CN108897226A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108897226A
CN108897226A CN201810949781.7A CN201810949781A CN108897226A CN 108897226 A CN108897226 A CN 108897226A CN 201810949781 A CN201810949781 A CN 201810949781A CN 108897226 A CN108897226 A CN 108897226A
Authority
CN
China
Prior art keywords
detection
drive shaft
mems
neural network
error
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.)
Granted
Application number
CN201810949781.7A
Other languages
English (en)
Other versions
CN108897226B (zh
Inventor
许斌
张睿
赵万良
成宇翔
李绍良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Shanghai Aerospace Control Technology Institute
Original Assignee
Northwestern Polytechnical University
Shanghai Aerospace Control Technology Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University, Shanghai Aerospace Control Technology Institute filed Critical Northwestern Polytechnical University
Priority to CN201810949781.7A priority Critical patent/CN108897226B/zh
Publication of CN108897226A publication Critical patent/CN108897226A/zh
Application granted granted Critical
Publication of CN108897226B publication Critical patent/CN108897226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Gyroscopes (AREA)

Abstract

本发明涉及一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，该方法考虑存在参数摄动和外部时变干扰的陀螺动力学模型，设计神经网络权值的自适应更新律，修正神经网络的权重系数，实现未知动力学的有效估计；引入性能函数使跟踪误差受限，并通过误差转换将受限的跟踪误差转换为不受限的转换误差，设计基于转换误差的滑模控制器以实现MEMS陀螺的预设性能控制；设计非奇异终端滑模控制器实现未知动力学的前馈补偿，并避免系统奇异问题；设计干扰观测器对外部干扰进行估计补偿。本发明解决外部干扰、系统奇异、超调及跟踪误差无法预先设计的问题，并提高控制精度，进一步改善MEMS陀螺性能。

