CN101800502A - 一种磁悬浮精密运动定位平台的解耦控制方法 - Google Patents

Abstract

本发明提供一种用于精密磁悬浮直线运动定位平台的解耦控制方法，本方法运用气隙反馈与力反馈控制相结合的方法实现四个支承力之间的解耦。为存在于f₁、f₂、f₃和f₄之间的耦合，本发明通过采用实时计算反馈f₁、f₂和f₃的大小来反推f₄的控制电压大小以保证既能提高运动平台的刚度又能不至于对其它三个力产生耦合干扰。本发明实现了四个支承力之间的解耦，在不改变原悬浮体设计悬浮刚度的同时大大简化了悬浮体的控制和调试的复杂度，具有很好的控制效果。

Description

一种磁悬浮精密运动定位平台的解耦控制方法

技术领域

本发明属于磁悬浮精密运动控制领域，涉及一种磁悬浮精密运动定位平台的解耦控制方法，具体涉及多支承力支承的精密、超精密磁悬浮运动定位平台运动过程中各耦合支承力之间的解耦控制方法，以满足微电子、IT、光刻机等半导体行业高新科技产品的精密加工要求以及超洁净制造环境要求。

背景技术

在制造领域，比如微电子、IT等行业，产品的制造装备中都广泛运用到各种精密、超精密，超洁净定位运动装置。而气悬浮、磁悬浮技术因为其独特的优势被广泛采纳用来提供精密运动。如图1所示即为一典型磁悬浮直线运动定位装置。在这类精密运动定位装备中，悬浮体大多是通过多对支承力配合工作而悬浮于定子(即导轨)上方某一指定位置。从动力学原理来看，三个支承力就足够支持悬浮体平稳悬浮起来，但为了提高悬浮体的悬浮刚度和稳定性，往往采用更多的支承力对称分布在悬浮体上。图2所示即为悬浮体的动力学简化图。悬浮体由四个对称分布的支承力支持。三个支承力即可实现平台的稳定悬浮，第四个支承力的引入大大加强了悬浮体的悬浮刚度和稳定性，却同时造成了对前面三个支承力的干扰和耦合。如何协调四个力的大小一直是实现高性能稳定悬浮的重要一环，传统方案大多采用实时检测四个支承点与定子之间的气隙，根据气隙与四个参考气隙值之间的差值来分别调整四个支承力的大小以实现稳定悬浮。但四个力之间的耦合关系没法消除，只能通过不停的微调各控制器的参数及参考气隙值来尽量减少耦合，而没法完全消除耦合。但随着对精密定位运动的要求的提高，尤其是在先进的半导体制造装备中，比如光刻机等，对定位精度要求都精确到了数十纳米。所以对控制方法的要求也越来越高了，而现有的控制技术无法达到控制要求，因此，如何实现各支承力之间的解耦显得非常重要。

发明内容

本发明要解决技术问题是提供一种磁悬浮精密运动定位平台的解耦控制方法，以解决精密定位运动系统中悬浮体各支承力的耦合问题。

为解决上述技术问题，本发明所采用的技术方案为：

一种磁悬浮精密运动定位平台的解耦控制方法，f₁、f₂、f₃及f₄分别为磁悬浮精密运动定位平台上悬浮体内部关于悬浮体几何中心对称分布的第一电磁铁、第二电磁铁、第三电磁铁和第四电磁铁所对应的电磁力，其特征在于，包括以下步骤：

1)测量f₁、f₂和f₃：f₁、f₂和f₃通过传感器测得或者用以下方法测得：先实时检测第一电磁铁、第二电磁铁、第三电磁铁的磁极表面与定子之间的气隙z₁、z₂及z₃，再测量第一电磁铁、第二电磁铁、第三电磁铁当前的控制电流i₁、i₂及i₃；采用下列方法之一计算得到f₁、f₂和f₃的值：

A)运用公式电磁力公式f_k＝F_k(i_k，z_k)(k＝1～3)计算f₁、f₂和f₃的值；公式f_k＝F_k(i_k，z_k)为根据电磁力动力学计算中电磁铁电磁力与电流及气隙关系式；

