CN110426952A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110426952A
CN110426952A CN201910648301.8A CN201910648301A CN110426952A CN 110426952 A CN110426952 A CN 110426952A CN 201910648301 A CN201910648301 A CN 201910648301A CN 110426952 A CN110426952 A CN 110426952A
Authority
CN
China
Prior art keywords
formula
drive control
neural network
drive shaft
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
Application number
CN201910648301.8A
Other languages
English (en)
Other versions
CN110426952B (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
Northwest University of Technology
Original Assignee
Shaanxi University of Technology
Northwest 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 Shaanxi University of Technology, Northwest University of Technology filed Critical Shaanxi University of Technology
Priority to CN201910648301.8A priority Critical patent/CN110426952B/zh
Publication of CN110426952A publication Critical patent/CN110426952A/zh
Application granted granted Critical
Publication of CN110426952B publication Critical patent/CN110426952B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
    • G01C19/56—Turn-sensitive devices using vibrating masses, e.g. vibratory angular rate sensors based on Coriolis forces
    • G01C19/5776—Signal processing not specific to any of the devices covered by groups G01C19/5607 - G01C19/5719
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Gyroscopes (AREA)

Abstract

本发明涉及一种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，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；基于历史数据构造预测误差，结合预测误差和跟踪误差设计参数更新律，实现参数辨识；设计自适应神经网络估计温度、气压、磁场等工作环境变化带来的系统动态不确定；设计扰动观测器估计外部振动环境带来的动力学扰动；设计控制器实现陀螺驱动控制。本发明设计的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可在存在系统不确定和外部干扰的情况下，实现陀螺仪高精度驱动控制，进一步改善MEMS陀螺仪性能。

Description

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
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，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、磁场等工作环境变化导致动力学参数发生变化，振动环境会为动力学带来外部干扰，这两个现象导致缺乏自我调节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。
《Adaptive Global Sliding Mode Control for MEMS Gyroscope Using RBFNeural Network》(Yundi Chu and Juntao Fei，《Mathematical Problems inEngineering》，2015)一文与上述第二种方法思路一致，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。然而这种方法重点关注滑模抖振问题，难以保证对系统动态不确定及外部扰动进行有效估计，进而限制了控制精度。
发明内容
要解决的技术问题
为克服现有技术驱动控制精度有限的问题，本发明提出一种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。该方法基于历史数据构造预测误差，结合预测误差和跟踪误差设计参数更新律，实现动力学参数辨识；采用自适应神经网络估计温度、气压、磁场等工作环境变化带来的系统动态不确定；设计扰动观测器估计外部振动环境带来的动力学扰动；设计控制器，通过闭环反馈提升陀螺驱动控制精度。
技术方案
一种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，其特征在于步骤如下：
步骤1：考虑存在正交误差、系统不确定和外部干扰的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，和分别为驱动轴和检测轴上的外部干扰；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，dx(t)和dy(t)分别为驱动轴和检测轴上的无量纲外部干扰；
重新定义
式(2)可以表示为
定义θ1＝[x,y]T，则式(3)可写为
其中，U＝[u1,u2]T，F(z)＝[f1,f2]T，ΔF(z)＝[Δf1,Δf2]T，
假设是待辨识的未知参数矩阵，是连续可微回归函数向量，对F(z)进行线性参数化，得到
F(z)＝WTΦ(z) (5)
其中，Φ(z)＝z；
构造神经网络逼近ΔF(z)，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为待设计的神经网络节点数，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
其中， 且待设计参数
定义跟踪误差为
e1＝θ1d-θ1，e2＝θ2d-θ2，
则控制器设计为
U＝Un+Upd-Uad (11)
Upd＝K1e1+K2e2 (13)
其中，待设计参数和满足Hurwitz条件，是W的估计值，为外部干扰D的估计值；
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t∈[Te-τd,Te]内数据计算，为待设计矩阵，Te和τd均为正常数且Te>τd；且预测误差定义为
其中，等式右边第一项等式右边第二项
给出神经网络权值的更新律为
其中，为待设计矩阵；
设计扰动观测器为
其中，为中间变量，B＝[02×2,I2×2]T，为待设计的正定矩阵；
步骤3：采用参数自适应律式(15)、神经网络权值更新律式(17)和扰动观测器式(18)设计的控制器式(11)驱动无量纲动力学式(4)，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。
有益效果
本发明提出的一种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，与现有技术相比的有益效果为：
(1)针对MEMS陀螺的不确定动力学和外部干扰，分别设计自适应神经网络和扰动观测器进行估计，并通过反馈补偿提升陀螺驱动控制精度。
(2)针对实际工程中动力学参数未知的问题，基于历史数据构造预测误差结合预测误差和跟踪误差设计参数更新律，实现参数辨识。
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，结合图1，具体设计步骤如下：
(a)考虑存在正交误差、系统不确定和外部干扰的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，和分别为驱动轴和检测轴上的外部干扰。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，dx(t)＝5.7×10-8sin(2t)和dy(t)＝5.7×10-8sin(1.2t)分别为驱动轴和检测轴上的无量纲外部干扰。
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θ1＝[x,y]T，则式(5)可写为
其中，U＝[u1,u2]T，F(z)＝[f1,f2]T，ΔF(z)＝[Δf1,Δf2]T，
假设是待辨识的未知参数矩阵，是连续可微回归函数向量，对F(z)进行线性参数化，得到
F(z)＝WTΦ(z) (7)
其中，Φ(z)＝z。
构造神经网络逼近ΔF(z)，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
θ1d＝[xd,yd]T，
其中，xd＝6.2sin(4.71t+π/3)，yd＝5sin(5.11t-π/6)，
定义跟踪误差为
e1＝θ1d-θ1，e2＝θ2d-θ2，
则控制器设计为
U＝Un+Upd-Uad (13)
Upd＝K1e1+K2e2 (15)
其中，是W的估计值，是D的估计值，
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t∈[Te-τd,Te]内数据计算，Te＝1，τd＝0.2。且预测误差定义为
其中，等式右边第一项等式右边第二项且
给出神经网络权值的更新律为
其中，
设计扰动观测器为
其中，为中间变量，B＝[02×2,I2×2]T，(c)采用参数自适应律式(17)、神经网络权值更新律式(19)和扰动观测器式(20)设计的控制器式(13)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。