Description

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
技术领域
本发明涉及一种MEMS陀螺仪的模态控制方法，特别是涉及一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，属于智能化仪器仪表领域。
背景技术
作为一种角运动测量传感器，MEMS陀螺仪受环境因素和外部干扰影响较大，常规PID控制方法难以实现陀螺的高精度控制。为进一步提高MEMS陀螺的测量精度，《Slidingmode control of MEMS gyroscopes using composite learning》(Rui Zhang,TianyiShao,Wanliang Zhao,Aijun Li,Bin Xu，《Neurocomputing》，2018)一文提出一种MEMS陀螺仪滑模自适应控制方法。一方面构建自适应动态调节参数的神经网络预测系统非线性；另一方面由于系统处于滑动模态时，对参数不确定不敏感，设计滑模控制器，实现未知动力学的前馈补偿。这种方法虽然通过提高MEMS陀螺驱动控制精度改善了陀螺性能，但并未考虑外部干扰、滑模控制奇异问题以及系统超调、跟踪误差无法预先设计的问题。
发明内容
要解决的技术问题
为克服现有技术未考虑外部干扰、滑模控制奇异问题以及系统超调、跟踪误差无法预先设计的不足，本发明提出了一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法。该方法不仅引入性能函数使跟踪误差受限，通过误差转换将受限的跟踪误差转换为不受限的转换误差，设计基于转换误差的滑模控制器和神经网络自适应更新律，实现MEMS陀螺的预设性能控制；还给出非奇异滑模控制器，避免系统的奇异问题；并且设计干扰观测器对MEMS陀螺正常工作时的外部时变干扰进行估计补偿，有效提高MEMS陀螺的控制精度。
技术方案
一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，其特征在于步骤如下：
步骤1：考虑存在参数摄动和外部时变干扰的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；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；和分别为沿驱动轴和检测轴的时变干扰，根据振动傅里叶变换后的简谐运动选取；且 其中 和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、 Δkxy和Δdxy是未知的不确定参数；
取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到
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(4)可表示为
其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；σ(t)＝[σ1(t) σ2(t)]T，σ1(t)和σ2(t)分别为沿驱动轴和检测轴的无量纲时变干扰；u＝f＝[ux uy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入；
步骤2：构造神经网络逼近得到
其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i个元素为
其中，σi是该高斯函数的标准差；是该高斯函数的中心；
给出神经网络权值的更新律为
其中，λ和δ为待设计的正常数；
步骤3：建立MEMS陀螺的动力学参考模型为
其中，为参考振动位移信号，Ax和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和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；和分别为检测质量块沿驱动轴和检测轴振动的相位差；为qd的二阶导数；
定义跟踪误差为
e(t)＝q-qd (10)
其中，e(t)＝[ex(t) ey(t)]T，ex(t)和ey(t)分别为检测质量块沿驱动轴和检测轴的跟踪误差；
考虑陀螺振动位移受限，设计严格递减的性能函数为
其中，ηx(t)和ηy(t)分别为驱动轴和检测轴的性能函数，其初值分别为和且分别收敛至和待设计参数l1>0，l2>0；
使得
其中，待设计参数τ1>0，τ2>0；
将受限的跟踪误差e(t)转换为不受限的转换误差ν，定义
e(t)＝η(t)χ(ν) (13)
其中，ν＝[ν1 ν2]T，χ(ν)＝[χ1(ν1) χ2(ν2)]T，和是严格递增的平滑函数；
构建转换误差为
对转换误差求一阶导数，有
步骤4：定义非奇异终端滑模面为
其中，s＝[s1 s2]T，s1和s2分别为沿驱动轴和检测轴的滑模函数；β为满足Hurwitz条件的矩阵；且1<r<2；
则控制器可设计为
u＝u1+u2+u3 (17)
u3＝-μ1s-μ2|s|γsign(s)(20)
其中，且
μ2>0；|s|γsign(s)＝[|s1|γsign(s1)|s2|γsign(s2)]T且0<γ<1；
设计干扰观测器为
其中，为外部干扰σ(t)的估计值；L为待设计的正定矩阵；z为中间变量；
步骤5：根据(17)～(20)得到的控制器u计算得到静电驱动力返回MEMS陀螺动力学模型(1)，实现陀螺检测质量块振动参考信号的跟踪。
有益效果
本发明提出的一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，与现有技术相比的有益效果为：
(1)针对滑模函数的奇异问题，引入非奇异终端滑模控制，选取1<r1<2，1<r2<2，当s＝[s1 s2]T，s1→0、s2→0时，有效避免了奇异问题；
(2)针对系统超调及跟踪误差无法预先估计的问题，引入预设性能函数，通过构建转换误差将受限系统转换为不受限系统，设计基于转换误差的滑模控制器和复合学习律，实现MEMS陀螺的预设性能控制；
(3)针对MEMS陀螺正常工作时的外部时变干扰，设计干扰观测器对其进行估计补偿，有效提高MEMS陀螺的控制精度。
附图说明
图1本发明具体实施流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明的技术解决方案是：一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，通过以下步骤实现：
(a)考虑存在参数摄动和外部时变干扰的MEMS陀螺动力学模型为：
其中，m为检测质量块的质量；Ωz为陀螺输入角速度；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；和分别为沿驱动轴和检测轴的时变干扰，根据振动傅里叶变换后的简谐运动选取。且 其中 和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、 Δkxy和Δdxy是未知的不确定参数。
取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到
