1.一种RBF神经网络俯仰干扰补偿的风力机舱悬浮控制方法，其特征在于：采用独立的悬浮变流器完成机舱轴向和俯仰两自由度系统的悬浮控制，用机舱悬浮复合控制器设定悬浮变流器的电流参考，所述悬浮变流器根据电流参考调控悬浮吸力，完成轴向悬浮和俯仰干扰抑制；所述机舱悬浮复合控制器包括状态反馈控制、RBF神经网络俯仰干扰估计和俯仰干扰补偿鲁棒控制器，所述RBF神经网络俯仰干扰估计采用由气隙偏差、偏差微分、偏差积分以及当前高斯函数值所组成的复合指标，自适应调整RBF神经网络权值和输出，对机舱俯仰干扰实时估计；所述机舱俯仰干扰是机舱前后两侧悬浮气隙差异产生的对机舱轴向运动的干扰力；所述俯仰干扰补偿鲁棒控制器是对RBF神经网络俯仰干扰估计误差实时获取和补偿的控制器，引入了指数函数，补偿复合指标符号改变所致的补偿超调问题，设计步骤如下：

步骤1，将风力机舱俯仰运动以俯仰干扰的形式引入至机舱轴向悬浮运动中，综合考虑俯仰干扰、轴向干扰力以及非线性高阶项的风力机舱单自由度悬浮模型为其中：

kδ2为悬浮力二次项系数，ms为机舱旋转体总重量，fd为轴向风力干扰，δ为机舱悬浮气隙，θp为机舱俯仰角度，Sa为总悬浮绕组面积，δ0为机舱额定悬浮气隙，I0为额定悬浮电流，a为悬浮绕组半径，I为悬浮电流，N为悬浮绕组匝数，R为机舱俯仰半径，c为涡流铝板厚度，σ为涡流铝板电导率，μ0为真空导磁率，Udc为机舱悬浮变流器输入电压，Rs为悬浮绕组内阻，

2 2

kδ2Rsinθp/ms为俯仰干扰、机舱下压力fd/ms以及非线性高阶项o(f)/ms；

步骤2，将俯仰干扰、风力轴向干扰以及非线性高阶项，统一归结为复合干扰设置机舱气隙跟踪误差为e＝δref‑δ，δref为机舱悬浮气隙设定，分别以∫edt、e和 为状态变量x1、x2和x3，以I为控制输入u，式(1)转化为机舱轴向悬浮气隙跟踪误差模型为

T

其中：E＝[x1,x2,x3]，步骤3，设计机舱悬浮复合控制器为其中： 为状态反馈控制，控制系数K＝[k1,k2,k3]的设定采用极点配置法完成， 为RBF神经网络俯仰干扰估计，ua为解决RBF神经网络干扰估计误差的鲁棒控制，提高控制实时性；将式(3)代入式(2)，获得机舱悬浮气隙跟踪误差动态方程*

其中： 为最优权值θ的俯仰干扰估计值；

步骤4，RBF神经网络俯仰干扰估计第一步，设置RBF神经网络结构，采用∫edt，e和 3个输入，5个隐含层节点以及1个输出的网络结构，隐含层函数设置为 xi为第i个神经网络的输入，j为隐含层第j个节点，cij为隐含层第j个神经元高斯基函数的中心坐标，bj为隐含层第j个神经元高斯基函数的宽度；

第二步，设置RBF神经网络俯仰干扰补偿器为其中 为神经网络权值的调整值；

第三步，设置俯仰干扰估计误差*

其中：θ为RBF神经网络的最优权值，表示为第四步，设置RBF神经网络权值更新自适应律T

其中：P为对称正定矩阵，满足ΛP+PΛ＝‑Q，Q为正定矩阵；

步骤5，设置俯仰干扰补偿鲁棒控制器T

其中： 为俯仰干扰估计误差上界，η和β为正实数，消除函数EPB符号变化所致抖振，其值设置为充分小；

步骤6，RBF神经网络权值更新自适应律和俯仰干扰估计鲁棒控制器设计及稳定性证明，将式(4)代入式(2)可得简化的机舱悬浮气隙误差动态方程其中：

第一步，构建包含气隙跟踪误差和权值最优两性能的机舱悬浮能量Lyapunov函数为其中：γ为正实数；

第二步，对机舱悬浮能量Lyapunov函数求导，推导实现能量降低条件；

由于

由式(14)可知 因此要确保 需满足以下条件由式(15)可得RBF神经网络权值更新自适应律为将式(17)和式(9)代入式(14)可得可通过设计鲁棒控制器即可消除RBF神经网络所致干扰估计误差对系统的影响，同时可借助η和β的选取，确保步骤7，综合步骤1～步骤6，设定悬浮电流参考设定为进而由悬浮电流跟踪控制器完成对悬浮电流参考跟踪。