CN110440778A - 一种mems陀螺仪无超调保性能模糊小波神经控制方法 - Google Patents
一种mems陀螺仪无超调保性能模糊小波神经控制方法 Download PDFInfo
- Publication number
- CN110440778A CN110440778A CN201910677644.7A CN201910677644A CN110440778A CN 110440778 A CN110440778 A CN 110440778A CN 201910677644 A CN201910677644 A CN 201910677644A CN 110440778 A CN110440778 A CN 110440778A
- Authority
- CN
- China
- Prior art keywords
- gyroscope
- overshoot
- tracking error
- guaranteed cost
- mode
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,涉及MEMS陀螺仪的自动控制技术领域,首先,建立包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型;其次,设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,构造陀螺仪位移跟踪误差转换模型;再次,利用最小参数学习法MLP设计具有低计算复杂度和强泛化性能的FWNN逼近器对陀螺仪系统中的集总干扰进行在线辨识;最后,基于单边无超调保性能位移跟踪误差转换模型和FWNN集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律。本发明解决了MEMS陀螺仪误差跟踪暂态性能无超调保性能控制以及多源干扰下闭环稳定性和鲁棒性恶化的难题。
Description
技术领域
本发明涉及MEMS陀螺仪的自动控制技术领域,具体为一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,应用于多源干扰下不依赖系统精确零点的MEMS陀螺仪跟踪误差暂态无超调快收敛保性能鲁棒跟踪控制。
背景技术
微机电(Micro electro mechanical system,简写为MEMS)陀螺仪作为常见的惯性角速度传感器,是军事制导过程中载体角速度信息测量的首选角速度传感器,具有体积小、重量轻、成本低、耗能少、便于携带等众多优势,为适应多源干扰影响下的高精度角速率动态测量需求,设计跟踪误差无超调快收敛保性能强鲁棒控制律对陀螺仪角速度测量至关重要。在此背景下,传统基于锁相环的陀螺仪开环驱动方法,以PID、最优控制、鲁棒控制、反馈线性化为代表的一类线性闭环控制策略均不再适用,必须对适应MEMS陀螺仪非线性模型特征并满足更高控制要求的闭环保性能鲁棒控制系统进行探索。
目前,MEMS惯性器件保性能鲁棒控制系统的设计面临如下主要问题:第一,MEMS陀螺仪机械制造缺陷会产生零点漂移,其零点初值无法精确获知,现有的预设性能控制机制由于存在对精确误差初值的严重依赖而无法保证跟踪误差的无超调快速保性能收敛,从而影响了陀螺仪角速度的暂态测量性能;第二,传统的双边预设性能函数虽然能够对跟踪误差的暂态和稳态性能均进行约束,但是对超调的抑制效果甚微,理论上无法满足跟踪误差快速收敛的同时实现小超调甚至无超调的要求,是MEMS陀螺仪动态角速度测量性能提升的瓶颈问题;第三,以神经网络逼近器为代表的智能控制处于控制理论发展的高级阶段,已经能够实现不依赖于模型本身的系统干扰在线估计,但存在计算复杂度过高、时延较大导致高性能测量应用存在较大偏差等难题,为陀螺仪系统的实时高响应控制提出了严峻挑战。针对传统神经网络逼近器不能满足陀螺仪高实时性和高精度要求的问题,现有研究方法无法实现MEMS陀螺仪跟踪误差暂态无超调保性能控制以及多源干扰下闭环稳定性和鲁棒性恶化的难题,需要改进现有的控制方法,使其更有利于高性能实时采样控制。
发明内容
本发明为了解决现有研究方法无法实现MEMS陀螺仪跟踪误差暂态无超调保性能控制以及多源干扰下闭环稳定性和鲁棒性恶化的难题,提供一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,首先,建立包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型;其次,设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,构造陀螺仪位移跟踪误差转换模型;再次,利用最小参数学习法(Minimallearning parameter,MLP)设计具有低计算复杂度和强泛化性能的模糊小波神经网络(Fuzzy wavelet neural networks,FWNN)逼近器对陀螺仪系统中的集总干扰进行在线辨识;最后,基于单边无超调保性能位移跟踪误差转换模型和FWNN集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律。