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(4)可表示为
其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；σ(t)＝[σ1(t) σ2(t)]T，σ1(t)和σ2(t)分别为沿驱动轴和检测轴的无量纲时变干扰；u＝f＝[ux uy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入。
(b)构造神经网络逼近得到
其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i个元素为
其中，σi是该高斯函数的标准差；是该高斯函数的中心。
给出神经网络权值的更新律为
其中，λ和δ为待设计的正常数。
(c)建立MEMS陀螺的动力学参考模型为
其中，为参考振动位移信号，Ax和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和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；和分别为检测质量块沿驱动轴和检测轴振动的相位差；为qd的二阶导数；
定义跟踪误差为
e(t)＝q-qd (10)
其中，e(t)＝[ex(t) ey(t)]T，ex(t)和ey(t)分别为检测质量块沿驱动轴和检测轴的跟踪误差。
考虑陀螺振动位移受限，设计严格递减的性能函数为
其中，ηx(t)和ηy(t)分别为驱动轴和检测轴的性能函数，其初值分别为和且分别收敛至和待设计参数l1>0，l2>0。
使得
其中，待设计参数τ1>0，τ2>0。
将受限的跟踪误差e(t)转换为不受限的转换误差ν，定义
e(t)＝η(t)χ(ν) (13)
其中，ν＝[ν1ν2]T，χ(ν)＝[χ1(ν1) χ2(ν2)]T，和是严格递增的平滑函数。
构建转换误差为
对转换误差求一阶导数，有
(d)定义非奇异终端滑模面为
其中，s＝[s1 s2]T，s1和s2分别为沿驱动轴和检测轴的滑模函数；β为满足Hurwitz条件的矩阵；且1<r<2。
则控制器可设计为
u＝u1+u2+u3 (17)
u3＝-μ1s-μ2|s|γsign(s) (20)
其中，且
μ2>0；|s|γsign(s)＝[|s1|γsign(s1)|s2|γsign(s2)]T且0<γ<1。
设计干扰观测器为
其中，为外部干扰σ(t)的估计值；L为待设计的正定矩阵；z为中间变量。
(e)根据(17)～(20)得到的控制器u计算得到静电驱动力返回MEMS陀螺动力学模型(1)，实现陀螺检测质量块振动参考信号的跟踪。
实施例：如图1所示，
(a)考虑存在参数摄动和外部时变干扰的MEMS陀螺动力学模型为：
其中，m为检测质量块的质量；Ωz为陀螺输入角速度；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；和分别为沿驱动轴和检测轴的时变干扰，根据振动傅里叶变换后的简谐运动选取。且 其中 和是参数标称值；Δkxx、Δkyy、Δdxx、Δdyy、Δkxy和Δdxy是未知的不确定参数。根据某型号的振动式硅微机械陀螺，选取陀螺各参数为m＝5.7×10-9kg，q0＝10-5m，ω0＝1kHz，Ωz＝5.0rad/s， 并给出陀螺正常工作时的外部时变干扰
取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到
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(4)可表示为
其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；σ(t)＝[σ1(t) σ2(t)]T，σ1(t)和σ2(t)分别为沿驱动轴和检测轴的无量纲时变干扰；u＝f＝[ux uy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入。
(b)构造神经网络逼近得到
其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数，选取M＝5×5×3×3＝225；为基向量，其第i(i＝1,2,……,M)个元素为
其中，σi是该高斯函数的标准差，选取为σi＝1；是该高斯函数的中心，其值在[-1 1]×[-1.2 1.2]×[-1.71 1.71]×[-1.33 1.33]之间任意选取。
给出神经网络权值的更新律为
其中，λ＝300，δ＝0.2。
(c)建立MEMS陀螺的动力学参考模型为
其中，为参考振动位移信号，Ax和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＝1，Ay＝1.2；ωx和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＝1.71，ωy＝1.11；和分别为检测质量块沿驱动轴和检测轴振动的相位差，且为qd的二阶导数；
定义跟踪误差为
e(t)＝q-qd (10)
其中，e(t)＝[ex(t) ey(t)]T，ex(t)和ey(t)分别为检测质量块沿驱动轴和检测轴的跟踪误差。
考虑陀螺振动位移受限，设计严格递减的性能函数为
其中，ηx(t)和ηy(t)分别为驱动轴和检测轴的性能函数，其初值分别为分别收敛至和且l1＝0.1，l2＝0.1。
使得
其中，τ1＝1，τ2＝1。
将受限的跟踪误差e(t)转换为不受限的转换误差ν，定义
e(t)＝η(t)χ(ν) (13)
其中，ν＝[ν1 ν2]T，χ(ν)＝[χ1(ν1) χ2(ν2)]T，和是严格递增的平滑函数。
构建转换误差为
对转换误差求一阶导数，有
(d)定义非奇异终端滑模面为
其中，s＝[s1 s2]T，s1和s2分别为沿驱动轴和检测轴的滑模函数； 且r＝1.2。
则控制器可设计为
u＝u1+u2+u3 (17)
u3＝-μ1s-μ2|s|γsign(s) (20)
其中，且 μ1＝100，μ2＝90；|s|γsign(s)＝[|s1|γsign(s1)|s2|γsign(s2)]T且γ＝0.5。
设计干扰观测器为
其中，为外部干扰σ(t)的估计值；z为中间变量。
(e)根据(17)～(20)得到的控制器u计算得到静电驱动力返回MEMS陀螺动力学模型(1)，实现陀螺检测质量块振动参考信号的跟踪。
本方法考虑存在参数摄动和外部时变干扰的陀螺动力学模型，设计神经网络权值的自适应更新律，修正神经网络的权重系数，实现未知动力学的有效估计；引入性能函数使跟踪误差受限，并通过误差转换将受限的跟踪误差转换为不受限的转换误差，设计基于转换误差的滑模控制器以实现MEMS陀螺的预设性能控制；设计非奇异终端滑模控制器实现未知动力学的前馈补偿，并避免系统奇异问题；设计干扰观测器对外部干扰进行估计补偿。本发明设计的基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法可解决外部干扰、系统奇异、超调及跟踪误差无法预先设计的问题，并提高控制精度，进一步改善MEMS陀螺性能。

