CN107607101B - 基于干扰观测器的mems陀螺滑模控制方法 - Google Patents
基于干扰观测器的mems陀螺滑模控制方法 Download PDFInfo
- Publication number
- CN107607101B CN107607101B CN201711073618.0A CN201711073618A CN107607101B CN 107607101 B CN107607101 B CN 107607101B CN 201711073618 A CN201711073618 A CN 201711073618A CN 107607101 B CN107607101 B CN 107607101B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- mems
- sliding
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Gyroscopes (AREA)
- Feedback Control In General (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种基于干扰观测器的MEMS陀螺滑模控制方法,用于解决现有MEMS陀螺仪模态控制方法实用性差的技术问题。技术方案是首先设计干扰观测器,在滑模控制中对干扰进行估计与补偿,从而降低抖振;同时根据神经网络预测误差和跟踪误差,设计神经网络权值的复合自适应法则律,修正神经网络的权重系数,实现未知动力学的有效动态估计。本发明通过设计神经网络权值的复合自适应律,修正神经网络的权重系数,实现未知动力学的有效动态估计。结合滑模控制理论,实现对MEMS陀螺未知动力学的前馈补偿,进一步提高MEMS陀螺仪的控制精度。设计干扰观测器,对外部干扰进行估计与补偿,有效降低滑模抖振,实用性好。
Description
技术领域
本发明涉及一种MEMS陀螺仪模态控制方法,特别涉及一种基于干扰观测器的MEMS陀螺滑模控制方法。
背景技术
随着非线性控制技术的发展,Park S等人将先进的智能学习和非线性控制理论引入MEMS陀螺仪模态控制过程中,对提高系统鲁棒性,改善MEMS陀螺仪性能做出了重要贡献。考虑MEMS陀螺系统中未知且动态变化的不确定及干扰,如何实现未知动力学的有效学习和滑模控制的前馈补偿,是提高陀螺性能的关键。
《Robust adaptive sliding mode control of MEMS gyroscope using T-Sfuzzy model》(Shitao Wang and Juntao Fei,《Nonlinear Dynamics》,2014年第77卷第1–2期)一文中,费俊涛等人采用T-S模糊逻辑系统学习MEMS陀螺动力学的不确定项和干扰,再利用滑模控制器对不确定及干扰进行补偿。这种方法虽然实现了不确定未知情况下的MEMS陀螺控制,但一方面由于违背了模糊逻辑逼近不确定的本意,很难实现未知动力学的有效动态估计,另一方面为消除不确定和干扰,需要很大的切换增益,带来了严重的滑模抖振。
发明内容
为了克服现有MEMS陀螺仪模态控制方法实用性差的不足,本发明提供一种基于干扰观测器的MEMS陀螺滑模控制方法。该方法首先设计干扰观测器,在滑模控制中对干扰进行估计与补偿,从而降低抖振;同时根据神经网络预测误差和跟踪误差,设计神经网络权值的复合自适应法则律,修正神经网络的权重系数,实现未知动力学的有效动态估计。本发明根据平行估计模型和动力学模型构建神经网络预测误差,结合跟踪误差,设计神经网络权值的复合自适应律,修正神经网络的权重系数,实现未知动力学的有效动态估计。结合滑模控制理论,实现对MEMS陀螺未知动力学的前馈补偿,进一步提高MEMS陀螺仪的控制精度。设计干扰观测器,对外部干扰进行估计与补偿,有效降低滑模抖振,实用性好。
本发明解决其技术问题所采用的技术方案:一种基于干扰观测器的MEMS陀螺滑模控制方法,其特点是包括以下步骤:
(a)考虑正交误差的MEMS陀螺仪的动力学模型为:
其中,m为检测质量块的质量;Ωz为陀螺输入角速度;为静电驱动力; x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度,速度和位移;y*分别是检测质量块沿检测轴的加速度,速度和位移;dxx,dyy是阻尼系数;kxx,kyy是刚度系数;dxy是阻尼耦合系数,kxy是刚度耦合系数。
为提高机理分析准确度,对MEMS陀螺动力学模型进行无量纲化处理。取无量纲化时间t*=ωot,然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m,得到MEMS陀螺的无量纲化模型为
其中,
重新定义相关系统参数为
则MEMS陀螺的无量纲化模型化简为
