In this paper, an intelligent fractional-order backstepping control (IFOBC) method combining fractional-order backstepping control (FOBC) and Takagi–Sugeno–Kang-type fuzzy neural network (TSKFNN) applicable to the permanent magnet linear synchronous motor (PMLSM) is adopted to achieve high-performance servo control fields. First, the global regulation and position tracking of the system are realized by backstepping control (BC). In order to improve the convergence speed and control accuracy of the system, a FOBC which has extra degree of freedom in the control parameters is designed. Second, since the boundary of the uncertainties in the system is difficult to estimate, which makes the switching control gain hard to select, the TSKFNN is introduced to estimate the uncertainties online. By using asymmetric Gaussian function as the membership function, the convergence speed and the accurate approximation capability of TSKFNN are improved greatly. Additionally, a robust compensator is developed to confront the uncertainties such as approximation error, optimal parameter vector and higher Taylor series. Therefore, the robustness of the system is further improved. Finally, the adaptive learning algorithms for the online training of the TSKFNN are derived using the Lyapunov theorem to guarantee the asymptotical stability of the system. The experiments implemented on a digital signal processor (DSP), TMS320F28335, demonstrate that the proposed control method provides a high-performance dynamic characteristics and that is robust with respect to parameter variations, external disturbances and nonlinear friction forces.

本文将适用于永磁直线同步电动机（PMLSM）的分数阶反步控制（FOBC）和高木–Sugeno–Kang型模糊神经网络（TSKFNN）相结合的智能分数阶反步控制（IFOBC）方法是被采用来实现高性能的伺服控制领域。首先，通过反推控制（BC）实现系统的全局调节和位置跟踪。为了提高系统的收敛速度和控制精度，设计了在控制参数上具有更大自由度的FOBC。其次，由于系统中不确定性的边界难以估计，这使得切换控制增益难以选择，因此引入TSKFNN在线估计不确定性。通过使用非对称高斯函数作为隶属函数，大大提高了TSKFNN的收敛速度和精确逼近能力。此外，开发了一种鲁棒的补偿器来应对不确定性，例如逼近误差，最佳参数向量和更高的泰勒级数。因此，系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。TSKFNN的收敛速度和精确逼近能力大大提高。此外，开发了一种鲁棒的补偿器来应对不确定性，例如逼近误差，最佳参数向量和更高的泰勒级数。因此，系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。TSKFNN的收敛速度和精确逼近能力大大提高。此外，开发了一种鲁棒的补偿器来应对不确定性，例如逼近误差，最佳参数向量和更高的泰勒级数。因此，系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了用于TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。此外，开发了一种鲁棒的补偿器来应对不确定性，例如逼近误差，最佳参数向量和更高的泰勒级数。因此，系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。此外，开发了一种鲁棒的补偿器来应对不确定性，例如逼近误差，最佳参数向量和更高的泰勒级数。因此，系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法具有高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面均非常可靠。系统的鲁棒性进一步提高。最后，利用李雅普诺夫定理推导了TSKFNN在线训练的自适应学习算法，以保证系统的渐近稳定性。在数字信号处理器（DSP）TMS320F28335上进行的实验表明，所提出的控制方法提供了高性能的动态特性，并且在参数变化，外部干扰和非线性摩擦力方面具有鲁棒性。