CN110597051A - 基于RBF神经网络的Stewart稳定平台控制方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的Stewart稳定平台控制方法，包括以下内容：根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵；利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型；根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，再采用PID控制算法与串联控制策略对单通道进行位置控制；构建Stewart稳定平台位姿控制策略，利用该策略对Stewart平台进行稳定控制。本发明可以有效克服Stewart稳定平台的装配误差和模型误差，提高了跟踪精度与抗干扰能力。

Description

基于RBF神经网络的Stewart稳定平台控制方法

技术领域

本发明属于自动化控制技术领域，特别涉及一种基于RBF神经网络的Stewart稳定平台控制方法。

背景技术

Stewart平台属于空间多环并联机构，从结构上来看，是用6根支杆将上下两平台连接而形成的。这6根杆可通过液压或电机进行自由伸缩，它们分别用虎克铰与上下平台连接。上平面相对下平面可以进行6个自由度的运动，因此Stewart平台属于六自由度并联机器人。它的主要特点是，结构紧凑，刚度高，速度快，承载能力大，各运动关节误差不累计，精度高。但是由于Stewart平台是高度非线性，强耦合，动力学模型复杂且多输入多输出系统，因此一些传统的控制方法难以达到预期效果。

目前对Stewart平台的常规控制方法是将6个自由度的位姿通过运动学反解算法解算成6个支杆的杆长变化量，从而将非线性，强耦合的位姿控制转化为对6个单通道的位置控制。上述控制方法本质上仍然属于半闭环控制，即默认单通道的控制效果等效为合成位姿后的控制效果，因此只着力于单通道的控制算法研究，却忽略了整体是现有控制算法的核心问题。事实上，由于实际装置的装配误差和模型误差，会导致Stewart平台的实际合成位姿存在较大误差。

发明内容

本发明的目的在于提供一种能克服装配误差与模型误差、跟踪精度高、抗干扰能力强的Stewart稳定平台控制方法，以对Stewart稳定平台6个自由度的位姿进行控制。

实现本发明目的的技术解决方案为：一种基于RBF神经网络的Stewart稳定平台控制方法，包括以下步骤：

步骤1、根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵；

步骤2、利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型；

步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，再采用PID控制算法与串联控制策略对单通道进行位置控制；

步骤4、构建Stewart稳定平台位姿控制策略，利用该策略对Stewart平台进行稳定控制。

进一步地，步骤1所述根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵，具体为：

步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z)，以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp)，基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连，构成杆向量；

步骤1-2、为基平台B和动平台P分别建立坐标系，称为固定系、运动系，坐标系的原点为基平台的中心或动平台的中心，X轴位于基平台或动平台所在平面且水平向右，Y轴位于基平台或动平台所在平面且与X轴垂直，Z轴垂直于X轴、Y轴所在平面且竖直向上；

步骤1-3、获取Stewart稳定平台的运动学反解方程：

假设固定系的原点为B(0,0,0)，运动系的原点P在固定系中坐标为(x_p,y_p,z_p)，基平台铰点b_i坐标为(x_bi,y_bi,z_bi)，动平台铰点p_i在固定系中的坐标为(x_pi,y_pi,z_pi)；编号为i的杆的杆长为l_i，i＝1,2,…,6，平台位姿变量为q，则反解方程为l_i＝f_i(q)，具体用如下的非线性方程表示：

l_i＝f_i(q)＝f_i(α,β,γ,x,y,z)