令A=2S-D,B=Ω2-K,考虑环境因素和未建模因素造成的参数波动以及外部干扰,则式(4)表示为
所述的无量纲化模型由状态变量q=[x y]T和控制输入u=[ux uy]T组成。其中,x,y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移;ux uy分别表示无量纲化后施加在驱动轴和检测轴的力;A、B、C是模型的参数,且其值与陀螺仪的结构参数和动力学特性有关;P为模型参数不确定带来的未知动力学,且ΔA,ΔB为环境因素和未建模因素造成的未知的参数波动;d(t)为外部干扰。
(b)构造神经网络逼近有
其中,Xin是神经网络的输入向量,且 为神经网络的权值矩阵;θ(Xin)为M维基向量,基向量的第i个元素为
其中,Xmi,σi分别是该高斯函数的中心和标准差,且
定义最优估计参数w*为
其中,ψ是w的集合。
因此,动力学模型的不确定项表示为
其中,ε为神经网络的逼近误差。
且不确定项的估计误差为
其中,且
(c)设计干扰观测器为
其中,为外部干扰d(t)的估计值;L为正定矩阵;z为中间变量。
定义干扰观测器的估计误差为
故有
(d)建立MEMS陀螺的动力学参考模型为
其中,qd为参考振动位移信号,为qd的二阶导数;Ax,Ay分别为检测质量块沿驱动轴和检测轴振动的参考振幅;ωx,ωy分别为检测质量块沿驱动轴和检测轴振动的参考角频率。
构建跟踪误差为
e=q-qd (14)
定义滑模面
其中,β满足Hurwitz条件。则
滑模控制器设计为
其中,K0为正定矩阵。
将控制器式(17)代入式(16),有
(e)定义神经网络预测误差为
其中,为的估计值。
由于式(5)的平行估计模型设计为
其中,Kz为正定矩阵。
考虑滑模函数式(15)和神经网络预测误差式(19),设计神经网络权值的复合学习律为
其中,r1,r2,r3,δ为正定矩阵。
(f)根据得到的控制器式(17)和复合学习权重更新律式(21),返回到MEMS陀螺的动力学模型式(5),对陀螺检测质量块的振动位移和速度进行跟踪控制。
本发明的有益效果是:该方法首先设计干扰观测器,在滑模控制中对干扰进行估计与补偿,从而降低抖振;同时根据神经网络预测误差和跟踪误差,设计神经网络权值的复合自适应法则律,修正神经网络的权重系数,实现未知动力学的有效动态估计。本发明根据平行估计模型和动力学模型构建神经网络预测误差,结合跟踪误差,设计神经网络权值的复合自适应律,修正神经网络的权重系数,实现未知动力学的有效动态估计。结合滑模控制理论,实现对MEMS陀螺未知动力学的前馈补偿,进一步提高MEMS陀螺仪的控制精度。设计干扰观测器,对外部干扰进行估计与补偿,有效降低滑模抖振,实用性好。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于干扰观测器的MEMS陀螺滑模控制方法的流程图。
具体实施方式
参照图1。本发明基于干扰观测器的MEMS陀螺滑模控制方法具体步骤如下:
(a)考虑正交误差的MEMS陀螺仪的动力学模型为:
其中,m为检测质量块的质量;Ωz为陀螺输入角速度;为静电驱动力; x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度,速度和位移;y*分别是检测质量块沿检测轴的加速度,速度和位移;dxx,dyy是阻尼系数;kxx,kyy是刚度系数;dxy是阻尼耦合系数,kxy是刚度耦合系数。
为提高机理分析准确度,对MEMS陀螺动力学模型进行无量纲化处理。取无量纲化时间t*=ωot,然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m,可以得到MEMS陀螺的无量纲化模型为
其中,
重新定义相关系统参数为
则MEMS陀螺的无量纲化模型可化简为
令A=2S-D,B=Ω2-K,考虑环境因素和未建模因素造成的参数波动以及外部干扰,则式(4)可表示为
该模型由状态变量q=[x y]T和控制输入u=[ux uy]T组成。其中,其中,x,y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移;ux uy分别表示无量纲化后施加在驱动轴和检测轴的力;A、B、C是模型的参数,且其值与陀螺仪的结构参数和动力学特性有关;P为模型参数不确定带来的未知动力学,且ΔA,ΔB为环境因素和未建模因素造成的未知的参数波动;d(t)为外部干扰。
根据某型号的振动式硅微机械陀螺,选取陀螺各参数为m=0.57×10-7kg,q0=[10-6 10-6]Tm,ω0=1kHz,Ωz=5.0rad/s,kxx=80.98N/m,kyy=71.62N/m,kxy=0.05N/m,dxx=0.429×10-6Ns/m,dyy=0.0429×10-6Ns/m,dxy=0.0429×10-6Ns/m,则可计算得到选取外部干扰
(b)利用神经网络动态估计模型参数不确定带来的未知动力学。
构造神经网络逼近有
