CN109917645A - 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 - Google Patents
微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 Download PDFInfo
- Publication number
- CN109917645A CN109917645A CN201910129369.5A CN201910129369A CN109917645A CN 109917645 A CN109917645 A CN 109917645A CN 201910129369 A CN201910129369 A CN 201910129369A CN 109917645 A CN109917645 A CN 109917645A
- Authority
- CN
- China
- Prior art keywords
- formula
- microthrust test
- model
- sliding mode
- double feedback
- 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
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,控制系统参考模型、滑模面、自适应律、双反馈模糊神经网络逼近器、超扭曲模糊滑模控制器和微陀螺系统。本发明针对实际微陀螺系统模型未知及其参数不确定性等问题,提出了基于双反馈模糊神经网络的微陀螺系统的自适应超扭曲滑模控制方法。相比于传统的神经网络控制,本发明设计的双闭环模糊神经网络具有全调节的优势,可以任意设定中心向量及基宽的初值,中心向量、基宽值以及神经网络的权值都会随着所设计的自适应算法根据不同的输入自适应调整到最佳值,自适应算法通过Lyapunov稳定性理论得出,动态双反馈神经网络由于加入了信号回归回路,能够存储更多的信息,对微陀螺系统未知模型逼近的精度更高,同时结合高阶超扭曲算法的优越性,能够有效抑制系统的控制输入抖振,能够保证系统在有限时间内收敛,快速精确跟踪参考轨迹,从而提高控制系统性能,并利用MATLAB对算法的优越性进行了实验验证。
Description
技术领域
本发明涉及基于双反馈模糊神经网络的微陀螺系统自适应超扭曲滑模 控制方法,属于微陀螺的控制技术领域。
背景技术
陀螺是惯性导航和惯性制导系统的基本测量元件。微陀螺因其在成本、 体积、结构等方面存在巨大的优势,从而被广泛地应用在航海、航天、航 空及油田勘测开发和陆地车辆的导航与定位等民用、军事领域中。因其在 设计和制造中存在误差和温度的影响,会导致原件特性和设计之间的差异, 从而导致陀螺仪系统灵敏度和精度的降低,微陀螺控制的主要问题是补偿 制造误差和测量角速度。经过几十年的研究发展,微陀螺虽然在结构设计 和精度等方面取得了显著的进步,但是由于其设计原理本身的局限性及工 艺加工精度自身的限制,使得微陀螺的发展难以取得质的飞跃。
并且对于实际的微陀螺系统而言,微陀螺无量纲模型中模型参数是未 知的或无法准确获取的,所以在实施控制时,无法精确地实施所设计的控 制律,因此选取一种有效的方法对微陀螺未知模型的逼近也极为重要,使 控制律的设计不依赖于精确的数学模型。
双反馈模糊神经网络可以有效地逼近任意非线性模型,并且具有全调 节的优点,可以任意设定中心向量及基宽的初值,中心向量、基宽值以及 神经网络的权值都会随着所设计的自适应算法根据不同的输入自适应调整 到最佳值,自适应算法通过Lyapunov稳定性理论得出,动态双反馈神经网 络由于加入了信号回归回路,能够存储更多的信息,对微陀螺系统未知模 型逼近的精度更高。高阶超扭曲算法能够有效抑制系统的控制输入抖振,能够保证系统在有限时间内收敛,快速精确跟踪参考轨迹,从而提高控制 系统性能
发明内容
为了改善微陀螺系统性能,提高其鲁棒性为,解决微陀螺现存在的缺 陷和传统控制方法不足等问题,本发明提出微陀螺双反馈模糊神经网络超 扭曲滑模控制系统设计方法,充分利用双反馈模糊神经网络控制,自适应 控制和超扭曲滑模控制的优点。
本发明中主要采用的技术方案为:
微陀螺双反馈模糊神经网络超扭曲滑模控制系统,所述控制系统包括 参考模型、滑模面、自适应律、双反馈模糊神经网络逼近模型、超扭曲模 糊滑模控制器和微陀螺系统,其中,参考模型为控制系统提供参考信号, 双反馈模糊神经网络逼近模型用于逼近微陀螺系统的未知模型,与超扭曲 模糊滑模控制器共同形成整个控制系统的控制器,并且双反馈模糊神经网 络的参数根据所设计的自适应律实现全调节,其中,所述超扭曲模糊滑模 控制器包括超扭曲滑模控制器和等效滑模控制器。
微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,具体步骤 如下:
步骤1:结合参考模型,建立微陀螺系统的无量纲动力学方程及微陀螺 系统的等效模型;