Claims (1)

1.一种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，其特征在于步骤如下：
步骤1：考虑存在正交误差、系统不确定和外部干扰的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，和分别为驱动轴和检测轴上的外部干扰；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，dx(t)和dy(t)分别为驱动轴和检测轴上的无量纲外部干扰；
重新定义
式(2)可以表示为
定义θ1＝[x,y]T，则式(3)可写为
其中，U＝[u1,u2]T，F(z)＝[f1,f2]T，ΔF(z)＝[Δf1,Δf2]T，
假设是待辨识的未知参数矩阵，是连续可微回归函数向量，对F(z)进行线性参数化，得到
F(z)＝WTΦ(z) (5)
其中，Φ(z)＝z；
构造神经网络逼近ΔF(z)，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为待设计的神经网络节点数，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
其中， 且待设计参数
定义跟踪误差为
则控制器设计为
U＝Un+Upd-Uad (11)
Upd＝K1e1+K2e2 (13)
其中，待设计参数和满足Hurwitz条件，是W的估计值，为外部干扰D的估计值；
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t∈[Te-τd,Te]内数据计算，为待设计矩阵，Te和τd均为正常数且Te>τd；且预测误差定义为
其中，等式右边第一项等式右边第二项且
给出神经网络权值的更新律为
其中，为待设计矩阵；
设计扰动观测器为
其中，为中间变量，B＝[02×2,I2×2]T，为待设计的正定矩阵；
步骤3：采用参数自适应律式(15)、神经网络权值更新律式(17)和扰动观测器式(18)设计的控制器式(11)驱动无量纲动力学式(4)，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。
CN201910648301.8A 2019-07-18 2019-07-18 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 Active CN110426952B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910648301.8A CN110426952B (zh) 2019-07-18 2019-07-18 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910648301.8A CN110426952B (zh) 2019-07-18 2019-07-18 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

Publications (2)

Publication Number Publication Date
CN110426952A true CN110426952A (zh) 2019-11-08
CN110426952B CN110426952B (zh) 2022-04-01

Family

ID=68410925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910648301.8A Active CN110426952B (zh) 2019-07-18 2019-07-18 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

Country Status (1)

Country Link
CN (1) CN110426952B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN105278331A (zh) * 2015-05-26 2016-01-27 河海大学常州校区 一种微陀螺的鲁棒自适应神经网络h无穷控制方法
CN107607101A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于干扰观测器的mems陀螺滑模控制方法
CN107678282A (zh) * 2017-11-05 2018-02-09 西北工业大学 考虑未知动力学和外部干扰的mems陀螺智能控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN105278331A (zh) * 2015-05-26 2016-01-27 河海大学常州校区 一种微陀螺的鲁棒自适应神经网络h无穷控制方法
CN107607101A (zh) * 2017-11-05 2018-01-19 西北工业大学 基于干扰观测器的mems陀螺滑模控制方法
CN107678282A (zh) * 2017-11-05 2018-02-09 西北工业大学 考虑未知动力学和外部干扰的mems陀螺智能控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RUI ZHANG ETC.: "Sliding mode control of MEMS gyroscopes", 《NEUROCOMPUTING》 *
张睿: "基于智能控制技术的微惯性器件误差抑制方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN110426952B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN110389528A (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
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
Wang et al. Robust adaptive sliding mode control of MEMS gyroscope using T–S fuzzy model
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
CN107607102B (zh) 基于干扰观测器的mems陀螺滑模抖振抑制方法
CN104122794A (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
CN109240083B (zh) 微陀螺仪系统的自适应模糊超扭曲滑模控制方法
CN103345155B (zh) 微陀螺仪的自适应反演控制系统及方法
CN107607103A (zh) 基于干扰观测器的mems陀螺仪复合学习控制方法
CN103529701A (zh) 微陀螺仪的神经网络全局滑模控制方法
CN103279038A (zh) 基于t-s模糊模型的微陀螺仪滑模自适应控制方法
CN104503246A (zh) 微陀螺仪系统的间接自适应神经网络滑模控制方法
CN107608217B (zh) 基于复合学习的mems陀螺仪模糊滑模控制方法
Yang et al. Neural network dynamic surface position control of n‐joint robot driven by PMSM with unknown load observer
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
Ren et al. Adaptive fuzzy sliding mode control of MEMS gyroscope with finite time convergence
CN104155874A (zh) 微陀螺仪的反演自适应模糊动态滑模控制方法
CN103345154A (zh) 微陀螺仪系统的间接自适应模糊滑模控制方法
CN107870566B (zh) 基于平行估计复合学习的mems陀螺仪快速启动方法
CN110389527B (zh) 基于异类估计的mems陀螺仪滑模控制方法
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
CN110471293B (zh) 一种估计时变角速度的z轴陀螺仪滑模控制方法
Yan et al. Adaptive control of MEMS gyroscope based on global terminal sliding mode controller
CN104656442A (zh) 微陀螺仪神经网络动态pid全局滑模控制方法

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