1.一种基于非线性建模的电控执行器精确控制方法，其特征是按如下步骤进行：步骤1：定义电控执行器的模型包括磁滞算子模型和神经网络模型，设置所述电控执行器的模型中的磁滞参数，包括：k时刻电控执行器的第一位移变量x(k)、k时刻电控执行器的速度变量 k时刻非线性模型的第二位移变量y(k)、k时刻磁滞算子模型的磁滞输出变量s(k)、k时刻第一位移参考点x0(k)和第二位移参考点y0(k)；

初始化k＝1；

初始化k‑1时刻的第一位移变量x(k‑1)为固定值；初始化k‑1时刻的第二位移变量y(k‑

1)为固定值；初始化k‑1时刻的磁滞输出变量s(k‑1)为[‑1,1]中的任意数；

步骤2：将所述k‑1时刻的第一位移变量x(k‑1)赋值给第一位移参考点x0(k‑1)，将所述k‑1时刻的第二位移变量y(k‑1)赋值第二位移参考点y0(k‑1)；

步骤3：根据k时刻电控执行器的速度变量 判断非线性模型的工作状态：当 时，非线性模型在加载状态；

当 时，非线性模型在卸载状态；

当 时，非线性模型的工作状态保持不变；

步骤4：根据所述非线性模型的工作状态，利用式(1)和式(2)更新所述第二位移参考点y0(k)和第一位移参考点x0(k)，得到更新后的k时刻第二位移参考点y0(k)和第一位移参考点x0(k)：

x0(k)＝x(k‑1)    (2)‑1 ‑1

式(1)中，h1 (·)和h2 (·)分别是两个形状函数h1(·)和h2(·)的形状逆函数；a为第一磁滞算子变量，且a＞0；

步骤5：利用式(3)计算k时刻的非线性模型的第二位移变量y(k)，使得第二位移变量y(k)在加载状态下保持为正数，在卸载状态下保持为负数：y(k)＝y0(k)+x(k)‑x0(k)    (3)步骤6：利用式(4)、式(5)和式(6)分别计算形状函数h1(y(k))、h2(y(k))和第二磁滞算子变量b：

b

h1(y(k))＝|y(k)|                             (4)b

h2(y(k))＝‑|y(k)|                            (5)式(4)‑式(6)中，h1(·)和h2(·)为调整磁滞非线性曲线形状的形状函数，用于提高非线性曲线的拟合程度，b0为第二磁滞算子b的初始阈值，m为正系数；

步骤7：利用式(7)计算k时刻磁滞算子模型的磁滞输出s(k)：步骤8：将所述k时刻磁滞算子模型的磁滞输出s(k)和非线性电控执行器的驱动功率I与神经网络模型结合，建立式(8)所示的k时刻基于磁滞算子模型和神经网络模型的电控执行器的非线性模型：

F＝NN(s1,s2,···,si,···,sn,I)                  (8)式(8)中，F为电控执行器的非线性力输出，s1,s2,···,si,···,sn为磁滞算子模型的磁滞输出，si表示第i个第一磁滞算子变量ai对应的磁滞算子模型的磁滞输出，NN(·)表示神经网络函数；i＝1,2,···,n；

令所述神经网络模型为3层结构，定义输入层到输出层依次称为第0层，第1层，第2层，第3层，并利用式(9)‑式(11)表示第1层神经网络结构的神经元的数学模型：u1(i)＝ω1(i,1)s1+···+ω1(i,n)sn+ω1(i,n+1)I+d1(i)              (9)z1(i)＝f(u1(i))              (10)式(9)‑式(11)中，ω1(i,j)表示从第0层第j个神经元到第1层的第i个神经元的权重，j＝1,2,···,n+1；d1(i)是第1层的第i个神经元的偏置值，u1(i)表示第1层的第i个神经元的输入变量的加权总和，f(·)是第1层和第2层神经网络结构的神经元的激活函数，z1(i)为第1层神经网络结构的第i个神经元的输出；i＝1,2,···,n+1；

利用式(12)‑式(14)表示第2层神经网络结构的神经元的数学模型：z2(i)＝f(u2(i))    (13)式(12)‑式(14)中，ω2(i,j)表示从第1层第j个神经元到第2层的第i个神经元的权重，j＝1,2,···,n+1；d2(i)是第2层的第i个神经元的偏置值，u2(i)表示第2层的第i个神经元的输入变量的加权总和，z2(i)为第2层神经网络结构的第i个神经元的输出；i＝1,

