CN110389527B - 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 PDF

Info

Publication number
CN110389527B
CN110389527B CN201910648290.3A CN201910648290A CN110389527B CN 110389527 B CN110389527 B CN 110389527B CN 201910648290 A CN201910648290 A CN 201910648290A CN 110389527 B CN110389527 B CN 110389527B
Authority
CN
China
Prior art keywords
dimensionless
designed
parameter
neural network
mems
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
CN201910648290.3A
Other languages
English (en)
Other versions
CN110389527A (zh
Inventor
许斌
张睿
张鹏超
杨婷
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
Shaanxi University of Technology
Original Assignee
Northwestern Polytechnical University
Shaanxi University of Technology
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, Shaanxi University of Technology filed Critical Northwestern Polytechnical University
Priority to CN201910648290.3A priority Critical patent/CN110389527B/zh
Publication of CN110389527A publication Critical patent/CN110389527A/zh
Application granted granted Critical
Publication of CN110389527B publication Critical patent/CN110389527B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

基于异类估计的MEMS陀螺仪滑模控制方法
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：
Figure BDA0002134299120000021
其中，m为检测质量块的质量，Ωz为陀螺输入角速度，
Figure BDA0002134299120000022
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，
Figure BDA0002134299120000023
和y*分别为沿检测轴的加速度、速度和位移，
Figure BDA0002134299120000024
和
Figure BDA0002134299120000025
为静电驱动力，cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002134299120000026
和
Figure BDA0002134299120000027
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
Figure BDA0002134299120000028
Figure BDA0002134299120000029
其中
Figure BDA00021342991200000210
和
Figure BDA00021342991200000211
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、
Figure BDA00021342991200000212
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
Figure BDA00021342991200000213
得到
Figure BDA00021342991200000214
其中，
Figure BDA00021342991200000215
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，
Figure BDA00021342991200000216
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
Figure BDA0002134299120000031
Figure BDA0002134299120000032
Figure BDA0002134299120000033
Figure BDA00021342991200000316
Figure BDA0002134299120000034
Figure BDA0002134299120000035
Figure BDA0002134299120000036
Figure BDA0002134299120000037
Figure BDA0002134299120000038
Figure BDA0002134299120000039
式(2)可以表示为
Figure BDA00021342991200000310
定义θ＝[x,y]T，F＝[f1,f2]T，ΔF＝[Δf1,Δf2]T，U＝[u1,u2]T，则式(3)可写为
Figure BDA00021342991200000311
假设
Figure BDA00021342991200000312
是待辨识的未知参数矩阵，
Figure BDA00021342991200000313
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，
Figure BDA00021342991200000314
Figure BDA00021342991200000315
构造神经网络
Figure BDA0002134299120000041
逼近ΔF，得到
Figure BDA0002134299120000042
其中，
Figure BDA0002134299120000043
是神经网络的输入向量，
Figure BDA0002134299120000044
为神经网络的权值矩阵，M为神经网络节点数，
Figure BDA0002134299120000045
为基向量，其第q(q＝1,2,…,M)个元素定义为如下高斯函数
Figure BDA0002134299120000046
其中，σq是该高斯函数待设计的标准差，
Figure BDA0002134299120000047
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
Figure BDA0002134299120000048
其中，
Figure BDA0002134299120000049
和
Figure BDA00021342991200000410
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，
Figure BDA00021342991200000411
和
Figure BDA00021342991200000412
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，
Figure BDA00021342991200000413
和
Figure BDA00021342991200000414
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，
Figure BDA00021342991200000415
且待设计参数
Figure BDA00021342991200000416
Figure BDA00021342991200000417
定义跟踪误差为
e＝θ-θd (10)
设计滑模面为
Figure BDA00021342991200000418
其中，
Figure BDA00021342991200000419
为满足Hurwitz条件的矩阵；
则控制器设计为
U＝Un+Us+Ul (12)
Figure BDA0002134299120000051
Us＝-Kss(14)
Figure BDA0002134299120000052
其中，待设计参数
Figure BDA0002134299120000053
满足Hurwitz条件，
Figure BDA0002134299120000054
是W的估计值；
定义预测误差为
Figure BDA0002134299120000055
其中，
Figure BDA0002134299120000056
τd为待设计正常数；
给出参数的自适应律为
Figure BDA0002134299120000057
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
Figure BDA0002134299120000058
和
Figure BDA0002134299120000059
满足Hurwitz条件；
给出神经网络权值的更新律为
Figure BDA00021342991200000510
其中，
Figure BDA00021342991200000511
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：
Figure BDA0002134299120000061
其中，m为检测质量块的质量，Ωz为陀螺输入角速度，
Figure BDA0002134299120000062
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，
Figure BDA0002134299120000063
和y*分别为沿检测轴的加速度、速度和位移，
Figure BDA0002134299120000064
和
Figure BDA0002134299120000065
为静电驱动力，cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002134299120000066
和
Figure BDA0002134299120000067
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
Figure BDA0002134299120000068
Figure BDA0002134299120000069
其中
Figure BDA00021342991200000610
和
Figure BDA00021342991200000611
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，
Figure BDA0002134299120000071
Figure BDA0002134299120000072
Figure BDA0002134299120000073
Δkxx、Δkyy、Δcxx、Δcyy、
Figure BDA0002134299120000074
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
Figure BDA0002134299120000075
其中，
Figure BDA0002134299120000076
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，
Figure BDA0002134299120000077
