高性能的电机闭环控制通常离不开转速的闭环，因此需要在电机轴上安装速度传感器。这给系统带来如下缺陷：增加了系统成本，使电机轴向体积变大，破坏了异步电机简单坚固的特点，降低了系统的机械鲁棒性，增加了系统的复杂性和不可靠性，需要经常维护，更重要的是，某些恶劣场合如潮湿、粉尘等环境不适合安装速度传感器。目前，无速度传感器技术已经成为交流调速系统的研究热点^[106]。速度辨识通常离不开磁链的精确观测，在知道磁链的情况下，借助部分电机参数，可以得到转速值，反过来，电机转速又通常参与到磁链估计中，绝大部分算法中磁链和速度观测是密不可分的，因此这里对速度和磁链观测一起进行综述，并着重叙述在无速度传感器条件下的磁链和速度观测。

速度和磁链观测技术大致可分为两类，一类是基于电机理想特性（park方程）的方法，包括开环观测和闭环观测，从电机可测量的物理量如电压和电流中，根据电机的数学模型从中提取转速和磁链的信息；另一类方法是基于电机的非理想特性，如结构和饱和等，典型代表是信号注入的方法。

1）开环观测的方法，包括直接计算法以及在其基础上衍生出来的改进方法。从电机的物理模型出发，根据电路及电磁关系，直接通过电压、电流和等效电路参数来估算转速或转差。最早是A.Abbondant从电机稳态数学模型出发，直接推导出转差频率表达式，并将计算结果直接应用到转差频率控制系统中。后来又有学者根据电机动态数学模型，针对不同的控制策略，得出了不同的速度估算法。除了这种从推导转差频率入手的思想之外，还有根据矢量几何关系直接计算转速的方法。比较有代表性的思路是利用转子或定子的反电动势、磁链来计算，以及在低速区域用转子磁链起主导作用，而在中高速区域用定子磁链起主导作用的混合计算法。利用电机动态数学模型进行转速估算的方法虽然具有计算简单的优点，但这种方法存在计算中缺少任何校正环节的缺点。由于其依赖于电机参数，使得速度的估算精度受到影响，抗干扰性能差，甚至可能导致系统的不稳定^[107]。

磁链的观测可以直接从电机模型中由电压模型、电流模型或者二者的组合模型得到。电压模型适用于高速，电流模型适用于低速，但需要转速参与，二者的组合模型结合了二者的优点，但存在平滑切换的问题。电压模型本质上是对反电动势的积分，存在着对初值敏感、容易带来直流偏置等问题，可以通过增加一个高通滤波环节来滤除直流偏移，但这又带来了一定程度的相移，另外也不可能完全消除直流偏置，只是将其减少。参考文献[108]提出高通滤波加坐标变换的方法，并控制高通滤波器的截止频率与电机同步角频率相同，消除了纯积分带来的直流偏置，但存在相位的超前误差。参考文献[109]提出在低速时动态改变滤波截止频率的方法，但在转速变低时截止频率也跟着降低，观测器对直流偏置的抑制随之减少。参考文献[110]进一步提出低通滤波串联高通滤波的方法，消除了低速时直流偏置的影响，但需要调试二者的截止频率。还有文献提出采用级联型低通滤波来代替纯积分的方法^[111]，大大减弱了低速时直流偏置的影响，参考文献[112]进一步引入了电流模型对其进行补偿，以提高低速时对定子电阻的鲁棒性。参考文献[113]针对积分的零漂和直流偏置问题提出了三种改进的积分方法，在低通滤波后加入了带限幅的反馈环节，参考文献[8]的思想与此类似，利用稳态时转子磁链和反电动势正交的特点，将二者点积通过PI进行反馈，有效抑制了积分初值和直流偏置的影响，提高了磁链观测的精度，这两种方法的主要缺点是实现较复杂。