本发明是通过如下技术方案来实现的:一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,包括如下步骤:
(1)建立包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型:
给出MEMS陀螺仪无量纲严格反馈动力学模型如下:
式中,q1=[x,y]T,x和y分别为陀螺仪质量块驱动和检测模态的无量纲位移; 和分别为陀螺仪两模态的无量纲速度,u=[ux,uy]T,ux和uy为陀螺仪两模态的无量纲控制输入;F=[Fx,Fy]T=-(D+2Ω)q2-Kq1+ξ为驱动/检测模态包含陀螺仪弹簧系数、阻尼系数不确定性,模态耦合和外部干扰的集总干扰,为弹簧系数不确定性矩阵,为阻尼系数不确定性矩阵,ωx和ωy为陀螺仪驱动/检测模态的无量纲弹簧系数,dx和dy为两个模态的无量纲阻尼系数,ωxy和dxy分别为无量纲模型耦合弹簧系数和阻尼系数;Ω=diag{-Ωz,Ωz}为无量纲角速度矩阵,Ωz为待敏感的无量纲角速度,ξ=[ξx,ξy]T为陀螺仪在工作过程中受到的外部干扰。
(2)设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,构造陀螺仪位移跟踪误差转换模型,
为实现对跟踪误差暂态超调现象的有效抑制,驱动/检测模态位移跟踪误差e1应满足:
其中,e1=q1-qd=[e11,e12]T,e11与e12分别为陀螺仪驱动/检测模态位移跟踪误差,qd=[xd,yd]T为驱动/检测模态的给定线位移指令,Pli(t)和Pri(t)分别为e1i(t)的上边界和下边界,i=1表示陀螺仪驱动模态,i=2表示陀螺仪检测模态,构造预设性能函数如下:
其中,e1i(0)为位移跟踪误差的初始值,为双曲余割函数的设计参数,κi为位移跟踪误差的收敛速度调节参数,由于且所以取足够小的可保证任意跟踪误差均处于预设性能边界函数之内,实现了已有保性能控制对精确跟踪误差初始值依赖性的消除,注意到调节可以对稳态误差进行约束,进一步调节和δ i使得|Pl(t)-Pr(t)|足够小进而实现对跟踪误差暂态超调现象的有效抑制,为调节参数;
进一步设计归一化函数θi(t):
引入误差转换函数Ti(εi(t)):
其中,εi(t)为转换位移跟踪误差,exp(·)为指数函数;
得出MEMS陀螺仪位移跟踪误差e1的转换误差模型εi(t)及其动态方程
其中,
(3)利用最小参数学习法设计具有低计算复杂度和强泛化性能的模糊小波神经网络逼近器对陀螺仪系统中的集总干扰进行在线辨识,具体如下:
采用单模糊器、乘积推理和加权平均去模糊器构造模糊神经网络,与小波分析相结合得出模糊小波基函数如下:
其中,为实现输入离散小波化的高斯小波基函数,为通过乘积推理进行激活强度计算的函数,其中子函数为模糊化神经元的高斯型隶属度函数;bjk和cjk分别为隶属度函数的宽度与中心,由于小波基函数也为高斯型,所以bjk和cjk也分别代表高斯小波基函数的基宽和中心;lik为神经网络输入状态,n为输入状态个数,N为神经网络学习参数权值的维数;
定义速度子回路跟踪误差为e2=[e21,e22]T,构造低计算复杂度且不依赖于陀螺仪模型的FWNN逼近器:
其中,为输入矢量,ψi=[ψ1,ψ2,…,ψN]T为模糊小波基函数矢量,为MLP方法得出的学习参数权值,其更新律如下:
其中,ηi为表征神经网络学习能力的设计参数。
(4)基于步骤(2)中单边无超调保性能位移跟踪误差转换模型和步骤(3)中模糊小波神经网络集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律,具体如下:
对陀螺仪位移跟踪误差e1设计虚拟控制律q2c=[x2c,y2c]T,利用FWNN逼近器提供的集总干扰估计构建MEMS陀螺仪无超调保性能模糊小波神经控制方法如下:
其中,K1=diag{k11,k12},k11和k12分别为陀螺仪在驱动/检测模态线位移回路的控制增益,K2=diag{k21,k22},k21和k22分别为两模态线速度回路控制增益,ε=[ε1,ε2]T为转换误差矢量,θ=[θ1,θ2]T。
本发明所提供的一种MEMS陀螺仪无超调保性能模糊小波神经控制方法:(1)设计了基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,摆脱了传统保性能控制对未知零点的依赖,确保了对跟踪误差暂态超调现象的有效抑制,克服了已有预设性能控制无法实现对跟踪误差暂态性能进行小超调乃至无超调的缺陷;(2)将小波分析的多分辨率特性,模糊逻辑的高结构性知识表达能力和MLP神经网络的低计算复杂度融合设计了具有低计算复杂度和强泛化能力的FWNN逼近器,对MEMS陀螺仪的集总干扰进行在线精准逼近,提升了MEMS陀螺仪测控系统的鲁棒性。(3)通过设计具有工程实用性的未知零点跟踪误差无超调快收敛保性能强鲁棒控制系统,对陀螺仪驱动/检测模态输入有效的反馈控制力,在提升闭环系统抗干扰性能的同时实现了对陀螺仪位移跟踪误差的无超调快收敛保性能控制。
