CN110389527A - 基于异类估计的mems陀螺仪滑模控制方法 - Google Patents
基于异类估计的mems陀螺仪滑模控制方法 Download PDFInfo
- Publication number
- CN110389527A CN110389527A CN201910648290.3A CN201910648290A CN110389527A CN 110389527 A CN110389527 A CN 110389527A CN 201910648290 A CN201910648290 A CN 201910648290A CN 110389527 A CN110389527 A CN 110389527A
- Authority
- CN
- China
- Prior art keywords
- parameter
- neural network
- sliding
- mems
- designed
- 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
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
- G05B13/0265—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
-
- 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
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异类估计的MEMS陀螺仪滑模控制方法,属于智能化仪器仪表领域。该方法将陀螺仪动力学模型转化为无量纲的动力学线性参数化模型;结合当前数据和历史数据共同设计待辨识参数自适应律,实现参数辨识;设计自适应神经网络在线调整神经网络权值,实现对不确定的有效估计;设计滑模控制器实现MEMS陀螺驱动控制,同时提高系统对外部干扰的鲁棒性。本发明设计的基于历史数据学习的MEMS陀螺仪滑模控制及参数辨基于异类估计的MEMS陀螺仪滑模控制方法可解决驱动控制系统控制精度有限的问题,实现高精度陀螺仪驱动控制,同时辨识动力学参数,进一步改善MEMS陀螺仪性能。
Description
技术领域
本发明涉及一种MEMS陀螺仪的驱动控制方法,特别是涉及一种基于异类估计的MEMS陀螺仪滑模控制方法,属于智能化仪器仪表领域。
背景技术
在实际工程应用中,MEMS陀螺仪的温度、气压、磁场、振动等工作环境变化为陀螺驱动控制带来挑战,尤其是缺乏自适应能力的控制器难以适应动态变化的环境。目前常用的两种解决思路是:(1)改善硬件设计,增加隔离构件屏蔽外部环境的影响;(2)改进控制器设计方案,增强控制器的自适应能力。
由于滑模控制对外部环境变化不敏感,系统鲁棒性强,《Adaptive GlobalSliding Mode Control for MEMS Gyroscope Using RBF Neural Network》(Yundi Chuand Juntao Fei,《Mathematical Problems in Engineering》,2015)一文中提出了一种基于RBF神经网络的MEMS陀螺仪全局滑模控制方法,采用神经网络调节滑模切换增益,同时给出了动力学模型参数辨识结果。然而这种方法主要关注滑模抖振问题,难以保证驱动控制精度。
发明内容
要解决的技术问题
为克服现有技术驱动控制系统控制精度有限的问题,本发明提出一种基于异类估计的MEMS陀螺仪滑模控制方法。该方法结合当前数据和历史数据共同构建待辨识参数自适应律,实现参数辨识;设计自适应神经网络在线调整神经网络权值,实现对不确定的有效估计;设计滑模控制器实现MEMS陀螺驱动控制,同时提高系统对外部干扰的鲁棒性。
技术方案
一种基于异类估计的MEMS陀螺仪滑模控制方法,其特征在于步骤如下:
步骤1:考虑存在正交误差和系统不确定的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,cxx和cyy为阻尼系数,kxx和kyy为刚度系数,和为非线性系数,cxy和cyx为阻尼耦合系数,kxy和kyx为刚度耦合系数;且 其中和是参数标称值,根据某型号的振动式硅微机械陀螺选取,Δkxx、Δkyy、Δcxx、Δcyy、Δkxy、Δkyx、Δcxy和Δcyx是未知的不确定参数;
取无量纲化时间t=ωot*,无量纲化位移x=x*/q0,y=y*/q0,其中ω0为参考频率,q0为参考长度,对MEMS陀螺动力学模型进行无量纲化处理,并在等式两边同时除以得到
其中,和x分别为MEMS陀螺仪检测质量块沿驱动轴的无量纲加速度、无量纲速度和无量纲位移,和y分别为沿检测轴的无量纲加速度、无量纲速度和无量纲位移;
重新定义
式(2)可以表示为
定义θ=[x,y]T,F=[f1,f2]T,ΔF=[Δf1,Δf2]T,U=[u1,u2]T,则式(3)可写为
假设是待辨识的未知参数矩阵,是连续可微回归函数向量,则对F进行线性参数化,得到
F=WΦ (5)
其中,
构造神经网络逼近ΔF,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q(q=1,2,…,M)个元素定义为如下高斯函数
其中,σq是该高斯函数待设计的标准差,是该高斯函数待设计的中心;
步骤2:给出MEMS陀螺动力学式(1)的参考轨迹为
其中,和分别为检测质量块沿驱动轴和检测轴的参考振动位移信号,和分别为驱动轴和检测轴振动的参考振幅,ω1和ω2分别为驱动轴和检测轴振动的参考角频率,和分别为驱动轴和检测轴振动的相位;
则无量纲动力学式(4)的参考轨迹为
θd=[xd,yd]T (9)
其中,且待设计参数
定义跟踪误差为
e=θ-θd (10)
设计滑模面为
其中,为满足Hurwitz条件的矩阵;
则控制器设计为
U=Un+Us+Ul (12)
Us=-Kss(14)
其中,待设计参数满足Hurwitz条件,是W的估计值;
定义预测误差为
其中,τd为待设计正常数;
给出参数的自适应律为
其中,等式右边第一项采用当前时刻数据计算,第二项采用τ∈[t-τd,t]区间内历史数据计算,且待设计参数和满足Hurwitz条件;
给出神经网络权值的更新律为
其中,为待设计正常数;
步骤3:基于参数自适应律式(17)、神经网络权值更新律式(18)设计控制器式(12)驱动无量纲动力学(4),并通过量纲转换返回MEMS陀螺动力学模型(1),实现陀螺驱动控制及动力学参数辨识。
有益效果
本发明提出的一种基于异类估计的MEMS陀螺仪滑模控制方法,与现有技术相比的有益效果为:
(1)针对实际工程中动力学参数未知的问题,充分挖掘历史数据信息,利用当前数据和历史数据共同构建参数自适应律,实现参数辨识。
(2)针对温度、气压等环境变化造成的系统动态不确定,设计自适应神经网络在线调整神经网络权值,实现对不确定的有效估计。
(3)针对系统易受外部振动环境影响的问题,设计滑模控制器实现MEMS陀螺驱动控制同时提高系统鲁棒性。
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:
本发明公开了一种基于异类估计的MEMS陀螺仪滑模控制方法,结合图1,具体设计步骤如下:
(a)考虑存在正交误差和系统不确定的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,cxx和cyy为阻尼系数,kxx和kyy为刚度系数,和为非线性系数,cxy和cyx为阻尼耦合系数,kxy和kyx为刚度耦合系数。且 其中和是参数标称值,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, Δkxx、Δkyy、Δcxx、Δcyy、Δkxy、Δkyx、Δcxy和Δcyx是未知的不确定参数。
取无量纲化时间t=ωot*,无量纲化位移x=x*/q0,y=y*/q0,其中ω0为参考频率,q0为参考长度,对MEMS陀螺动力学模型进行无量纲化处理,得到
其中,和x分别为MEMS陀螺仪检测质量块沿驱动轴的无量纲加速度、无量纲速度和无量纲位移,和y分别为沿检测轴的无量纲加速度、无量纲速度和无量纲位移。
在式(2)两边同时除以将之简化为
重新定义动力学参数为
式(3)可以表示为
其中, 且
定义
则式(4)可以改写为
定义θ=[x,y]T,F=[f1,f2]T,ΔF=[Δf1,Δf2]T,U=[u1,u2]T,则式(5)可写为
假设是待辨识的未知参数矩阵,是连续可微回归函数向量,则对F进行线性参数化,得到
F=WΦ (7)
其中,
构造神经网络逼近ΔF,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,选取为M=5×5×3×3=225,为基向量,其第q(q=1,2,…,M)个元素定义为如下高斯函数
其中,σq是该高斯函数的标准差,选取为σq=1,是该高斯函数的中心,其值在[-29.202,29.202]×[-25.55,25.55]×[-6.2,6.2]×[-5,5]之间任意选取。
(b)给出MEMS陀螺动力学式(1)的参考轨迹为
其中,和分别为检测质量块沿驱动轴和检测轴的参考振动位移信号。
则无量纲动力学式(6)的参考轨迹为
θd=[xd,yd]T (11)
其中,且待设计参数
定义跟踪误差为
e=θ-θd (12)
设计滑模面为
其中,
则控制器设计为
U=Un+Us+Ul (14)
Us=-Kss (16)
其中,是W的估计值,
定义预测误差为
其中,
给出参数的自适应律为
其中,等式右边第一项采用当前时刻数据计算,第二项采用τ∈[t-τd,t]区间内历史数据计算,且
给出神经网络权值的更新律为
其中,
(d)基于参数自适应律式(19)、神经网络权值的更新律式(20)设计滑模控制器式(14)驱动无量纲动力学式(6),并通过量纲转换返回MEMS陀螺动力学模型式(1),实现陀螺驱动控制及动力学参数辨识。
Claims (1)
1.一种基于异类估计的MEMS陀螺仪滑模控制方法,其特征在于步骤如下:
步骤1:考虑存在正交误差和系统不确定的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,cxx和cyy为阻尼系数,kxx和kyy为刚度系数,和为非线性系数,cxy和cyx为阻尼耦合系数,kxy和kyx为刚度耦合系数;且 其中和是参数标称值,根据某型号的振动式硅微机械陀螺选取,Δkxx、Δkyy、Δcxx、Δcyy、Δkxy、Δkyx、Δcxy和Δcyx是未知的不确定参数;
取无量纲化时间t=ωot*,无量纲化位移x=x*/q0,y=y*/q0,其中ω0为参考频率,q0为参考长度,对MEMS陀螺动力学模型进行无量纲化处理,并在等式两边同时除以得到
其中,和x分别为MEMS陀螺仪检测质量块沿驱动轴的无量纲加速度、无量纲速度和无量纲位移,和y分别为沿检测轴的无量纲加速度、无量纲速度和无量纲位移;
重新定义
式(2)可以表示为
定义θ=[x,y]T,F=[f1,f2]T,ΔF=[Δf1,Δf2]T,U=[u1,u2]T,则式(3)可写为
假设是待辨识的未知参数矩阵,是连续可微回归函数向量,则对F进行线性参数化,得到
F=WΦ (5)
其中,
构造神经网络逼近ΔF,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q(q=1,2,…,M)个元素定义为如下高斯函数
其中,σq是该高斯函数待设计的标准差,是该高斯函数待设计的中心;
步骤2:给出MEMS陀螺动力学式(1)的参考轨迹为
其中,和分别为检测质量块沿驱动轴和检测轴的参考振动位移信号,和分别为驱动轴和检测轴振动的参考振幅,ω1和ω2分别为驱动轴和检测轴振动的参考角频率,和分别为驱动轴和检测轴振动的相位;
则无量纲动力学式(4)的参考轨迹为
θd=[xd,yd]T (9)
其中,且待设计参数
定义跟踪误差为
e=θ-θd (10)
设计滑模面为
其中,为满足Hurwitz条件的矩阵;
则控制器设计为
U=Un+Us+Ul (12)
Us=-Kss (14)
其中,待设计参数满足Hurwitz条件,是W的估计值;
定义预测误差为
其中,τd为待设计正常数;
给出参数的自适应律为
其中,等式右边第一项采用当前时刻数据计算,第二项采用τ∈[t-τd,t]区间内历史数据计算,且待设计参数和满足Hurwitz条件;
给出神经网络权值的更新律为
其中,为待设计正常数;
步骤3:基于参数自适应律式(17)、神经网络权值更新律式(18)设计控制器式(12)驱动无量纲动力学(4),并通过量纲转换返回MEMS陀螺动力学模型(1),实现陀螺驱动控制及动力学参数辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648290.3A CN110389527B (zh) | 2019-07-18 | 2019-07-18 | 基于异类估计的mems陀螺仪滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648290.3A CN110389527B (zh) | 2019-07-18 | 2019-07-18 | 基于异类估计的mems陀螺仪滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110389527A true CN110389527A (zh) | 2019-10-29 |
CN110389527B CN110389527B (zh) | 2022-04-01 |
Family
ID=68285173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910648290.3A Active CN110389527B (zh) | 2019-07-18 | 2019-07-18 | 基于异类估计的mems陀螺仪滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110389527B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199279A (zh) * | 2021-11-26 | 2022-03-18 | 北京航天自动控制研究所 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298315A (zh) * | 2011-06-21 | 2011-12-28 | 河海大学常州校区 | 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制系统 |
CN102914972A (zh) * | 2012-11-01 | 2013-02-06 | 河海大学常州校区 | 基于模型整体逼近的微陀螺仪rbf网络自适应控制方法 |
CN103116275A (zh) * | 2013-03-01 | 2013-05-22 | 河海大学常州校区 | 基于滑模补偿的微陀螺仪鲁棒神经网络控制系统及方法 |
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 |
CN107607102A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模抖振抑制方法 |
-
2019
- 2019-07-18 CN CN201910648290.3A patent/CN110389527B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298315A (zh) * | 2011-06-21 | 2011-12-28 | 河海大学常州校区 | 基于rbf神经网络滑模控制的mems陀螺仪的自适应控制系统 |
CN102914972A (zh) * | 2012-11-01 | 2013-02-06 | 河海大学常州校区 | 基于模型整体逼近的微陀螺仪rbf网络自适应控制方法 |
CN103116275A (zh) * | 2013-03-01 | 2013-05-22 | 河海大学常州校区 | 基于滑模补偿的微陀螺仪鲁棒神经网络控制系统及方法 |
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 |
CN107607102A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺滑模抖振抑制方法 |
Non-Patent Citations (2)
Title |
---|
RUI ZHANG ETC.: "Sliding mode control of MEMS gyroscopes", 《NEUROCOMPUTING》 * |
赵清: "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(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114253308A (zh) * | 2020-09-21 | 2022-03-29 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
CN114253308B (zh) * | 2020-09-21 | 2022-08-30 | 陕西环保产业研究院有限公司 | 一种空间框架结构振动的主动控制方法和设备 |
CN114199279A (zh) * | 2021-11-26 | 2022-03-18 | 北京航天自动控制研究所 | 全量模式下基于高精度惯组的mems惯组参数的在线估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110389527B (zh) | 2022-04-01 |
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 | |
CN102298322B (zh) | 基于模型参考自适应控制微陀螺仪的方法 | |
CN110389528A (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
CN104281056A (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 | |
CN102636995A (zh) | 基于rbf神经网络滑模控制微陀螺仪的方法 | |
CN102393639A (zh) | 基于自适应模糊滑模的微陀螺仪追踪控制方法 | |
CN107607101A (zh) | 基于干扰观测器的mems陀螺滑模控制方法 | |
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 | |
Cen et al. | Nonholonomic wheeled mobile robot trajectory tracking control based on improved sliding mode variable structure | |
CN102681443B (zh) | 一种基于模糊补偿的微机电陀螺仪模糊自适应控制系统 | |
CN103279038A (zh) | 基于t-s模糊模型的微陀螺仪滑模自适应控制方法 | |
CN107703757A (zh) | 微陀螺仪系统的超扭曲滑模控制方法 | |
CN110389527A (zh) | 基于异类估计的mems陀螺仪滑模控制方法 | |
CN107608217B (zh) | 基于复合学习的mems陀螺仪模糊滑模控制方法 | |
Zhang et al. | Serial-parallel estimation model-based sliding mode control of MEMS gyroscopes | |
CN102411302A (zh) | 基于直接自适应模糊控制的mems微陀螺仪控制方法 | |
CN104503246A (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 | |
CN110262237B (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 | |
Ranjbar et al. | A composite adaptive controller design for 3-DOF MEMS vibratory gyroscopes capable of measuring angular velocity | |
CN110471293B (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 | |
CN110389530A (zh) | 基于数据筛选的mems陀螺仪参数辨识驱动控制方法 | |
CN110426952A (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 | |
CN107861384B (zh) | 基于复合学习的mems陀螺仪快速启动方法 | |
CN110703611B (zh) | 基于递归模糊神经网络的微陀螺传感器终端滑模控制系统 |
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 |