步骤2:设计微陀螺系统的超扭曲滑模控制器,其中,超扭曲模糊滑模 控制器的控制律包括等效滑模控制器的等效控制项ueq和超扭曲滑模控制器 的超扭曲滑模控制项usw;
步骤3:采用双反馈模糊神经网络逼近微陀螺系统的未知模型f,建立 双反馈模糊神经网络逼近模型
步骤4:根据Lyapunov稳定性理论得到双反馈模糊神经网络中各项参 数的自适应算法。
优选地,所述步骤1的具体步骤如下:
步骤1.1:建立微陀螺的数学模型,所述微陀螺包括被弹性材料支撑悬 挂的基础质量块,静电驱动装置和感测装置,且在笛卡尔坐标系下简化为z 轴微机械振动陀螺仪模型,根据旋转系中的牛顿定律,最终得到微陀螺的 数学模型如式(1)所示:
式(1)中,m是基础质量块的质量,x,y为质量块在驱动轴和感测轴 两轴的位置向量,dxx,dyy表示x,y两轴的阻尼系数,kxx,kyy分别是x,y两轴的 弹簧系数,ux,uy分别表示x,y两轴的控制输入,kxy,dxy分别为制造误差引 起的耦合弹簧系数和阻尼系数,Ωz表示微陀螺工作环境中的角速度, 分别为x,y两轴方向所受的科里奥利力;
步骤1.2:对式(1)进行无量纲化处理,将式(1)的两侧同时除以微 陀螺基础质量块的质量m,参考长度q0,两轴的共振频率的平方ω0 2,则(1) 式中,各无量纲量的表达式如式(2)所示:
根据式(2)的无量纲化处理得到微陀螺无量纲动力学方程如式(3) 所示:
步骤1.3:对微陀螺无量纲化模型进行等效变化,初步获得微陀螺系统 的等效模型,如式(4)所示:
其中,
步骤1.4:根据微陀螺系统的参数不确定性和外界干扰,将式(4)所 示的微陀螺系统的等效模型修改为式(5)所示:
式(5)中,ΔD为惯性矩阵D+2Ω的未知参数的不确定性,ΔK为矩阵K 的未知参数的不确定性,d为外界干扰;
步骤1.5:定义则式(5)进一步表示为:
定义未知模型式(7)中,
其中,表示系统集总参数的不确定性和外界干扰,满足其中,ρ为系统集总参数不确定性和外界干扰的上界值,且不确定性和外界 干扰的导数满足δ为系统集总参数不确定性和外界干扰导数的上 界值,δ为正的常数。
优选地,所述步骤2的具体步骤如下:
步骤2.1:设计滑模面如式(9)所示:
式(9)中,c为滑模面常数,e,分别为跟踪误差和跟踪误差的导数, 所述跟踪误差e=q-qr=[q1-qr1,q2-qr2]T,其中,q为微陀螺系统的输出轨迹, qr为微陀螺系统的参考模型,所述跟踪误差的导数如式(10)所示:
因此,将式(10)代入式(9)中,并对其求导可得
步骤2.2:设计等效滑模控制器的等效控制项ueq,将式(7)和式(8)代 入式(11)可得:
在不考虑误差及外界干扰时,令得到等效滑模控制器的等效控 制项ueq如式(13)所示:
步骤2.3:采用超扭曲滑模控制,得到超扭曲滑模控制器的超扭曲滑模 控制项usw如式(14)所示:
式(14)中,k1>0,k2>0,并且ρ为系统集总 参数不确定性和外界干扰的上界值,δ为系统集总参数不确定性和外界 干扰导数的上界值;
步骤2.4:结合式(13)和式(14),超扭曲模糊滑模控制器的控制律
u=ueq+usw,如式(15)所示:
优选地,所述步骤3的具体步骤如下:
步骤3.1:定义逼近模型并利用此逼近模型逼 近式(15)中控制律的未知模型f,得到式(16):
设存在最优权值w*,最优基宽值b*,最优中心向量c*以及最优内层反 馈增益和最优外层反馈增益来估计未知模型f,则f=w*Th*+ξ,其 中ξ为映射误差;
步骤3.2:定义逼近模型中各参数的逼近误差为:
因此系统未知模型f与逼近模型之间的误差表示为:
定义微陀螺系统集总逼近误差为:
将式(19)代入式(18)可得:
步骤3.3:为了使双反馈模糊神经网络逼近器的各项参数实现在线的自 适应调节,对进行泰勒展开,得到的表达式如下:
其中,Oh为高阶项,系数矩阵dhc,dhb,的表达形式如下所示:
将式(21)代入式(20)得:
其中,逼近误差总和为:假设逼近误差总和及其导数 是有界的,并且有其中Od为逼近误差总和导数的上界值,Od为 正常数。
优选地,所述步骤4的具体步骤如下:
步骤4.1选择如下Lyapunov函数对系统的稳定性证明:
其中,定义:
其中,η1、η2、η3、η4、η5表示自适应增益值,将(25)式代入(24)式, 并对式(24)进行求导得:
将式(12)及式(16)代入式(26)得:
将式(23)代入式(27)得:
步骤4.2:利用矩阵求逆性质有:
因此,令得双反馈模糊神经网络中权值的自适 应律为:
同理,得双反馈模糊神经网络的中心向量基宽内层反馈增益 以及外层反馈增益的自适应律为:
步骤4.3:将自适应律(34)~(38)代入(28)式得:
因为
所以(28)式可以化简为:
因此只要使k2满足k2≥δ+Od,即能保证:
根据Lyapunov稳定性理论可知,能够保证系统达到稳定状态, 滑模面及其滑模面的导数能够在有限时间内收敛到零,的半负定确保了 V,s均是有界的,再根据Barbalat定理及其推论,s(t)将趋于零,即进而也有滑模面函数中的e、都会收敛到0。
优选地,所述微陀螺系统的参考模型为:
且选取稳定正弦振荡,其中:x=A1sin(ω1t),y=A2sin(ω2t),其中A1,A2表示参考模型正弦信号的幅值,ω1,ω2表示参考模型正弦信号的频率。
