由于异步电动机是一个高阶、强耦合的复杂非线性系统，采用线性控制理论不足以满足高性能调速系统的要求。随着控制理论的发展，现代控制理论已经逐步渗透并应用到交流调速中。目前在电机控制里得到应用的非线性控制包括无源化控制、逐步后退控制、反馈线性化控制、滑模控制、鲁棒控制和自抗扰控制等。此外，自适应控制、智能控制也在电机控制中得到了广泛研究。

1.无源化控制

无源化控制是从能量平衡的角度出发来分析系统的内在性质，提出了系统无源性和耗散性的概念，在其基础上利用系统的能量函数通过Lyapunov函数来设计控制器。无源化控制保留并利用了系统自身的非线性结构，而不追求严格的解耦控制，从而使控制器得到简化，并可以获得较好的鲁棒性。无源化控制的核心是要保证电磁系统的严格无源性，为此需要引入足够大的电流反馈，另外对系统的动态性能难以进行分析，这是它应用中的主要缺点。参考文献[48]对无源化控制在异步电机控制中的应用进行了研究。

2.逐步后退控制

逐步后退控制是近几十年发展起来的一种基于Lyapunov稳定性的控制方法，它把一个高阶系统简化分解成若干个串联子系统，在每一步保证一个子系统的稳定性，从而简化了控制器设计的难度。关于这种方法在电机控制中的应用，参考文献[49]进行了较全面的总结，但由于电机参数众多，所得控制律往往过于复杂，使得这种方法至今主要停留在理论研究上，少有实验结果^[50]。

3.反馈线性化控制

反馈线性化控制是基于微分几何的一种控制方法，近年来在电机领域得到了广泛研究。通过对调速系统的非线性坐标变换和非线性状态反馈，实现系统的输入/输出线性化和动态解耦，将非线性异步电动机系统分解成励磁环和转矩环两个独立的线性单变量系统，可以按照单变量线性系统常规工程设计方法对两个子系统的调节器进行设计，实现系统非线性的精确对消，理想情况下可以达到完全解耦的效果，使系统达到最佳控制性能。有文献研究指出^[51]，矢量控制可以认为是反馈线性化方法的一类实现，其他各种磁场定向以及电压和电流定向等都可以看成是反馈线性化方法中不同坐标变换的选择，从而为各种定向方案提供理论上的指导。这种方法的主要缺点是依然存在对参数变化的鲁棒性问题，由于实际存在的各种扰动难以估计，精确的线性化难以实现。另外，控制律比较复杂，实现困难。目前反馈线性化方法的价值主要体现在它的理论指导意义上。

4.逆控制

逆控制方法的基本控制思想是先采用反馈方法生成被控对象的r阶积分逆模型，将之串联在被控对象的前面，对被控对象进行补偿，得到解耦的线性化的控制对象，再按照传统的线性控制方法对其进行控制。采用逆控制设计方法要保证系统是可逆的。

5.鲁棒控制

鲁棒控制中的典型代表是H∞控制，它本质上是一种优化控制方法，研究的是从外界干扰到系统性能指标之间的传递函数的H∞范数优化问题。鲁棒控制主要是针对线性系统，对非线性系统的使用结果较少，另外其设计出来的结果比较保守，但作为一种处理对象具有不确定性尤其结构不确定性的方法，鲁棒控制在电机控制中呈现出良好的应用前景。随着控制理论和计算机软件的发展，现在MATLAB中已经有了现成的鲁棒控制工具箱，大大方便了鲁棒控制的设计，为其在工程实际应用提供了良好的基础，参考文献[50]和[52]对鲁棒控制在异步电机控制中的应用进行了研究。

6.滑模控制

滑模控制是20世纪60年代发展起来的一种自适应的非线性控制方法，与常规控制的根本区别在于控制的不连续性，具有使系统“结构”随时变化的开关特性。其主要特点是采用离散的控制策略，根据被调量的偏差及其导数，有目的地使被控系统在“滑模面”上运动。这种滑动面是可以设计的，且与系统的参数及扰动无关，因而使系统对外界干扰和系统摄动具有很强的鲁棒性，同时还可以有效降低系统的阶数，有利于简化控制。另外，滑模变结构控制不需要任何在线辨识，所以很容易实现。

20世纪70年代D.Izosimov首次将滑模变结构控制的思想引入到异步电机控制中，随后出现了大量的相关文献。滑模变结构控制的创始人之一V.I.Utkin对滑模控制在各类电机控制中的应用进行了系统的介绍^[53]，之后很多人对滑模控制在电机控制中的应用进行了研究^[54-58]。参考文献[54]提出了一种滑模位置控制和自适应转矩控制应用方案，减弱了传统滑模控制引起的抖动，并利用无源理论分析了控制系统的稳定性。参考文献[55]针对无速度传感器异步电机控制系统，提出了一种自适应滑模变结构磁链观测器，构造了两个滑模变结构控制的电流观测器，提高了速度辨识和磁链估计对电机参数的鲁棒性。参考文献[56]引入滑模控制的电流型磁链观测器，当定子电流误差为零时可以准确辨识出转子磁链和转速，辨识系统对电机参数扰动具有很好的鲁棒性。

