1.一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，包括基座和设于基座上的超声波电机，其特征在于：所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与所述转矩传感器的信号输出端分别接至一控制系统。

2.根据权利要求1所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，其特征在于：所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路与驱动芯片电路；所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连，用以驱动所述驱动芯片电路；所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接；所述广义回归神经网络设置于所述控制芯片电路中。

3.根据权利要求1所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，其特征在于：所述控制系统中包括由一所述广义回归神经网络辨识器一控制器组成的广义回归神经网络；所述广义回归神经网络辨识器用以进行死区的辨识，所述控制器用以实现控制算法；

所述广义回归神经网络辨识器包括神经网络输入层，所述神经网络输入层共有2个节点，输入层X(k)可以表示为X(k)＝[τ*(k)，uf(k)]T(1)

其中X(k)＝[τ*(k)，uf(k)]T是一个2维输入向量，uf是驱动系统中k时刻的电机控制信号频率，τ*是驱动器的驱动转矩指令信号；

死区函数为：

基于广义回归神经网络的逼近性能，所述死区函数表示为近似的非线性死区逆函数为：

使用非线性函数 为高斯函数作为非线性函数，所述高斯函数为

其中 是系统的平均向量，δj为高斯函数的标准差；

所述广义回归神经网络辨识器采用的死区非线性补偿方法由两个神经网络组成，用以为驱动死区提供死区补偿；两个神经网络中第一神经网络GRNN1为非线性的驱动转矩估计死区估计器，第二神经网络GRNN2为死区前置补偿器，所述GRNN2的输出影响所述GRNN1的输入，所述GRNN1用以调谐所述GRNN2；

所述GRNN2的误差函数定义为：

其中，τ*和 是由驱动器的驱动转矩指令和驱动转矩估计器的GRNN1产生，该算法基于反向传播方法：

对输出层的权重wj，根据下列方程进行更新：

对式(7)，当驱动系统 对辨识误差变得足够小时， 使用GRNN1，权重系数的计算采用链式法则如下：

采用以上方程对权重参数wj进行更新，将(7)和(8)代入式(6)，其中 和δj参数，分别表示中心元素和高斯函数标准偏差；

梯度误差项的计算规则为：

所述广义回归神经网络辨识器中的死区前置补偿器完成非线性死区效应补偿后，所述驱动系统变为线性系统；

另外，压电驱动器的动态运动方程采取以下形式：

其中，状态向量 x∈R；u∈R为控制输入；de(t)是一个未知的干扰；

假设f(Xp，t)＝fn(Xp)+Δf(Xp)，其中fn(Xp)是一个已知的连续实函数模型，Δf(Xp)是不确定性的模型，Kf常数依赖于驱动系统的频率；

由以下方程表示式(11)：

跟踪误差向量被定义为

其中，em＝xm-xp是跟踪误差，函数fn(Xp)，Kf和d(t)为模型与变量；

所述广义回归神经网络中还包括一扰动观测器，用以得到初步估计的d(t)，在任何状态向量Xp(t)，t∈[t0，∞)下干扰估计 量是通过系统扰动产生d(t)，公式(12)化为：

并且传统扰动观测器转化为：

其中L＞0是一个观测器增益值，所述扰动观测器的 已先确定；

所述扰动观测器中的辅助变量z(t)为：

根据公式(15)和公式(16)，得到

则所述扰动观测器为

观测误差ed(t)定义为：

观测器误差方程根据公式(13)，公式(15)，公式(17)，和公式(18)，得到：

公式表明，当L＞0，观测误差的ed(t)将收敛于零

4.根据权利要求1所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，其特征在于：所述广义回归神经网络辨识器为非线性死区辨识器，用以完成对超声波电机在不同控制变量下输入输出非线性特性的辨识，所述控制器根据辨识结果实现对超声波电机的死区补偿控制输出。

5.根据权利要求1所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，其特征在于：所述超声波电机、光电编码器、转矩传感器分别经超声波电机固定支架、光电编码器固定支架、转矩传感器固定支架固定于所述基座上。

6.根据权利要求1所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制系统，其特征在于：所述联轴器为弹性联轴器。

7.一种基于广义回归神经网络的超声波电机非线性死区补偿控制方法，其特征在于：包括以下步骤：

步骤S1：将用以控制超声波电机运行的一光电编码器的信号输出端与一转矩传感器的信号输出端分别连接至一控制系统；

步骤S2：所述控制系统还连接至所述超声波电机，所述控制系统中的广义回归神经网络包括一广义回归神经网络辨识器与一控制器；

步骤S3：所述广义回归神经网络辨识器为非线性死区辨识器，进行超声波电机在不同控制变量下输入输出非线性特性的辨识，所述控制器根据辨识结果实现对超声波电机的死区补偿控制输出，为超声波电机的驱动系统的驱动死区提供死区补偿。