有益效果:本发明提出微陀螺双反馈模糊神经网络超扭曲滑模控制系 统设计方法,相比于传统的神经网络控制,本发明设计的双闭环模糊神经 网络具有全调节的优势,可以任意设定中心向量及基宽的初值,中心向量、 基宽值以及神经网络的权值都会随着所设计的自适应算法根据不同的输入 自适应调整到最佳值,自适应算法通过Lyapunov稳定性理论得出,动态双 反馈神经网络由于加入了信号回归回路,能够存储更多的信息,对微陀螺 系统未知模型逼近的精度更高,同时结合高阶超扭曲算法的优越性,能够 有效抑制系统的控制输入抖振,能够保证系统在有限时间内收敛,快速精 确跟踪参考轨迹,从而提高控制系统性能,并利用MATLAB对算法的优越性 进行了实验验证。本发明的控制方法设计简易,应用方便,进一步扩展了 微陀螺的应用范围,能够实现对被控系统的有效控制,使微陀螺系统的轨 迹跟踪具有较强的鲁棒性,较快的收敛速度以及较高的精确度。保证微陀螺的轨迹能够准确有效地跟踪其参考轨迹,确保系统全局渐进稳定,改善 系统的鲁棒性,提高系统的灵敏度和精确度。
附图说明
图1为本发明实例中微陀螺系统的简化模型图;
图2为本发明实例中基于双反馈模糊神经网络的自适应超扭曲控制系统结 构框图;
图3为本发明实例中微陀螺系统X轴位置与速度跟踪曲线;
图4为本发明实例中微陀螺系统Y轴位置与速度跟踪曲线;
图5为本发明实例中微陀螺系统X轴Y轴位置跟踪误差曲线;
图6为本发明实例中微陀螺系统X轴Y轴控制输入曲线;
图7为本发明实例中微陀螺系统X轴Y轴滑模面收敛曲线;
图8为本发明实例中微陀螺系统X轴Y轴未知模型逼近曲线;
图9为本发明实例中微陀螺系统X轴Y轴未知模型逼近误差曲线。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面对本 申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例 仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施 例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例,都应当属于本申请保护的范围。
下面结合附图对本发明的技术方案做了进一步的详细说明:
微陀螺双反馈模糊神经网络超扭曲滑模控制系统,所述控制系统包括 参考模型、滑模面、自适应律、双反馈模糊神经网络逼近模型、超扭曲模 糊滑模控制器和微陀螺系统,其中,参考模型为控制系统提供参考信号, 双反馈模糊神经网络逼近模型用于逼近微陀螺系统的未知模型,与超扭曲 模糊滑模控制器共同形成整个控制系统的控制器,并且双反馈模糊神经网 络的参数根据所设计的自适应律实现全调节,其中,所述超扭曲模糊滑模 控制器包括超扭曲滑模控制器和等效滑模控制器。
微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,具体步骤 如下:
步骤1:结合参考模型,建立微陀螺系统的无量纲动力学方程及微陀螺 系统的等效模型;
步骤2:设计微陀螺系统的超扭曲滑模控制器,其中,超扭曲模糊滑模 控制器的控制律包括等效滑模控制器的等效控制项ueq和超扭曲滑模控制器 的超扭曲滑模控制项usw;
步骤3:采用双反馈模糊神经网络逼近微陀螺系统的未知模型f,建立 双反馈模糊神经网络逼近模型
步骤4:根据Lyapunov稳定性理论得到双反馈模糊神经网络中各项参 数的自适应算法。
优选地,所述步骤1的具体步骤如下:
步骤1.1:建立微陀螺的数学模型,所述微陀螺包括被弹性材料支撑悬 挂的基础质量块,静电驱动装置和感测装置,且在笛卡尔坐标系下简化为z 轴微机械振动陀螺仪模型,根据旋转系中的牛顿定律,最终得到微陀螺的 数学模型如式(1)所示:
式(1)中,m是基础质量块的质量,x,y为质量块在驱动轴和感测轴 两轴的位置向量,dxx,dyy表示x,y两轴的阻尼系数,kxx,kyy分别是x,y两轴的 弹簧系数,ux,uy分别表示x,y两轴的控制输入,kxy,dxy分别为制造误差引 起的耦合弹簧系数和阻尼系数,Ωz表示微陀螺工作环境中的角速度, 分别为x,y两轴方向所受的科里奥利力;
步骤1.2:对式(1)进行无量纲化处理,将式(1)的两侧同时除以微 陀螺基础质量块的质量m,参考长度q0,两轴的共振频率的平方ω0 2,则(1) 式中,各无量纲量的表达式如式(2)所示:
根据式(2)的无量纲化处理得到微陀螺无量纲动力学方程如式(3) 所示:
步骤1.3:对微陀螺无量纲化模型进行等效变化,初步获得微陀螺系统 的等效模型,如式(4)所示:
其中,
步骤1.4:根据微陀螺系统的参数不确定性和外界干扰,将式(4)所 示的微陀螺系统的等效模型修改为式(5)所示:
式(5)中,ΔD为惯性矩阵D+2Ω的未知参数的不确定性,ΔK为矩阵K 的未知参数的不确定性,d为外界干扰;
步骤1.5:定义则式(5)进一步表示为:
定义未知模型式(7)中,