2）闭环观测器的方法，包括模型参考自适应（MRAS）、龙贝格观测器、扩展卡尔曼滤波观测器和滑模观测器。

模型参考自适应系统的基本原理是将不含转速的方程作为参考模型，将含有转速的方程作为可调模型，而且两个模型具有相同物理意义的输出量。利用两个模型输出量构成的误差项，采用自适应率对转速进行实时调节，以实现估算转速的目的。对这种方法研究较早的是Schauder在参考文献[114]所提出的方法，选取未含有真实转速的磁链方程（电压模型）作为参考模型，将含有待辨识转速的磁链方程（电流模型）作为可调模型，以转子磁链作为比较输出量，采用PI自适应律来估计转速，状态和转速的渐进收敛性由Popov超稳定性理论来保证。其他方法还有通过选择转子磁链作为误差矢量^[115]，这样还可以同时获得转子磁链的信息。然而低速场合，磁链计算受定子电阻和积分器偏移的影响较大，为了克服这些问题，F.Z.Peng提出了基于反电动势模型和无功功率模型的MRAS转速估计法^[116]。参考文献[117-119]对MRAS的稳定性进行了分析，指出基于反电动势的MRAS更难调试，一定程度上受到参数变化的影响，另外在转速负阶跃时存在收敛性问题。后来又发展出交互式MRAS^[120]以辨识更多的参数，参考文献[121]将MRAS和滑模控制相结合以提高系统的鲁棒性。

由于MRAS的转速估计是以参考模型准确性为基础的，参考模型所涉及的电机参数的准确性将影响到转速辨识和控制效果，所以需要考虑对多个参数同时进行辨识，并保证参数和系统状态同时收敛到实际值。目前，MRAS法的主要研究方向是如何选取参考模型和可调模型，力求减少变化参数的个数；以及如何选择参数自适应律，在提高收敛速度的同时保证系统的稳定性和对参数变化的鲁棒性。(www.daowen.com)

参考文献[122]指出传统的采用磁通模型的MRAS可以认为是更一般的转速自适应磁链观测器的特例，如果不考虑运行点，MRAS只是边界稳定，即极点分布在虚轴。将全阶状态观测器作为MRAS中的可调模型，把电机模型作为参考模型，就构成了一种基于全阶状态观测器的转速估计法，可以利用Popov稳定性理论来实现转速估计^[123]。这种闭环观测器受电机参数变化和噪声干扰的影响较小，提高了系统的鲁棒性。参考文献[124]和[125]分别基于Lyapunov稳定性定律和Pop-ov超稳定性定律设计了转速自适应磁链观测器，采用定子电流和转子磁链为状态变量，可以在观测磁链和转速的同时对定子电阻进行辨识。随后有不少文献采用定子电流和定子磁链^[126-128]、定子磁链和转子磁链^[129]为状态变量来研究龙贝格观测器，参考文献[126-128]都是在静止坐标系下实现，参考文献[129]则是在转子坐标系下实现，需要旋转变换，相对比较复杂。参考文献[130]和[131]还将转矩观测引入到观测器中，提高了转速估计的动态性能。全阶观测器在用于无速度传感器运行时，在低速发电区域运行时可能不稳定^[131-134]，在高速时如果增益矩阵为零或者选择不当，同样存在稳定性的风险^[122]。参考文献[133]提出零频率回避的方法；参考文献[122]将观测器线性化，并且将转速自适应外环也考虑进去，设计了变增益矩阵的方法以解决低速发电时的稳定问题；参考文献[132]则基于Lyapunov稳定性定律对保证低速时观测器稳定性的反馈增益矩阵设计进行了深入研究。

