)用現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應(yīng)用可分為4類： (1) 神經(jīng)網(wǎng)絡(luò)充當(dāng)辨識器，充當(dāng)BLDCM的動態(tài)數(shù)學(xué)模型；(2) 神經(jīng)網(wǎng)絡(luò)本身充當(dāng)控制器，如內(nèi)模控制器、預(yù)測控制器、模型參考自適應(yīng)控制器等；(3) 神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中起優(yōu)化計(jì)算的作用；(4) 神經(jīng)網(wǎng)絡(luò)控制與其他智能控制、優(yōu)化算法相結(jié)合，為BLDCM提供非參數(shù)化對象模型、推理模型及優(yōu)化參數(shù)等，如模糊神經(jīng)控制、PID神經(jīng)網(wǎng)絡(luò)控制等。

1.1 BLDCM神經(jīng)網(wǎng)絡(luò)辨識器

在建立BLDCM模型時(shí)所作的若干假設(shè)往往不能忽略，如氣隙磁密是非線性分布的，并非理想的正弦或梯形分布，且電機(jī)可能受到參數(shù)漂移、老化和噪聲干擾等因素影響；若仍按假定數(shù)學(xué)模型構(gòu)造控制系統(tǒng)，可能造成系統(tǒng)控制精度不高。神經(jīng)網(wǎng)絡(luò)辨識器具有強(qiáng)大的非線性映射能力，能較好地解決該問題。應(yīng)用于BLDCM中的神經(jīng)網(wǎng)絡(luò)辨識系統(tǒng)的一般結(jié)構(gòu)如圖1所示。其基本原理以BLDCM的實(shí)際輸出與神經(jīng)網(wǎng)絡(luò)辨識器輸出之間的差值為目標(biāo)，通過辨識算法調(diào)整辨識網(wǎng)絡(luò)權(quán)值，使神經(jīng)網(wǎng)絡(luò)辨識器無限趨近BLDCM的實(shí)際模型。針對氣隙磁密的非線性分布，文獻(xiàn)[4]從BLDCM電路方程中分離出氣隙磁密這一非線性量，用人工神經(jīng)網(wǎng)絡(luò)非線性逼近的特性，對氣隙磁密波形進(jìn)行逼近，從而建立較為精確的BLDCM模型。為建立更精確的BLDCM數(shù)學(xué)模型，文獻(xiàn)[5]提出采用基于熵類誤差準(zhǔn)則學(xué)習(xí)算法的BP神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)控制系統(tǒng)中BLDCM參數(shù)的實(shí)時(shí)辨識，逼近BLDCM的實(shí)際模型，有效提高了系統(tǒng)的控制精度。

圖1 BLDCM神經(jīng)網(wǎng)絡(luò)辨識系統(tǒng)的一般結(jié)構(gòu)

1.2 BLDCM神經(jīng)網(wǎng)絡(luò)控制器

目前，應(yīng)用于BLDCM中的神經(jīng)網(wǎng)絡(luò)控制器大致有模型參考自適應(yīng)控制器、自校正控制器、內(nèi)模控制器、預(yù)測控制器等。

1.2.1 模型參考自適應(yīng)控制器

模型參考自適應(yīng)神經(jīng)控制系統(tǒng)由參考模型、神經(jīng)網(wǎng)絡(luò)辨識器、自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器和BLDCM等組成，其原理框圖如圖2所示。通過神經(jīng)網(wǎng)絡(luò)辨識器獲得BLDCM的數(shù)學(xué)模型，在離線訓(xùn)練神經(jīng)網(wǎng)絡(luò)控制器的基礎(chǔ)上，實(shí)現(xiàn)BLDCM的輸出逼近期望輸出。針對BLDCM傳統(tǒng)PID控制方法的不足，文獻(xiàn)[6]提出一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在線辨識的單神經(jīng)元PID模型參考自適應(yīng)控制方法。該方法通過構(gòu)造一個(gè)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進(jìn)行在線辨識，建立其在線參考模型，同時(shí)由單神經(jīng)元PID控制器完成控制器參數(shù)的自學(xué)習(xí)，并在數(shù)字信號處理器中實(shí)現(xiàn)控制參數(shù)的在線調(diào)節(jié)。仿真和試驗(yàn)結(jié)果表明，該控制系統(tǒng)較好地實(shí)現(xiàn)了給定速度參考模型的自適應(yīng)跟蹤，能適應(yīng)環(huán)境變化，具有較強(qiáng)的魯棒性，并已在實(shí)際控制中得到應(yīng)用。