对于理想的滑模变结构控制系统，滑动模态是降维的光滑运动，并渐进稳定于原点。但在实际系统中，其控制力总是受到限制的，从而使系统的加速度有限，同时系统的惯性以及滑模变结构控制本质上的不连续开关特性使系统存在“抖振”问题。而且这种抖振在实际系统中是必定存在而无法消除的，使得系统的稳态精度变差尤其重载条件下更为突出，这在一定程度上限制了滑模变结构控制的应用。如何在实现去抖的同时仍然保证足够的参数鲁棒性和状态收敛速度是滑模变结构控制在实际应用中必须要解决的问题。

7.自抗扰控制(www.daowen.com)

自抗扰控制（Active Disturbances Rejection Control，ADRC）是我国中科院系统科学研究所韩京清教授在20世纪90年代末提出的一种针对非线性、不确定性系统的控制方法^[59]。它继承了PID控制器不依赖于系统精确模型的优点，利用非线性结构克服了抗干扰能力差、易受系统参数变化影响等经典PID的缺陷。其实质是将系统的模型扰动、参数摄动、测量噪声等作为系统的总扰动统一处理，采用前馈补偿的方法将扰动加到系统模型的输入端，从而将具有非线性、不确定对象的控制系统补偿为确定的、简化的积分串联型线性系统。

自抗扰控制器主要由跟踪微分器（TD）、扩张状态观测器（ESO）和非线性状态误差反馈控制律（NSEF）等三部分组成。其核心是扩张状态观测器，在这个观测器中，系统的模型和扰动处于平等地位，均可用扩张状态观测器估计出实时作用量而加以补偿。扩张状态观测器将含未知扰动的非线性、不确定对象用非线性状态反馈转换为积分串联型，即对非线性、不确定对象实现反馈线性化。在此基础上设计控制器，可有效加快收敛速度，提高控制系统的动态性能，是一种解决非线性、不确定系统控制问题的强有力手段。

由于高阶的ADRC计算量很大，收敛较慢，而异步电机控制的实时性要求较高，因此适宜采用低阶ADRC或低阶ADRC的组合，以提高响应速度和控制效率。参考文献[60，61]将自抗扰控制理论应用到异步电机转子磁场定向矢量控制中，将电机模型中的耦合项和参数摄动视为系统扰动，采用扩张状态观测器进行观测并加以补偿，从而简化了系统结构，提高了响应速度。针对异步电机矢量控制系统的参数不确定性，参考文献[62]提出了一种自抗扰控制器实现异步电机变频调速的新型控制结构，引入了中间变量及等效变换，实现了非线性异步电机变频调速系统的实时动态线性化，减少了电机参数时变对系统动、静态性能的影响。

为提高系统的收敛速度和控制精度，ADRC典型模型中普遍应用了非线性环节，由于非线性运算较多，使得计算量很大，对系统硬件的计算能力提出了较高的要求，增加了实时控制的难度。另外，ADRC中涉及较多的参数，其控制性能很大程度上取决于参数的选取，如何调整选择众多参数，使控制器工作于最佳状态是ADRC应用中的一个难题。

8.模型参考自适应控制

在实现线性或非线性解耦的高性能电机控制基础上，进一步要解决的问题是如何提高系统对参数变化和各种扰动（如负载扰动）的鲁棒性，自适应控制可以有效解决这一难题。自适应方法主要有模型参考自适应控制、参数辨识自校正控制以及各种非线性自适应控制^[63-65]。其实质是当电机参数发生大范围变化时，控制器自动改变自身参数，使控制系统的性能维持不变。在电机控制中应用较多的是模型参考自适应控制，参考文献[66]将模型参考自适应控制器应用到矢量控制中进行速度辨识，利用波波夫超稳定理论证明了辨识子系统的全局渐进稳定性。参考文献[67-68]利用模型参考自适应控制进行电机参数的辨识，以克服电机参数的摄动对控制系统的不利影响。

但是，自适应控制的数学模型和运算烦琐，使控制系统实现复杂，而且辨识和校正本身都要有一个过程，对于较慢的参数变化尚可以起到校正作用，如因温度变化而变化的电阻参数，但是对于较快的参数变化，如因趋肤效应引起的电阻变化、因饱和作用产生的电感变化等，就会因来不及校正而难以产生很好的动态效果。另外，模型参考自适应需要建立电机的参考模型或者自校正机制，参考模型的准确程度直接影响着系统工作的成效，而电机的参数是随着电机运行条件会发生变化。如何保证系统收敛性的同时辨识多个参数，是模型参考自适应方法在实际应用中需要解决的问题。