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
Figure BDA0002134299120000078
将之简化为
Figure BDA0002134299120000079
重新定义动力学参数为
Figure BDA00021342991200000710
Figure BDA00021342991200000711
式(3)可以表示为
Figure BDA00021342991200000712
其中，
Figure BDA00021342991200000713
Figure BDA0002134299120000081
且
Figure BDA0002134299120000082
Figure BDA0002134299120000083
Figure BDA0002134299120000084
Figure BDA0002134299120000085
定义
Figure BDA0002134299120000086
Figure BDA0002134299120000087
Figure BDA0002134299120000088
Figure BDA0002134299120000089
则式(4)可以改写为
Figure BDA00021342991200000810
定义θ＝[x,y]T，F＝[f1,f2]T，ΔF＝[Δf1,Δf2]T，U＝[u1,u2]T，则式(5)可写为
Figure BDA00021342991200000811
假设
Figure BDA00021342991200000812
是待辨识的未知参数矩阵，
Figure BDA00021342991200000813
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，
Figure BDA00021342991200000814
Figure BDA00021342991200000815
构造神经网络
Figure BDA00021342991200000816
逼近ΔF，得到
Figure BDA00021342991200000817
其中，
Figure BDA0002134299120000091
是神经网络的输入向量，
Figure BDA0002134299120000092
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，
Figure BDA0002134299120000093
为基向量，其第q(q＝1,2,…,M)个元素定义为如下高斯函数
Figure BDA0002134299120000094
其中，σq是该高斯函数的标准差，选取为σq＝1，
Figure BDA0002134299120000095
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
Figure BDA0002134299120000096
其中，
Figure BDA0002134299120000097
和
Figure BDA0002134299120000098
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，
Figure BDA0002134299120000099
且待设计参数
Figure BDA00021342991200000910
Figure BDA00021342991200000911
定义跟踪误差为
e＝θ-θd (12)
设计滑模面为
Figure BDA00021342991200000912
其中，
Figure BDA00021342991200000913
则控制器设计为
U＝Un+Us+Ul (14)
Figure BDA00021342991200000914
Us＝-Kss (16)
Figure BDA0002134299120000101
其中，
Figure BDA0002134299120000102
是W的估计值，
Figure BDA0002134299120000103
定义预测误差为
Figure BDA0002134299120000104
其中，
Figure BDA0002134299120000105
给出参数的自适应律为
Figure BDA0002134299120000106
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
Figure BDA0002134299120000107
给出神经网络权值的更新律为
Figure BDA0002134299120000108
其中，
Figure BDA0002134299120000109
(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：
Figure FDA0003461362500000011
其中，m为检测质量块的质量，Ωz为陀螺输入角速度，
Figure FDA0003461362500000012
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，
Figure FDA0003461362500000013
和y*分别为沿检测轴的加速度、速度和位移，
Figure FDA0003461362500000014
和
Figure FDA0003461362500000015
为静电驱动力，cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure FDA0003461362500000016
和
Figure FDA0003461362500000017
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
Figure FDA0003461362500000018
Figure FDA0003461362500000019
其中
Figure FDA00034613625000000110
和
Figure FDA00034613625000000111
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、
Figure FDA00034613625000000112
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
Figure FDA00034613625000000113
得到
Figure FDA00034613625000000114
其中，
Figure FDA00034613625000000115
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，
Figure FDA00034613625000000116
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
Figure FDA0003461362500000021
Figure FDA0003461362500000022
Figure FDA0003461362500000023
Figure FDA0003461362500000024
Figure FDA0003461362500000025
Figure FDA0003461362500000026
Figure FDA0003461362500000027
Figure FDA0003461362500000028
Figure FDA0003461362500000029
Figure FDA00034613625000000210
式(2)可以表示为
Figure FDA00034613625000000211
定义θ＝[x,y]T，F＝[f1,f2]T，ΔF＝[Δf1,Δf2]T，U＝[u1,u2]T，则式(3)可写为
Figure FDA00034613625000000212
假设
Figure FDA00034613625000000213
是待辨识的未知参数矩阵，
Figure FDA00034613625000000214
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，
Figure FDA00034613625000000215
Figure FDA00034613625000000216
构造神经网络
Figure FDA0003461362500000031
逼近ΔF，得到
Figure FDA0003461362500000032
其中，
Figure FDA0003461362500000033
是神经网络的输入向量，
Figure FDA0003461362500000034
为神经网络的权值矩阵，M为神经网络节点数，
Figure FDA0003461362500000035
为基向量，其第q个元素定义为如下高斯函数；q＝1,2,…,M；
Figure FDA0003461362500000036
其中，σq是该高斯函数待设计的标准差，
Figure FDA0003461362500000037
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
Figure FDA0003461362500000038
其中，
Figure FDA0003461362500000039
和
Figure FDA00034613625000000310
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，
Figure FDA00034613625000000311
和
Figure FDA00034613625000000312
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，
Figure FDA00034613625000000313
和
Figure FDA00034613625000000314
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，
Figure FDA00034613625000000315
且待设计参数
Figure FDA00034613625000000316
Figure FDA00034613625000000317
定义跟踪误差为
e＝θ-θd (10)
设计滑模面为
Figure FDA00034613625000000318
其中，
Figure FDA00034613625000000319
为满足Hurwitz条件的矩阵；
则控制器设计为
U＝Un+Us+Ul (12)
Figure FDA0003461362500000041
Us＝-Kss (14)
Figure FDA0003461362500000042
其中，待设计参数
Figure FDA0003461362500000043
满足Hurwitz条件，
Figure FDA0003461362500000044
是W的估计值；
定义预测误差为
Figure FDA0003461362500000045
其中，
Figure FDA0003461362500000046
τd为待设计正常数；
给出参数的自适应律为
Figure FDA0003461362500000047
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
Figure FDA0003461362500000048
和
Figure FDA0003461362500000049
满足Hurwitz条件；
给出神经网络权值的更新律为
Figure FDA00034613625000000410
其中，
Figure FDA00034613625000000411
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。
CN201910648290.3A 2019-07-18 2019-07-18 基于异类估计的mems陀螺仪滑模控制方法 Active CN110389527B (zh)