其中,Xin是神经网络的输入向量,且 为神经网络的权值矩阵;θ(Xin)为M维基向量,M为神经网络节点数,选取M=5×5×3×3=225。基向量的第i个元素为
其中,Xmi,σi分别是该高斯函数的中心和标准差,且其值在[-20 20]×[-0.24 0.24]×[-10 10]×[-0.12 0.12]之间任意选取,另外σi=1。
定义最优估计参数w*为
其中,ψ是w的集合。
因此,动力学模型的不确定项可表示为
其中,ε为神经网络的逼近误差。
且不确定项的估计误差为
其中,且
(c)设计干扰观测器估计并补偿外部干扰。
设计干扰观测器为
其中,为外部干扰d(t)的估计值;L为正定矩阵,取值为z为中间变量。
定义干扰观测器的估计误差为
故有
(d)引入滑模控制,实现未知动力学的前馈补偿。
建立MEMS陀螺的动力学参考模型为
其中,qd为参考振动位移信号,为qd的二阶导数;Ax,Ay分别为检测质量块沿驱动轴和检测轴振动的参考振幅,且Ax=10μm,Ay=0.12μm;ωx,ωy分别为检测质量块沿驱动轴和检测轴振动的参考角频率,且ωx=2000rad/s,ωy=2000rad/s。
构建跟踪误差为
e=q-qd (14)
定义滑模面
其中,β满足Hurwitz条件,取值为则
滑模控制器可设计为
其中,K0为正定矩阵,取值为
将控制器式(17)代入式(16),有
(e)考虑跟踪误差和神经网络预测误差,设计神经网络权值的复合学习律。
定义神经网络预测误差为
其中,为的估计值。
由于式(5)的平行估计模型可设计为
其中,Kz为正定矩阵,取值为
考虑滑模函数式(15)和神经网络预测误差式(19),设计神经网络权值的复合学习律为
其中,r1,r2,r3,δ为正常数,且分别取值r1=0.2,r2=5,r3=2,δ=15。
(f)根据得到的控制器式(17)和复合学习权重更新律式(21),返回到MEMS陀螺的动力学模型式(5),对陀螺检测质量块的振动位移和速度进行跟踪控制。
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种基于干扰观测器的MEMS陀螺滑模控制方法,其特征在于包括以下步骤:
(a)考虑正交误差的MEMS陀螺仪的动力学模型为:
其中,m为检测质量块的质量;Ωz为陀螺输入角速度;为静电驱动力; x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度,速度和位移;y*分别是检测质量块沿检测轴的加速度,速度和位移;dxx,dyy是阻尼系数;kxx,kyy是刚度系数;dxy是阻尼耦合系数,kxy是刚度耦合系数;
为提高机理分析准确度,对MEMS陀螺动力学模型进行无量纲化处理;取无量纲化时间t*=ωot,然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m,得到MEMS陀螺的无量纲化模型为
其中,
重新定义相关系统参数为
则MEMS陀螺的无量纲化模型化简为
令A=2S-D,B=Ω2-K,考虑环境因素和未建模因素造成的参数波动以及外部干扰,则式(4)表示为
所述的无量纲化模型由状态变量q=[x y]T和控制输入u=[ux uy]T组成;其中,x,y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移;ux uy分别表示无量纲化后施加在驱动轴和检测轴的力;A、B、C是模型的参数,且其值与陀螺仪的结构参数和动力学特性有关;P为模型参数不确定带来的未知动力学,且ΔA,ΔB为环境因素和未建模因素造成的未知的参数波动;d(t)为外部干扰;
(b)构造神经网络逼近有
其中,Xin是神经网络的输入向量,且 为神经网络的权值矩阵;θ(Xin)为M维基向量,基向量的第i个元素为
其中,Xmi,σi分别是该高斯函数的中心和标准差,且
定义最优估计参数w*为
其中,ψ是w的集合;
因此,动力学模型的不确定项表示为
其中,ε为神经网络的逼近误差;
且不确定项的估计误差为
其中,且
(c)设计干扰观测器为
其中,为外部干扰d(t)的估计值;L为正定矩阵;z为中间变量;
定义干扰观测器的估计误差为
故有
(d)建立MEMS陀螺的动力学参考模型为
其中,qd为参考振动位移信号,为qd的二阶导数;Ax,Ay分别为检测质量块沿驱动轴和检测轴振动的参考振幅;ωx,ωy分别为检测质量块沿驱动轴和检测轴振动的参考角频率;
构建跟踪误差为
e=q-qd (14)
定义滑模面
其中,β满足Hurwitz条件;则
滑模控制器设计为
其中,K0为正定矩阵;
将控制器式(17)代入式(16),有
(e)定义神经网络预测误差为
其中,为的估计值;
由于式(5)的平行估计模型设计为
其中,Kz为正定矩阵;
考虑滑模函数式(15)和神经网络预测误差式(19),设计神经网络权值的复合学习律为
其中,r1,r2,r3,δ为正定矩阵;