B)运用神经网络建立平台的电磁力与电流及气隙之间的关系模型，采集一系列气隙值z₁、z₂、z₃分别和气隙值z₁、z₂、z₃、相对应的i₁、i₂、i₃、以及传感器所测到相应的电磁力f₁、f₂、f₃对神经网络进行学习和训练而得到基于神经网络的模型f₁＝N₁(i₁，z₁)、f₂＝N₂(i₂，z₂)、f₃＝N₃(i₃，z₃)，再根据当前的气隙值z₁、z₂、z₃、和相对应的i₁、i₂、i₃，结合基于神经网络的电磁力模型得到当前的电磁力f₁、f₂、f₃；

2)计算f₄：利用公式f₄＝f₂+f₃-f₁求出f₄；

3)获得f₄对应的电流i₄值：实测第四电磁铁所处磁极表面与定子之间的气隙z₄，采用下列方法之一获得电流i₄值：

A)运用公式i₄＝g(f₄，z₄)计算电流i₄值；公式i₄＝g(f₄，z₄)为根据电磁力动力学计算中电磁铁电流与电磁力及气隙关系式；

B)运用神经网络建立平台的电流与电磁力及气隙之间的关系模型，采集一系列气隙值z₄和气隙值z₄相对应的f₄对神经网络进行学习和训练而得到基于神经网络的线圈电流模型，再根据当前的气隙值z₄和f₄，结合基于神经网络的线圈电流模型得到当前的电流i₄值。

所述的f_k＝F_k(i_k，z_k)(k＝1～3)由动力学推导而得，具体表达式如下：1)对于单个电磁铁，则 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2(k=1~3);$ 式中A_k和N_k分别为第k个电磁铁的端面积和电磁铁上线圈的匝数，μ₀为空气的导磁率；2)对于双电磁铁差动式结构，则 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2(k=1~3);$ 式中A_k和N_k分别为第k对电磁铁对的上电磁铁的端面积和线圈的匝数，A _k和N _k分别为第k对电磁铁对的下电磁铁的端面积和线圈的匝数，I₀为上、下电磁铁对之间的偏置电流，z₀为电磁铁对与导轨定子之间的气隙和。

所述的i₄＝g(f₄，z₄)由动力学推导而得，根据电磁铁的结构而定，具体如下：1)对于单个电磁铁，则 $i_4=\sqrt{\frac{4f_4}{A_4{N}_4^2{\mathrm{\μ}}_0}}{z}_4$ (由 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2$ 反推而得，式中A₄和N₄分别为第4个电磁铁的端面积和电磁铁上线圈的匝数)；2)对于双电磁铁差动式结构，则电流公式由 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2(k=4)$ 反推求解方程得出i₄，式中A_k和N_k分别为第k对电磁铁对的上电磁铁的端面积和线圈的匝数，A _k和N _k分别为第k对电磁铁对的下电磁铁的端面积和线圈的匝数，I₀为上、下电磁铁对之间的偏置电流，z₀为电磁铁对与导轨定子之间的气隙和。

所述的基于神经网络的线圈电流模型的输入量为z₄(n)、z₄(n-1)、f₄(n)、f₄(n-1)和i₄(n-1)，式中n表示数据采集的时间序列；模型的输出量为i₄(n)；神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 11 1；0 0 0 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 01]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.00001，训练周期为1000，训练函数选用‘train’。

所述的基于神经网络的电磁力模型的输入量为z_k(n)、z_k(n-1)、i_k(n)、i_k(n-1)和f_k(n-1)，式中n表示数据采集的时间序列；模型的输出量为f_k(n)；神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 11 1；0 0 0 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 01]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.0002，训练周期为2000，训练函数选用‘train’。

发明的有益效果：

由于本发明采用了气隙反馈和力反馈相结合的控制方法实现了四个电磁力之间的配合控制，由于第四个支承力的变化是跟踪其它三个力的变化而调节的。所以不会对其它三个支承力造成动力学上干扰。相比之前控制方法在调试过程中任何一个力的变化会引起其它三个力的变化，新方法实现了四个支承力的解耦控制(四个力之间无相互干扰关系)，在不改变原悬浮体设计悬浮刚度的同时大大简化了悬浮体的控制和调试的复杂度，也更有利于对悬浮体稳定度的精确控制。

