科学技术和人工智能的不断发展,促进自动控制向智能控制方向发展,作为一种新的控制技术,智能控制已在越来越多的控制领域中得到了广泛的应用.该文详细地分析了智能控制中的神经网络和遗传算法的原理,并针对它们的优缺点,提出了一种基于改进型遗传算法和神经网络BP算法的混合算法.该算法不仅避免了遗传算法的未成熟收敛现象和BP算法易陷于局部最优的缺点,而且大大加快了算法收敛的速度,可获得满意的结果.为了合理地将智能控制方法和直接转矩控制(DTC)有机地结合起来,该文对传统的DTC系统作了详细的分析,并就DTC中一些难以解决的问题提出了智能控制方法的解决方案.DTC系统在低速运行时,电机定子电阻的变化影响了系统的性能.由于定子电阻的变化具有非线性、时变性等特点,难以建立精确的数学模型,该文提出一种感应电机直接转矩控制BP神经网络定子电阻识别方案.该神经网络电阻识别器按照定子电流和定子电阻之间的关系训练网络,该网络在离线训练后,可用于定子电阻的识别和补偿.仿真结果表明该方案可以改善DTC系统的低速性能.实现DTC的关键是根据磁链和转矩的要求,合理地选择定子电压矢量,该文提出了一种采用实时递归神经网络来辨识定子磁链的方法.该文提出了一种基于ADALINE神经元的感应电机转速估计策略.利用误差学习算法的神经网络实时地辨识电机转速,其目标函数是目标模型和神经网络模型输出差的平方和.速度作为神经网络的一个权值,通过误差学习算法来调节,使之精确地跟踪实际的电机转速.DTC系统的关键部件是电压状态选择器,该文采用神经网络模拟传统异步电动机DTC系统中的电压状态选择器,并用遗传算法训练该网络,然后用训练好的神经网络代替传统的电压状态选择器,并进行了仿真,结果表明该方法可行.数字信号处理器(DSP)运行速度快,能够完成复杂的控制算法,从而建立高精度的控制系统,使数字化DTC系统的实现成为可能.该文介绍了以DSP芯片TMS320F240为核心的交流电机全数字直接转矩控制系统的设计,并给出了其硬件和软件系统设计的结构及工作流程.