圖2 模型參考自適應(yīng)控制系統(tǒng)

1.2.2 自校正控制器

自校正控制器框圖如圖3所示，其在結(jié)構(gòu)上存在兩個(gè)反饋回路，通過神經(jīng)網(wǎng)絡(luò)估計(jì)器對BLDCM的參數(shù)在線估計(jì)及控制器對系統(tǒng)參數(shù)的自動整定，實(shí)現(xiàn)自適應(yīng)控制。目前，基于梯度下降法的BP自校正神經(jīng)網(wǎng)絡(luò)已在BLDCM控制系統(tǒng)中取得了應(yīng)用[7]，其通過在線學(xué)習(xí)來適應(yīng)系統(tǒng)工作環(huán)境和系統(tǒng)本身參數(shù)的變化，以達(dá)到良好的控制效果。另外，針對梯度下降法的不足，一些改進(jìn)的方法，如改進(jìn)的梯度下降法、Levenberg-Marquardt法等也在自校正網(wǎng)絡(luò)中取得了應(yīng)用。

圖3 自校正控制器

1.2.3 神經(jīng)網(wǎng)絡(luò)內(nèi)模控制器

神經(jīng)網(wǎng)絡(luò)內(nèi)模控制器如圖4所示。該控制系統(tǒng)將神經(jīng)網(wǎng)絡(luò)內(nèi)部模型與BLDCM相并聯(lián)，并將內(nèi)模神經(jīng)控制器串聯(lián)，且以BLDCM與神經(jīng)網(wǎng)絡(luò)內(nèi)部模型輸出之差作為負(fù)反饋信號，反饋到網(wǎng)絡(luò)輸入端，系統(tǒng)穩(wěn)定的條件是控制器和BLDCM都要穩(wěn)定。文獻(xiàn)[8]設(shè)計(jì)了神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應(yīng)速度控制器，利用神經(jīng)網(wǎng)絡(luò)逼近系統(tǒng)的速度控制器和標(biāo)稱模型，離線仿真和試驗(yàn)結(jié)果表明，設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應(yīng)控制系統(tǒng)有很強(qiáng)的自適應(yīng)能力，當(dāng)模型參數(shù)發(fā)生變化時(shí)，系統(tǒng)具有很強(qiáng)的魯棒性，可獲得很好的動、靜態(tài)特性。

圖4 神經(jīng)網(wǎng)絡(luò)內(nèi)模控制器

1.2.4 神經(jīng)網(wǎng)絡(luò)預(yù)測控制器

神經(jīng)網(wǎng)絡(luò)預(yù)測控制器的結(jié)構(gòu)如圖5所示。神經(jīng)網(wǎng)絡(luò)預(yù)測控制利用作為對象辨識模型的神經(jīng)網(wǎng)絡(luò)產(chǎn)生預(yù)測信號，然后采用優(yōu)化技術(shù)求出控制向量，從而實(shí)現(xiàn)對非線性系統(tǒng)的預(yù)測控制。得到最優(yōu)控制軌線后還可再訓(xùn)練另一個(gè)控制器的神經(jīng)網(wǎng)絡(luò)，使其逼近此控制函數(shù)，訓(xùn)練結(jié)束后，由此控制器直接對BLDCM進(jìn)行控制。引入濾波器的目的是獲得期望的魯棒性和跟蹤響應(yīng)。例如可用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)PWM發(fā)生器BLDCM的轉(zhuǎn)速跟蹤，從而在BLDCM的PWM預(yù)測模型基礎(chǔ)上，進(jìn)行BLDCM的神經(jīng)網(wǎng)絡(luò)預(yù)測控制[9]。

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測控制器

1.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算在BLDCM控制系統(tǒng)中的應(yīng)用

在BLDCM神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)中，神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算的主要目的是在優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值和算法的基礎(chǔ)上，使BLDCM的轉(zhuǎn)速和轉(zhuǎn)矩波形更理想，轉(zhuǎn)子位置估計(jì)和故障診斷更精確。轉(zhuǎn)速控制主要通過神經(jīng)網(wǎng)絡(luò)控制器的調(diào)節(jié)達(dá)到最優(yōu)。本文著重論述神經(jīng)網(wǎng)絡(luò)優(yōu)化計(jì)算在BLDCM轉(zhuǎn)矩脈動抑制、轉(zhuǎn)子位置估計(jì)和故障診斷上的應(yīng)用。

