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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2018
- 2018-08-20 CN CN201810948760.3A patent/CN109062048B/zh active Active
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 |