与现有技术相比本发明具有以下有益效果:本发明针对现有研究方法无法实现MEMS陀螺仪误差跟踪暂态性能无超调保性能控制以及多源干扰下闭环稳定性和鲁棒性恶化的难题,提出了一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,较已有控制方法具有更为优越的角速度测量暂态性能、强鲁棒抗干扰性能和高控制实时性。具体而言,针对已有保性能控制过于依赖精确跟踪误差初始值导致设计过程保守,无法理论上确保初始零点位于预设边界内的难题,在设计过程中引入双曲余割函数确保对于任意未知零点均能限定其处于预设边界内;对于已有预设性能控制的跟踪误差暂态超调现象抑制能力缺失问题,构造了单边保性能控制律实现跟踪误差的无超调快收敛;针对传统神经网络逼近器不能满足陀螺仪高实时性和高精度要求的问题,结合小波分析和MLP技术设计具有高分辨力、强泛化能力、低计算复杂度的FWNN逼近器,可在提升辨识精度的前提下显著降低计算复杂度和在线学习参数维数,更有利于高性能实时采样控制。
附图说明
图1是本发明MEMS陀螺仪无超调保性能模糊小波神经控制方法控制框图。
图2是所提控制律对陀螺仪驱动/检测模态位移跟踪轨迹的控制效果图。
图3是所提控制律对陀螺仪驱动/检测模态速度跟踪轨迹的控制效果图。
图4是所提控制律产生的驱动/检测模态反馈控制力仿真图。
图5是不依赖精确未知零点的单边无超调预设性能控制效果图。
图6是FWNN逼近器对陀螺仪驱动/检测模态集总干扰逼近仿真图。
图7是FWNN逼近器对陀螺仪驱动/检测模态学习参数权重示意图。
图8是强外部干扰下的单边无超调预设性能控制效果图。
图9是强外部干扰下FWNN逼近器对陀螺仪驱动/检测模态集总干扰逼近仿真图。
图10是强外部干扰下FWNN逼近器对陀螺仪驱动/检测模态学习参数权重示意图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,如图1所示,包括如下步骤:
(1)建立包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型:
给出MEMS陀螺仪无量纲严格反馈动力学模型如下:
式中,q1=[x,y]T,x和y分别为陀螺仪质量块驱动和检测模态的无量纲位移; 和分别为陀螺仪两模态的无量纲速度,u=[ux,uy]T,ux和uy为陀螺仪两模态的无量纲控制输入;F=[Fx,Fy]T=-(D+2Ω)q2-Kq1+ξ为驱动/检测模态包含陀螺仪弹簧系数、阻尼系数不确定性,模态耦合和外部干扰的集总干扰,为弹簧系数不确定性矩阵,为阻尼系数不确定性矩阵,ωx和ωy为陀螺仪驱动/检测模态的无量纲弹簧系数,dx和dy为两个模态的无量纲阻尼系数,ωxy和dxy分别为无量纲模型耦合弹簧系数和阻尼系数;Ω=diag{-Ωz,Ωz}为无量纲角速度矩阵,Ωz为待敏感的无量纲角速度,ξ=[ξx,ξy]T为陀螺仪在工作过程中受到的外部干扰。
(2)设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,构造陀螺仪位移跟踪误差转换模型,
为实现对跟踪误差暂态超调现象的有效抑制,驱动/检测模态位移跟踪误差e1应满足:
其中,e1=q1-qd=[e11,e12]T,e11与e12分别为陀螺仪驱动/检测模态位移跟踪误差,qd=[xd,yd]T为驱动/检测模态的给定线位移指令,Pli(t)和Pri(t)分别为e1i(t)的上边界和下边界,i=1表示陀螺仪驱动模态,i=2表示陀螺仪检测模态,构造预设性能函数如下:
其中,e1i(0)为位移跟踪误差的初始值,为双曲余割函数的设计参数,κi为位移跟踪误差的收敛速度调节参数,由于且所以取足够小的可保证任意跟踪误差均处于预设性能边界函数之内,实现了已有保性能控制对精确跟踪误差初始值依赖性的消除,注意到调节可以对稳态误差进行约束,进一步调节和δi使得|Pl(t)-Pr(t)|足够小进而实现对跟踪误差暂态超调现象的有效抑制,为调节参数;
进一步设计归一化函数θi(t):
引入误差转换函数Ti(εi(t)):
其中,εi(t)为转换位移跟踪误差,exp(·)为指数函数;
得出MEMS陀螺仪位移跟踪误差e1的转换误差模型εi(t)及其动态方程
其中,
(3)利用最小参数学习法设计具有低计算复杂度和强泛化性能的模糊小波神经网络逼近器对陀螺仪系统中的集总干扰进行在线辨识,具体如下:
采用单模糊器、乘积推理和加权平均去模糊器构造模糊神经网络,与小波分析相结合得出模糊小波基函数如下:
其中,为实现输入离散小波化的高斯小波基函数,为通过乘积推理进行激活强度计算的函数,其中子函数为模糊化神经元的高斯型隶属度函数;bjk和cjk分别为隶属度函数的宽度与中心,由于小波基函数也为高斯型,所以bjk和cjk也分别代表高斯小波基函数的基宽和中心;lik为神经网络输入状态,n为输入状态个数,N为神经网络学习参数权值的维数;
定义速度子回路跟踪误差为e2=[e21,e22]T,构造低计算复杂度且不依赖于陀螺仪模型的FWNN逼近器:
其中,为输入矢量,ψi=[ψ1,ψ2,…,ψN]T为模糊小波基函数矢量,为MLP方法得出的学习参数权值,其更新律如下:
其中,ηi为表征神经网络学习能力的设计参数。
(4)基于步骤(2)中单边无超调保性能位移跟踪误差转换模型和步骤(3)中模糊小波神经网络集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律,具体如下:
对陀螺仪位移跟踪误差e1设计虚拟控制律q2c=[x2c,y2c]T,利用FWNN逼近器提供的集总干扰估计构建MEMS陀螺仪无超调保性能模糊小波神经控制方法如下:
其中,K1=diag{k11,k12},k11和k12分别为陀螺仪在驱动/检测模态线位移回路的控制增益,K2=diag{k21,k22},k21和k22分别为两模态线速度回路控制增益,ε=[ε1,ε2]T为转换误差矢量,θ=[θ1,θ2]T。
将给出的MEMS陀螺仪无超调保性能模糊小波神经控制方法应用于本专利式(1)提出的系统动力学模型中进行仿真。MEMS陀螺仪模型物理参数如表1所示。
表1 MEMS陀螺仪模型物理参数
本发明所考虑的MEMS陀螺仪模型如图2所示:
驱动/检测模态线位移和线速度初始状态如下设计:
将MEMS陀螺仪驱动/检测模态的无量纲线位移指令设置为qd=[sin(4.17t),0]T。
控制器、预设性能控制和FWNN逼近器参数如表2
表2 MEMS陀螺仪系统控制参数表
为了对本专利所提无超调保性能鲁棒控制律的控制效果进行探究,为MEMS陀螺仪系统模型加入外部干扰ξ=[10sin(20t),10sin(20t)]T后进行仿真,得出该控制系统作用下陀螺仪系统的位移和速度跟踪轨迹如图2和图3所示。结果显示,在具有未知位移跟踪初始值和外部干扰的前提下,位移和速度的跟踪效果理想,系统输出的位移和速度状态能够快速消除不同零点漂移的影响,稳定精准地跟踪给定的线位移和线速度指令,为角速度的精确测量提供了稳定的测控系统驱动/检测模态状态量。
该无超调保性能鲁棒控制律为系统提供的控制量仿真如图4所示,控制量有界且随时间变化趋于稳定,可以得出驱动/检测模态在该控制系统之下得到了有效的反馈控制力。
为验证控制律中不依赖于精确跟踪误差初值的单边快收敛无超调的新型保性能机制的有效性,对驱动/检测模态的位移跟踪误差进行仿真得到图5结果。从图中可以看出,通过合理选择双曲余割函数中的调节参数,该保性能机制能够有效实现不同跟踪误差初始值均在预设性能函数的约束范围内,摆脱了已有预设性能机制对于未知零点精确值的强依赖,同时与跟踪误差初值符号函数结合并适当调整保性能上下边界调节参数,在控制系统具有良好位移跟踪稳态性能的前提下可以保证跟踪误差在暂态无超调快速收敛至零。
本专利中采用具有高分辨力、实时性和逼近精度的FWNN逼近器对多源干扰下的陀螺测控系统驱动/检测模态集总干扰进行逼近,仿真如图6、图7所示。结果显示,通过采用单模糊器、乘积推理和加权平均去模糊器构造模糊神经网络,进一步与采用高斯小波基函数的小波分析相结合,并发挥MLP方法低计算复杂度的优势,FWNN逼近器可以对系统状态进行快速智能学习,为系统控制提供了实时精准的集总干扰估计。
考虑到已有干扰观测器对作用于MEMS陀螺仪的大范围时变外部干扰的强跟踪能力有限,而陀螺仪角速度测量精度往往对外部干扰十分敏感。为进一步探索所提控制方法对于控制系统闭环稳定性和鲁棒性的改善情况,在系统中加入强干扰ξ=[300cos(2t)+100sin(10t),300cos(2t)+100sin(10t)]T,得到控制系统对位移的跟踪效果如图8所示,所设计的预设性能机制在强干扰环境仍旧可以将跟踪误差约束在预设性能函数之内,控制系统具有良好的闭环稳定性和鲁棒性;FWNN逼近器的逼近效果如图9、图10所示。可以看出,FWNN仍旧能够对测控系统所受的强干扰进行在线精准逼近,为系统反馈控制力的产生提供高精度的集总干扰估计项,消除了大范围时变外部干扰难以跟踪对MEMS陀螺仪角速度测量精度的消极影响。
本发明要求保护的范围不限于以上具体实施方式,而且对于本领域技术人员而言,本发明可以有多种变形和更改,凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (5)
1.一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,其特征在于:包括如下步骤:
(1)建立包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型;
(2)设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能机制,构造陀螺仪位移跟踪误差转换模型;
(3)利用最小参数学习法设计具有低计算复杂度和强泛化性能的模糊小波神经网络逼近器对陀螺仪系统中的集总干扰进行在线辨识;
(4)基于步骤(2)中单边无超调保性能位移跟踪误差转换模型和步骤(3)中模糊小波神经网络集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律。
