在自动控制领域，电机控制是重要的研究方向之一。无刷电机由于其结构简单、效率高、维护方便等优点，在小型无人飞行器等领域得到了广泛的应用。无刷电机的控制通常要求准确的电机模型来指导设计飞行控制系统。传统的线性模型由于其简单的结构而易于使用，但它们往往无法准确反映无刷电机的动态特性，尤其是非线性特性，这在控制上会带来一定的误差。
非线性系统模型种类繁多，基函数模型需要先验知识，而神经网络模型虽然可以处理复杂的非线性，但其参数优化容易陷入局部最优解。Volterra级数模型因其通用性，能够以任意精度近似一大类非线性系统，但其参数随着非线性阶次的增加而急剧增多，带来了所谓的“维数灾难”。块联模型则是将系统分解为线性动态子系统和非线性静态模块，通过组合这两种模型来描述系统的整体动态行为。本文提出的并联Hammerstein模型则属于块联模型的范畴。
Hammerstein模型是一种特殊的非线性系统模型，由静态的非线性模块和动态的线性模块并联组成。在传统的Hammerstein模型中，系统分为输入端的非线性部分和输出端的线性动态部分。然而，这种模型结构难以适应某些复杂的非线性系统。因此，本文提出了一种并联的Hammerstein模型，即在原有Hammerstein模型的基础上，增加一个与原线性动态模块并联的线性动态模块，以此来更准确地刻画无刷电机的非线性动态特性。
在建模过程中，本文首先通过类比Volterra级数模型的方法来对并联Hammerstein模型中的静态非线性模块进行建模。Volterra级数是一种泛化的泰勒级数，能够描述输入与输出之间的非线性关系。接着，文章提出了一种基于最小均方误差准则的辨识算法，用来估计模型中线性动态子系统的频率响应函数。最小均方误差准则是一种常见的参数估计方法，它通过最小化估计值与实际值之间差的平方和来求取模型参数。
通过实践证明，使用并联Hammerstein模型对无刷电机进行辨识，相比传统线性模型，能显著提高模型精度。此外，该方法与Volterra级数模型相比，在计算量上有较大的优势，仅需较小的计算资源。这一发现对无人飞行器的控制具有重要的实际意义，能够使控制信号更加精确地达到目标转速，从而提高控制效果。
该研究得到国家自然科学基金的资助，涉及的研究人员包括谭力宁、韩海涛、马红光、芦利斌、金国栋，他们均来自第二炮兵工程大学701教研室。研究工作最终的成果不仅提高了无刷电机模型的精确度，而且在计算效率方面也有所突破，这对推进电机控制技术的发展和无人飞行器性能的提升具有重要的推动作用。