其中,表示系统集总参数的不确定性和外界干扰,满足其中,ρ为系统集总参数不确定性和外界干扰的上界值,且不确定性和外界 干扰的导数满足δ为系统集总参数不确定性和外界干扰导数的上 界值,δ为正的常数。
优选地,所述步骤2的具体步骤如下:
步骤2.1:设计滑模面如式(9)所示:
式(9)中,c为滑模面常数,e,分别为跟踪误差和跟踪误差的导数, 所述跟踪误差e=q-qr=[q1-qr1,q2-qr2]T,其中,q为微陀螺系统的输出轨迹, qr为微陀螺系统的参考模型,所述跟踪误差的导数如式(10)所示:
因此,将式(10)代入式(9)中,并对其求导可得
步骤2.2:设计等效滑模控制器的等效控制项ueq,将式(7)和式(8)代 入式(11)可得:
在不考虑误差及外界干扰时,令得到等效滑模控制器的等效控 制项ueq如式(13)所示:
步骤2.3:采用超扭曲滑模控制,得到超扭曲滑模控制器的超扭曲滑模 控制项usw如式(14)所示:
式(14)中,k1>0,k2>0,并且ρ为系统集总 参数不确定性和外界干扰的上界值,δ为系统集总参数不确定性和外界 干扰导数的上界值;
步骤2.4:结合式(13)和式(14),超扭曲模糊滑模控制器的控制律
u=ueq+usw,如式(15)所示:
优选地,所述步骤3的具体步骤如下:
步骤3.1:定义逼近模型并利用此逼近模型逼 近式(15)中控制律的未知模型f,得到式(16):
设存在最优权值w*,最优基宽值b*,最优中心向量c*以及最优内层反 馈增益和最优外层反馈增益来估计未知模型f,则f=w*Th*+ξ,其 中ξ为映射误差;
步骤3.2:定义逼近模型中各参数的逼近误差为:
因此系统未知模型f与逼近模型之间的误差表示为:
定义微陀螺系统集总逼近误差为:
将式(19)代入式(18)可得:
步骤3.3:为了使双反馈模糊神经网络逼近器的各项参数实现在线的自 适应调节,对进行泰勒展开,得到的表达式如下:
其中,Oh为高阶项,系数矩阵dhc,dhb,的表达形式如下所示:
将式(21)代入式(20)得:
其中,逼近误差总和为:假设逼近误差总和及其导数 是有界的,并且有其中Od为逼近误差总和导数的上界值,Od为 正常数。
优选地,所述步骤4的具体步骤如下:
步骤4.1选择如下Lyapunov函数对系统的稳定性证明:
其中,定义:
其中,η1、η2、η3、η4、η5表示自适应增益值,将(25)式代入(24)式, 并对式(24)进行求导得:
将式(12)及式(16)代入式(26)得:
将式(23)代入式(27)得:
步骤4.2:利用矩阵求逆性质有:
因此,令得双反馈模糊神经网络中权值的自适 应律为:
同理,得双反馈模糊神经网络的中心向量基宽内层反馈增益 以及外层反馈增益的自适应律为:
步骤4.3:将自适应律(34)~(38)代入(28)式得:
因为
所以(28)式可以化简为:
因此只要使k2满足k2≥δ+Od,即能保证:
根据Lyapunov稳定性理论可知,能够保证系统达到稳定状态, 滑模面及其滑模面的导数能够在有限时间内收敛到零,的半负定确保了 V,s均是有界的,再根据Barbalat定理及其推论,s(t)将趋于零,即进而也有滑模面函数中的e、都会收敛到0。
优选地,所述微陀螺系统的参考模型为:
且选取稳定正弦振荡,其中:x=A1sin(ω1t),y=A2sin(ω2t),其中A1,A2表示参考模型正弦信号的幅值,ω1,ω2表示参考模型正弦信号的频率。 实施例:本发明的实验仿真分析
利用MATLAB/Simulink仿真软件,对本文所提出基于双反馈模糊神经 网络的微陀螺系统自适应超扭曲滑模控制进行数值仿真实验,验证此算法 的可行性和有效性,微陀螺系统参数选择如下:
m=1.8×10-7kg,kxx=63.955N/m,kyy=95.92N/m,kxy=12.779N/m
dxx=1.8×10-6N s/m,dyy=1.8×10-6N s/m,dxy=3.6×10-7N s/m
假定微陀螺系统输入的角速度为Ωz=100rad/s。为了使数值仿真更易实 现,简化控制器设计,对微陀螺系统,我们对其进行无量纲化处理,选取 参考长度为q0=1μm,参考频率为ω0=1000Hz,得到微陀螺系统的无量纲参 数如下:
ωx 2=355.3,ωy 2=532.9,ωxy=70.99,dxx=0.01
dyy=0.01,dxy=0.002,Ωz=0.1
微陀螺系统无量纲参数矩阵如下:
因此系统的无量纲参数可表示为:
仿真实验中,设系统的初始条件为:q1(0)=1.0,q2(0)=0.5,微陀螺的两轴期望运行轨迹为:qr1=-sin(0.5πt),qr2=-sin(0.5πt),滑模控制中, 取滑模面的参数c=70。Super-Twisting切换控制律中,取k1=20,k2=30,当 微陀螺系统参数摄动10%,外界干扰取白噪声信号。双反馈模糊神经网络 控制器相关参数选取如下:选取自适应增益值为 η1=250000,η2=10000,η3=10000,η4=10000,η5=10000,任意设定b,c,w,wr,wro的初 始值,选取陀螺仪位置跟踪误差e作为网络输入层的输入。仿真结果如图3 至图9所示。