2,···,n+1；

利用式(15)‑式(17)得到第3层神经网络结构的神经元的数学模型：z3(i)＝σ(u3(i))    (16)σ(u3(i))＝u3(i)    (17)式(15)‑式(17)中，ω3(i,j)表示从第2层第j个神经元到第3层的第i个神经元的权重，j＝1,2,···,n+1；d3(i)是第3层的第i个神经元的偏置值，u3(i)表示第3层的第i个神经元的输入变量的加权总和，σ(·)为第3层神经网络结构的神经元的激活函数；z3(i)为第3层神经网络结构的第i个神经元的输出；i＝1；

步骤9：按照步骤2‑步骤8的过程，建立式(18)所示的k时刻基于所述磁滞算子模型和神经网络逆模型的电控执行器逆模型：

Idesired＝NN(s′1,,s′2,···,s′i,···,s′n,Fdesired)    (18)式(18)中，Fdesired为电控执行器所需的期望力，且期望力由控制电控执行器输出的上层控制器产生，Idesired为神经网络逆模型的期望驱动功率，s′i表示神经网络逆模型的第i个第一磁滞算子变量ai对应的磁滞算子模型的磁滞输出，i＝1,2,···,n；

神经网络逆模型与神经网络模型结构相同，利用式(19)‑式(21)得到神经网络逆模型的第1层神经网络结构的神经元的数学模型：u′1(i)＝ω′1(i,1)s′1+···+ω′1(i,n)s′n+ω′1(i,n+1)Fdesired+d′1(i)    (19)z′1(i)＝f(u′1(i))    (20)式(19)‑式(21)中，ω′1(i,j)表示神经网络逆模型的第0层的第j个神经元到第1层的第i个神经元的权重，j＝1,2,···,n+1；d′1(i)是神经网络逆模型的第1层的第i个神经元的偏置值，u′1(i)表示神经网络逆模型的第1层的第i个神经元的输入变量的加权总和，f(·)是神经网络逆模型的第1层和第2层神经网络结构的神经元的激活函数，z′1(i)为神经网络逆模型的第1层神经网络结构的第i个神经元的输出；i＝1,2,···,n+1；

利用式(21)‑式(23)得到神经网络逆模型的第2层神经网络结构的神经元的数学模型：z′2(i)＝f(u′2(i))    (23)式(21)‑式(23)中，ω′2(i,j)表示神经网络逆模型的第1层第j个神经元到第2层的第i个神经元的权重，j＝1,2,···,n+1；d′2(i)是神经网络逆模型的第2层的第i个神经元的偏置值，u′2(i)表示神经网络逆模型的第2层的第i个神经元的输入变量的加权总和，f(·)是神经网络逆模型的第1层和第2层神经网络结构的神经元的激活函数，z′2(i)为神经网络逆模型的第2层神经网络结构的第i个神经元的输出；i＝1,2,···,n+1；

利用式(25)‑式(27)得到神经网络逆模型的第3层神经网络结构的神经元的数学模型：z′3(i)＝σ(u′3(i))    (26)σ(u′3(i))＝u′3(i)    (27)式(25)‑式(27)中，ω′3(i,j)表示神经网络逆模型的第2层第j个神经元到第3层的第i个神经元的权重，j＝1,2,···,n+1；d′3(i)是神经网络逆模型的第3层的第i个神经元的偏置值，u′3(i)表示神经网络逆模型的第3层的第i个神经元的输入变量的加权总和，σ(·)为神经网络逆模型的第3层神经网络结构的神经元的激活函数，z′3(i)为神经网络逆模型的第3层神经网络结构的第i个神经元的输出；i＝1；

步骤10：将电控执行器逆模型的第一位移变量x′(k)、速度变量 作为电控执行器逆模型的输入激励，按照步骤7的过程得到k时刻第i个第一磁滞算子变量ai对应的磁滞输出s′i，i＝1,2,···,n，再与期望力Fdesired一起作为神经网络逆模型的输入，从而对神经网络逆模型进行训练，得到训练好的神经网络逆模型，通过所述训练好的神经网络逆模型获得电控执行器的期望驱动功率Idesired，再将期望驱动功率Idesired作为电控执行器的输入，从而实现电控执行器输出力的精确控制。