1.3.1 轉(zhuǎn)矩脈動抑制

BLDCM由于存在電磁轉(zhuǎn)矩脈動的缺陷，降低了其在伺服系統(tǒng)中的應(yīng)用精度，使其應(yīng)用受到限制。采用神經(jīng)網(wǎng)絡(luò)的BLDCM換相轉(zhuǎn)矩脈動抑制的一般方法： 在保持換相過程中相電流下降和上升速率近似相等的條件下，保持回路中總的電流幅值不變，實(shí)現(xiàn)換相轉(zhuǎn)矩波動的抑制。該方法的優(yōu)點(diǎn)是無需預(yù)知系統(tǒng)的精確參數(shù)，且對環(huán)境變化有自適應(yīng)調(diào)節(jié)的功能。文獻(xiàn)[10]和[11]采用該方法取得了較好的轉(zhuǎn)矩抑制效果，并在實(shí)際中取得較大應(yīng)用。

1.3.2 轉(zhuǎn)子位置估計(jì)

為實(shí)現(xiàn)同步運(yùn)行，BLDCM必須正確獲取轉(zhuǎn)子位置信號并以此信號控制逆變器實(shí)現(xiàn)換向。目前，神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)BLDCM無位置傳感器轉(zhuǎn)子位置估計(jì)的方法有兩種。

(1) 通過對電機(jī)端電壓和相電路的映射，準(zhǔn)確估計(jì)出電機(jī)換向信號，無需預(yù)知電機(jī)的精確參數(shù)，能使電機(jī)具有較寬的調(diào)速范圍。文獻(xiàn)[12]將徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)應(yīng)用于無刷直流電機(jī)無位置傳感器控制，采用動態(tài)的RBF神經(jīng)網(wǎng)絡(luò)來估計(jì)轉(zhuǎn)子換相位置，采用k-均值聚類法得到RBF網(wǎng)絡(luò)的初始中心，利用梯度下降糾正誤差法更新網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)具有快速在線調(diào)節(jié)能力。文獻(xiàn)[13]在文獻(xiàn)[12]的基礎(chǔ)上對RBF神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上、動態(tài)響應(yīng)性能上作出進(jìn)一步改進(jìn)和完善，按照自適應(yīng)算法構(gòu)造了一個(gè)結(jié)構(gòu)簡單、緊湊的RBF網(wǎng)絡(luò)來實(shí)現(xiàn)電壓、電流與功率開關(guān)導(dǎo)通信號之間的非線性映射，實(shí)現(xiàn)了BLDCM的直接電流控制。

(2) 在外部硬件電路獲得的有效反電動勢信息的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)的非線性任意逼近特性，進(jìn)行正確的相位補(bǔ)償，實(shí)現(xiàn)無位置BLDCM的控制。文獻(xiàn)[14]根據(jù)BLDCM的電壓模型由測量出的電機(jī)相電壓和相電流得到實(shí)際電動勢，然后和根據(jù)電流模型得出的估計(jì)電動勢進(jìn)行比較，由偏差來修正神經(jīng)網(wǎng)絡(luò)的權(quán)值，進(jìn)而產(chǎn)生新的位置角。文獻(xiàn)[15]在獲取的有效反電動勢的基礎(chǔ)上，采用神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)對BLDCM的換相補(bǔ)償控制。文獻(xiàn)[16]將小波網(wǎng)絡(luò)應(yīng)用于BLDCM無位置傳感器控制，采用梯度下降法進(jìn)行網(wǎng)絡(luò)參數(shù)的訓(xùn)練，由離線訓(xùn)練初步確定隱層節(jié)點(diǎn)小波函數(shù)的尺度因子、平移因子及網(wǎng)絡(luò)輸出層連接權(quán)值，然后以濾波和邏輯處理后的網(wǎng)絡(luò)輸出信號為教師對網(wǎng)絡(luò)輸出層連接權(quán)值進(jìn)行在線調(diào)整，網(wǎng)絡(luò)通過對電機(jī)端電壓的電流映射，得到準(zhǔn)確的換相信號。