图3至图5分别代表X轴Y轴的位置与速度跟踪曲线以及位置跟踪误 差曲线,从图中可以看出系统在基于双反馈模糊神经网络超扭曲滑模控制 下,系统的输出信号能够在有限时间内快速并精确地跟踪系统输入的参考 信号,并且跟踪效果较好,跟踪误差能够快速收敛至零。因此,控制系统 能够在有限时间内快速地达到稳定状态,实现控制系统所要求的控制目标, 达到较好的控制效果。
图6为微陀螺系统在双反馈模糊神经网络超扭曲滑模控制律下X轴和 Y轴的控制输入曲线,从图中可以看出,本文所提出的控制方法可以有效 抑制系统控制输入抖振,控制输入曲线较为平滑,因此可以达到较好的控 制效果。
图7为系统在双反馈模糊神经网络超扭曲滑模控制律下的X轴和Y轴 的滑模面收敛曲线,结果显示,滑模面能够在有限时间内迅速收敛至零, 同时也表明,该系统可以在有限时间内达到滑模面,并且稳定在滑模面上, 达到滑动稳定区域,保证了控制系统的有效性和稳定性。
图8至图9表示系统未知模型逼近曲线以及系统未知模型逼近误差曲 线,从图中可以看出本发明所提出的双反馈模糊神经网络可以有效地逼近 系统的未知模型,与实际模型相比较逼近效果较好,因此,可以使系统的 控制不依赖于其精确的数学模型,简化了控制系统设计,提高了控制效率, 使控制系统能够达到所要求的的动态、静态性能。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的 普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进 和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.微陀螺双反馈模糊神经网络超扭曲滑模控制系统,其特征在于,所述控制系统包括参考模型、滑模面、自适应律、双反馈模糊神经网络逼近模型、超扭曲模糊滑模控制器和微陀螺系统,其中,参考模型为控制系统提供参考信号,双反馈模糊神经网络逼近模型用于逼近微陀螺系统的未知模型,与超扭曲模糊滑模控制器共同形成整个控制系统的控制器,并且双反馈模糊神经网络的参数根据所设计的自适应律实现全调节,其中,所述超扭曲模糊滑模控制器包括超扭曲滑模控制器和等效滑模控制器。
2.微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,具体步骤如下:
步骤1:结合参考模型,建立微陀螺系统的无量纲动力学方程及微陀螺系统的等效模型;
步骤2:设计微陀螺系统的超扭曲滑模控制器,其中,超扭曲模糊滑模控制器的控制律包括等效滑模控制器的等效控制项ueq和超扭曲滑模控制器的超扭曲滑模控制项usw;
步骤3:采用双反馈模糊神经网络逼近微陀螺系统的未知模型f,建立双反馈模糊神经网络逼近模型
步骤4:根据Lyapunov稳定性理论得到双反馈模糊神经网络中各项参数的自适应算法。
3.根据权利要求2所述的微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,所述步骤1的具体步骤如下:
步骤1.1:建立微陀螺的数学模型,所述微陀螺包括被弹性材料支撑悬挂的基础质量块,静电驱动装置和感测装置,且在笛卡尔坐标系下简化为z轴微机械振动陀螺仪模型,根据旋转系中的牛顿定律,最终得到微陀螺的数学模型如式(1)所示:
式(1)中,m是基础质量块的质量,x,y为质量块在驱动轴和感测轴两轴的位置向量,dxx,dyy表示x,y两轴的阻尼系数,kxx,kyy分别是x,y两轴的弹簧系数,ux,uy分别表示x,y两轴的控制输入,kxy,dxy分别为制造误差引起的耦合弹簧系数和阻尼系数,Ωz表示微陀螺工作环境中的角速度, 分别为x,y两轴方向所受的科里奥利力;
步骤1.2:对式(1)进行无量纲化处理,将式(1)的两侧同时除以微陀螺基础质量块的质量m,参考长度q0,两轴的共振频率的平方ω0 2,则(1)式中,各无量纲量的表达式如式(2)所示:
根据式(2)的无量纲化处理得到微陀螺无量纲动力学方程如式(3)所示:
步骤1.3:对微陀螺无量纲化模型进行等效变化,初步获得微陀螺系统的等效模型,如式(4)所示:
其中,
步骤1.4:根据微陀螺系统的参数不确定性和外界干扰,将式(4)所示的微陀螺系统的等效模型修改为式(5)所示:
式(5)中,ΔD为惯性矩阵D+2Ω的未知参数的不确定性,ΔK为矩阵K的未知参数的不确定性,d为外界干扰;
步骤1.5:定义则式(5)进一步表示为:
定义未知模型式(7)中,
其中,表示系统集总参数的不确定性和外界干扰,满足其中,ρ为系统集总参数不确定性和外界干扰的上界值,且不确定性和外界干扰的导数满足δ为系统集总参数不确定性和外界干扰导数的上界值,δ为正的常数。
4.根据权利要求3所述的微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,所述步骤2的具体步骤如下:
步骤2.1:设计滑模面如式(9)所示:
式(9)中,c为滑模面常数,e,分别为跟踪误差和跟踪误差的导数,所述跟踪误差e=q-qr=[q1-qr1,q2-qr2]T,其中,q为微陀螺系统的输出轨迹,qr为微陀螺系统的参考模型,所述跟踪误差的导数如式(10)所示:
因此,将式(10)代入式(9)中,并对其求导可得
步骤2.2:设计等效滑模控制器的等效控制项ueq,将式(7)和式(8)代入式(11)可得:
在不考虑误差及外界干扰时,令得到等效滑模控制器的等效控制项ueq如式(13)所示:
步骤2.3:采用超扭曲滑模控制,得到超扭曲滑模控制器的超扭曲滑模控制项usw如式(14)所示:
式(14)中,k1>0,k2>0,并且ρ为系统集总参数不确定性和外界干扰的上界值,δ为系统集总参数不确定性和外界干扰导数的上界值;
步骤2.4:结合式(13)和式(14),超扭曲模糊滑模控制器的控制律u=ueq+usw,如式(15)所示:
5.根据权利要求4所述的微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,所述步骤3的具体步骤如下:
步骤3.1:定义逼近模型并利用此逼近模型逼近式(15)中控制律的未知模型f,得到式(16):
设存在最优权值w*,最优基宽值b*,最优中心向量c*以及最优内层反馈增益和最优外层反馈增益来估计未知模型f,则f=w*Th*+ξ,其中ξ为映射误差;
步骤3.2:定义逼近模型中各参数的逼近误差为:
因此系统未知模型f与逼近模型之间的误差表示为:
定义微陀螺系统集总逼近误差为:
将式(19)代入式(18)可得:
步骤3.3:为了使双反馈模糊神经网络逼近器的各项参数实现在线的自适应调节,对进行泰勒展开,得到的表达式如下:
其中,Oh为高阶项,系数矩阵dhc,dhb,的表达形式如下所示:
将式(21)代入式(20)得:
其中,逼近误差总和为:假设逼近误差总和及其导数是有界的,并且有其中Od为逼近误差总和导数的上界值,Od为正常数。
6.根据权利要求5所述的微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,所述步骤4的具体步骤如下:
步骤4.1选择如下Lyapunov函数对系统的稳定性证明:
其中,定义:
其中,η1、η2、η3、η4、η5表示自适应增益值,将(25)式代入(24)式,并对式(24)进行求导得:
将式(12)及式(16)代入式(26)得:
将式(23)代入式(27)得:
步骤4.2:利用矩阵求逆性质有:
因此,令得双反馈模糊神经网络中权值的自适应律为:
同理,得双反馈模糊神经网络的中心向量基宽内层反馈增益以及外层反馈增益的自适应律为:
步骤4.3:将自适应律(34)~(38)代入(28)式得:
因为
所以(28)式可以化简为:
因此只要使k2满足k2≥δ+Od,即能保证:
根据Lyapunov稳定性理论可知,能够保证系统达到稳定状态,滑模面及其滑模面的导数能够在有限时间内收敛到零,的半负定确保了V,s均是有界的,再根据Barbalat定理及其推论,s(t)将趋于零,即进而也有滑模面函数中的e、都会收敛到0。
7.根据权利要求2所述的微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法,其特征在于,所述微陀螺系统的参考模型为:且选取稳定正弦振荡,其中:x=A1sin(ω1t),y=A2sin(ω2t),其中A1,A2表示参考模型正弦信号的幅值,ω1,ω2表示参考模型正弦信号的频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129369.5A CN109917645B (zh) | 2019-02-21 | 2019-02-21 | 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129369.5A CN109917645B (zh) | 2019-02-21 | 2019-02-21 | 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109917645A true CN109917645A (zh) | 2019-06-21 |
CN109917645B CN109917645B (zh) | 2022-03-08 |
Family
ID=66961915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129369.5A Active CN109917645B (zh) | 2019-02-21 | 2019-02-21 | 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109917645B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111381500A (zh) * | 2020-03-25 | 2020-07-07 | 东莞理工学院 | 带侧面电极的2d静电驱动mems扭转微镜二阶积分滑模控制 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050182499A1 (en) * | 2000-05-27 | 2005-08-18 | Georgia Tech Research Corporation | Adaptive control system having direct output feedback and related apparatuses and methods |
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 |
CN104122794A (zh) * | 2014-07-02 | 2014-10-29 | 河海大学常州校区 | 微陀螺仪的自适应模糊神经补偿非奇异终端滑模控制方法 |
CN105334732A (zh) * | 2015-05-26 | 2016-02-17 | 河海大学常州校区 | 一种微陀螺双反馈回归神经网络滑模控制方法 |
CN107703757A (zh) * | 2017-11-07 | 2018-02-16 | 河海大学常州校区 | 微陀螺仪系统的超扭曲滑模控制方法 |
CN107807527A (zh) * | 2017-11-07 | 2018-03-16 | 河海大学常州校区 | 微陀螺仪增益可调的自适应超扭曲滑模控制方法 |
CN107831660A (zh) * | 2017-11-07 | 2018-03-23 | 河海大学常州校区 | 微陀螺仪自适应高阶超扭曲滑模控制方法 |
CN108227504A (zh) * | 2018-01-25 | 2018-06-29 | 河海大学常州校区 | 微陀螺分数阶自适应模糊神经反演终端滑模控制方法 |
CN109062046A (zh) * | 2018-08-13 | 2018-12-21 | 河海大学常州校区 | 基于rbf神经网络的微陀螺仪系统超扭曲滑模控制方法 |
CN109240083A (zh) * | 2018-09-28 | 2019-01-18 | 河海大学常州校区 | 微陀螺仪系统的自适应模糊超扭曲滑模控制方法 |
-
2019
- 2019-02-21 CN CN201910129369.5A patent/CN109917645B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050182499A1 (en) * | 2000-05-27 | 2005-08-18 | Georgia Tech Research Corporation | Adaptive control system having direct output feedback and related apparatuses and methods |
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 |
CN104122794A (zh) * | 2014-07-02 | 2014-10-29 | 河海大学常州校区 | 微陀螺仪的自适应模糊神经补偿非奇异终端滑模控制方法 |
CN105334732A (zh) * | 2015-05-26 | 2016-02-17 | 河海大学常州校区 | 一种微陀螺双反馈回归神经网络滑模控制方法 |
CN107703757A (zh) * | 2017-11-07 | 2018-02-16 | 河海大学常州校区 | 微陀螺仪系统的超扭曲滑模控制方法 |
CN107807527A (zh) * | 2017-11-07 | 2018-03-16 | 河海大学常州校区 | 微陀螺仪增益可调的自适应超扭曲滑模控制方法 |
CN107831660A (zh) * | 2017-11-07 | 2018-03-23 | 河海大学常州校区 | 微陀螺仪自适应高阶超扭曲滑模控制方法 |
CN108227504A (zh) * | 2018-01-25 | 2018-06-29 | 河海大学常州校区 | 微陀螺分数阶自适应模糊神经反演终端滑模控制方法 |
CN109062046A (zh) * | 2018-08-13 | 2018-12-21 | 河海大学常州校区 | 基于rbf神经网络的微陀螺仪系统超扭曲滑模控制方法 |
CN109240083A (zh) * | 2018-09-28 | 2019-01-18 | 河海大学常州校区 | 微陀螺仪系统的自适应模糊超扭曲滑模控制方法 |
Non-Patent Citations (8)
Title |
---|
FEI JUNTAO,等: ""Adaptive Global Fast Terminal Sliding Mode Control of MEMS Gyroscope Using Fuzzy-Neural-Network"", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 * |
JUNTAO FEI,等: ""Adaptive Backstepping Fuzzy Neural Network Fractional-Order Control of Microgyroscope Using a Nonsingular Terminal Sliding Mode Controller"", 《HINDAWI COMPLEXITY》 * |
JUNTAO FEI,等: ""Adaptive Sliding Mode Control of Dynamic Systems Using Double Loop Recurrent Neural Network Structure"", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
LU XIAOCHUN,等: ""Adaptive Iterative Learning Control for MEMS Gyroscope"", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 * |
刘瑞华,等: ""振动轮式MEMS陀螺动力学分析"", 《宇航学报》 * |
李冠中,等: ""基于模糊神经网络的MEMS陀螺温度漂移建模"", 《厦门大学学报(自然科学版)》 * |
杜东贞: ""输入非线性下MEMS陀螺仪滑模控制策略研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨玉正,等: ""基于新颖自适应方法的微振动陀螺仪研究"", 《控制工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111381500A (zh) * | 2020-03-25 | 2020-07-07 | 东莞理工学院 | 带侧面电极的2d静电驱动mems扭转微镜二阶积分滑模控制 |
Also Published As
Publication number | Publication date |
---|---|
CN109917645B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109062046A (zh) | 基于rbf神经网络的微陀螺仪系统超扭曲滑模控制方法 | |
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 | |
CN103616818B (zh) | 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法 | |
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 | |
CN110376882A (zh) | 基于有限时间扩张状态观测器的预定性能控制方法 | |
CN110806759A (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN107831660A (zh) | 微陀螺仪自适应高阶超扭曲滑模控制方法 | |
CN102436176B (zh) | 基于神经网络的微陀螺仪控制系统 | |
CN105785999A (zh) | 无人艇航向运动控制方法 | |
CN107807527A (zh) | 微陀螺仪增益可调的自适应超扭曲滑模控制方法 | |
CN104122794B (zh) | 微陀螺仪的自适应模糊神经补偿非奇异终端滑模控制方法 | |
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 | |
CN109240083A (zh) | 微陀螺仪系统的自适应模糊超扭曲滑模控制方法 | |
CN105278331A (zh) | 一种微陀螺的鲁棒自适应神经网络h无穷控制方法 | |
CN108227504A (zh) | 微陀螺分数阶自适应模糊神经反演终端滑模控制方法 | |
CN103345155B (zh) | 微陀螺仪的自适应反演控制系统及方法 | |
CN107703757A (zh) | 微陀螺仪系统的超扭曲滑模控制方法 | |
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 | |
CN104267604B (zh) | 微陀螺仪自适应神经网络全局滑模控制方法 | |
CN104155874B (zh) | 微陀螺仪的反演自适应模糊动态滑模控制方法 | |
CN109917645A (zh) | 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 | |
CN110262237A (zh) | 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 | |
CN103529701A (zh) | 微陀螺仪的神经网络全局滑模控制方法 | |
CN104503246A (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 |
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 |