除了龙贝格观测器外，扩展卡尔曼滤波观测器（EKF）^[135-140]和滑模观测器（SMO）^[141-145]也在速度和磁链观测中得到了广泛应用。如果将电机的转速看作一个状态变量，考虑到电机的五阶非线性模型，采用扩展卡尔曼滤波器方法（EKF）在每一估计点将模型在该点线性化。再沿用卡尔曼滤波器的递推公式进行转速估计^[146-148]，这种方法可有效地抑制噪声，提高转速估计的精确度。另外，卡尔曼滤波观测器是建立在对误差和测量噪声的统计特性已知的基础上的，需要从实际中摸索出合适的特性观测参数，计算量较大，需要更高性能的微处理器。与其他转速估计方法相比，卡尔曼滤波观测器具有抑制噪声干扰、提高状态估计准确度、估计精度受到电机参数变化的影响较小等优点，但其计算量较大。另外，EKF需要调整的参数较多，存在初值参数调试问题，通常采用试凑的方法来得到。如果参数设置不合适将会影响收敛速度，可能引起系统不稳定^[140]。一些学者为进一步提高EKF在转速估计应用场合的实用性进行了深入研究。K.L.Shi在参考文献[146]采用遗传算法对EKF的噪声协方差和矩阵的权值进行了优化，提高了滤波器的稳定性和速度估计的精度，但算法比较复杂。Leite提出了一种降阶的EKF转速估计法，这样可以减少运算量，提高了应用的实时性^[148]。EKF可以从被噪声污染的信号中提取状态变量的准确信息，对噪声具有较好的免疫性，但其缺点是计算量大，为此参考文献[138]和[140]分别采用降阶EKF和无轨迹EKF来简化计算。

滑模控制由于具有实现简单、鲁棒性强、系统在滑模面上降阶等优点，近年来滑模观测器引起了众多学者的关注^[141-145]。SMO在实际应用中主要缺点是滑模带来的震颤问题，从而限制了其低速性能。参考文献[149]对SMO和EKF两种观测器进行了比较，指出SMO更加实用。

3）基于电机的非理想特性的转速辨识方法。利用电机的齿谐波、定子电流注入谐波、电机气隙不均匀造成的空间谐波等获得转速信息。为了克服速度估计对电机参数的依赖性，M.Ishida等学者提出了利用齿谐波来分析转速的思想^[150-152]。电机中的定转子齿槽在气隙中会产生齿谐波，其中包含了与转速成正比的频率成分，对定子反电动势或者定子电流信号的处理可以检测出转子速度信号，但是在低速场合下测量灵敏度难以提高，噪声干扰的影响较大。此外，还有基于高频信号注入的转速估计法。典型方法有三相平衡旋转高频注入法^[153]、d轴脉动高频注入法^[154]、饱和凸极检测法^[155]和漏感脉动检测法^[156]等。例如，R.D.Lorenz等学者希望通过对转子机械结构的改造，人为造成一个凸极，通过在机端注入一个三相平衡的高频电压信号，来检测这个磁凸极的位置，从而获得转速信息^[157-160]。这种方法不依赖任何电机参数和负载条件，并可工作在极低速甚至零速运行状态，但需要对电机进行改造。如何在不改造电机的条件下获取电机转速是一个尚待解决的问题。另外，高频脉冲注入还会增加损耗以及产生脉动转矩。虽然估计转速的方法很多，但仍有许多问题有待解决，如对参数变动的鲁棒性、参数估计的精度、低速性能的提高以及用估计出来的转速构成闭环系统的稳定性等。这些方法在实际应用中存在一些限制，如需要人为注入谐波、要求饱和运行、信号处理复杂等。

4）基于人工智能的转速辨识方法，如采用神经网络^[102，161]，目前还不是很成熟。人工神经网络经过严格的训练以后，具有对非线性系统进行辨识的能力，因此一些学者对运用神经网络理论对转子转速辨识进行了尝试性的研究^[162-165]。人工神经网络在处理非线性系统模型方面具有结构简单、并行计算、自学习能力及鲁棒性强等优点。神经网络的方法是受MRAS速度估计的启发，用神经网络替代电流模型转子磁链观测器，用误差反传算法取代比例积分自适应律进行转速估计，网络的权值为电机参数。网络无须事先离线学习与训练，学习的过程就是速度估计的过程，但因其结构和权值不具有定性的物理意义，系统易陷入局部最优。目前，对基于神经网络的转速估计方法的研究尚处于起步阶段，主要还是集中在理论仿真的研究，要实现神经网络的转速辨识需要专用的硬件来支持，其实际应用尚不成熟，离实用化还有一定的距离。