(f)根据得到的控制器式(17)和复合学习权重更新律式(21),返回到MEMS陀螺的动力学模型式(5),对陀螺检测质量块的振动位移和速度进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711073618.0A CN107607101B (zh) | 2017-11-05 | 2017-11-05 | 基于干扰观测器的mems陀螺滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711073618.0A CN107607101B (zh) | 2017-11-05 | 2017-11-05 | 基于干扰观测器的mems陀螺滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107607101A CN107607101A (zh) | 2018-01-19 |
CN107607101B true CN107607101B (zh) | 2019-08-13 |
Family
ID=61085124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711073618.0A Active CN107607101B (zh) | 2017-11-05 | 2017-11-05 | 基于干扰观测器的mems陀螺滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107607101B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897226B (zh) * | 2018-08-20 | 2019-07-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 |
CN109808918B (zh) * | 2019-01-30 | 2020-10-09 | 上海卫星工程研究所 | 基于神经网络的双超卫星载荷舱干扰补偿方法 |
CN110456639B (zh) * | 2019-07-18 | 2022-05-17 | 西北工业大学 | 基于历史数据参数辨识的mems陀螺仪自适应驱动控制方法 |
CN110456638B (zh) * | 2019-07-18 | 2022-04-01 | 西北工业大学 | 基于区间数据激励的mems陀螺仪参数辨识自适应驱动控制方法 |
CN110389528B (zh) * | 2019-07-18 | 2022-04-01 | 西北工业大学 | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 |
CN110426952B (zh) * | 2019-07-18 | 2022-04-01 | 西北工业大学 | 考虑外界干扰的区间数据学习mems陀螺仪高精度驱动控制方法 |
CN110389530B (zh) * | 2019-07-18 | 2022-05-17 | 西北工业大学 | 基于数据筛选的mems陀螺仪参数辨识驱动控制方法 |
CN110579966B (zh) * | 2019-09-23 | 2022-02-01 | 南通大学 | 一种基于神经网络辨识参数的z轴陀螺仪控制方法 |
CN110987010B (zh) * | 2019-12-13 | 2021-10-22 | 西安航天精密机电研究所 | 一种信号干扰检测方法、计算机存储介质及计算机设备 |
CN114200837B (zh) * | 2021-12-08 | 2023-10-10 | 北京理工大学 | 一种干扰未知球形机器人的分层滑模控制方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100381787C (zh) * | 2006-03-27 | 2008-04-16 | 北京航空航天大学 | 一种陀螺仪标度因数和输入轴失准角的解耦测试设备 |
CN100538276C (zh) * | 2007-11-16 | 2009-09-09 | 北京航空航天大学 | 一种基于集成神经网络的微小卫星用mems陀螺仪误差补偿方法 |
US8884710B2 (en) * | 2011-10-25 | 2014-11-11 | Invensense, Inc. | Gyroscope with phase and duty-cycle locked loop |
CN103616818B (zh) * | 2013-11-14 | 2015-12-30 | 河海大学常州校区 | 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法 |