2.根据权利要求1所述的一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,其特征在于:步骤(1)包含集总干扰的MEMS陀螺仪无量纲严格反馈动力学模型:
给出MEMS陀螺仪无量纲严格反馈动力学模型如下:
式中,q1=[x,y]T,x和y分别为陀螺仪质量块驱动和检测模态的无量纲位移; 和分别为陀螺仪两模态的无量纲速度,u=[ux,uy]T,ux和uy为陀螺仪两模态的无量纲控制输入;F=[Fx,Fy]T=-(D+2Ω)q2-Kq1+ξ为驱动/检测模态包含陀螺仪弹簧系数、阻尼系数不确定性,模态耦合和外部干扰的集总干扰,为弹簧系数不确定性矩阵,为阻尼系数不确定性矩阵,ωx和ωy为陀螺仪驱动/检测模态的无量纲弹簧系数,dx和dy为两个模态的无量纲阻尼系数,ωxy和dxy分别为无量纲模型耦合弹簧系数和阻尼系数;Ω=diag{-Ωz,Ωz}为无量纲角速度矩阵,Ωz为待敏感的无量纲角速度,ξ=[ξx,ξy]T为陀螺仪在工作过程中受到的外部干扰。
3.根据权利要求1所述的一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,其特征在于:步骤(2)中,设计基于双曲余割特性和不依赖于跟踪误差精确初始值的单边无超调快收敛保性能函数,构造陀螺仪跟踪误差转换模型:
为实现对跟踪误差暂态超调现象的有效抑制,驱动/检测模态位移跟踪误差e1应满足:
其中,e1=q1-qd=[e11,e12]T,e11与e12分别为陀螺仪驱动/检测模态位移跟踪误差,qd=[xd,yd]T为驱动/检测模态的给定线位移指令,Pli(t)和Pri(t)分别为e1i(t)的上边界和下边界,i=1表示陀螺仪驱动模态,i=2表示陀螺仪检测模态,构造预设性能函数如下:
其中,e1i(0)为位移跟踪误差的初始值,κi,为双曲余割函数的设计参数,κi为位移跟踪误差的收敛速度调节参数,由于且所以取足够小的可保证任意跟踪误差均处于预设性能边界函数之内,实现了已有保性能控制对精确跟踪误差初始值依赖性的消除,注意到调节可以对稳态误差进行约束,进一步调节和δ i使得|Pl(t)-Pr(t)|足够小进而实现对跟踪误差暂态超调现象的有效抑制, δ i∈(0,1]为调节参数;
进一步设计归一化函数
引入误差转换函数Ti(εi(t)):
其中,εi(t)为转换位移跟踪误差,exp(·)为指数函数;
得出MEMS陀螺仪位移跟踪误差e1的转换误差模型εi(t)及其动态方程
其中,
4.根据权利要求1所述的一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,其特征在于:步骤(3)利用MLP方法设计具有低计算复杂度和强泛化性能的FWNN逼近器对陀螺仪系统中的集总干扰进行在线辨识:
采用单模糊器、乘积推理和加权平均去模糊器构造模糊神经网络,与小波分析相结合得出模糊小波基函数如下:
其中,为实现输入离散小波化的高斯小波基函数,为通过乘积推理进行激活强度计算的函数,其中子函数为模糊化神经元的高斯型隶属度函数;bjk和cjk分别为隶属度函数的宽度与中心,由于小波基函数也为高斯型,所以bjk和cjk也分别代表高斯小波基函数的基宽和中心;lik为神经网络输入状态,n为输入状态个数,N为神经网络学习参数权值的维数;
定义速度子回路跟踪误差为e2=[e21,e22]T,构造低计算复杂度且不依赖于陀螺仪模型的FWNN逼近器:
其中,为输入矢量,ψi=[ψ1,ψ2,…,ψN]T为模糊小波基函数矢量,为MLP方法得出的学习参数权值,其更新律如下:
其中,ηi为表征神经网络学习能力的设计参数。
5.根据权利要求1所述的一种MEMS陀螺仪无超调保性能模糊小波神经控制方法,其特征在于:步骤(4)中,基于步骤(2)中单边无超调保性能位移跟踪误差转换模型和步骤(3)FWNN集总干扰估计给出MEMS陀螺仪无超调保性能模糊小波神经控制律:对陀螺仪位移跟踪误差e1设计虚拟控制律q2c=[x2c,y2c]T,利用FWNN逼近器提供的集总干扰估计构建MEMS陀螺仪无超调保性能模糊小波神经控制方法如下:
其中,K1=diag{k11,k12},k11和k12分别为陀螺仪在驱动/检测模态线位移回路的控制增益,K2=diag{k21,k22},k21和k22分别为两模态线速度回路控制增益,ε=[ε1,ε2]T为转换误差矢量,θ=[θ1,θ2]T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677644.7A CN110440778B (zh) | 2019-07-25 | 2019-07-25 | 一种mems陀螺仪无超调保性能模糊小波神经控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910677644.7A CN110440778B (zh) | 2019-07-25 | 2019-07-25 | 一种mems陀螺仪无超调保性能模糊小波神经控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110440778A true CN110440778A (zh) | 2019-11-12 |