＝[(x_pi-x_bi)²+(y_pi-y_bi)²+(z_pi-z_bi)²]^1/2

步骤1-4、对l_i进行全微分获得：

dl＝[dl₁,dl₂,dl₃,dl₄,dl₅,dl₆]

dq＝[dα,dβ,dγ,dx,dy,dz]

dl＝Jdq

式中，q代表平台位姿变量，位移由α,β,γ,x,y,z即横滚角，俯仰角，偏航角，x轴位移，y轴位移及z轴位姿构成，J为雅克比矩阵：

进一步地，步骤2所述利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型，具体为：

步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为：

式中，q表示平台位姿变量，M(q)为惯性矩阵，为Coriolis或离心力矩阵，G(q)为重力矩阵，τ表示作用在六个自由度上的力；

步骤2-2、根据虚功原理：

F^Tdl＝τ^Tdq

结合雅克比矩阵J，获得：

τ＝J^TF

其中，F＝[F₁ F₂ F₃ F₄ F₅ F₆]，为六条杆上的力；

由此进一步建立Stewart平台的动力学模型为：

进一步地，步骤3所述根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，具体为：

根据动力学模型对永磁同步电机PMSM添加扰动，之后利用该永磁同步电机PMSM作为单通道的执行机构，对Stewart的单通道进行数学建模：

对数学建模结果进行拉普拉斯变换获得传递函数为：

J_eqsW_m(s)＝T_em-G_L-C_L

式中，T_em为永磁同步电机PMSM产生的电磁转矩，T_em以克服负载转矩T_L，负载转矩T_L包括离心力转矩C_L与重力转矩G_L，ω_m为机械角速度，J_eq为电机轴上的总转动惯量，包括电机自身的和机械负载等效至主动轴上的两部分，W_m(s)为ω_m拉普拉斯变换后的结果。

进一步地，步骤3所述采用PID控制算法与串联控制策略对单通道进行位置控制，具体为：

步骤3-1、构建单通道控制系统，该系统包括三个串联的控制回路，其中内环用于控制电流或力矩记为电流环，外环用于控制位置记为位置环，内外环之间串联速度环，用于克服永磁体的温度导致的电机参数变化；其中电流环与速度环采用PI控制器，位置环采用PID控制器；

步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δl_i＝l_i-l_0i＝f_i(q)-l_0i，其中，l_0i为标号为i的杆的初始杆长，利用所述单通道控制系统对单通道进行位置控制，且在控制过程中，根据结构不变性原理，引用位置设定值的微分信号作为一级前馈信号，对单通道控制进行补偿。

进一步地，步骤4所述构建Stewart稳定平台位姿控制策略，具体为：

将当前时刻k的位姿输出值q_out(k)、上一时刻k-1的位姿输出值q_out(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入；

对RBF神经网络进行训练，RBF神经网络输出拟合后的位姿q_m(k)；

根据q_m(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵

通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量，将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。

本发明与现有技术相比，其显著优点为：1)采用全闭环控制策略，有效克服了装配误差和模型误差；2)采用RBF神经网络，可以克服系统中的非线性因素，提高了系统的跟踪精度和抗干扰能力。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明采用的Stewart稳定平台的空间结构图。

图2为本发明采用的永磁同步电机的单通道传递函数框图。

图3为本发明中Stewart稳定平台单通道控制结构图。

图4为本发明中Stewart稳定平台位姿控制结构图。

图5为本发明中采用的RBF神经网络结构示意图。

图6为本发明中Stewart稳定平台六自由度位姿控制器PID参数自整定过程示意图。

图7为本发明实施例中的simulink仿真框图。

图8为本发明实施例中采用典型信号输入时的位姿响应验证效果图。

具体实施方式

本发明基于RBF神经网络的Stewart稳定平台控制方法，包括以下步骤：

步骤1、根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵；

步骤2、利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型；

步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，再采用PID控制算法与串联控制策略对单通道进行位置控制；

步骤4、构建Stewart稳定平台位姿控制策略，利用该策略对Stewart平台进行稳定控制。

进一步地，结合图1，步骤1中根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵，具体为：

步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z)，以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp)，基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连，构成杆向量；

步骤1-2、为基平台B和动平台P分别建立坐标系，称为固定系、运动系，坐标系的原点为基平台的中心或动平台的中心，X轴位于基平台或动平台所在平面且水平向右，Y轴位于基平台或动平台所在平面且与X轴垂直，Z轴垂直于X轴、Y轴所在平面且竖直向上；

