程聲烽, 程小華

(華南理工大學 電力學院，廣東 廣州 510640)

0 引 言

無刷直流電機(Brushless Direct Current Motor, BLDCM)以其體積小、效率高、維護方便、勵磁損耗無及調(diào)速性能好等優(yōu)點被廣泛應用于伺服系統(tǒng)、數(shù)控機床、醫(yī)療機械、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，通過模擬人腦細胞的分布式工作特點和自組織功能實現(xiàn)并行處理、自學習和非線性映射等功能。由于能逼近任意非線性函數(shù)，可自學習以適應環(huán)境變化等特點，神經(jīng)網(wǎng)絡(luò)已廣泛應用于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)文獻的基礎(chǔ)上，對神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應用進行歸納總結(jié)。

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

神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應用可分為4類： (1) 神經(jīng)網(wǎng)絡(luò)充當辨識器，充當BLDCM的動態(tài)數(shù)學模型；(2) 神經(jīng)網(wǎng)絡(luò)本身充當控制器，如內(nèi)?？刂破?、預測控制器、模型參考自適應控制器等；(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)辨識器具有強大的非線性映射能力，能較好地解決該問題。應用于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的實際輸出與神經(jīng)網(wǎng)絡(luò)辨識器輸出之間的差值為目標，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的實際模型。針對氣隙磁密的非線性分布，文獻[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)學模型，文獻[5]提出采用基于熵類誤差準則學習算法的BP神經(jīng)網(wǎng)絡(luò)來實現(xiàn)控制系統(tǒng)中BLDCM參數(shù)的實時辨識，逼近BLDCM的實際模型，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控制器、自校正控制器、內(nèi)模控制器、預測控制器等。

1.2.1 模型參考自適應控制器

模型參考自適應神經(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)學模型，在離線訓練神經(jīng)網(wǎng)絡(luò)控制器的基礎(chǔ)上，實現(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[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模型參考自適應控制方法。該方法通過構(gòu)造一個徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進行在線辨識，建立其在線參考模型，同時由單神經(jīng)元PID控制器完成控制器參數(shù)的自學習，并在數(shù)字信號處理器中實現(xiàn)控制參數(shù)的在線調(diào)節(jié)。仿真和試驗結(jié)果表明，該控制系統(tǒng)較好地實現(xiàn)了給定速度參考模型的自適應跟蹤，能適應環(huán)境變化，具有較強的魯棒性，并已在實際控制中得到應用。

圖2 模型參考自適應控制系統(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)上存在兩個反饋回路，通過神經(jīng)網(wǎng)絡(luò)估計器對BLDCM的參數(shù)在線估計及控制器對系統(tǒng)參數(shù)的自動整定，實現(xiàn)自適應控制。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)中取得了應用[7]，其通過在線學習來適應系統(tǒng)工作環(huán)境和系統(tǒng)本身參數(shù)的變化，以達到良好的控制效果。另外，針對梯度下降法的不足，一些改進的方法，如改進的梯度下降法、Levenberg-Marquardt法等也在自校正網(wǎng)絡(luò)中取得了應用。

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)?？刂破魅鐖D4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[8]設(shè)計了神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應速度控制器，利用神經(jīng)網(wǎng)絡(luò)逼近系統(tǒng)的速度控制器和標稱模型，離線仿真和試驗結(jié)果表明，設(shè)計的神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應控制系統(tǒng)有很強的自適應能力，當模型參數(shù)發(fā)生變化時，系統(tǒng)具有很強的魯棒性，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)預測控制器

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

圖5 神經(jīng)網(wǎng)絡(luò)預測控制器

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

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)達到最優(yōu)。本文著重論述神經(jīng)網(wǎng)絡(luò)優(yōu)化計算在BLDCM轉(zhuǎn)矩脈動抑制、轉(zhuǎn)子位置估計和故障診斷上的應用。

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)中的應用精度，使其應用受到限制。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，實現(xiàn)換相轉(zhuǎn)矩波動的抑制。該方法的優(yōu)點是無需預知系統(tǒng)的精確參數(shù)，且對環(huán)境變化有自適應調(diào)節(jié)的功能。文獻[10]和[11]采用該方法取得了較好的轉(zhuǎn)矩抑制效果，并在實際中取得較大應用。

1.3.2 轉(zhuǎn)子位置估計

為實現(xiàn)同步運行，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現(xiàn)換向。目前，神經(jīng)網(wǎng)絡(luò)實現(xiàn)BLDCM無位置傳感器轉(zhuǎn)子位置估計的方法有兩種。

(1) 通過對電機端電壓和相電路的映射，準確估計出電機換向信號，無需預知電機的精確參數(shù)，能使電機具有較寬的調(diào)速范圍。文獻[12]將徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)應用于無刷直流電機無位置傳感器控制，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[13]在文獻[12]的基礎(chǔ)上對RBF神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)上、動態(tài)響應性能上作出進一步改進和完善，按照自適應算法構(gòu)造了一個結(jié)構(gòu)簡單、緊湊的RBF網(wǎng)絡(luò)來實現(xiàn)電壓、電流與功率開關(guān)導通信號之間的非線性映射，實現(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，進行正確的相位補償，實現(xiàn)無位置BLDCM的控制。文獻[14]根據(jù)BLDCM的電壓模型由測量出的電機相電壓和相電流得到實際電動勢，然后和根據(jù)電流模型得出的估計電動勢進行比較，由偏差來修正神經(jīng)網(wǎng)絡(luò)的權(quán)值，進而產(chǎn)生新的位置角。文獻[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)的方法實現(xiàn)對BLDCM的換相補償控制。文獻[16]將小波網(wǎng)絡(luò)應用于BLDCM無位置傳感器控制，采用梯度下降法進行網(wǎng)絡(luò)參數(shù)的訓練，由離線訓練初步確定隱層節(jié)點小波函數(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)值進行在線調(diào)整，網(wǎng)絡(luò)通過對電機端電壓的電流映射，得到準確的換相信號。

