1.一种基于BP神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法，其特征是，所述方法忽略含摩擦模型的三轴云台伺服系统的电枢电感，含摩擦模型的三轴云台伺服系统的电流环和速度环均为开环、位置环为闭环、整个含摩擦模型的三轴云台伺服系统为闭环反馈系统，将摩擦环节视为伺服系统总扰动的一部分，通过自抗扰控制器中的扩张观测器对摩擦力矩进行实时估计、并加以补偿，采用BP神经网络对含摩擦模型的三轴云台伺服系统的自抗扰控制器中的扩张状态观测器三个参数β01、β02、β03和非线性状态误差反馈的两个参数β1、β2进行参数在线整定，应用于具有摩擦模型的三轴云台伺服电机的控制，包括如下步骤：

1)建立含摩擦模型的三轴云台任意框伺服系统动力学方程：

所述动力学方程如公式(1)：

转换为状态方程为公式(2)：

含摩擦模型的三轴云台任意框伺服系统结构为控制器根据位置指令θd和位置环反馈信号θ，产生PWM功率放大器的控制信号u，由PWM功率放大器驱动伺服电机转动，其中，Ku为PWM功率放大器放大系数，R为电枢电阻，Km为电机力矩系数，Ce为电压反馈系数，J为三轴云台任意框的转动惯量，x1(t)＝θ(t)为伺服电机转角， 为伺服电机转速，Ff(t)为典型的Stribeck摩擦模型，Stribeck摩擦模型表明在不同的摩擦阶段，摩擦力矩与速度之间的关系，表述如下：当 时，静摩擦为公式(3)：

当 时，动摩擦为公式(4)：

公式(3)、公式(4)式中，F(t)为驱动力，Fm为最大静摩擦力，Fc为库仑摩擦力，kv为黏性摩擦力矩比例系数， 为伺服电机转速，μ和μ1是正值常数，e为自然常数；

2)依据公式(1)所示的动力学方程，设计自抗扰控制器：自抗扰控制器主要由跟踪-微分器、扩张状态观测器、非线性状态误差反馈组成，其基本结构、各部分连接关系为：位置指令θd经跟踪-微分器后，得到θd的跟踪信号θd′即过渡位置信号和近似微分信号 将θd和θd′与扩张状态观测器的两个观测信号z1和z2形成误差信号θe＝θ′d-z1和 经过非线性状态误差反馈得到初级输出信号u0，再经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u，并将u作为PWM功率放大器的控制信号，由PWM功率放大器驱动伺服电机转动，从而得到任意框伺服系统输出信号θ，其中θ代表三轴云台的偏航角、翻滚角和俯仰角中的一个；

2.1)二阶离散形式的跟踪-微分器方程设计：

跟踪-微分器用于安排过渡过程和提取近似微分信号，得到指令的跟踪值即过渡位置信号和指令的近似微分，根据被控对象的承受能力安排过渡过程，跟踪-微分器的二阶离散形式如公式(5)：fhan(·)是公式(5)的最速控制综合函数，具体算法为公式(6)：其中x1＝θ′d是指令的跟踪值， 是指令的近似微分，h为采样周期，θd(k)是第k时刻的指令信号，r为决定跟踪快慢的速度因子，其余均为中间变量；

2.2)三阶离散扩张状态观测器的方程设计：

扩张状态观测器的三阶离散形式如公式(7)：

公式(7)中z1是输出信号的估计，z2是输出信号微分的估计，z3是总扰动的估计，θ(k)是第k时刻的输出信号，ε是输出信号的估计值与输出信号的误差， u是自抗扰控制器的输出信号,通常α1取0.5，α2取0.25，δ1取0.01，β01、β02、β03是扩张状态观测器需要整定的参数，根据公式(1)式将 视为已建模的确知部分并放入扩张状态观测器中，其中fal(·)为公式(8)：

其中，γ、α、δ为形式参数，γ、α、δ的值由调用fal(·)函数时的实际参数来确定，fal(ε,α1,δ1)代表将第一个参数ε的值赋给公式(8)中的γ，第二个参数α1的值赋给公式(8)中的第二个参数α，第三个参数δ1的值赋给公式(8)中的第三个参数δ，同理可知fal(ε,α2,δ1)；

2.3)非线性状态误差反馈控制律设计：

非线性状态误差反馈控制律设计如公式(9)：

经过扰动补偿和模型补偿得到自抗扰控制器的输出信号u，并将u作为PWM功率放大器的控制信号：其中， 为输入信号二阶导数，α3、α4的取值为0＜α3＜1＜α4，δ2可取5h≤δ2≤10h，β1和β2是非线性状态误差反馈控制律需要整定的两个控制参数，类似于PID控制中的kp、kd；

3)设计BP神经网络参数在线整定模块、结合自抗扰控制器，实现自抗扰控制器在线参数整定：采用三层BP神经网络，所述BP神经网络输入层的节点个数为4个，隐含层的节点个数为6个，输出层节点的个数为5个，各层节点仅与相邻层节点有连接，各层内节点之间无任何连接，各层节点之间实行全连接，网络输入层的输入为公式(11)：

隐含层的输入和输出为公式(12)

其中， 为隐含层加权系数，激活函数采用双曲正切函数，

输出层的输入和输出为公式(14)

其中， 为输出层加权系数，输出层输出节点分别对扩张状态观测器的3个控制参数和非线性状态误差反馈的两个参数 ，其中，Gl为输出层增益，输出层神经元激活函数采用非负的sigmoid函数，即定义系统的性能指标函数为公式(16)

按照梯度下降法修正网络的权值系数即按E(k)对权值系数的负梯度方向搜索调整，并附加1个使搜索快速收敛全局极小的惯性项:公式(17)中，η为学习率，λ为惯性系数，

由于 未知，所以用 近似替代，通过调整学习率η来补偿用

近似替代而造成计算不精确的影响，

网络输出层的权值学习算法为公式(21)

同理可以得到隐含层的权值学习算法公式(22)

BP神经网络与自抗扰控制器相结合的结构中，θe、 和error＝θd-θ作为BP神经网络的输入，神经元的输出状态对应于自抗扰控制器的扩张状态观测器三个参数β01、β02、β03和非线性状态误差反馈的两个参数β1、β2，BP神经网络根据伺服系统的运行状态，调节自抗扰控制器的参数，通过神经网络的自学习、加权系数调整，使神经网络输出对应于最优控制规律下的自抗扰控制器参数，以达到期望的性能指标最优化。