Claims (1)

1.一种基于干扰观测器的MEMS陀螺仪预设性能非奇异滑模控制方法，其特征在于步骤如下：
步骤1：考虑存在参数摄动和外部时变干扰的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；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；和分别为沿驱动轴和检测轴的时变干扰，根据振动傅里叶变换后的简谐运动选取；且 其中 和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、Δkx3、Δkxy和Δdxy是未知的不确定参数；
取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到
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(4)可表示为
其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；σ(t)＝[σ1(t) σ2(t)]T，σ1(t)和σ2(t)分别为沿驱动轴和检测轴的无量纲时变干扰；u＝f＝[ux uy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入；
步骤2：构造神经网络逼近得到
其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i个元素为
其中，σi是该高斯函数的标准差；是该高斯函数的中心；
给出神经网络权值的更新律为
其中，λ和δ为待设计的正常数；
步骤3：建立MEMS陀螺的动力学参考模型为
其中，为参考振动位移信号，Ax和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和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；和分别为检测质量块沿驱动轴和检测轴振动的相位差；为qd的二阶导数；
定义跟踪误差为
e(t)＝q-qd (10)
其中，e(t)＝[ex(t) ey(t)]T，ex(t)和ey(t)分别为检测质量块沿驱动轴和检测轴的跟踪误差；
考虑陀螺振动位移受限，设计严格递减的性能函数为
其中，ηx(t)和ηy(t)分别为驱动轴和检测轴的性能函数，其初值分别为和且分别收敛至和待设计参数l1>0，l2>0；
使得
其中，待设计参数τ1>0，τ2>0；
将受限的跟踪误差e(t)转换为不受限的转换误差ν，定义
e(t)＝η(t)χ(ν) (13)
其中，ν＝[ν1 ν2]T，χ(ν)＝[χ1(ν1) χ2(ν2)]T，和是严格递增的平滑函数；
构建转换误差为
对转换误差求一阶导数，有
步骤4：定义非奇异终端滑模面为
其中，s＝[s1 s2]T，s1和s2分别为沿驱动轴和检测轴的滑模函数；β为满足Hurwitz条件的矩阵；且1<r<2；
则控制器可设计为
u＝u1+u2+u3 (17)
u3＝-μ1s-μ2|s|γsign(s) (20)
其中，且
μ2>0；|s|γsign(s)＝[|s1|γsign(s1) |s2|γsign(s2)]T且0<γ<1；
设计干扰观测器为
其中，为外部干扰σ(t)的估计值；L为待设计的正定矩阵；z为中间变量；
步骤5：根据(17)～(20)得到的控制器u计算得到静电驱动力返回MEMS陀螺动力学模型(1)，实现陀螺检测质量块振动参考信号的跟踪。
CN201810949781.7A 2018-08-20 2018-08-20 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 Active CN108897226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810949781.7A CN108897226B (zh) 2018-08-20 2018-08-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810949781.7A CN108897226B (zh) 2018-08-20 2018-08-20 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

Publications (2)

Publication Number Publication Date
CN108897226A true CN108897226A (zh) 2018-11-27
CN108897226B CN108897226B (zh) 2019-07-19

Family

ID=64354865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810949781.7A Active CN108897226B (zh) 2018-08-20 2018-08-20 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

Country Status (1)