1.3.3 故障診斷

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力、并行處理能力、良好的學(xué)習(xí)能力、獨(dú)特的聯(lián)想記憶能力等優(yōu)點(diǎn)，十分適用于復(fù)雜電機(jī)系統(tǒng)的故障診斷。用人工神經(jīng)網(wǎng)絡(luò)技術(shù)處理故障診斷問題，不僅能進(jìn)行復(fù)雜故障診斷模式的識別，還能進(jìn)行故障嚴(yán)重性評估和故障預(yù)測。由于人工神經(jīng)網(wǎng)絡(luò)能自動獲取診斷知識，使診斷系統(tǒng)具有自適應(yīng)能力。近年來，基于神經(jīng)網(wǎng)絡(luò)的BLDCM故障診斷方法已成為較通用的故障診斷解決方案[17]。

文獻(xiàn)[18]基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)并分析了一套針對BLDCM的狀態(tài)觀測器故障診斷方法。用神經(jīng)網(wǎng)絡(luò)取代分析冗余技術(shù)，由電機(jī)控制系統(tǒng)的輸入- 輸出信號進(jìn)行訓(xùn)練，通過比較實(shí)際輸出和神經(jīng)網(wǎng)絡(luò)觀測器的輸出殘差來檢測和區(qū)分故障。仿真結(jié)果表明，該方法能快速確定故障的時(shí)間、位置。文獻(xiàn)[19]在文獻(xiàn)[18]的基礎(chǔ)上使用一種基于遺傳算法學(xué)習(xí)的小波神經(jīng)網(wǎng)絡(luò)，解決了冗余技術(shù)中至關(guān)重要的故障診斷問題。

文獻(xiàn)[20]提出將模糊神經(jīng)網(wǎng)絡(luò)用于BLDCM故障診斷，給出了模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法，并提出了一種閾值向量故障診斷方法，在實(shí)際應(yīng)用中驗(yàn)證了該方法的有效性。

1.4 神經(jīng)網(wǎng)絡(luò)控制與其他智能控制相結(jié)合在BLDCM控制系統(tǒng)中的應(yīng)用

現(xiàn)階段，神經(jīng)網(wǎng)絡(luò)控制與其他智能控制相結(jié)合，相互彌補(bǔ)，充分發(fā)揮各自優(yōu)點(diǎn)，已形成了各具特色的復(fù)合控制系統(tǒng)，可分為兩大類。

(1) 其他智能控制優(yōu)化神經(jīng)網(wǎng)絡(luò)。如針對神經(jīng)網(wǎng)絡(luò)初始權(quán)值選擇較難、學(xué)習(xí)算法收斂速度慢等缺點(diǎn)，將具有全局搜索能力強(qiáng)的粒子群算法、遺傳算法、蟻群算法等智能算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，使系統(tǒng)控制效果更好。如針對神經(jīng)網(wǎng)絡(luò)的初始權(quán)值對控制效果的不利影響，文獻(xiàn)[21]提出一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)PID控制算法，將其應(yīng)用于BLDCM轉(zhuǎn)速控制系統(tǒng)中取得了較好效果。為進(jìn)一步提高控制精度，文獻(xiàn)[22]針對BLDCM傳統(tǒng)參數(shù)固定的速度控制器在電機(jī)參數(shù)發(fā)生改變時(shí)，預(yù)先設(shè)定的控制器參數(shù)很難適應(yīng)新的運(yùn)行情況，提出將BP神經(jīng)網(wǎng)絡(luò)與矢量控制器相結(jié)合，并用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始連接權(quán)值，實(shí)際表明該系統(tǒng)具有良好的應(yīng)用性。另外，將神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合[23]、用粒子群算法來優(yōu)化PID控制器的參數(shù)[24]等復(fù)合控制也已在BLDCM控制系統(tǒng)中廣泛應(yīng)用。

(2) 神經(jīng)網(wǎng)絡(luò)優(yōu)化其他智能控制。如針對傳統(tǒng)PID參數(shù)易受環(huán)境條件影響[25]、單純滑模變結(jié)構(gòu)易出現(xiàn)“抖動”[26]、模糊控制規(guī)則的模糊不確定性[27]等現(xiàn)象，應(yīng)用神經(jīng)網(wǎng)絡(luò)的非線性映射能力，可有效優(yōu)化其參數(shù)變化，達(dá)到理想的控制效果。