附图说明

图1是典型磁悬浮直线运动精密定位平台例图；

图2是悬浮体动力学简化图；

图3是悬浮体解耦控制方法示意图；

图中标号说明：

1-悬浮体，2-导轨，3-电机定子，4-气隙传感器，5-电机动子，6-光栅尺，7-挡板，8-基座，9-电磁铁。

具体实施方式

以下结合附图对本发明作进一步说明。

图1所示是一典型磁悬浮直线运动精密定位平台例图，图2为运动平台悬浮体的动力学简化图。图中f₁、f₂、f₃及f₄分别为悬浮体内部对称分布地第一电磁铁、第二电磁铁、第三电磁铁和第四电磁铁所对应的电磁力，f₅及f₆分别为两个导向力，l_d为f₁、f₂、f₃及f₄所处位置与平台质心的水平距离；图三所示为悬浮体垂直支承力解耦控制示意图，图中i₁、i₂、i₃及i₄分别为四个电磁铁所对应的线圈电流，z₁、z₂、z₃及z₄分别为四个电磁铁所对应磁极表面与导轨表面的距离(或称气隙)，r₁、r₂及r₃分别第一电磁铁、第二电磁铁、第三电磁铁所对应磁极处气隙的目标值。通过反馈z_k与r_k之间的差值分别实时调整对应线圈的电流i₁、i₂、及i₃以实现三个磁极稳定悬浮在指定位置(悬浮平台在静态稳定时满足如下力的关系：f₁＝f₂＝f₃＝f₄且四力之和等于悬浮体重力)图2所示是悬浮体动力学简化图。针对f₁、f₂、f₃和f₄相互之间存在耦合的问题，该发明将原来的全部用悬浮位置反馈改为悬浮位置反馈与悬浮力反馈相结合的方法实现各支承力的解耦。图三所示为该控制方法的具体实现简图。该发明方法的具体实施方式可分为如下步骤：

(1)首先实时检测f₁、f₂及f₃所处电磁铁磁极表面与定子之间的气隙z₁、z₂及z₃，并分别与三个磁极的目标参考位置r₁、r₂及r₃进行比较算出差值e₁、e₂及e₃。将差值作为控制器的输入，所对应三个磁极的输入电流即为控制器的输出。控制器可以是独立分散的三个控制器，也可以是集成的单个控制器。调整控制器参数使得平台稳定悬浮于指定位置。

(2)保存z₁、z₂、z₃及所对应的控制电流i₁、i₂、i₃。运用如下方法之一求出f₁、f₂和f₃：(a)通过安装三个力传感器实时测出f₁、f₂和f₃；(b)结合电磁铁的结构和形式推导出电磁力的动力学公式f_k＝F_k(i_k，z_k)求出三个电磁力。公式f_k＝F_k(i_k，z_k)为根据电磁力动力学计算中电磁铁电磁力与电流及气隙关系式。其中f_k＝F_k(i_k，z_k)(k＝1～3)由动力学推导而得，具有多种表达形式，视电磁铁的结构而定：(i)如果是单个电磁铁，则 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2(k=1~3).$ 式中A_k和N_k分别为第k个电磁铁的端面积和电磁铁上线圈的匝数，μ₀为空气的导磁率。(ii)如果是双电磁铁差动式结构，则 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2(k=1~3).$ 式中A_k和N_k分别为第k对电磁铁对的上电磁铁的端面积和线圈的匝数，A _k和N _k分别为第k对电磁铁对的下电磁铁的端面积和线圈的匝数，I₀为上、下电磁铁对之间的偏置电流，z₀为电磁铁对与导轨定子之间的气隙和。其它的具体形式可依此推导出；(c)运用神经网络建立平台的电磁力与电流及气隙之间的关系模型，采集一系列气隙值z₁(z₂、z₃)和气隙值z₁(z₂、z₃)相对应的i₁(i₂、i₃)以及传感器所测到相应的电磁力f₁(f₂、f₃)对神经网络进行学习和训练而得到基于神经网络的模型f₁＝N₁(i₁，z₁)(f₂＝N₂(i₂，z₂)、f₃＝N₃(i₃，z₃))，再根据当前的气隙值z₁(z₂、z₃)和相对应的i₁(i₂、i₃)，结合基于神经网络的电磁力模型得到当前的电磁力f₁(f₂、f₃)。基于神经网络的电磁力模型的输入量为z_k(n)、z_k(n-1)、i_k(n)、i_k(n-1)和f_k(n-1)，式中n表示数据采集的时间序列。模型的输出量为f_k(n)。神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 1 1 1；00 0 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 0 1]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.0002，训练周期为2000，训练函数选用‘train’。