Country Link
CN (1) CN108897226B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083179A (zh) * 2019-05-07 2019-08-02 西北工业大学 一种预定时间多智能体系统一致性跟踪控制方法
CN110119087A (zh) * 2019-05-05 2019-08-13 西北工业大学 一种有向通信下二阶多智能体系统固定时一致性跟踪方法
CN110262237A (zh) * 2019-06-25 2019-09-20 河海大学常州校区 基于双反馈模糊神经网络的微陀螺仪超扭曲滑模控制方法
CN110389530A (zh) * 2019-07-18 2019-10-29 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
CN110389528A (zh) * 2019-07-18 2019-10-29 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
CN110440778A (zh) * 2019-07-25 2019-11-12 中北大学 一种mems陀螺仪无超调保性能模糊小波神经控制方法
CN110442023A (zh) * 2019-07-25 2019-11-12 中北大学 一种mems陀螺仪驱动/检测模态预设性能抗干扰控制方法
CN110456639A (zh) * 2019-07-18 2019-11-15 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
CN110456640A (zh) * 2019-07-18 2019-11-15 西北工业大学 基于非奇异终端滑模设计的mems陀螺仪参数辨识神经网络控制方法
CN110471293A (zh) * 2019-09-23 2019-11-19 南通大学 一种估计时变角速度的z轴陀螺仪滑模控制方法
CN111930154A (zh) * 2020-08-20 2020-11-13 北京爱宾果科技有限公司 一种mems陀螺仪的非奇异终端滑模控制方法和装置
CN112947089A (zh) * 2021-03-18 2021-06-11 西安电子科技大学 一种预设跟踪精度的自适应神经网络跟踪控制方法
CN115903807A (zh) * 2022-11-16 2023-04-04 哈尔滨理工大学 一种基于动态事件触发的动力定位船轨迹跟踪控制方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1821722A (zh) * 2006-03-27 2006-08-23 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
CN101158588A (zh) * 2007-11-16 2008-04-09 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
US20130099836A1 (en) * 2011-10-25 2013-04-25 Invensense, Inc. Gyroscope with phase and duty-cycle locked loop
CN103616818A (zh) * 2013-11-14 2014-03-05 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
CN103900610A (zh) * 2014-03-28 2014-07-02 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
CN104281056A (zh) * 2014-09-18 2015-01-14 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
CN105045097A (zh) * 2015-05-26 2015-11-11 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
US20170199035A1 (en) * 2015-12-09 2017-07-13 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
CN107607101A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于干扰观测器的mems陀螺滑模控制方法
CN107608217A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于复合学习的mems陀螺仪模糊滑模控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1821722A (zh) * 2006-03-27 2006-08-23 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
CN101158588A (zh) * 2007-11-16 2008-04-09 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
US20130099836A1 (en) * 2011-10-25 2013-04-25 Invensense, Inc. Gyroscope with phase and duty-cycle locked loop
CN103616818A (zh) * 2013-11-14 2014-03-05 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
CN103900610A (zh) * 2014-03-28 2014-07-02 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
CN104281056A (zh) * 2014-09-18 2015-01-14 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
CN105045097A (zh) * 2015-05-26 2015-11-11 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
US20170199035A1 (en) * 2015-12-09 2017-07-13 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
CN107607101A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于干扰观测器的mems陀螺滑模控制方法
CN107608217A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于复合学习的mems陀螺仪模糊滑模控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUI ZHANG: "《Slidingmode control of MEMS gyroscopes using composite learning》", 《NEUROCOMPUTING》 *
WEIWANG: "《A Nonsingular Terminal Sliding Mode Approach Using Adaptive Disturbance Observer for Finite-Time Trajectory Tracking of MEMS Triaxial Vibratory Gyroscope》", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
王伟: "《三轴微机电系统陀螺仪自适应干扰补偿方法》", 《控制理论与应用》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110119087A (zh) * 2019-05-05 2019-08-13 西北工业大学 一种有向通信下二阶多智能体系统固定时一致性跟踪方法
CN110119087B (zh) * 2019-05-05 2021-12-21 西北工业大学 一种有向通信下二阶多智能体系统固定时一致性跟踪方法
CN110083179B (zh) * 2019-05-07 2021-10-15 西北工业大学 一种预定时间多智能体系统一致性跟踪控制方法
CN110083179A (zh) * 2019-05-07 2019-08-02 西北工业大学 一种预定时间多智能体系统一致性跟踪控制方法
CN110262237A (zh) * 2019-06-25 2019-09-20 河海大学常州校区 基于双反馈模糊神经网络的微陀螺仪超扭曲滑模控制方法
CN110262237B (zh) * 2019-06-25 2022-09-23 河海大学常州校区 基于双反馈模糊神经网络的微陀螺仪超扭曲滑模控制方法
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
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
CN110456640A (zh) * 2019-07-18 2019-11-15 西北工业大学 基于非奇异终端滑模设计的mems陀螺仪参数辨识神经网络控制方法
CN110389530A (zh) * 2019-07-18 2019-10-29 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
CN110456639A (zh) * 2019-07-18 2019-11-15 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
CN110389528A (zh) * 2019-07-18 2019-10-29 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
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
CN110456640B (zh) * 2019-07-18 2022-03-29 西北工业大学 基于非奇异终端滑模设计的mems陀螺仪参数辨识神经网络控制方法
CN110440778A (zh) * 2019-07-25 2019-11-12 中北大学 一种mems陀螺仪无超调保性能模糊小波神经控制方法
CN110442023A (zh) * 2019-07-25 2019-11-12 中北大学 一种mems陀螺仪驱动/检测模态预设性能抗干扰控制方法
CN110442023B (zh) * 2019-07-25 2022-04-19 中北大学 一种mems陀螺仪驱动与检测模态预设性能抗干扰控制方法
CN110440778B (zh) * 2019-07-25 2022-10-04 中北大学 一种mems陀螺仪无超调保性能模糊小波神经控制方法
CN110471293B (zh) * 2019-09-23 2022-02-25 南通大学 一种估计时变角速度的z轴陀螺仪滑模控制方法
CN110471293A (zh) * 2019-09-23 2019-11-19 南通大学 一种估计时变角速度的z轴陀螺仪滑模控制方法
CN111930154A (zh) * 2020-08-20 2020-11-13 北京爱宾果科技有限公司 一种mems陀螺仪的非奇异终端滑模控制方法和装置
CN111930154B (zh) * 2020-08-20 2023-07-25 北京爱宾果科技有限公司 一种mems陀螺仪的非奇异终端滑模控制方法和装置
CN112947089A (zh) * 2021-03-18 2021-06-11 西安电子科技大学 一种预设跟踪精度的自适应神经网络跟踪控制方法
CN115903807A (zh) * 2022-11-16 2023-04-04 哈尔滨理工大学 一种基于动态事件触发的动力定位船轨迹跟踪控制方法