CN110440778B CN110440778B (zh) | 2022-10-04 |
Family
ID=68431525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910677644.7A Active CN110440778B (zh) | 2019-07-25 | 2019-07-25 | 一种mems陀螺仪无超调保性能模糊小波神经控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110440778B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414011A (zh) * | 2020-04-09 | 2020-07-14 | 中北大学 | 一种考虑执行机构故障的高超声速飞行器保性能容错控制方法 |
CN111459029A (zh) * | 2020-04-09 | 2020-07-28 | 中北大学 | 一种考虑输入量化的高超声速飞行器预设性能神经反馈控制方法 |
CN113485094A (zh) * | 2021-08-02 | 2021-10-08 | 中北大学 | 一种获取过程最优zn模型的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1388474A2 (en) * | 2002-08-05 | 2004-02-11 | Ford Global Technologies, LLC | System and method for determining an amount of control for operating a rollover control system |
CN102644616A (zh) * | 2012-05-08 | 2012-08-22 | 中北大学 | 一种控制系统 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN108897226A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 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 |
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
- 2019-07-25 CN CN201910677644.7A patent/CN110440778B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1388474A2 (en) * | 2002-08-05 | 2004-02-11 | Ford Global Technologies, LLC | System and method for determining an amount of control for operating a rollover control system |
CN102644616A (zh) * | 2012-05-08 | 2012-08-22 | 中北大学 | 一种控制系统 |
CN107607103A (zh) * | 2017-11-05 | 2018-01-19 | 西北工业大学 | 基于干扰观测器的mems陀螺仪复合学习控制方法 |
CN108897226A (zh) * | 2018-08-20 | 2018-11-27 | 西北工业大学 | 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 |
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 (2)
Title |
---|
XIANGWEI BU 等: "A fuzzy wavelet neural network-based approach to hypersonic flight vehicle direct nonaffine hybrid control", 《NONLINEAR DYN》 * |
王竹晴 等: "基于鲁棒积分的四旋翼飞行器姿态控制", 《电光与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414011A (zh) * | 2020-04-09 | 2020-07-14 | 中北大学 | 一种考虑执行机构故障的高超声速飞行器保性能容错控制方法 |
CN111459029A (zh) * | 2020-04-09 | 2020-07-28 | 中北大学 | 一种考虑输入量化的高超声速飞行器预设性能神经反馈控制方法 |
CN111414011B (zh) * | 2020-04-09 | 2023-06-30 | 中北大学 | 考虑执行机构故障的高超声速飞行器保性能容错控制方法 |