2 討論與展望

神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性信息處理能力，故其在BLDCM控制系統(tǒng)中的應(yīng)用取得了巨大成功，具體表現(xiàn)在： 作為辨識器能夠較好地逼近BLDCM的數(shù)學(xué)模型；作為控制器，實(shí)現(xiàn)BLDCM高精度控制；與其他智能控制相結(jié)合優(yōu)化了控制效果。

神經(jīng)網(wǎng)絡(luò)存在的問題，如神經(jīng)網(wǎng)絡(luò)穩(wěn)定性及收斂性、初始權(quán)值的設(shè)置、算法收斂速度、網(wǎng)絡(luò)模型結(jié)構(gòu)的選擇等，仍是影響其在BLDCM高精度控制中應(yīng)用的因素。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于BLDCM控制系統(tǒng)中應(yīng)解決的問題如下。

(1) 對于BLDCM這一非線性系統(tǒng)，僅僅依靠一種理論、一種方法無法實(shí)現(xiàn)在復(fù)雜環(huán)境下準(zhǔn)確、及時(shí)地進(jìn)行電機(jī)控制。可考慮采用多重神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，以減少單一模型控制精度低、網(wǎng)絡(luò)訓(xùn)練時(shí)間較長等問題。

(2) 提高網(wǎng)絡(luò)訓(xùn)練速度方面的研究，可考慮從求解算法(如增廣卡爾曼濾波算法、局部化算法、遞推算法等)、網(wǎng)絡(luò)結(jié)構(gòu)簡化的角度入手。

(3) 訓(xùn)練樣本的選取及不同來源樣本的綜合運(yùn)用，對電機(jī)模型的依賴及噪聲引起的偏差。

(4) 新的網(wǎng)絡(luò)模型(自組織神經(jīng)網(wǎng)絡(luò)、混沌神經(jīng)網(wǎng)絡(luò)等)的理論研究與應(yīng)用。

(5) 將多種智能控制相結(jié)合組成復(fù)合智能控制器，如模糊小腦神經(jīng)網(wǎng)絡(luò)PID控制。

另外，神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應(yīng)用多數(shù)處于理論仿真試驗(yàn)研究階段，實(shí)際控制系統(tǒng)中的應(yīng)用還較少。如何針對控制系統(tǒng)的特點(diǎn)選擇適用于控制系統(tǒng)分析和設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)或其變形結(jié)構(gòu)是今后需要進(jìn)一步研究的內(nèi)容。

3 結(jié) 語

本文詳細(xì)論述了神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應(yīng)用現(xiàn)狀，為高精度BLDCM神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的設(shè)計(jì)提供了思路。神經(jīng)網(wǎng)絡(luò)是一種非常有效的智能控制方法，新的神經(jīng)網(wǎng)絡(luò)模型及智能復(fù)合控制系統(tǒng)將成為未來的發(fā)展趨勢。

【參考文獻(xiàn)】

[1] 葉金虎.現(xiàn)代無刷直流永磁電動機(jī)的原理和設(shè)計(jì)[M].北京： 科學(xué)出版社，2007.

[2] CHEN Z Q, MUTUWO T, DOKI S J， et al. New adaptive sliding observer for position and velocity-sensorless controls of brushless DC motor[J]. IEEE Trans on Industrial Electronics, 2000,47(3)： 582-591.

[3] WU H X, CHENG S K, CUI S M. A controller of brushless DC motor for electric vehicle[J]. IEEE Transactions on Magnetics, 2005,41(1)： 509-513.

[4] 黃平林.一種基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)模型及仿真[J].電機(jī)技術(shù)，2004,1(3)： 8-11.

[5] 亓濤，姚曉東.BP網(wǎng)絡(luò)在無刷直流電機(jī)參數(shù)辨識與控制中的應(yīng)用[J].微電機(jī)，2005,38(6)： 58-60.

[6] 夏長亮，李志強(qiáng)，王明超，等.基于RBF神經(jīng)網(wǎng)絡(luò)在線辨識的永磁無刷直流電機(jī)單神經(jīng)元PID模型參考自適應(yīng)控制[J].電工技術(shù)學(xué)報(bào)，2005,20(11)： 65-69.

[7] 郭緒猛，劉景林，徐建德.無刷直流電機(jī)神經(jīng)網(wǎng)絡(luò)自校正控制研究[J].測控技術(shù)，2008(3)： 55-57.