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 CN110389527A (zh) 2019-10-29
CN110389527B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114199279B (zh) * 2021-11-26 2023-06-20 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

Citations (5)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
MEMS陀螺仪滑模控制策略研究;赵清;《中国优秀硕士学位论文全文数据库（电子期刊）》;20180615(第6期);第I140-574页 *
Sliding mode control of MEMS gyroscopes;RUI ZHANG etc.;《Neurocomputing》;20180131;第275卷;第2555-2564页 *

Also Published As

Publication number Publication date
CN110389527A (zh) 2019-10-29

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
CN110389528B (zh) 基于扰动观测的数据驱动mems陀螺仪驱动控制方法
CN107607101B (zh) 基于干扰观测器的mems陀螺滑模控制方法
CN107607102B (zh) 基于干扰观测器的mems陀螺滑模抖振抑制方法
CN110389527B (zh) 基于异类估计的mems陀螺仪滑模控制方法
CN106338918B (zh) 一种微陀螺自适应动态面双神经网络控制方法
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
CN107608217B (zh) 基于复合学习的mems陀螺仪模糊滑模控制方法
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
CN110389530B (zh) 基于数据筛选的mems陀螺仪参数辨识驱动控制方法
CN110471293B (zh) 一种估计时变角速度的z轴陀螺仪滑模控制方法
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
CN107870566B (zh) 基于平行估计复合学习的mems陀螺仪快速启动方法
CN110456639B (zh) 基于历史数据参数辨识的mems陀螺仪自适应驱动控制方法
CN107608216B (zh) 基于平行估计模型的mems陀螺仪复合学习控制方法
CN110579966B (zh) 一种基于神经网络辨识参数的z轴陀螺仪控制方法
CN110456640B (zh) 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
CN110456638B (zh) 基于区间数据激励的mems陀螺仪参数辨识自适应驱动控制方法
CN110389529B (zh) 基于平行估计的mems陀螺仪参数辨识驱动控制方法
CN110389526B (zh) 基于Super-Twisting算法的MEMS陀螺自适应滑模控制方法
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
Wang et al. Novel fuzzy neural nonsingular terminal sliding mode control of MEMS gyroscope
Pishrobat et al. Model predictive control of MEMS vibratory gyroscope
Fei et al. Robust tracking control of triaxial angular velocity sensors using adaptive sliding mode approach
Fei et al. Robust adaptive sliding mode controller for triaxial gyroscope

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