(3)利用公式l_df₁(z₁，i₁)+l_df₄(z₄，i₄)＝l_df₂(z₂，i₂)+l_df₃(z₃，i₃)求出f₄。

(4)运用如下方法之一求出第四个电磁铁的控制电流：a)运用公式i₄＝g(f₄，z₄)计算电流i₄值；公式i₄＝g(f₄，z₄)为根据电磁力动力学计算中电磁铁电流与电磁力及气隙关系式，具有多种表达形式，视电磁铁的结构而定：(i)如果是单个电磁铁，则 $i_4=\sqrt{\frac{4f_4}{A_4{N}_4^2{\mathrm{\μ}}_0}}{z}_4$ (由 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2$ 反推而得，式中A₄和N₄分别为第4个电磁铁的端面积和电磁铁上线圈的匝数)。(ii)如果是双电磁铁差动式结构，则电流公式也可由 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2(k=4)$ 反推求解方程得出i_k。其它的具体形式可依此推导出；2)运用神经网络建立平台的电流与电磁力及气隙之间的关系模型，采集一系列气隙值z₄和气隙值z₄相对应的f₄对神经网络进行学习和训练而得到基于神经网络的线圈电流模型，再根据当前的气隙值z₄和f₄，结合基于神经网络的线圈电流模型得到当前的电流i₄值。所述的基于神经网络的线圈电流模型的输入量为z₄(n)、z₄(n-1)、f₄(n)、f₄(n-1)和i₄(n-1)，式中n表示数据采集的时间序列。模型的输出量为i₄(n)。神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 1 1 1；0 0 0 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 0 1]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.00001，训练周期为1000，训练函数选用‘train’。

Claims (5)

1.一种磁悬浮精密运动定位平台的解耦控制方法，f₁、f₂、f₃及f₄分别为磁悬浮精密运动定位平台上悬浮体内部关于悬浮体几何中心对称分布的第一电磁铁、第二电磁铁、第三电磁铁和第四电磁铁所对应的电磁力，其特征在于，包括以下步骤：

1)测量f₁、f₂和f₃：f₁、f₂和f₃通过传感器测得或者用以下方法测得：先实时检测第一电磁铁、第二电磁铁、第三电磁铁的磁极表面与定子之间的气隙z₁、z₂及z₃，再测量第一电磁铁、第二电磁铁、第三电磁铁当前的控制电流i₁、i₂及i₃；采用下列方法之一计算得到f₁、f₂和f₃的值：

A)运用公式电磁力公式f_k＝F_k(i_k，z_k)(k＝1～3)计算f₁、f₂和f₃的值；公式f_k＝F_k(i_k，z_k)为根据电磁力动力学计算中电磁铁电磁力与电流及气隙关系式；

B)运用神经网络建立平台的电磁力与电流及气隙之间的关系模型，采集一系列气隙值z₁、z₂、z₃分别和气隙值z₁、z₂、z₃、相对应的i₁、i₂、i₃、以及传感器所测到相应的电磁力f₁、f₂、f₃对神经网络进行学习和训练而得到基于神经网络的模型f₁＝N₁(i₁，z₁)、f₂＝N₂(i₂，z₂)、f₃＝N₃(i₃，z₃)，再根据当前的气隙值z₁、z₂、z₃和相对应的i₁、i₂、i₃、，结合基于神经网络的电磁力模型得到当前的电磁力f₁、f₂、f₃；