步骤1-3、获取Stewart稳定平台的运动学反解方程：

假设固定系的原点为B(0,0,0)，运动系的原点P在固定系中坐标为(x_p,y_p,z_p)，基平台铰点b_i坐标为(x_bi,y_bi,z_bi)，动平台铰点p_i在固定系中的坐标为(x_pi,y_pi,z_pi)；编号为i的杆的杆长为l_i，i＝1,2,…,6，平台位姿变量为q，则反解方程为l_i＝f_i(q)，具体用如下的非线性方程表示：

l_i＝f_i(q)＝f_i(α,β,γ,x,y,z)

＝[(x_pi-x_bi)²+(y_pi-y_bi)²+(z_pi-z_bi)²]^1/2

步骤1-4、对l_i进行全微分获得：

dl＝[dl₁,dl₂,dl₃,dl₄,dl₅,dl₆]

dq＝[dα,dβ,dγ,dx,dy,dz]

dl＝Jdq

式中，q代表平台位姿变量，位移由α,β,γ,x,y,z即横滚角，俯仰角，偏航角，x轴位移，y轴位移及z轴位姿构成，J为雅克比矩阵：

进一步地，步骤2中利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型，具体为：

步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为：

式中，q表示平台位姿变量，M(q)为惯性矩阵，为Coriolis或离心力矩阵，G(q)为重力矩阵，τ表示作用在六个自由度上的力；

步骤2-2、根据虚功原理：

F^Tdl＝τ^Tdq

结合雅克比矩阵J，获得：

τ＝J^TF

其中，F＝[F₁ F₂ F₃ F₄ F₅ F₆]，为六条杆上的力；

由此进一步建立Stewart平台的动力学模型为：

进一步地，步骤3中根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，具体为：

根据动力学模型对永磁同步电机PMSM添加扰动，之后利用该永磁同步电机PMSM作为单通道的执行机构，对Stewart的单通道进行数学建模：

对数学建模结果进行拉普拉斯变换获得传递函数为：

J_eqsW_m(s)＝T_em-G_L-C_L

式中，T_em为永磁同步电机PMSM产生的电磁转矩，T_em以克服负载转矩T_L，负载转矩T_L包括离心力转矩C_L与重力转矩G_L，ω_m为机械角速度，J_eq为电机轴上的总转动惯量，包括电机自身的和机械负载等效至主动轴上的两部分，W_m(s)为ω_m拉普拉斯变换后的结果，传递函数框图如图2所示。

进一步地，结合图3，步骤3中采用PID控制算法与串联控制策略对单通道进行位置控制，具体为：

步骤3-1、构建单通道控制系统，该系统包括三个串联的控制回路，其中内环用于控制电流或力矩记为电流环，外环用于控制位置记为位置环，内外环之间串联速度环，用于克服永磁体的温度导致的电机参数变化；其中电流环与速度环采用PI控制器，位置环采用PID控制器；

步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δl_i＝l_i-l_0i＝f_i(q)-l_0i，其中，l_0i为标号为i的杆的初始杆长，利用所述单通道控制系统对单通道进行位置控制，且在控制过程中，根据结构不变性原理，引用位置设定值的微分信号作为一级前馈信号，对单通道控制进行补偿。

进一步地，结合图4，步骤4中构建Stewart稳定平台位姿控制策略，具体为：

将当前时刻k的位姿输出值q_out(k)、上一时刻k-1的位姿输出值q_out(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入；

对RBF神经网络进行训练，RBF神经网络输出拟合后的位姿q_m(k)；

根据q_m(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵

通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量，将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。

进一步地，上述将当前时刻k的位姿输出值q_out(k)、上一时刻k-1的位姿输出值q_out(k-1)以及当前时刻的位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入，对RBF神经网络进行训练，RBF神经网络输出拟合后的位姿q_m(k)，具体为：

以横滚角α为例进行说明，第k时刻Stewart平台横滚角的输出量为α(k)，第k-1时刻Stewart平台横滚角的输出量为α(k-1)，Δu_α(k)为针对横滚角的位姿控制器的控制量增量，RBF神经网络的输入量为x＝[Δu_α(k),α(k),α(k-1)]，变量个数n＝3，RBF神经网络输出拟合后的横滚角的输出量为α_m(k)；