1.3.3 故障診斷

神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力、并行處理能力、良好的學習能力、獨特的聯(lián)想記憶能力等優(yōu)點，十分適用于復雜電機系統(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，不僅能進行復雜故障診斷模式的識別，還能進行故障嚴重性評估和故障預測。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[18]基于改進的BP神經(jīng)網(wǎng)絡(luò)算法，設(shè)計并分析了一套針對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)，由電機控制系統(tǒng)的輸入- 輸出信號進行訓練，通過比較實際輸出和神經(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間、位置。文獻[19]在文獻[18]的基礎(chǔ)上使用一種基于遺傳算法學習的小波神經(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[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)和學習算法，并提出了一種閾值向量故障診斷方法，在實際應用中驗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，充分發(fā)揮各自優(yōu)點，已形成了各具特色的復合控制系統(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、學習算法收斂速度慢等缺點，將具有全局搜索能力強的粒子群算法、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[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，將其應用于BLDCM轉(zhuǎn)速控制系統(tǒng)中取得了較好效果。為進一步提高控制精度，文獻[22]針對BLDCM傳統(tǒng)參數(shù)固定的速度控制器在電機參數(shù)發(fā)生改變時，預先設(shè)定的控制器參數(shù)很難適應新的運行情況，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，實際表明該系統(tǒng)具有良好的應用性。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]等復合控制也已在BLDCM控制系統(tǒng)中廣泛應用。

(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，達到理想的控制效果。

2 討論與展望

神經(jīng)網(wǎng)絡(luò)具有強大的非線性信息處理能力，故其在BLDCM控制系統(tǒng)中的應用取得了巨大成功，具體表現(xiàn)在： 作為辨識器能夠較好地逼近BLDCM的數(shù)學模型；作為控制器，實現(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高精度控制中應用的因素。將神經(jīng)網(wǎng)絡(luò)應用于BLDCM控制系統(tǒng)中應解決的問題如下。

(1) 對于BLDCM這一非線性系統(tǒng)，僅僅依靠一種理論、一種方法無法實現(xiàn)在復雜環(huán)境下準確、及時地進行電機控制。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)訓練時間較長等問題。

(2) 提高網(wǎng)絡(luò)訓練速度方面的研究，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) 訓練樣本的選取及不同來源樣本的綜合運用，對電機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)的理論研究與應用。

(5) 將多種智能控制相結(jié)合組成復合智能控制器，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)中的應用多數(shù)處于理論仿真試驗研究階段，實際控制系統(tǒng)中的應用還較少。如何針對控制系統(tǒng)的特點選擇適用于控制系統(tǒng)分析和設(shè)計的神經(jīng)網(wǎng)絡(luò)或其變形結(jié)構(gòu)是今后需要進一步研究的內(nèi)容。

3 結(jié) 語

本文詳細論述了神經(jīng)網(wǎng)絡(luò)在BLDCM控制系統(tǒng)中的應用現(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)模型及智能復合控制系統(tǒng)將成為未來的發(fā)展趨勢。

【參考文獻】

[1] 葉金虎.現(xiàn)代無刷直流永磁電動機的原理和設(shè)計[M].北京： 科學出版社，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)的無刷直流電機模型及仿真[J].電機技術(shù)，2004,1(3)： 8-11.

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

[6] 夏長亮，李志強，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單神經(jīng)元PID模型參考自適應控制[J].電工技術(shù)學報，2005,20(11)： 65-69.

[7] 郭緒猛，劉景林，徐建德.無刷直流電機神經(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，紀志成.無刷直流電機神經(jīng)網(wǎng)絡(luò)內(nèi)模自適應控制器設(shè)計[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)的無刷直流電機預測控制的仿真研究[J].系統(tǒng)仿真學報，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)的無刷直流電機無位置傳感器控制[J].電工技術(shù)學報，2002,17(3)： 26-29.

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

[14] 劉慧博，張繼鵬.基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機轉(zhuǎn)子位置估計[J].微電機，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)的電機換相控制[J].東南大學學報，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無位置傳感器控制[J].天津大學學報，2007,40(2)： 190-194.

[17] 黎文鋒，鄧繼忠，沈雷.神經(jīng)網(wǎng)絡(luò)在電機故障診斷中的應用綜述[J].電氣應用，2006,25(3)： 45- 47.

[18] 李爭，劉朝英，宋雪玲，等.基于神經(jīng)網(wǎng)絡(luò)的無刷直流電機故障診斷和容錯控制方法的研究[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無位置傳感器控制[J].天津大學學報，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系統(tǒng)中的應用[J].中國慣性技術(shù)學報，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，劉祖望.基于遺傳神經(jīng)網(wǎng)絡(luò)的無刷直流電機矢量控制系統(tǒng)設(shè)計[J].儀器儀表學報，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控制器研究[J].科學技術(shù)與工程，2008,8(24)： 6478-6481.

[24] 付麗輝.基于改進型BP神經(jīng)網(wǎng)絡(luò)的無刷直流電機調(diào)速系統(tǒng)的應用研究[J].大慶師范學院學報，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中的研究與實現(xiàn)[J].組合機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伺服系統(tǒng)中的應用[J].軍械工程學院學報，2010,22(2)： 61-64.

[27] 夏長亮，劉丹，王迎發(fā).無刷直流電機免疫反饋自適應學習人工神經(jīng)網(wǎng)絡(luò)控制[J].天津大學學報，2007,40(10)： 1235-1240.