1.一种无接触型悬浮抓取系统的神经网络自适应控制方法，其特征在于：采用直线电机和盘式电机以及磁悬浮支撑技术协同完成多自由度的悬浮、抓取和搬运工作，悬浮绕组基于悬浮变流器所产生电流，完成悬浮抓取物体的稳定悬浮，轴向上升，水平搬运和放置过程；所述磁悬浮支撑的控制在模型参考自适应控制的基础上引入RBF神经网络，并采用状态观测器对系统抓取高度、速度和加速度进行观测；设计基于模型参考的RBF神经网络自适应状态反馈控制器；所述RBF神经网络含有5个隐含节点的三层RBF神经网络结构，借助RBF神经网络对系统的无限逼近能力，使RBF神经网络模拟无接触型悬浮抓取系统两自由度工作过程的风阻，逼近补偿系统风阻影响；所述模型参考自适应控制含有与无接触型悬浮抓取系统同阶的严格线性无干扰的期望模型，设计RBF神经网络权值自适应律，根据悬期望模型和无接触型悬浮抓取系统状态偏差，输出神经网络辅助输入信号并在线优化调整，达到最优辅助输入值；完成实际系统对期望模型的无限逼近，完成无接触型悬浮抓取系统多工况稳定运行，同时对抓取高度进行优化以达到在安全稳定域内震荡的目的，确保其快速性和应对多种工况能力。

2.根据权利要求1所述的一种无接触型悬浮抓取系统的神经网络自适应控制方法，其特征在于包括以下步骤：步骤1，构建无接触型悬浮抓取系统的多自由度抓取运动模型第一步，由抓取物体在悬浮绕组下位置的分布，及绕组下磁场分布不均的情况建立两自由度悬浮抓取运动模型：式中：R为悬浮绕组电阻，δ为被抓取物体与悬浮绕组轴向气隙，sx为被抓取物体水平位移，m为被抓取物体质量，g为重力加速度，u为悬浮电压，i为励磁电流，F为电磁吸力，L为BUCK电路等效电感，Fh为水平风阻，Fv为轴向风阻，为运动过程选取参数，为‑1、0、1，分别对应轴向放置、水平搬运和轴向抓取过程；

第二步，综合考虑被抓取物体在磁场中位置以及悬浮绕组下磁场扭曲带来的影响，构建物体所受悬浮力方程式中：μ0为真空磁导率，N为悬浮绕组匝数，A为物体有效导磁面积，γ为磁感强度占比系数，γ＝θ/(π/2)，tanθ＝sx/δ，工作在中心稳定区时，γ＝1，否则γ<1；

第三步，无接触型悬浮抓取的高速工作所致的风阻阻碍物体稳定，也是水平搬运过程造成物体偏离中心稳定域的主要原因，因此风阻力的影响不可忽略：式中：C为空气阻力系数，S为物体迎风面积，ρ为空气密度，ω为抓取物体的水平搬运速度，ν为抓取物体与空气的轴向相对运动速度；

步骤2，无接触型悬浮抓取系统动态模型转化

第一步，将式(1)在平衡点(I0,δref,sx0)转化为线性无接触型悬浮抓取模型为：式中：I0、δref、sx0分别为平衡点处悬浮电流、轴向悬浮高度以及水平震荡距离，第二步，将式(4)中轴向气隙再次求导并结合(1)中第三式，将两自由度模型转化为单自由度悬浮抓取模型，以简化控制难度以及装置复杂性：式中： 为干扰归结值；

第三步，由式(5)构建无接触型悬浮抓取运动状态空间方程模型式中： C＝[0 0 1]，x为状态变量矩阵，分别为抓取高度δ、速度 加速度 u为控制输入，y为输出，fd为不确定干扰项；

步骤3，无接触型悬浮抓取系统安全稳定域及抓取高度优化设定第一步，结合(1)式中电压方程以及等效空间分析可得到抓取物体的水平搬运速度ω的最大水平震荡范围，即安全稳定域：2

式中：Fh1为搬运过程所受风阻，Fh1＝CSρω1/2；

第二步，工速增加至ω'后经等效空间分析得到水平振荡回复到安全稳定域的抓取高度优化设定方式：式中：δ'为优化后的轴向气隙，sx’为工速增加后的水平震荡范围，Fh2增大后的搬运速度所受风阻；步骤4，无接触型悬浮抓取系统基于磁悬浮的RBF神经网络自适应控制器设计第一步，针对步骤2中第三步三维无接触型悬浮抓取系统，设计三阶严格线性无干扰期望模型式中：Am为无接触型悬浮抓取期望模型系数矩阵，Bm为无接触型悬浮抓取期望模型输入T 3×1选择矩阵， Bm＝[0 0 1] rref∈R 为参考输入指令，xm为期望模型状态；

第二步，设计无接触型悬浮抓取系统的抓取速度以及抓取加速度状态观测器：由式(6)与式(10)可得到

式中： A‑LC＝[‑l1 1 0；‑l2 0 1；‑l3 0 0]，为抓取高度的观测值；

第三步，针对式(6)中无接触型悬浮抓取系统不确定干扰fd的影响，采用含有5个隐含节点的三层RBF神经网络输出fxp作为辅助输入信号补偿，则系统为：

3×1

第四步，设置抓取高度跟踪误差为E(t)＝xm‑x，其中E(t)∈R 为RBF神经网络输入，设置含有五个隐含节点的三层RBF神经网络辅助输入信号：T

fxp＝ωh(x) (13)

1×1 T T

式中：fxp∈R 为干扰复合项，ω ＝[ω1,…,ω5] 为网络权值，h(x)＝[h1(x),h2T(x),…,h5(x)]为高斯函数；

第五步，参考设为r＝rref‑fxp，设计基于模型参考的RBF神经网络的自适应的实际控制输入和虚拟控制输入分别为：T

式中：Kr＝[k1 k2 k3]为系数矩阵， 为神经网络补偿矩阵，由式(13)可T T

知，fxp＝ωh(x)， 为ω的估计值；

第六步，将控制器式(14)代入无接触型悬浮抓取系统(6)中得到：T *

Kr需满足匹配条件(17)，确保系统与期望模型匹配，即存在最优逼近权值ω ，则根据*T式(13)可以得到fxp＝ω h(x)；

将控制器(15)代入上述无接触型悬浮抓取系统(12)得到闭环系统动态为：其中最优自适应系数的优化误差为 则

第七步，将式(9)减去式(18)获得抓取高度跟踪误差E(t)的闭环动态为：式中： 为最优自适应系数的优化误差，则

第八步，构建含估计误差的Lyapunov能量函数为式中：自适应速率γ>0；

第九步，设计 的自适应律,对式(20)的Lyapunov能量函数求导可得T

第十步，由式(11)可知A‑LC正定P＝P＞0，满足代数李雅普诺夫方程则式(21)变为

第十一步，为确保 设置式(13)的RBF神经网络权值自适应率为