1.一种气动位置伺服系统自适应模糊神经网络控制方法，其特征在于，按照以下步骤具体实施：步骤1、建立气动位置伺服系统的模型，并且进行线性化；

步骤2、设置气动位置伺服系统的自适应控制器；

步骤3、采用模糊神经网络对模型中不确定函数进行估计，在自适应控制器的设计中包含未知函数 本步骤采用模糊神经网络对该未知函数进行逼近，采用WTY为模糊神经网络的输出用于逼近未知函数f，W为模糊神经网络输出权值向量，Y为模糊神经网络每条规则的适应度，矩阵[·]T为矩阵[·]的转置，设输入向量 每个分量gi均为模糊语言变量，并

设：

其中， 是gi的第q个语言变量值，它是定义在论域Ui上的一个模糊集合，相应的隶属度函数为

该模糊神经网络由前件网络和后件网络两部分组成，前件网络用来匹配模糊规则的前件，后件网络用来产生模糊规则的后件，通过模糊神经网络来逼近系统未知模型，然后设计控制器得到控制量u，再经过D/A转换模块输出至比例阀，实时调节气动位置伺服系统活塞的位移量，即成。

2.根据权利要求1所述的气动位置伺服系统自适应模糊神经网络控制方法，其特征在于：所述的步骤1中，具体过程是，假设该气动位置伺服系统满足如下条件：1)系统的工作介质为理想气体；2)气体在整个系统中的流动过程为等熵绝热过程；3)同一容腔内的各个点在同一瞬时气体压力和温度等都相等；4)忽略气缸内外的泄漏；5)活塞运动时，两腔内气体的变化过程为绝热过程；6)气源压力和大气压力以及气源温度恒定，则该气动位置伺服系统左气腔A与右气腔B内的压力方程如下：其中，pa和pb分别为左气腔A与右气腔B的压力，u为控制量，fa(u,pa)和fb(u,pb)分别是流入左气腔A与右气腔B的气体质量流量，Aa、Ab分别为左气腔A与右气腔B的活塞截面积，y0为活塞初始位置，y为活塞位移，K是绝热指数(对于空气，K＝1.4)，R＝287J/kg·K是理想气体常数，T＝293K是空气温度；对于气缸的左气腔A与右气腔B，通过比例阀7的气体质量流量是控制量u和压强pa、pb的函数，气体质量流量的表达式如式(2)：其中，ps为气源，p0为大气的压力，ca1和ca2、cb1和cb2分别为对应的控制量增益系数；

根据牛顿第二定律有：

其中， 是活塞2和滑块的加速度；Ff是摩擦力；M是活塞2和负载6的总质量；

最终得到气动位置伺服系统的数学模型如式(4)：其中， 分别为流入左气腔A与右气腔B的气体质量流量，由于气体的压缩性，在气缸的运动过程中，气腔里气体的各参数都是实时变化的，气动位置伺服系统是一个强非线性时变系统；将摩擦力考虑为外界扰动，对fa(u,pa)和fb(u,pb)进行局部线性化，得到气动位置伺服系统的三阶线性模型如式(5)：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(5)变换表示为：其中，d1＝bΔu+d，d1为摩擦力、比例阀不精确零点和其他内外部扰动的不确定项，定义为d1的估计值，估计误差为

3.根据权利要求1所述的气动位置伺服系统自适应模糊神经网络控制方法，其特征在于：所述的步骤2中，具体过程是，定义满足：的函数为Nussbaum函数，本步骤选取N(ζ)＝ζ2cos(ζ)，首先如下变量：

其中，ym为给定参考信号，α1,α2为虚拟控制量，令

其中，c1，c2为正数；

设计控制器和参数自适应律如下：

其中，o,c3均为常数， 为未知函数。

4.根据权利要求1所述的气动位置伺服系统自适应模糊神经网络控制方法，其特征在于，所述的步骤3中，前件网络的设置是：前件网络包含四层：

第一层各节点直接与输入向量的各分量gi连接；

第二层每个节点代表一个语言变量值，如NM、PS，该层的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数 则有：其中，i＝1,2,...,n是输入量的维数，mi是gi的模糊分割数，q＝1,2,...,mi，例如，隶属度函数采用如下：其中，cciq和biq分别是隶属度函数的中心和宽度，该层节点总数为第三层中每个节点代表一条模糊规则，该层的作用是计算出每条规则的适应度，则有：其中，ni∈{1,2,...,mi}；j＝1,2,...,m；

第四层的节点总数与第三层相同，实现归一化计算，

5.根据权利要求1所述的气动位置伺服系统自适应模糊神经网络控制方法，其特征在于，所述的步骤3中，后件网络具体设置是：后件网络由r个结构相同的并列子网络构成，每个子网络产生一个输出量，子网络的第一层是输入层，该层中第0个节点的输入值g0＝1，它的作用是提供模糊规则后件的常数项；

子网络的第二层共有m个节点，每个节点代表一种规则，该层的作用是计算每一条规则的后件，即：其中， 是后件网络第一层与第二层之间的连接权值， l＝0,1,...,n；

子网络的第三层是计算神经网络的输出，即

其中，令神经网络输出权值向量为W＝[yr1,yr2,...,yrj]T，定义 为W的估计值，估计误差为 为模糊神经网络中每条规则的适应度，固定参数 将模糊神经网络简化，简化结构参照图3，这时每条规则的后件在简化结构中变成了最后一层的连接权，结合权值更新如式(18)：其中，Γ,δ均为常数。