CN113485094A (zh) * | 2021-08-02 | 2021-10-08 | 中北大学 | 一种获取过程最优zn模型的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110440778B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Neural network-based adaptive controller design of robotic manipulators with an observer | |
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 | |
CN109176525A (zh) | 一种基于rbf的移动机械手自适应控制方法 | |
CN110421569B (zh) | 一种基于有限时间扰动观测器的反演滑模机械臂控制器设计方法 | |
CN106406085B (zh) | 基于跨尺度模型的空间机械臂轨迹跟踪控制方法 | |
CN108572548B (zh) | 一种扰动感知控制方法 | |
CN105912009B (zh) | 基于极点配置和模糊自抗扰控制技术的四旋翼飞行器控制方法 | |
CN110440778A (zh) | 一种mems陀螺仪无超调保性能模糊小波神经控制方法 | |
CN108241292B (zh) | 一种基于扩张状态观测器的水下机器人滑模控制方法 | |
CN105182745B (zh) | 一种带有死区补偿的机械臂伺服系统神经网络全阶滑模控制方法 | |
CN113589689B (zh) | 一种基于多参数自适应神经网络的滑模控制器设计方法 | |
CN112077839B (zh) | 一种机械臂的运动控制方法及装置 | |
CN108267952B (zh) | 一种水下机器人自适应有限时间控制方法 | |
CN108445768A (zh) | 空间机器人操作空间轨迹跟踪的增广自适应模糊控制方法 | |
CN110389528A (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
Pratap et al. | Real-time implementation of neuro adaptive observer-based robust backstepping controller for twin rotor control system | |
Li et al. | Anti-disturbance control for attitude and altitude systems of the helicopter under random disturbances | |
CN113110048A (zh) | 采用hosm观测器的非线性系统输出反馈自适应控制系统和方法 | |
Zheng et al. | Sliding mode control for fuzzy Markovian jump singular system with time-varying delay | |
Enjiao et al. | Finite-time control of formation system for multiple flight vehicles subject to actuator saturation | |
Zou et al. | Robust neural network trajectory-tracking control of underactuated surface vehicles considering uncertainties and unmeasurable velocities | |
Zhong et al. | Fast terminal sliding-mode control based on unknown input observer for the tracking control of underwater vehicles | |
Hu et al. | Prescribed time tracking control without velocity measurement for dual-arm robots | |
Zhang et al. | PD control with RBF neural network gravity compensation for manipulator | |
Arshad et al. | Deep Deterministic Policy Gradient to Regulate Feedback Control Systems Using Reinforcement Learning. |
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 |