1.基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法，其特征在于：将机舱两端悬浮控制转化为单端独立的RBF神经网络自适应跟踪控制，采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰，实现机舱稳定悬浮和俯仰力矩的有效抑制；所述单端独立的RBF神经网络自适应跟踪控制包括基于状态反馈的主悬浮跟踪控制器以及基于RBF神经网络自适应的不确定干扰补偿控制器；所述主悬浮跟踪控制器采用基于悬浮气隙跟踪误差及其导数构建的虚拟变量E作为状态反馈控制输入；所述RBF神经网络采用5个隐含层神经元结构，基于悬浮气隙跟踪误差和跟踪误差导数设计神经网络权值自适应律，并在线进行权值的优化调整，实现机舱悬浮跟踪和悬浮同步的有效独立解耦控制，确保机舱两侧悬浮运行同步；

所述的基于RBF神经网络自适应解耦的风力机舱两端悬浮控制方法，包括以下步骤：步骤1构建含轴向、俯仰两自由度运动方程

式中：ω为俯仰角速度，为俯仰角度，FA、FB分别为两侧独立的悬浮吸力，J为机舱俯仰转动惯量，m为风力机舱质量，g为重力加速度，δ为轴向悬浮气隙，fd为机舱轴向干扰，Ts为机舱倾覆力矩，r为机舱旋转半径；

步骤2构建机舱两端悬浮力方程

式中：μ0为真空磁导率，N为两侧悬浮绕组匝数，S为磁极面积，δA、iA为桨叶侧悬浮气隙、悬浮电流，δB、iB为尾翼侧悬浮气隙、悬浮电流；

步骤3风机机舱两端悬浮动态模型转化

第一步，采用坐标变换将式(1)两自由度运动方程，转化为以前后侧气隙运动方程为第二步，基于(δ0，i0)将式(3)转化为机舱两端线性化动态模型：式中：δ0为平衡点处的悬浮绕组与机舱之间的气隙，i0为平衡点处流过悬浮绕组的悬浮电流， Δf为线性化后的高阶项；

第三步，将式(4)转化为机舱两端悬浮控制模型步骤4采用状态反馈法设计主悬浮跟踪控制器

第一步，取悬浮气隙跟踪误差eδi＝δref‑δi，跟踪误差的导数 其中δref、δi分别为参考气隙、悬浮系统输出气隙，定义虚拟变量 则单端独立悬浮系统气隙跟踪误差增广模型可描述为：式中：虚拟控制输入

第二步，对式(6)进行极点配置，采用状态反馈法设计主悬浮跟踪控制器，则悬浮系统闭环特征多项式为：其中，KE＝[k1 k2]为状态反馈增益矩阵；

第三步，通过选取合适的闭环极点，得到反馈增益矩阵KE的参数值，则此时的控制输入为：步骤5基于RBF神经网络自适应的不确定干扰补偿控制器设计第一步，采用RBF神经网络直接逼近单端悬浮系统中存在的两端交叉耦合项和不确定性干扰，实现机舱稳定悬浮和俯仰力矩的有效抑制，则单端独立的RBF神经网络自适应跟踪控制输出为：式中：为交叉耦合项和不确定性干扰fi的估计值；

第二步，将式(9)代入式(6)，则有

第三步，用矩阵形式表示式(10)，则

第四步，定义RBF神经网络最优权值

式中：Ωi表示具有希望边界的子集，即Ωi＝{Wi|||f||≤Mi}，Mi为设计参数；

第五步，采用RBF神经网络 来逼近悬浮系统的复合不确定干扰fi得式中：fi为可调参数；h(x)为高斯基函数向量；

*

第六步，根据万能逼近定理，存在最优权值Wi使得 尽可能的逼近系统的不确定干扰fi，即有：式中：εi为神经网络逼近误差；为逼近误差上界，可通过增加隐含层节点数目将其数值任意减小；

第七步，通过使用式(13)，式(11)可表示为第八步，悬浮机舱能否渐近的跟踪参考输入并稳定悬浮取决于期望特征根的设定及RBF神经网络对系统不确定干扰的逼近程度，所以神经网络权值的优化程度显得尤为重要，为此设计李雅普诺夫函数为：T

式中：γ为正常数，矩阵P为对称正定的且满足ΛP+PΛ＝‑Q，Q≥0，Λ由式(11)定义；

第九步，取 令 则式(14)可

写为 对李雅普诺夫函数求导有：

第十步，将M代入上式，由于 可得

第十一步，结合 则李雅普诺夫函数的导数为：第十二步，为确保 设计权值自适应律：

所述步骤3中的坐标转换方程为

式中：δA桨叶侧悬浮气隙，δB为尾翼侧悬浮气隙，r为悬浮机舱半径；

转换方法为对坐标转换方程(20)求二阶导数为