CN107608216B - 基于平行估计模型的mems陀螺仪复合学习控制方法 - Google Patents
基于平行估计模型的mems陀螺仪复合学习控制方法 Download PDFInfo
- Publication number
- CN107608216B CN107608216B CN201711073625.0A CN201711073625A CN107608216B CN 107608216 B CN107608216 B CN 107608216B CN 201711073625 A CN201711073625 A CN 201711073625A CN 107608216 B CN107608216 B CN 107608216B
- Authority
- CN
- China
- Prior art keywords
- neural network
- model
- mems
- detection
- nondimensionalization
- 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)
Abstract
本发明公开了一种基于平行估计模型的MEMS陀螺仪复合学习控制方法，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；同时由于系统处于滑动模态时，对参数不确定和外界干扰不敏感，设计滑模控制器，实现未知动力学的前馈补偿。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，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，特别涉及一种基于平行估计模型的MEMS陀螺仪复合学习控制方法。
背景技术
MEMS陀螺仪由于其体积小、功耗低、成本低、容易与处理电路集成等优点，广泛应用于各种角运动测量领域。为保证其测量精度，要求MEMS陀螺仪检测质量块必须沿着驱动方向以驱动轴的固有频率做恒幅振动。然而，由于环境因素变化和陀螺制造缺陷的影响，常规PID控制无法实现MEMS陀螺仪的高精度控制，导致陀螺产生严重漂移。
随着非线性控制技术的发展，Park S等人将非线性控制理论引入MEMS陀螺仪控制，弱化驱动模态与检测模态的界限，对驱动轴和检测轴均施以反馈控制力，使两个轴向的模态运动跟踪指定的正弦参考轨迹，进而有效提高MEMS陀螺仪的控制精度。
《Adaptive global sliding mode control for MEMS gyroscope using RBFneural network》(Yundi Chu and Juntao Fei，《Mathematical Problems inEngineering》，2015)一文采用RBF神经网络学习MEMS陀螺动力学的不确定项，再利用全局滑模方法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，但由于违背了神经网络逼近不确定的本意，针对实际应用中，环境不稳定导致MEMS陀螺仪未知动力学动态变化的情况，难以实现有效动态估计。
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平行估计模型的MEMS陀螺仪复合学习控制方法。该方法首先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；同时由于系统处于滑动模态时，对参数不确定和外界干扰不敏感，设计滑模控制器，实现未知动力学的前馈补偿。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，实用性好。
本发明解决其技术问题所采用的技术方案：一种基于平行估计模型的MEMS陀螺仪复合学习控制方法，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，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。
(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)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 (12)
定义滑模函数
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。
将滑模控制器式(15)代入式(14)，有
(d)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(13)和神经网络预测误差式(17)，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。
(e)根据得到的控制器式(15)和复合学习权重更新律式(19)，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；同时由于系统处于滑动模态时，对参数不确定和外界干扰不敏感，设计滑模控制器，实现未知动力学的前馈补偿。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，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是本发明基于平行估计模型的MEMS陀螺仪复合学习控制方法的流程图。
具体实施方式
参照图1。本发明基于平行估计模型的MEMS陀螺仪复合学习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，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，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。
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
(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)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 (12)
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(15)代入式(14)，有
(d)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(13)和神经网络预测误差式(17)，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。
(e)根据得到的控制器式(15)和复合学习权重更新律式(19)，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)
1.一种基于平行估计模型的MEMS陀螺仪复合学习控制方法，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，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；
(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)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 (12)
定义滑模函数
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；
将滑模控制器式(15)代入式(14)，有
(d)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(13)和神经网络预测误差式(17)，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；
(e)根据得到的控制器式(15)和复合学习权重更新律式(19)，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 |
|---|---|---|---|
| CN201711073625.0A CN107608216B (zh) | 2017-11-05 | 2017-11-05 | 基于平行估计模型的mems陀螺仪复合学习控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711073625.0A CN107608216B (zh) | 2017-11-05 | 2017-11-05 | 基于平行估计模型的mems陀螺仪复合学习控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107608216A CN107608216A (zh) | 2018-01-19 |
| CN107608216B true CN107608216B (zh) | 2019-08-13 |
Family
ID=61085593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711073625.0A Active CN107608216B (zh) | 2017-11-05 | 2017-11-05 | 基于平行估计模型的mems陀螺仪复合学习控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107608216B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110389529B (zh) * | 2019-07-18 | 2022-04-01 | 西北工业大学 | 基于平行估计的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 |
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 CN201711073625.0A patent/CN107608216B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107608216A (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 | |
| CN107678282B (zh) | 考虑未知动力学和外部干扰的mems陀螺智能控制方法 | |
| CN107607103B (zh) | 基于干扰观测器的mems陀螺仪复合学习控制方法 | |
| CN107608217B (zh) | 基于复合学习的mems陀螺仪模糊滑模控制方法 | |
| 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 | |
| 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 | |
| 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 | |
| CN102636995B (zh) | 基于rbf神经网络滑模控制微陀螺仪的方法 | |
| CN104199295B (zh) | 基于神经网络的机电伺服系统摩擦补偿和变结构控制方法 | |
| CN108803324A (zh) | 多关节工业机械臂反步有限时间滑模控制方法 | |
| 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 | |
| CN105045097A (zh) | 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 | |
| CN102914972A (zh) | 基于模型整体逼近的微陀螺仪rbf网络自适应控制方法 | |
| CN104503246B (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 | |
| CN103279038B (zh) | 基于t-s模糊模型的微陀螺仪滑模自适应控制方法 | |
| CN112181002B (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 | |
| CN103345148A (zh) | 微陀螺仪的鲁棒自适应控制方法 | |
| CN105278331A (zh) | 一种微陀螺的鲁棒自适应神经网络h无穷控制方法 | |
| 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 | |
| CN103529701A (zh) | 微陀螺仪的神经网络全局滑模控制方法 | |
| CN107870566B (zh) | 基于平行估计复合学习的mems陀螺仪快速启动方法 | |
| CN107608216B (zh) | 基于平行估计模型的mems陀螺仪复合学习控制方法 | |
| CN110389528A (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
| CN104155874A (zh) | 微陀螺仪的反演自适应模糊动态滑模控制方法 |
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 |