永磁同步电机无位置传感器控制技术通过算法估计转子位置与转速，在降低硬件成本、提升系统可靠性方面具有显著优势，已成为电动汽车驱动、工业伺服系统及航空航天作动器等高端装备的核心技术之一。然而，随着应用场景向高动态、强干扰、宽工况范围延伸，传统方法面临严峻挑战：

     模型驱动方法（如ESO-PLL）基于永磁同步电机数学模型构建扩张状态观测器，虽通过扩张状态观测器（ESO）在线补偿参数摄动与外部扰动，并利用锁相环（PLL）实现快速相位跟踪，但其性能受限于线性建模框架——在磁饱和、逆变器死区效应等非线性动态下，模型失配导致位置估计误差徒增；同时，低速运行时反电动势幅值衰减与高频噪声耦合，迫使锁相环在动态响应与噪声抑制间被动折衷，难以兼顾精度与鲁棒性。

     数据驱动方法（如Bi-GRU）通过循环神经网络学习电压、电流时序信号与转子位置与转速的隐含映射关系，能够自主捕获传统模型难以描述的复杂非线性特征（如温度漂移引起的电阻渐变、轴承摩擦的随机扰动）。

     为此，融合扩张状态观测器-锁相环与双向门控循环神经网络的协调观测构架成为必然选择：

     1、分层扰动治理：ESO-PLL负责低频段参数摄动与负载突变的快速补偿，Bi-GRU专注高频线性谐波（如逆变器开关噪声）与为建模动态（如磁滞效应）的智能抑制，形成宽频域扰动覆盖；

     2、动态资源调配：在稳态或标称工况下，优先运行轻量化ESO-PLL以降低计算负载；在瞬态或复杂非线性工况下，激活Bi-GRU增强动态跟踪精度，实现计算资源与性能需求的动态平衡；

     3、双向信息融合：将Bi-GRU输出的位置估计作为ESO扰动观测的先验约束，提升ESO对突变扰动的跟踪速度；同时利用ESO生成的伪标签数据在线微调Bi-GRU，缓解真实数据稀缺问题。

     基于ESO-PLL与Bi-GRU融合的永磁同步电...，用于解决传统单一观测器在复杂工况下的动态精度不足的技术问题，以及解决电机全速域控制技术问题，属于永磁同步电机无位置传感器控制技术领域。本发明包括以下步骤：步骤一、通过ESO?PLL相结合对永磁同步电机转子的位置与转速进行预测；步骤二、通过Bi?GRU神经网络模型对永磁同步电机转子的位置与转速进行预测；步骤三、将ESO?PLL的预测值与Bi?GRU神经网络模型的预测值进行加权配比，建立ESO?PLL与Bi?GRU的融合预测表达式，提高永磁同步电机全速域的无位置传感器控制性能。