[8] 沈艷霞，王友利，紀(jì)志成.無刷直流電機(jī)神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應(yīng)控制器設(shè)計(jì)[J].電力電子技術(shù)，2005,39(3)： 40- 42.

[9] 王群京，姜衛(wèi)東，趙濤，等.基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)預(yù)測控制的仿真研究[J].系統(tǒng)仿真學(xué)報(bào)，2005,17(6)： 1490-1493.

[10] KIM D K, LEE K W, KWON B I. Commutation torque ripple reduction in a position sensorless brush-less DC motor drive[J]. IEEE Transactions on Power Electronics， 2006，21(6)： 1762-1768.

[11] LAI Y S, LIN Y K. A unified approach to back-EMF detection for brushless DC motor drives without current and hall sensors[J]. IEEE Transactions on Power Electronics， 2003，18(6)： 1293-1298.

[12] 夏長亮，文德，范娟，等.基于RBF神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)無位置傳感器控制[J].電工技術(shù)學(xué)報(bào)，2002,17(3)： 26-29.

[13] 夏長亮，王娟，史婷娜，等.基于自適應(yīng)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)直接電流控制[J].中國電機(jī)工程學(xué)報(bào)，2003,23(6)： 123-127.

[14] 劉慧博，張繼鵬.基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)轉(zhuǎn)子位置估計(jì)[J].微電機(jī)，2003,36(3)： 30-32.

[15] 毛懌弘，鄒俊忠，姚曉東，等.基于神經(jīng)元網(wǎng)絡(luò)的電機(jī)換相控制[J].東南大學(xué)學(xué)報(bào)，2003,33(9)： 134-136.

[16] 史婷娜，田洋，夏長亮，等.基于小波網(wǎng)絡(luò)的永磁無刷直流電機(jī)無位置傳感器控制[J].天津大學(xué)學(xué)報(bào)，2007,40(2)： 190-194.

[17] 黎文鋒，鄧?yán)^忠，沈雷.神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中的應(yīng)用綜述[J].電氣應(yīng)用，2006,25(3)： 45- 47.

[18] 李爭，劉朝英，宋雪玲，等.基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)故障診斷和容錯(cuò)控制方法的研究[J].河北工業(yè)科技，2009,26(5)： 411- 414.

[19] 史婷娜，田洋，夏長亮，等.基于小波網(wǎng)絡(luò)的永磁無刷直流電機(jī)無位置傳感器控制[J].天津大學(xué)學(xué)報(bào)，2007,40(2)： 190-194.

[20] 劉勝利，曾鳴，蘇寶庫.基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷及其在無刷直流電機(jī)系統(tǒng)中的應(yīng)用[J].中國慣性技術(shù)學(xué)報(bào)，1999,7(2)： 30-34.

[21] CHEN H C, LIAW C M. Current mode control for sensorless BDCM drive with intelligent commutation tuning[J]. IEEE Transactions on Power Electronics，2002，5(17)： 747-756.

[22] 王家達(dá)，劉祖望.基于遺傳神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)矢量控制系統(tǒng)設(shè)計(jì)[J].儀器儀表學(xué)報(bào)，2007,28(8)： 201-203.

[23] 楊巧玲，郝曉弘，張海平.基于神經(jīng)網(wǎng)絡(luò)自抗擾控制的無刷直流電機(jī)控制器研究[J].科學(xué)技術(shù)與工程，2008,8(24)： 6478-6481.

[24] 付麗輝.基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的無刷直流電機(jī)調(diào)速系統(tǒng)的應(yīng)用研究[J].大慶師范學(xué)院學(xué)報(bào)，2010,30(6)： 29-32.

[25] 杜軍，萬健如，許鎮(zhèn)琳.神經(jīng)網(wǎng)絡(luò)模糊控制在無刷直流電機(jī)中的研究與實(shí)現(xiàn)[J].組合機(jī)床與自動化加工技術(shù)，2005(12): 70-72.

[26] 安樹.基于RBF網(wǎng)絡(luò)的滑模變結(jié)構(gòu)控制在無刷直流電機(jī)伺服系統(tǒng)中的應(yīng)用[J].軍械工程學(xué)院學(xué)報(bào)，2010,22(2)： 61-64.

[27] 夏長亮，劉丹，王迎發(fā).無刷直流電機(jī)免疫反饋?zhàn)赃m應(yīng)學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)控制[J].天津大學(xué)學(xué)報(bào)，2007,40(10)： 1235-1240.