传统ADRC与改进神经网络ADRC的永磁同步电机闭环控制仿真模型 传统自抗扰PMSM：采用二阶自抗扰的位置电流双闭环控制 改进RBF自抗扰ADRC：自抗扰中状态扩张观测器ESO与神经网络结合，对ADRC中的参数进行整定 有搭建仿真过程的参考文献及ADRC控制器建模文档

在永磁同步电机（PMSM）控制领域，传统自抗扰控制（ADRC）与基于改进神经网络的ADRC不断演进，为电机高效稳定运行提供保障。今天就和大家聊聊这两种控制方式及其仿真模型搭建。

传统自抗扰PMSM

传统的自抗扰PMSM采用二阶自抗扰的位置电流双闭环控制。简单来说，位置环和电流环相互配合，电流环负责快速跟踪电流指令，位置环则保证电机转子位置准确跟踪给定值。

咱们先看看电流环部分代码示例（以Matlab为例）：

% 电流环参数设置
kp_i = 0.5;
ki_i = 10;
% 电流环PI控制器
function [i_q_ref] = current_loop(i_q, i_q_ref, omega, dt)
    global kp_i ki_i;
    % 计算电流误差
    error_i = i_q_ref - i_q;
    % 积分项更新
    static_error_i = static_error_i + error_i * dt;
    % 计算q轴电流指令
    i_q_ref = kp_i * error_i + ki_i * static_error_i;
end

在这段代码里，我们设置了电流环的比例系数 kpi 和积分系数 kii，通过PI控制器计算出q轴电流指令 iqref。利用电流误差 errori 来调整输出，积分项 staticerror_i 用于消除稳态误差。

位置环的代码与之类似，也是基于PI控制原理，通过位置误差来调整输出，保证电机准确运行到指定位置。

改进RBF自抗扰ADRC

改进的RBF自抗扰ADRC是将自抗扰中状态扩张观测器ESO与神经网络结合，对ADRC中的参数进行整定。这里以径向基函数神经网络（RBFNN）为例。

RBFNN可以逼近任意非线性函数，在ADRC里，我们利用它来优化ESO的参数。先看简单的RBFNN结构代码：

import numpy as np

class RBFNN:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size
        # 初始化中心、宽度和权重
        self.centers = np.random.rand(self.hidden_size, self.input_size)
        self.widths = np.random.rand(self.hidden_size)
        self.weights = np.random.rand(self.output_size, self.hidden_size)

    def gaussian(self, x, center, width):
        return np.exp(-np.linalg.norm(x - center) ** 2 / (2 * width ** 2))

    def forward(self, x):
        hidden_outputs = np.zeros(self.hidden_size)
        for i in range(self.hidden_size):
            hidden_outputs[i] = self.gaussian(x, self.centers[i], self.widths[i])
        output = np.dot(self.weights, hidden_outputs)
        return output

在这段Python代码中，我们定义了一个简单的RBFNN类。init 方法初始化网络结构，包括输入层、隐藏层和输出层的大小，还有中心 centers、宽度 widths 和权重 weights。gaussian 方法是径向基函数，用于计算隐藏层节点的输出。forward 方法则实现了前向传播，计算网络的最终输出。

将这样的RBFNN与ESO结合，就能根据电机运行状态实时调整ADRC的参数，使得控制效果更加理想。比如，当电机负载突变时，RBFNN可以快速调整ESO的参数，让ADRC更好地估计和补偿扰动，维持电机稳定运行。

仿真搭建与资源

搭建这两种控制方式的仿真过程，可以参考相关参考文献，同时也有ADRC控制器建模文档助力。通过仿真，我们能直观看到传统ADRC和改进神经网络ADRC在PMSM闭环控制中的表现差异。在不同工况下，如负载变化、速度突变等，对比它们的转速响应、转矩波动等指标，从而更深入理解这两种控制策略的优缺点。

总之，无论是传统ADRC还是改进神经网络ADRC的永磁同步电机闭环控制仿真模型，都为电机控制领域的研究和实践提供了重要参考，不断推动着PMSM控制技术的进步。