1.一种噪声参数辨识的卡尔曼滤波无感控制方法，其特征在于：包括以下步骤：步骤1：建立无刷直流电机在两相静止坐标系下的状态空间方程；

状态空间方程为：

无刷直流电机αβ轴电压电流方程如下：

其中：uα为α轴的定子电压，uβ为β轴的定子电压，iα为α轴定子电流，iβ为β轴定子电流，θe为无刷直流电机的转子位置，Rs为无刷直流电机的定子电阻，Ls为无刷直流电机的等效电感，ψf为永磁体的磁链，ωe为电角速度；

无刷直流电机非线性系统的状态空间方程为：

Z＝h(x)+v (4)

选取扩展卡尔曼观测器所需要的输入状态变量、控制变量以及输出状态变量，分别为:T T T

x＝[iα,iβ,ωe,θe] ，u＝[uα,uβ]，Z＝[iα,iβ]，W为系统噪声，v为测量噪声，B为控制变量的矩阵系数， f(x)表示自变量为输入状态变量x时的4×1的函数值，h(x)表示自变量为输出状态变量Z时的2×1的函数值；

步骤2：在步骤1基础上，构建扩展卡尔曼滤波观测器，无刷直流电机两相静止坐标系下的电压电流经过扩展卡尔曼滤波观测器后输出的观测转速 电角度对f(x),h(x)函数分别进行线性化处理得到相应的雅克比矩阵为：对f(x)求导需要考虑时间t，所以有x＝x(t)，通过线性化得到雅克比矩阵用于无刷直流电机状态估计的扩展卡尔曼滤波离散化后的先验状态方程如下：其中，k表示当前迭代次数， 分别表示第k次迭代时输入状态变量中的α轴定子电流、β轴定子电流、电转速和电角度； 表示k‑1次迭代下α轴定子电压、β轴定子电压；

带入扩展卡尔曼滤波递归流程：

其中： 为先验估计值， 为上一时刻的先验估计值，Ts为采样时间；

Φ＝I+F(x)Ts (9)

其中：Φ为状态转移矩阵，I为4阶的单位矩阵，F(x)为雅克比矩阵，在求解状态转移矩阵Φ时，其中的F(x)雅克比矩阵相当于常量不随时间t影响；

其中： 为先验误差协方差矩阵，Pk‑1为上一时刻的最优协方差矩阵，Q代表系统过程噪声的协方差矩阵；

其中：Kk为卡尔曼滤波增益，R代表系统过程噪声的协方差矩阵，更新最优估计值为：

‑

其中，H为H的逆矩阵，Zk为第k次迭代时的输出状态变量；

更新最优协方差矩阵为：

步骤3：获取步骤2中构建的扩展卡尔曼观测器中的系统噪声协方差矩阵Q与测量噪声协方差矩阵R，并通过群优化搜索算法搜索最优协方差矩阵；所述群优化搜索算法结合粒子群与天牛须算法并加入线性递减权重与学习因子同步化方法；

系统噪声协方差矩阵Q与测量噪声协方差矩阵R定义为：R＝diag{r,r} (15)

其中，Q为4×4过程噪声协方差矩阵， qω,qθ表示矩阵Q中主对角线四项不同的待优化参数，第三项qω受采样时间影响的误差波动较大；R为测量噪声的协方差矩阵，其中r为矩阵R中主对角线待优化参数；

种群优化搜索算法为：

粒子速度更新公式为：

其中，下标i表示粒子编号，d表示粒子种群空间维度； 为第i个粒子在第d维度的速度，ω是惯性权重，c1和c2是加速因子，rand是[0,1]区间的随机数， 是粒子的个体最优位置， 是全局最优位置，ω是惯性权重， 自变量是包含噪声矩阵参数的1×5数组；

假设甲虫头随机向任何方向前进,因此从右天线到左天线的矢量方向也必须是随机的，对于n维空间中的优化问题,生成随机向量来表示和标准化它；

其中：rands为随机函数，db依然表示空间维度，θb表示为粒子前进方向角度；

粒子左须右须位置更新公式如下：

其中： 分别为粒子左须与右须位置，d0表示两须之间的距离；

粒子位置更新公式为：

其中， 分别表示选取的目标函数，其中包含的自变量分别为 sign表示符号函数，step为搜索时的步长，norm表示向量范数用于衡量向量的大小或长度；

加入线性递减权重与学习因子同步化公式为：

将粒子群算法惯性权重和学习因子设置为一维向量，则式(21)与式(22)分别为惯性权重与学习因子的更新迭代公式，ωmax、ωmin、cmax、cmin为惯性权重与学习因子最大、最小值；

d1、d2为动态误差系数；t、tmax为当前迭代次数和最大迭代次数；

步骤4：采用线性加权组合法对噪声矩阵参数以αβ轴定子电流、转速与相角误差多目标优化，通过实验测试各个目标对应的权重系数，算法收敛反馈给卡尔曼滤波观测器最优噪声矩阵；

采用线性加权组合法对噪声矩阵参数以αβ轴定子电流、转速与相角误差多目标优化，选取目标函数为：用线性加权组合法将多目标转化成单目标函数，是根据各个目标的重要程度分别乘以对应的权重系数，最后相加构成一个目标函数求解；则统一量纲后的单目标函数为：F＝β1f1(x)+β2f2(x)+β3f3(x) (25)其中：β1、β2、β3为个适应度函数的权重；通过测试不同的适应度函数求解出适应度值，快速找到 qω,qθ,r的趋近值， qω,qθ表示矩阵Q中主对角线四项不同的待优化参数，Q为4×4过程噪声协方差矩阵，r为矩阵R中主对角线待优化参数,R为测量噪声的协方差矩阵；采样电机矢量控制系统中信息，其中包括动态和稳态信息的定子电流、转子转速、电角度与磁链从而构成优化算法的训练数据，经过优化后的EKF具有较好的状态估计精度。