1.一种液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于，按照以下步骤实施：步骤1、进行液压位置伺服系统建模与模型线性化；

步骤2、设计液压位置伺服系统的分数阶积分滑模控制器；

步骤3、采用神经网络对模型中不确定函数进行估计。

2.根据权利要求1所述的液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于：该方法所依赖的被控液压位置伺服系统的工作过程是，控制对象的非对称液压缸的活塞与负载固定连接，同时活塞还与位移传感器对应接触，位移传感器的输出信号通过A/D转换送入计算机；比例阀为三位四通阀，非对称液压缸的液压腔A侧和液压腔B侧分别与比例阀的两个出液端对应联通，比例阀进液端通过减压阀与油泵联通，比例阀回液端与液压泵储油箱相连，计算机输出的控制量通过D/A转换送入比例阀控制阀芯位置。

3.根据权利要求2所述的液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于：所述的液压位置伺服系统满足如下假设条件：1)系统使用的工作介质为理想液体；

2)液体流经阀口或其它节流口时的流动状态均为等熵绝热过程；3)在同一容腔内液体压力和温度处处相等；4)忽略未加考虑的泄漏；5)活塞运动时，两腔内液体的变化过程均为绝热过程；6)油源压力恒定；7)与系统动态特性相比，比例阀的惯性能够忽略。

4.根据权利要求1、2和3所述的液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于：所述的步骤1的具体过程是，基于液压位置伺服系统的工作原理和假设条件，比例阀控制非对称液压位置伺服系统的数学模型如下式(1)：其中，Qa和Qb分别为流入无杆腔A和流出有杆腔B的流量，Cd为流量系数，ω为比例阀面积梯度，xv为比例阀阀芯位移，ρ为油液密度，Ps为液压供油压力，Pa和Pb分别为液压无杆腔A和有杆腔B的压力，kv为阀增益，u为比例阀控制信号，Ct为内泄漏系数，Aa和Ab为液压缸无杆腔A和有杆腔B的有效作用面积，Va和Vb为液压缸无杆腔和有杆腔的容积，βe为体积弹性模量， 和 分别为Pa和Pb对于时间的一阶导数，M为滑块质量，Bp为粘性阻尼系数，kle为负载弹性系数，FL为外负载力，y为活塞位移，和 分别为y对时间的一阶导数和二阶导数，上述活塞位移y通过位移传感器测量得到，引入负载流量QL、负载压力PL的定义如下式(2)：忽略外负载力FL以及摩擦等非线性负载，在平衡工作点附近对式(1)中非线性函数进行线性化处理，得到阀控非对称液压缸的机理模型为式(3)：其中，Kxa和Kpa分别为线性化后的流量增益和流量压力系数，Am表示平均有效面积，V为液压缸工作腔总容积，其它参数与式(1)定义相同，定义系统状态变量为 其物理含义分别为滑块的

位置、速度和加速度，

将摩擦力Ff和其它未建模动态看作扰动，同时考虑比例阀不精确零点，近似得到在工作点附近的液压系统的三阶线性状态方程如下式(4)：其中，a0,a1,a2,b均为与工作点有关的未知参数，Δu为比例阀零点，d为包含摩擦和未建模动态的内外部扰动，将式(4)变换表示为式(5)：

其中，d1＝bΔu+d表示摩擦力、比例阀不精确零点和其他内外部扰动的不确定项，控制目标是使负载位移y能够跟踪所要求的期望输出yd。

5.根据权利要求4所述的液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于：所述的步骤2的具体过程是，针对步骤1得到的如式(5)所示液压位置伺服系统线性化模型，神经网络分数阶积分滑模控制器设计过程如下：定义系统跟踪误差e为：

e＝y-yd        (6)

其中的yd是期望输出信号，

选取分数阶积分的滑模面s为：

其中的D-μ为e的μ阶积分，λ和k2为常数，

选取Grünwald-Letnikov的方法计算分数阶微积分，表达式如下：式(8)为分数阶积分和微分的统一定义，其中，μ为任意阶次，[·]表示取整运算，h为计算步长， 为二项式系数定义为：分数阶算子的数字实现采用下式(10)得到：

式(10)中的 初始时刻设定qμ,0＝1，通过迭代得到qμ,j的值，具体形式为：其中qμ,j-1为qμ,j前一次的值，

指定记忆长度，忽略较早数据点，得到近似的分数阶算子为：式(12)中的 L为记忆长度，

滑模面s的导数为：

选择指数趋近率：

其中，ε和k1均为常数，

结合式(13)和式(14)设计分数阶积分滑模控制器为：其中，未知函数f(x)用神经网络进行逼近。

6.根据权利要求5所述的液压位置伺服系统神经网络分数阶积分滑模控制方法，其特征在于：所述的步骤3的具体过程是，由式(13)可知，滑模面s的导数 中包含未知函数f(x)＝a0x1+a1x2+a2x3；

本步骤采用神经网络方法对该未知函数进行逼近，WTh(G)为神经网络输出用于逼近未知函数f(x)，定义G＝[g1,g2,g3]＝[x1,x2,x3]为神经网络输入向量，W为隐含层到输出层的连接权值向量，h(G)＝[h1,h2,…,hm]为神经网络隐层基函数，m为神经元个数，其中为高斯函数，ci为第i个神经元高斯基函数中心点，bi为第i个神经元高斯基函数的宽度；定义 为W的估计值，估计误差 得到WTh(G)为神经网络输出取代式(15)中的未知函数f(x)，得到神经网络分数阶积分滑模控制器的模型式(16)：权值的自适应律参照下式(17)：

其中，γ为常数，

初始时刻设定 的值通过欧拉式求取，具体表达式为：其中， 为 的导数，由式(17)得到； 表示 在第k个采样时刻的值， 表示 下一时刻的值，ΔT为采样时间，将通过式(18)得到的W的估计值 用于实时更新式(16)所示神经网络分数阶积分滑模控制器，控制比例阀，实现调节非对称液压缸的活塞的位移量。