感应电机本质上为非线性、多变量、强耦合、参数时变、大干扰的复杂对象,矢量控制在发挥感应电机驱动系统性能方面独具特色。但是,当电机驱动系统遭受外界干扰、参数变化、控制对象波动以及运行过程中其它不可预见的扰动因素时,矢量控制性能将会受到很大影响,特别在驱动系统的鲁棒性、动态抗扰动特性方面需要更加优化的控制。自抗扰控制(Active Disturbances Rejection Control-ADRC)不依赖被控对象的模型参数,内部的观测器能实现扰动估计,受到国内外学者的广泛关注。本文将自抗扰控制与矢量控制结合,旨在提升感应电机驱动系统在鲁棒性、动态抗扰动等方面的性能。具体研究内容如下:首先,本文为了解决感应电机自抗扰控制方法参数多、整定难的问题,提出了基于蚁群算法的感应电机自抗扰控制方法,将蚁群(Ant Colony Optimizatlon-ACO)算法融入到自抗扰控制的参数设计当中,根据感应电机的反馈信息,利用ACO的自主学习能力作为优化机制,经过迭代计算后获得ADRC控制器参数,从而减小ADRC控制性能对其控制参数的依赖性,增强控制器的控制性能。重点讨论了目标函数的建立以及参数优化问题,并利用实验将该方法与传统方法在有效性、收敛性以及优化效率方面进行对比,突出基于蚁群算法进行参数优化的ADRC鲁棒性优于传统的ADRC。其次,在深入的研究后发现,蚁群算法固定的信息素挥发系数会影响其优化性能,这是因为蚁群算法中恒定的信息素挥发系数与局部精确搜索的实际情况相悖,历史信息也与算法的快速收敛性背道而驰,所以具有动态更新能力的优化算法可以进一步提升优化性能。因此,以具有线性更新能力的粒子群(Partical Swarm Optimization-PSO)算法为研究对象,将算法内部的动态更新过程进一步与实际的优化过程相关联,基于实际的优化过程,引入粒子聚合度和进化速度,对惯性权重进行自适应动态更新。将基于自抗扰控制的感应电机系统作为验证对象,自适应粒子群算法和蚁群算法从有效性、收敛性以及优化效率方面进行了对比实验,结果表明前者具有更高的优化效率和收敛性。再次,内模控制是一种鲁棒性较强的控制方法,兼顾了可调参数少和鲁棒性强的优点。但是,传统意义上的电流环内模控制存在两个问题:首先,内模控制器只有滤波器时间常数一个可调参数,是一自由度控制器,不能实现跟踪性能与抗扰性能的分开调节;其次,内模控制器无法有效消除模型失配、参数摄动、负载突变等不确定扰动。本文选取感应电机内模控制作为研究案例,通过借鉴自抗扰控制的思想,旨在解决内模控制的上述问题,提出一种基于自抗扰控制的感应电机内模控制方法。在内模控制中融入了一个状态观测器来估计扰动,将系统的不确定性和外部干扰作为待估计量,将系统中的可测量与观测量的误差作为系统反馈,并根据朱里准则的稳定性判据分析和设计观测器增益,利用扰动补偿的方式与电流环的内模控制相融合,并在实验条件下对基于自抗扰控制的感应电机内模控制方法在加载、参数变化、输入扰动等方面进行了实验验证,验证了引入自抗扰思想的内模控制可提升电流环的抗扰性能。最后,感应电机转速准确快速估计是无速度传感器矢量控制的关键,为了抑制测量噪声、负载突变、电机参数变化等外部干扰对转速辨识结果的影响,借鉴自抗扰思想,将自抗扰思想引入到感应电机无速度传感器控制中,本文提出一种基于自抗扰观测器(Active Disturbances Rejection Observer-ADRO)的感应电机转速估计方法。针对系统的模型扰动,利用状态观测器加以观测和补偿,消除转子电阻摄动对转速观测精度的影响,避免了纯积分的影响,可提高自抗扰观测器的观测精度。通过李雅普诺夫稳定性证明,设计了观测器参数,并验证了基于自抗扰观测器的感应电机转速辨识方法,并针对输入扰动和观测扰动两种形式的扰动,作了抗扰性能和稳定性能分析,并在实验条件下对基于自抗扰观测器的感应电机无速度传感器控制方法在加载、参数变化、输入扰动等方面进行了实验验证。本文以2.2kW的感应电机作为控制对象,搭建了以Matlab/Simulink为核心的软件仿真模型和以TI公司TMS320F28335为控制核心的硬件实验平台,分别对上述基于蚁群算法的感应电机自抗扰控制方法、基于自适应粒子群算法的感应电机自抗扰控制方法、基于自抗扰控制的感应电机内模控制方法和基于自抗扰观测器的感应电机无速度传感器控制方法进行了仿真和实验验证,结果表明感应电机驱动系统在鲁棒性和动态抗扰动等方面的性能得到有效提升。