选取隐藏层的径向基向量h＝[h₁,h₂,h₃,...,h_m]^T，m＝6，径向基函数选取高斯函数，神经网络如图5所示，则有：

式中，C_j＝[c_j1,c_j2,c_j3]为第j个隐节点的中心矢量；b_j为第j个隐节点的径向宽度，同时也可看做为平滑因子，W＝[w₁,w₂,...,w_m]为输出层权值向量；

则RBF神经网络的输出为α_m(k)＝W^Th＝w₁h₁+w₂h₂+...+w_mh_m。

进一步地，上述对RBF神经网络进行训练，具体为：利用冲量梯度法结合性能指标对RBF神经网络进行训练。

进一步地，上述由雅克比矩阵调节位姿控制器参数，具体为：

结合图6，因位姿q包含6个自由度，因此以横滚角α为例进行说明，其相应的用于调节位姿控制器参数的雅克比矩阵为

1)建立位姿控制器的增量PID控制算法：

Δu(k)＝k_pxc(1)+k_ixc(2)+k_dxc(3)

其中，

xc(1)＝e(k)-e(k-1)

xc(2)＝e(k)

xc(3)＝e(k)-2e(k-1)+e(k-2)

其中，e(k)为Stewart平台位姿误差：

e(k)＝α_d(k)-α(k)

式中，α_d(k)为Stewart平台位姿设定值，k_p为比例增益，k_i为积分增益，k_d为微分增益；

2)利用梯度下降法结合增量PID控制算法的评价函数并选取学习因子μ，获取第k时刻k_p、k_i、k_d的变化量，分别为：

3)结合上述RBF神经网络的训练过程可得：

由此可获得上述2)中Δk_p、Δk_i、Δk_d的值，利用Δk_p、Δk_i、Δk_d动态调整位姿控制器参数。

实施例

本实施例对本发明的基于RBF神经网络的Stewart稳定平台控制方法进行实验验证：

采用永磁同步电机(PMSM)参数如下表1所示：

表1PMSM的参数

从Stewart平台的运动学建模过程中可以发现，存在主要误差包括：动平台球铰的安装偏差ΔX_Mi,ΔY_Mi,ΔZ_Mi，基座球铰的安装偏差ΔX_Fi,ΔY_Fi,ΔZ_Fi，以及驱动轴的初始零位偏差ΔL₀i。整个机构的安装偏差项共有42项。

本实施例采用的基座球铰的安装偏差ΔB_i＝ΔX_Fi,ΔY_Fi,ΔZ_Fi为：

动平台球铰的安装偏差ΔP_i＝ΔX_Mi,ΔY_Mi,ΔZ_Mi为：

驱动轴的初始零位偏差ΔL₀i为：

ΔL₀＝[2.1 -0.3 3.3 -2.1 -1.5 2.3]

以上单位均为毫米(mm)。

在MATLAB/Simulink环境中，根据Stewart稳定平台位姿控制结构图建立如图7所示的仿真模型。Stewart稳定平台的参数如下表2所示：

表2 Stewart稳定平台参数

本实施例中采用正弦信号作为Stewart稳定平台的位姿设定值，6自由度分别的跟踪信号为：

α(t)＝5sin(2πt/5)

β(t)＝3sin(2πt/4)

γ(t)＝7sin(2πt/6)

x＝0,y＝0,z＝0.1

训练神经网络时，选取学习因子λ为0.25，冲量系数η为0.05。输出层权值向量W＝[w₁,w₂,...,w₆]的初始权值均为1，k_p、k_i、k_d分别为3.2,0,0，PID在线整定时的学习因子μ为0.1。

实验结果如图8所示，展示了六个自由度上与设定值的误差，反映了跟踪性能。由图8可知，在本发明的控制方法下，姿态角的绝对误差小于0.004°，位移的绝对误差小于0.002m，有效的克服了Stewart稳定平台装配误差和模型误差，提高了跟踪精度与抗干扰能力。