2)计算f₄：利用公式f₄＝f₂+f₃-f₁求出f₄；

3)获得f₄对应的电流i₄值：实测第四电磁铁所处磁极表面与定子之间的气隙z₄，采用下列方法之一获得电流i₄值：

A)运用公式i₄＝g(f₄，z₄)计算电流i₄值；公式i₄＝g(f₄，z₄)为根据电磁力动力学计算中电磁铁电流与电磁力及气隙关系式；

B)运用神经网络建立平台的电流与电磁力及气隙之间的关系模型，采集一系列气隙值z₄和气隙值z₄相对应的f₄对神经网络进行学习和训练而得到基于神经网络的线圈电流模型，再根据当前的气隙值z₄和f₄，结合基于神经网络的线圈电流模型得到当前的电流i₄值。

2.根据权利要求1所述的磁悬浮精密运动定位平台的解耦控制方法，其特征在于，所述的f_k＝F_k(i_k，z_k)(k＝1～3)由动力学推导而得，具体表达式如下：1)对于单个电磁铁，则 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2,(k=1~3);$ 式中A_k和N_k分别为第k个电磁铁的端面积和电磁铁上线圈的匝数，μ₀为空气的导磁率；2)对于双电磁铁差动式结构，则 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2,(k=1~3);$ 式中A_k和N_k分别为第k对电磁铁对的上电磁铁的端面积和线圈的匝数，A _k和N _k分别为第k对电磁铁对的下电磁铁的端面积和线圈的匝数，I₀为上、下电磁铁对之间的偏置电流，z₀为电磁铁对与导轨定子之间的气隙和。

3.根据权利要求1所述的磁悬浮精密运动定位平台的解耦控制方法，其特征在于，所述的i₄＝g(f₄，z₄)由动力学推导而得，根据电磁铁的结构而定，具体如下：1)对于单个电磁铁，则 $i_4=\sqrt{\frac{{4f}_4}{A_4{N}_4^2{\mathrm{\μ}}_0}}{z}_4$ (由 $f_k=\frac{A_k{N}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{i_k}{z_k}\right)}^2$ 反推而得，式中A₄和N₄分别为第4个电磁铁的端面积和电磁铁上线圈的匝数)；2)对于双电磁铁差动式结构，则电流公式由 $f_k=\frac{{\stackrel{\‾}{A}}_k{\stackrel{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0+i_k}{z_k}\right)}^2-\frac{{\underset{\‾}{A}}_k{\underset{\‾}{N}}_k^2{\mathrm{\μ}}_0}{4}{\left(\frac{I_0-i_k}{z_0-z_k}\right)}^2,(k=4)$ 反推求解方程得出i₄，式中A_k和N_k分别为第k对电磁铁对的上电磁铁的端面积和线圈的匝数，A _k和N _k分别为第k对电磁铁对的下电磁铁的端面积和线圈的匝数，I₀为上、下电磁铁对之间的偏置电流，z₀为电磁铁对与导轨定子之间的气隙和。

4.根据权利要求1所述的磁悬浮精密运动定位平台的解耦控制方法，其特征在于，所述的基于神经网络的线圈电流模型的输入量为z₄(n)、z₄(n-1)、f₄(n)、f₄(n-1)和i₄(n-1)，式中n表示数据采集的时间序列；模型的输出量为i₄(n)；神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 1 1 1；0 00 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 0 1]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.00001，训练周期为1000，训练函数选用‘train’。

5.根据权利要求1所述的磁悬浮精密运动定位平台的解耦控制方法，其特征在于，所述的基于神经网络的电磁力模型的输入量为z_k(n)、z_k(n-1)、i_k(n)、i_k(n-1)和f_k(n-1)，式中n表示数据采集的时间序列；模型的输出量为f_k(n)；神经网络的设置和训练通过工程计算软件MATLAB中的NETWORK函数实现，具体参数设置为：网络输入数为5，网络层数为3，三层的偏置均为1，三层的节点数分别为6、6、4，输入连接矩阵为[1 1 1 1 1；0 00 0 0；0 0 0 0 0]，层连接矩阵为[0 0 0；1 0 0；1 1 0]，输出连接矩阵为[0 0 1]，层传递函数均选用‘tansig’，层初始函数均选用‘initnw’，网络初始函数选用‘initlay’，性能函数为‘mse’，训练函数为‘trainlm’，参数训练目标为0.0002，训练周期为2000，训练函数选用‘train’。

Images