9.智能控制

智能控制摆脱了对控制对象数学模型的依赖，同时又继承了人脑思维的非线性，可以处理非线性不确定系统，并且对系统模型和参数的依赖性小，因此近年来在电机控制中的应用得到了越来越广泛的关注。在复杂系统中，智能控制还具有分层信息处理和决策的功能，也有人称其为继经典控制和现代控制之后的第三代自动控制技术，现已成为众所瞩目的解决鲁棒性问题的重要方法。目前交流传动系统智能控制的研究热点，包括模糊控制和神经网络控制^[69-72]，大多是在模型控制基础上增加一定的智能控制手段，以消除参数变化和扰动的影响。

通俗地讲，模糊控制就是基于模糊推理，模仿人的思维模式，对难以建立精确数学模型的对象实施的一种控制，它包括精确量的模糊化、模糊推理、模糊判决三部分。基于模糊控制的矢量控制是智能控制与矢量控制结合较为成功的一种控制方式。在电机控制系统中的典型应用有用于电机速度控制的模糊控制器、在电机模型及参数辨识中的应用、基于模糊逻辑的异步电机效率优化控制等。

在模糊控制中，量化因子、比例因子以及隶属度函数的选取对系统性能的影响较大。一旦这些条件被确定，当对象的参数和外部扰动变化时，控制效果就会变差。因此将模糊控制与其他控制策略相结合，通过它们的互补来提高模糊控制的控制效果及静态稳定性和动态性能是当前研究的热点。参考文献[73]将模糊控制与滑模变结构控制相结合，同时进行转速和定子电阻的辨识。参考文献[74]在异步电机直接磁场定向控制的基础上提出了一种新型的PI模糊控制器的设计方法，采用模糊和PI共存，在负载模型参数大范围变化和非线性因素存在时仍能保持良好的动态性能。参考文献[75]提出了一种作为速度调节器和电阻估计器的T-S模糊控制器，采用遗传算法得到较优的模糊控制规则，具有较强的负载和参数鲁棒性，而且设计方法较为系统化。

自20世纪50年代Rosenblatt提出了第一个完整的人工神经网络（Artificial Neural Network，ANN）以来^[76]，人工神经网络理论和应用得到了较大的发展，并成为主要的智能控制方法之一。它模拟人的大脑神经生物结构，可趋近任何非线性函数，有效解决非线性系统建模难的问题，具有较强的容错和数据处理能力，并能对知识环境提供的信息进行学习和记忆。因此，将人工神经网络应用于异步电机控制可以充分发挥上述优点，在异步电机调速系统中的应用研究主要集中在以下几个方面：代替传统的PID控制、转子磁链观测及转速辨识、电机参数的在线辨识等。

参考文献[77]在通过定子电流转矩分量和转速来估计被控异步电机的参数的基础上，在线动态调整人工神经网络的权重，以调节反馈控制器和前馈控制器的参数。通过同时调整这两级控制器，使系统不仅具有较好的跟踪性能，还具有优良的动态调节性能。参考文献[78]提出了在线学习的NFN神经元状态观测器，能够实现对转子磁链和转速的精确辨识；参考文献[79]在MRAS中的自适应律采用模糊神经网络实现对转速和转子时间常数的精确辨识；参考文献[80]采用神经网络后向传播算法在线辨识转速，控制系统具有良好的动静态性能，并对转速和负载扰动具有很好的鲁棒性。

虽然将智能控制技术应用在异步电动机调速系统中，可以克服异步电机参数时变和非线性因素对系统性能的影响，但离真正产品化还有一段距离，目前大多文献都是基于仿真的研究，对于智能控制系统稳定性和鲁棒性的研究目前还都不很成熟。虽然相对简单的单神经元控制系统可以应用非线性控制理论中Popov或Lya-punov稳定性或超稳定性定理来分析，但是对于更复杂的智能控制系统的稳定性问题还有待研究者们进一步的探讨和研究。

总而言之，每一种控制技术都是为了提高系统的静态性能或动态性能或者两者兼顾。对同一控制系统，可以有多种控制方案实现，至于采用哪一种，需要从系统对性能的实际要求出发，选择最佳的控制方法。虽然目前异步电动机驱动的控制策略已取得很大的进展，但是还没有达到完善的程度。因此，为了使系统具有较高的动静态性能及鲁棒性，寻找更合适、更简单的控制方法或对现有的控制策略进行改进是未来一段时间的研究重点。