Claims (9)

1.一种基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，包括以下步骤：

步骤1、根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵；

步骤2、利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型；

步骤3、根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，再采用PID控制算法与串联控制策略对单通道进行位置控制；

步骤4、构建Stewart稳定平台位姿控制策略，利用该策略对Stewart平台进行稳定控制。

2.根据权利要求1所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，步骤1所述根据机器人运动学原理，建立Stewart稳定平台的运动学模型，并通过全微分获取Stewart稳定平台关于位姿的雅克比矩阵，具体为：

步骤1-1、以Stewart稳定平台的6个下铰点中心所在的平面为基平台B(X,Y,Z)，以Stewart稳定平台的6个上铰点中心所在的平面为动平台P(Xp,Yp,Zp)，基平台上的每个铰点和动平台上与所述铰点呈60°的铰点相连，构成杆向量；

步骤1-2、为基平台B和动平台P分别建立坐标系，称为固定系、运动系，坐标系的原点为基平台的中心或动平台的中心，X轴位于基平台或动平台所在平面且水平向右，Y轴位于基平台或动平台所在平面且与X轴垂直，Z轴垂直于X轴、Y轴所在平面且竖直向上；

步骤1-3、获取Stewart稳定平台的运动学反解方程：

假设固定系的原点为B(0,0,0)，运动系的原点P在固定系中坐标为(x_p,y_p,z_p)，基平台铰点b_i坐标为(x_bi,y_bi,z_bi)，动平台铰点p_i在固定系中的坐标为(x_pi,y_pi,z_pi)；编号为i的杆的杆长为l_i，i＝1,2,…,6，平台位姿变量为q，则反解方程为l_i＝f_i(q)，具体用如下的非线性方程表示：

l_i＝f_i(q)＝f_i(α,β,γ,x,y,z)＝[(x_pi-x_bi)²+(y_pi-y_bi)²+(z_pi-z_bi)²]^1/2

步骤1-4、对l_i进行全微分获得：

dl＝[dl₁,dl₂,dl₃,dl₄,dl₅,dl₆]

dq＝[dα,dβ,dγ,dx,dy,dz]

dl＝Jdq

式中，q代表平台位姿变量，位移由α,β,γ,x,y,z即横滚角，俯仰角，偏航角，x轴位移，y轴位移及z轴位姿构成，J为雅克比矩阵：

3.根据权利要求1或2所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，步骤2所述利用拉格朗日方程法，结合雅克比矩阵，建立Stewart稳定平台的动力学模型，具体为：

步骤2-1、利用拉格朗日方程法初步建立Stewart稳定平台的动力学模型为：

式中，q表示平台位姿变量，M(q)为惯性矩阵，为Coriolis或离心力矩阵，G(q)为重力矩阵，τ表示作用在六个自由度上的力；

步骤2-2、根据虚功原理：

F^Tdl＝τ^Tdq

结合雅克比矩阵J，获得：

τ＝J^TF

其中，F＝[F₁ F₂ F₃ F₄ F₅ F₆]，为六条杆上的力；

由此进一步建立Stewart平台的动力学模型为：

4.根据权利要求1所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，步骤3所述根据动力学模型对Stewart的单通道进行数学建模以获得传递函数，具体为：

根据动力学模型对永磁同步电机PMSM添加扰动，之后利用该永磁同步电机PMSM作为单通道的执行机构，对Stewart的单通道进行数学建模：

对数学建模结果进行拉普拉斯变换获得传递函数为：

J_eqsW_m(s)＝T_em-G_L-C_L

式中，T_em为永磁同步电机PMSM产生的电磁转矩，T_em以克服负载转矩T_L，负载转矩T_L包括离心力转矩C_L与重力转矩G_L，ω_m为机械角速度，J_eq为电机轴上的总转动惯量，包括电机自身的和机械负载等效至主动轴上的两部分，W_m(s)为ω_m拉普拉斯变换后的结果。

5.根据权利要求1或2所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，步骤3所述采用PID控制算法与串联控制策略对单通道进行位置控制，具体为：

