开关磁电机(SRM)兼备了直流电机和交流电机的优点,其内部结构简单、制作成本低、控制方法灵活多变、工作可性、效率,在电动车动、家用电器、通用工业应用、航空工业等域都得到了广泛应用。但由于其固有的双凸极结构特点,SRM在工作时会出现转矩脉动过大的,这也是制了其得到更广泛应用的最主要碍。如何有效地抑制SRM的转矩脉动,具有很的研究价值。本课针对SRM模型度线性这一特点,借助了不依赖模型信息的迭代扩张状态观测器(IESO)这一工具,研究了自抗扰迭代学习控制算法和基于IESO的优化数据动最优迭代学习控制算法。与传统的迭代学习控制相比,这两种控制算法能够有效地对控制系统中的不确定进行估计并补偿,同时具有收敛速度快、收敛误差小的优点。并在这两种控制算法的基础上设计了SRM的转矩补偿器和电流控制器,对转矩脉动抑制和电流跟踪效果进行了仿真实证,并在d SPACE半实物仿真平台上搭建了SRM调速实平台进行实物实。本文先介绍了SRM的发展状况,研究了其主要的优劣势,介绍了在抑制SRM转矩脉动的研究方,国内外学者所做的一系列工作及进展。分析了SRM的数学模型和相关简化模型,述了SRM调速系统的整体组成,介绍了SRM的三种传统控制策略。接着推导出IESO的基本结构,分析了IESO对线性不定的估计能力。然后,基于IESO,研究了两种迭代学习控制算法。第一种算法是自抗扰迭代学习控制算法(ADR-ILC),该算法参考了时域上自抗扰控制的做法,在迭代域上设计了相关的控制律以补偿IESO所估计出的总扰动;第二种算法是基于IESO的优化数据动最优迭代学习控制算法(simplified IESO-DDOILC),该算法结合了无模型自适应控制(MFAC)、迭代学习控制(ILC)和扩张状态观测器(ESO)的优点,将线性系统动态线性化成与输入控制量相关的线性和包括了总扰动的线性不定,并依IESO对该线性模型中的不定进行观测。最后,将这两种控制算法应用于SRM实应用中,设计了基于IESO的SRM转矩补偿器和电流控制器,通过MATLAB/Simulink仿真平台和d SPACE半实物仿真平台研究其控制效果。实表明,基于ADR-ILC的转矩补偿器能够快速估计出转矩—电流模型的线性部分并进行补偿,能够有效地对理想线性模型进行修正,从而实现对SRM转矩脉动的抑制,使输出转矩脉动减少至原本的66.61%,并且具有很快的响应速度,在1～2迭代周期内可以完成收敛;而基于ADR-ILC和IESO-DDOILC的电流控制器在对变化机、剧烈的负载扰动时,能够以很小的收敛误差实现对期望电流的完全跟踪,平均跟踪误差为其他控制策略的40%左右。通过本文的工作,IESO对于不确定因素强大的观测能力得到了有力证明,且其能够与多种算法进行结合,提控制算法的棒性,具有较的实用价值。