1.一种基于死区和摩擦补偿的机械臂伺服系统动态面瞬态控制方法，其特征在于：所述控制方法包括如下步骤：步骤1，建立机械臂伺服系统的动态模型，初始化系统状态、采样时间以及控制参数，过程如下：

1.1机械臂伺服系统的动态模型表达形式为

其中，q，和 分别为机械臂关节的位置，速度和加速度；M(q)∈Rn×n是每个关节的对称正定惯性矩阵； 是每个关节离心科里奥利矩阵； 表示阻尼摩擦系数的对角正定矩阵；G(q)∈Rn×1代表重力项；TL∈Rn×1是电机的干扰项；τ∈Rn×1是电机驱动模块的转矩；D(τ)是系统带有死区的转矩输出；i是电机电流信号；Lm和Rm分别是电机的电阻和电感；kb是电机的电动势的反馈系数；n是电机的转速；uv是电压控制信号；

1.2定义变量x10＝q， gn(q)＝M-1(q)，x30＝i，则式(1)改写为

其中， ΔM(q), ΔG(q),和ΔTf是未知M(q), G(q)的不确定项；TL∈L2[0,T]，是系统的干扰项；

步骤2，对系统存在的死区，进行逆变换处理，并建立考虑死区系统的模型，过程如下：

2.1非线性系统死区D(τ)表示为

其中，τ是死区的输入，D(τ)是死区的数学模型输出，mr和ml表示死区的未知斜率,br和bl代表死区的未知宽度界限，假设mr＞0,ml＞0,br≥0,和bl≤0；

2.2建立死区逆模型，τ的表达式为：

其中,τ是电机驱动模块转矩的信号, 和 是mr,ml,mrbr,和mlbl的估计值；

δ的表达式为：

则,τ和D(τ)之间的误差为：

2.3定义变量x1＝x10,x2＝x20,x3＝gnnktx30，式(2)被重新写为：

其中, Td＝gnTu,步骤3，构建合适的摩擦模型，过程如下：

3.1系统非线性摩擦力表示为：

其中，z是系统摩擦力的接触面；x1是系统的跟踪轨迹；σ0，σ1，σ2是合适的常数；

3.2摩擦力接触面的一阶导数表示为：

其中， xs表示x1接近的一个稳态值；

3.3摩擦力的模型为：

其中，z的弯曲程度接近一个稳态值zs， 因此，定义ε＝z-zs；

步骤4，构造瞬态误差变量，过程如下：

4.1定义误差变量：

e＝y-yd      (11)其中，yd是该系统的理想运动轨迹，y是实际系统输出；

4.2设计误差变量的边界为：

其中， 是一个连续的正函数， 对t≥0，都有 则Fφ(t)＝δ0exp(-a0t)+δ∞    (13)其中，δ0、δ∞和a0是中间参数，δ0≥δ∞＞0，a0＞0， 且|e(0)|＜Fφ(0)；

4.3定义瞬态控制误差变量为：

步骤5,计算反演法中系统控制虚拟量、动态滑模面及微分，过程如下：

5.1对s1求导得：

其中，φF＝1/(Fφ-||e||)2；

5.2虚拟控制量

其中，定义 k1为常数，且k1＞0；

5.3定义一个新的变量α1，让虚拟控制量 通过时间常数为τ1的一阶滤波器：

5.4定义滤波误差 则

步骤6，针对式(2)，设计虚拟控制量：

6.1定义误差变量

6.2为了逼近式(2)中的不确定项gnε(t)+Td，用以下神经网络来估计：f＝gnε(t)+Td＝W1*Tφ(X1)+ε*    (20)其中，W1*T代表理想权重，ε*为神经网络理想误差值，且满足||ε||≤εN，εN则是一个正的常数； 代表输入矢量qd， 是系统q, 的理想值；φ(X1)＝[φ1(X1),φ2(X1),…φm(X1)]T是神经网络的基本函数；φi(X1)被取为以下高斯函数：

其中，ci代表高斯函数的核参数；σi代表高斯函数的宽度；exp(·)代表以自然常数e为底的指数函数；

6.3设计虚拟控制量

其中，k2为常数且k2＞0，是 的估计值， 是W1*的估计值；

6.4定义一个新的变量α2，让虚拟控制量 通过时间常数为τ2的一阶滤波器：

6.5定义 则

步骤7，设计控制输入，过程如下：

7.1系统的f3(x3)由于不易测得，用以下神经网络估计：

其中， 代表理想权重，ε*为神经网络理想误差值，且满足||ε||≤εN，εN则是一个正的常数； 代表输入矢量qd， 是系统q, 的理想值；

7.2设计控制输入uv：

其中， 是 的估计值， 是 的估计值；

7.3设计自适应律：

其中，Kj是自适应矩阵，vμ＞0是自适应参数；

步骤8，设计李雅普诺夫函数

其中， W*是理想值；

对式(26)进行求导得：

如果 则判定系统是稳定的。