步骤3-1、构建单通道控制系统，该系统包括三个串联的控制回路，其中内环用于控制电流或力矩记为电流环，外环用于控制位置记为位置环，内外环之间串联速度环，用于克服永磁体的温度导致的电机参数变化；其中电流环与速度环采用PI控制器，位置环采用PID控制器；

步骤3-2、为步骤3-1构建的单通道控制系统输入位置设定值为杆长伸长量Δl_i＝l_i-l_0i＝f_i(q)-l_0i，其中，l_0i为标号为i的杆的初始杆长，利用所述单通道控制系统对单通道进行位置控制，且在控制过程中，根据结构不变性原理，引用位置设定值的微分信号作为一级前馈信号，对单通道控制进行补偿。

6.根据权利要求5所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，步骤4所述构建Stewart稳定平台位姿控制策略，具体为：

将当前时刻k的位姿输出值q_out(k)、上一时刻k-1的位姿输出值q_out(k-1)以及当前时刻位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入；

对RBF神经网络进行训练，RBF神经网络输出拟合后的位姿q_m(k)；

根据q_m(k)、Δu(k)获取用于调节位姿控制器参数的雅克比矩阵

通过步骤1的雅克比矩阵将位姿控制器的输出转换为6个杆长的伸长量，将该伸长量与步骤3-2中的杆长伸长量相叠加作为6个单通道的控制量。

7.根据权利要求6所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，所述将当前时刻k的位姿输出值q_out(k)、上一时刻k-1的位姿输出值q_out(k-1)以及当前时刻的位姿控制器的控制量增量Δu(k)作为RBF神经网络的输入，对RBF神经网络进行训练，RBF神经网络输出拟合后的位姿q_m(k)，具体为：

以横滚角α为例进行说明，第k时刻Stewart平台横滚角的输出量为α(k)，第k-1时刻Stewart平台横滚角的输出量为α(k-1)，Δu_α(k)为针对横滚角的位姿控制器的控制量增量，RBF神经网络的输入量为x＝[Δu_α(k),α(k),α(k-1)]，变量个数n＝3，RBF神经网络输出拟合后的横滚角的输出量为α_m(k)；

选取隐藏层的径向基向量h＝[h₁,h₂,h₃,...,h_m]^T，m＝6，径向基函数选取高斯函数，则有：

式中，C_j＝[c_j1,c_j2,c_j3]为第j个隐节点的中心矢量；b_j为第j个隐节点的径向宽度，同时也可看做为平滑因子，W＝[w₁,w₂,...,w_m]为输出层权值向量；

则RBF神经网络的输出为α_m(k)＝W^Th＝w₁h₁+w₂h₂+...+w_mh_m。

8.根据权利要求7所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，所述对RBF神经网络进行训练，具体为：利用冲量梯度法结合性能指标对RBF神经网络进行训练。

9.根据权利要求8所述的基于RBF神经网络的Stewart稳定平台控制方法，其特征在于，所述由雅克比矩阵调节位姿控制器参数，具体为：

以横滚角α为例进行说明，其相应的用于调节位姿控制器参数的雅克比矩阵为

1)建立位姿控制器的增量PID控制算法：

Δu(k)＝k_pxc(1)+k_ixc(2)+k_dxc(3)

其中，

xc(1)＝e(k)-e(k-1)

xc(2)＝e(k)

xc(3)＝e(k)-2e(k-1)+e(k-2)

其中，e(k)为Stewart平台位姿误差：

e(k)＝α_d(k)-α(k)

式中，α_d(k)为Stewart平台位姿设定值，k_p为比例增益，k_i为积分增益，k_d为微分增益；

2)利用梯度下降法结合增量PID控制算法的评价函数并选取学习因子μ，获取第k时刻k_p、k_i、k_d的变化量，分别为：

3)结合上述RBF神经网络的训练过程可得：

由此可获得上述2)中Δk_p、Δk_i、Δk_d的值，利用Δk_p、Δk_i、Δk_d动态调整位姿控制器参数。