Also Published As

Publication number Publication date
CN108897226B (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
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
CN112817231B (zh) 一种具有强鲁棒性的机械臂高精度跟踪控制方法
CN107607101B (zh) 基于干扰观测器的mems陀螺滑模控制方法
CN105159083B (zh) 一种双框架磁悬浮cmg框架系统的高精度摩擦补偿控制方法
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
Mao et al. Design and implementation of continuous finite-time sliding mode control for 2-DOF inertially stabilized platform subject to multiple disturbances
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
CN109062048B (zh) 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法
CN110389528A (zh) 基于扰动观测的数据驱动mems陀螺仪驱动控制方法
CN108710296B (zh) 微陀螺仪的分数阶自适应快速终端滑模控制方法
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
CN108241299A (zh) 带误差限定的微陀螺自适应滑模控制方法
CN105278331A (zh) 一种微陀螺的鲁棒自适应神经网络h无穷控制方法
CN104503246A (zh) 微陀螺仪系统的间接自适应神经网络滑模控制方法
CN107608217B (zh) 基于复合学习的mems陀螺仪模糊滑模控制方法
CN107870566B (zh) 基于平行估计复合学习的mems陀螺仪快速启动方法
Ma et al. Compact H∞ robust rebalance loop controller design for a micromachined electrostatically suspended gyroscope
CN107861384B (zh) 基于复合学习的mems陀螺仪快速启动方法
CN110389530A (zh) 基于数据筛选的mems陀螺仪参数辨识驱动控制方法
CN110471293A (zh) 一种估计时变角速度的z轴陀螺仪滑模控制方法
CN107608216B (zh) 基于平行估计模型的mems陀螺仪复合学习控制方法
CN110262242B (zh) 一种微陀螺仪自适应分数阶滑模控制方法
CN103472725A (zh) 一种基于名义控制器的神经网络全调节的控制方法

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