CN109062048B - 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 - Google Patents

基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 Download PDF

Info

Publication number
CN109062048B
CN109062048B CN201810948760.3A CN201810948760A CN109062048B CN 109062048 B CN109062048 B CN 109062048B CN 201810948760 A CN201810948760 A CN 201810948760A CN 109062048 B CN109062048 B CN 109062048B
Authority
CN
China
Prior art keywords
neural network
detection
error
mems
gyro
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
Application number
CN201810948760.3A
Other languages
English (en)
Other versions
CN109062048A (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 CN201810948760.3A priority Critical patent/CN109062048B/zh
Publication of CN109062048A publication Critical patent/CN109062048A/zh
Application granted granted Critical
Publication of CN109062048B publication Critical patent/CN109062048B/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

Abstract

本发明涉及一种基于复合学习的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的MEMS陀螺动力学模型，结合平行估计模型构建神经网络预测误差，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；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和复合学习律，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。本发明解决MEMS陀螺系统奇异、超调及跟踪误差无法预先设计的问题，进一步提高MEMS陀螺仪的控制精度，改善陀螺性能。

Description

基于复合学习的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复合学习的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
MEMS陀螺仪是一种体积小、功耗低、成本低、易集成的角运动测量传感器，广泛应用于各种低精度的消费电子及工业领域。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)一文提出一种基于平行估计模型的MEMS陀螺仪复合学习控制方法。一方面构建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；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，但并未考虑滑模控制的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复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法。该方法一方面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和复合学习律，实现MEMS陀螺的预设性能控制；另一方面给出非奇异滑模控制器，避免系统的奇异问题。
技术方案
1.一种基于复合学习的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；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；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个元素为式(7)，其中i＝1,2,……,M；
其中，σi是该高斯函数的标准差；是该高斯函数的中心；
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 (9)
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) (12)
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 (16)
u3＝-μ1s-μ2|s|γsign(s) (19)
其中，且 μ2>0；|s|γsign(s)＝[|s1|γsign(s1) |s2|γsign(s2)]T且0<γ<1；
定义神经网络预测误差为
其中，为的神经网络估计值，由以下模型得到
其中，为的导数；且
给出神经网络权值的复合学习律为
其中，λ，和δ为待设计的正常数；
步骤5：根据控制器(16)～(19)得到的控制器u计算得到经典驱动力返回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复合学习的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。
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：一种基于复合学习的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。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；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(i＝1,2,……,M)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。
(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 (9)
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) (12)
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；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 (16)
u3＝-μ1s-μ2|s|γsign(s) (19)
其中，且 μ2>0；|s|γsign(s)＝[|s1|γsign(s1) |s2|γsign(s2)]T且0<γ<1。
定义神经网络预测误差为
其中，为的神经网络估计值，由以下模型得到
其中，为的导数；且
给出神经网络权值的复合学习律为
其中，λ，和δ为待设计的正常数。
(e)根据控制器(16)～(19)得到的控制器u计算得到经典驱动力返回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：
考虑存在参数摄动的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。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，
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；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。
(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 (9)
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) (12)
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 (16)
u3＝-μ1s-μ2|s|γsign(s) (19)
其中，且 μ1＝100，μ2＝90；|s|γsign(s)＝[|s1|γsign(s1) |s2|γsign(s2)]T且γ＝0.5。
定义神经网络预测误差为
其中，为的神经网络估计值，由以下模型得到
其中，为的导数；
给出神经网络权值的复合学习律为
其中，λ＝20，δ＝0.2。
(e)根据控制器(16)～(19)得到的控制器u计算得到经典驱动力返回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。
该方法考虑存在参数摄动的MEMS陀螺动力学模型，结合平行估计模型构建神经网络预测误差，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；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和复合学习律，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。本发明设计的基于预设性能控制的MEMS陀螺仪非奇异复合学习方法可解决MEMS陀螺系统奇异、超调及跟踪误差无法预先设计的问题，进一步提高MEMS陀螺仪的控制精度，改善陀螺性能。

Claims (1)

1.一种基于复合学习的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；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；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个元素为式(7)，其中i＝1,2,……,M；
其中，σi是高斯函数的标准差；是高斯函数的中心；
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 (9)
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) (12)
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 (16)
u3＝-μ1s-μ2|s|γsign(s) (19)
其中，且 μ2>0；|s|γsign(s)＝[s1|γsign(s1) |s2|γsign(s2)]T且0<γ<1；
定义神经网络预测误差为
其中，为的神经网络估计值，由以下模型得到
其中，为的导数；且
给出神经网络权值的复合学习律为
其中，λ，和δ为待设计的正常数；
步骤5：根据控制器(16)～(19)得到的控制器u计算得到经典驱动力返回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。
CN201810948760.3A 2018-08-20 2018-08-20 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法 Active CN109062048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810948760.3A CN109062048B (zh) 2018-08-20 2018-08-20 基于复合学习的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
CN201810948760.3A CN109062048B (zh) 2018-08-20 2018-08-20 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法

Publications (2)

Publication Number Publication Date
CN109062048A CN109062048A (zh) 2018-12-21
CN109062048B true CN109062048B (zh) 2019-07-19

Family

ID=64687499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810948760.3A Active CN109062048B (zh) 2018-08-20 2018-08-20 基于复合学习的mems陀螺仪预设性能非奇异滑模控制方法

Country Status (1)

Country Link
CN (1) CN109062048B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN113008271A (zh) * 2019-08-15 2021-06-22 深圳市瑞立视多媒体科技有限公司 校准3d旋转差异的数学模型构建方法、校准方法及其装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN109062048A (zh) 2018-12-21

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
CN109927032B (zh) 一种基于高阶滑模观测器的机械臂轨迹跟踪控制方法
CN112817231B (zh) 一种具有强鲁棒性的机械臂高精度跟踪控制方法
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
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
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
Fei et al. A novel adaptive sliding mode control with application to MEMS gyroscope
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
CN107607101B (zh) 基于干扰观测器的mems陀螺滑模控制方法
CN108710296B (zh) 微陀螺仪的分数阶自适应快速终端滑模控制方法
CN110389528B (zh) 基于扰动观测的数据驱动mems陀螺仪驱动控制方法
CN111572818B (zh) 一种磁悬浮控制力矩陀螺框架速率伺服系统及控制方法
CN104503246B (zh) 微陀螺仪系统的间接自适应神经网络滑模控制方法
CN108241299A (zh) 带误差限定的微陀螺自适应滑模控制方法
CN106338918A (zh) 一种微陀螺自适应动态面双神经网络控制方法
CN102411302A (zh) 基于直接自适应模糊控制的mems微陀螺仪控制方法
CN107870566A (zh) 基于平行估计复合学习的mems陀螺仪快速启动方法
CN108931922A (zh) 一种工业机器人的自适应非光滑轨迹跟踪控制方法
CN110389530B (zh) 基于数据筛选的mems陀螺仪参数辨识驱动控制方法
CN110389527B (zh) 基于异类估计的mems陀螺仪滑模控制方法
CN107861384B (zh) 基于复合学习的mems陀螺仪快速启动方法
CN110426952B (zh) 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
CN110440779B (zh) 一种高动态mems谐振式陀螺仪力平衡控制方法
CN110262242B (zh) 一种微陀螺仪自适应分数阶滑模控制方法
CN110579966B (zh) 一种基于神经网络辨识参数的z轴陀螺仪控制方法

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