在过去的20年里，来自世界各地的学者致力于无速度传感器控制系统的研究。
重要的是如何准确获取速度信息，保持较高的控制精度，以满足实时控制的要求。
无速度传感器控制系统无需检测硬件，消除了速度传感器带来的麻烦，提高了系统的可靠性，降低了系统成本。
另一方面，该系统尺寸小，重量轻，尺寸减小。
电动机和控制器之间的连接使得使用速度传感器的异步电动机的速度控制系统在工程中得到更广泛的应用。
（1）动态速度估计方法主要包括转子磁链估计和转子背板估计。
它们基于电机模型，简单直观。
由于缺少无误差校正链路，抗干扰能力差，并且对电机参数的变化敏感。
在实际实现中，增加参数识别和纠错链路，提高系统抗参数变化和抗干扰的鲁棒性，可以使系统获得良好的控制效果。
（2）PI自适应控制器方法的基本思想是利用一定量的误差项通过PI自适应控制器获得速度信息，一个是转矩电流的误差项;另一个是转子q轴通量的误差项。
该方法利用自适应思想，是一种算法简单，效果良好的速度估计方法。
（3）模型参考自适应方法（MRAS）将不包含速度的方程用作参考模型，并将包含速度的模型用作可调模型。
这两个模型具有相同的输出物理意义，并使用两个模型的误差。
使用适当的自适应律来实时调整可调模型的参数（转速），以达到控制对象输出跟踪模型的目的。
根据模型的不同输出，可分为转子磁链估计法，反电动势估计法和无功功率法。
转子磁链法采用电压模型法作为参考模型，并引入纯积分。
低转子磁链估算方法的改进，前者去除了纯积分环节，提高了估计性能，但定子电阻的影响仍然存在;后者消除了定子电阻的影响，获得了更好的低速性能和更强的鲁棒性。
通常，MRAS是一种基于稳定性设计的参数识别方法，保证了参数估计的渐近收敛。
然而，由于MRAS的速度观测是基于参考模型的精度，参考模型本身参数的准确性直接影响速度识别和控制系统的有效性。
（4）扩展卡尔曼滤波器方法将电动机的转速视为状态变量。
考虑到电机的五阶非线性模型，使用扩展卡尔曼滤波器方法在每个估计点处线性化模型以估计转速。
该方法可以有效地抑制噪声并提高速度估计的准确性。
然而，估计的准确性受到电动机参数的变化的影响，并且卡尔曼滤波器方法的计算太大。
（5）神经网络方法神经网络用于代替当前模型转子磁链观测器，并通过误差反向传播算法的自适应律来估计速度。
网络的重量是电机的参数。
神经网络方法在理论研究上尚不成熟，其硬件实现存在一定的难度，使得该方法的应用还处于起步阶段。