CN103900610B (zh) * | 2014-03-28 | 2016-06-29 | 哈尔滨工程大学 | 基于灰色小波神经网络的mems陀螺随机误差预测方法 |
CN104281056B (zh) * | 2014-09-18 | 2017-07-21 | 河海大学常州校区 | 基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法 |
CN105045097B (zh) * | 2015-05-26 | 2017-10-27 | 河海大学常州校区 | 一种基于神经网络的微陀螺仪反演全局滑模模糊控制方法 |
US10451418B2 (en) * | 2015-12-09 | 2019-10-22 | Invensense, Inc. | MEMS gyroscope amplitude control via quadrature |
CN107289969A (zh) * | 2016-04-01 | 2017-10-24 | 南京理工大学 | 一种mems惯性传感器自动批量标定方法及系统 |
-
2017
- 2017-11-05 CN CN201711073618.0A patent/CN107607101B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107607101A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107607101B (zh) | 基于干扰观测器的mems陀螺滑模控制方法 | |
CN107607102B (zh) | 基于干扰观测器的mems陀螺滑模抖振抑制方法 | |
CN107607103B (zh) | 基于干扰观测器的mems陀螺仪复合学习控制方法 | |
CN107678282B (zh) | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 | |
CN108897226B (zh) | 基于干扰观测器的mems陀螺仪预设性能非奇异滑模控制方法 | |
CN103116275B (zh) | 基于滑模补偿的微陀螺仪鲁棒神经网络控制系统及方法 | |
CN107608217B (zh) | 基于复合学习的mems陀螺仪模糊滑模控制方法 | |
CN104281056B (zh) | 基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法 | |
CN102914972B (zh) | 基于模型整体逼近的微陀螺仪rbf网络自适应控制方法 | |
CN103324087B (zh) | 基于神经网络的微陀螺仪的自适应反演控制系统及方法 | |
CN110421569A (zh) | 一种基于有限时间扰动观测器的反演滑模机械臂控制器设计方法 | |
CN110703610B (zh) | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 | |
CN107870566B (zh) | 基于平行估计复合学习的mems陀螺仪快速启动方法 | |
CN104503246B (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 | |
CN103345148A (zh) | 微陀螺仪的鲁棒自适应控制方法 | |
CN110389528A (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
CN105446140B (zh) | 一种稳定平台伺服系统基于有限时间收敛的复合控制方法 | |
CN105278331A (zh) | 一种微陀螺的鲁棒自适应神经网络h无穷控制方法 | |
CN108241299A (zh) | 带误差限定的微陀螺自适应滑模控制方法 | |
CN111427267B (zh) | 一种采用力与力矩自适应估计的高速飞行器攻角跟踪方法 | |
CN107608216B (zh) | 基于平行估计模型的mems陀螺仪复合学习控制方法 | |
CN112181002A (zh) | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 | |
CN103345155A (zh) | 微陀螺仪的自适应反演控制系统及方法 | |
Niu et al. | Dynamic performance of a slender truss bridge subjected to extreme wind and traffic loads considering 18 flutter derivatives |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |