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 |