8.根据权利要求7所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制方法，其特征在于：所述步骤S3中，所述广义回归神经网络辨识器包括神经网络输入层，所述神经网络输入层共有2个节点，输入层X(k)可以表示为X(k)＝[τ*(k)，uf(k)]T(1)

其中X(k)＝[τ*(k)，uf(k)]T是一个2维输入向量，uf是驱动系统中k时刻的电机控制信号频率，τ*是驱动器的驱动转矩指令信号；

死区函数为：

基于广义回归神经网络的逼近性能，所述死区函数表示为近似的非线性死区逆函数为：

使用非线性函数 为高斯函数作为非线性函数，所述高斯函数为

其中 是系统的平均向量，δj为高斯函数的标准差；

所述广义回归神经网络辨识器采用的死区非线性补偿方法由两个神经网络组成，所述两个神经网络中第一神经网络GRNN1为非线性的驱动转矩估计死区估计器，第二神经网络GRNN2为死区前置补偿器，所述GRNN2的输出影响所述GRNN1的输入，所述GRNN1用以调谐所述GRNN2；

所述GRNN2的误差函数定义为：

其中，τ*和 是由驱动器的驱动转矩指令和驱动转矩估计器的GRNN1产生，该算法基于反向传播方法：

对输出层的权重wj，根据下列方程进行更新：

对式(7)，当驱动系统 对辨识误差变得足够小时， 使用GRNN1，权重系数的计算采用链式法则如下：

采用以上方程对权重参数wj进行更新，将(7)和(8)代入式(6)，其中 和δj参数，分别表示中心元素和高斯函数标准偏差；

梯度误差项的计算规则为：

所述广义回归神经网络辨识器中的死区前置补偿器完成非线性死区效应补偿后，所述驱动系统变为线性系统；

另外，压电驱动器的动态运动方程采取以下形式：

其中，状态向量 x∈R；u∈R为控制输入；de(t)是一个未知的干扰；

假设f(Xp，t)＝fn(Xp)+Δf(Xp)，其中fn(Xp)是一个已知的连续实函数模型，Δf(Xp)是不确定性的模型，Kf常数依赖于驱动系统的频率；

由以下方程表示式(11)：

跟踪误差向量被定义为

其中，em＝xm-xp是跟踪误差，函数fn(Xp)，Kf和d(t)为模型与变量；

所述广义回归神经网络中还包括一扰动观测器，用以得到初步估计的d(t)，在任何状态向量Xp(t)，t∈[t0，∞)下干扰估计 量是通过系统扰动产生d(t)，公式(12)化为：

并且传统扰动观测器转化为：

其中L＞0是一个观测器增益值，所述扰动观测器的 已先确定；

所述扰动观测器中的辅助变量z(t)为：

根据公式(15)和公式(16)，得到

则所述扰动观测器为

观测误差ed(t)定义为：

观测器误差方程根据公式(13)，公式(15)，公式(17)，和公式(18)，得到：

公式表明，当L＞0，观测误差的ed(t)将收敛于零

9.根据权利要求7所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制方法，其特征在于：所述超声波电机的一侧输出轴与光电编码器相连，所述超声波电机的另一侧输出轴与飞轮惯性负载相连；所述飞轮惯性负载的输出轴经联轴器与转矩传感器相连；所述光电编码器的信号输出端与所述转矩传感器的信号输出端分别接至所述控制系统；所述超声波电机、光电编码器、转矩传感器分别经超声波电机固定支架、光电编码器固定支架、转矩传感器固定支架固定于一基座上。

10.根据权利要求7所述的一种基于广义回归神经网络的超声波电机非线性死区补偿控制方法，其特征在于：所述控制系统包括超声波电机驱动控制电路，所述超声波电机驱动控制电路包括控制芯片电路与驱动芯片电路；所述光电编码器的信号输出端与所述控制芯片电路的相应输入端相连，所述控制芯片电路的输出端与所述驱动芯片电路的相应输入端相连，用以驱动所述驱动芯片电路；所述驱动芯片电路的驱动频率调节信号输出端和驱动半桥电路调节信号输出端分别与所述超声波电机的相应输入端相连接；所述广义回归神经网络设置于所述控制芯片电路中。