电磁直线驱动装置作为一种驱动元件,能够将输入的电能转化为机械能以驱动直线运动,适用于需要平稳进给的直线运动场合,引起了广大研究者的关注。电磁直线驱动装置运行过程中需要将动子的位移作为反馈信号以控制运动进程,而现阶段动子位移信号的检测是通过高速位移传感器实现的,使系统的成本和结构紧凑性受到影响。因此实现无位置传感器控制技术,对直线驱动控制技术的发展具有重要的意义。本文通过理论分析、数学建模、仿真研究和试验验证相结合的方法,针对电磁直线驱动装置无位置传感器控制技术,建立了用于电磁直线驱动装置动子位移估计的直接计算法、人工神经网络算法、改进型GA-BP算法,并使用测控系统获得的数据样本验证并分析了各种算法的有效性,基于测控系统进行了无位置传感器控制试验验证。具体工作包括以下几个方面:(1)完成了电磁直线驱动装置的结构和原理分析,基于直驱式AMT换挡试验台架,建立了电磁直线驱动装置测控系统,确定了测控系统试验步骤,获得了各工况条件下系统参数的数据样本,为后续的动子位移估计方案奠定了基础。(2)建立了电磁直线驱动装置各子系统的数学模型,并通过数学模型确定了各系统参数之间的数学关系,建立了基于电磁直线驱动装置反电动势的动子位移估计方案,搭建了MATLAB/Simulink仿真模型,并对应用样本数据获得的仿真结果进行了分析:由于电磁直线驱动装置部分系统参数的误差以及受到测控系统中控制策略的影响,退挡阶段和进挡第一阶段存在一定误差但相对较小,但其余进挡阶段的位移计算误差逐渐增大,进挡第三阶段之初的最大绝对误差达到了6.05mm。使用直接计算法获得的电磁直线驱动装置动子位移存在一定误差且不可避免,不能用作控制系统的位移反馈信号。(3)建立了电磁直线驱动装置的间接位移检测原理,分别分析了RBF和BP神经网络的原理,建立了两种神经网络算法的MATLAB网络结构,确定了相关网络参数。应用样本数据对两种神经网络进行了离线训练和验证,结果表明:在工况一条件下,与RBF神经网络相比,BP神经网络的预测精度提高了2.04%,RMSE降低了30.45%,MAPE降低了25%,训练时间节省了73.05%;在工况二条件下,与RBF神经网络相比,BP神经网络的预测精度提高了0.7%,RMSE降低了21.06%,MAPE降低了4%,训练时间节省了70.39%。显然BP神经网络的预测效果相对较好,且网络结构更加简单。(4)为提高BP神经网络预测的精确度,改善退挡阶段和进挡第一阶段的预测效果,将具有全局收敛性的改进型遗传算法与快速局部优化性能较好的BP神经网络算法结合起来,构建了一种改进型GA-BP算法,建立了算法的MATLAB模型,应用各工况的样本数据对网络进行了训练和验证,对获得的训练结果进行了分析:各工况下,应用改进型GA-BP算法预测动子位移的精确度均大于96.3%,与传统BP算法相比,精确度平均提高了2.2%,RMSE平均降低了21.8%,MAPE平均降低了23.9%。应用基于直驱式AMT换挡试验台架所建立的电磁直线驱动装置测控系统,进行无位置传感器控制试验:将训练好的改进型GA-BP网络载入到测控系统中,以相关的系统实时参数作为网络的输入,以网络输出的预测位移代替原位移传感器的输出位移作为控制系统的反馈。无位置传感器控制试验的结果表明:应用改进型GA-BP网络能够实现顺利换挡,各工况试验结果的精确度均大于96%。