CN110471293B - 一种估计时变角速度的z轴陀螺仪滑模控制方法 - Google Patents
一种估计时变角速度的z轴陀螺仪滑模控制方法 Download PDFInfo
- Publication number
- CN110471293B CN110471293B CN201910901077.9A CN201910901077A CN110471293B CN 110471293 B CN110471293 B CN 110471293B CN 201910901077 A CN201910901077 A CN 201910901077A CN 110471293 B CN110471293 B CN 110471293B
- Authority
- CN
- China
- Prior art keywords
- angular velocity
- gyroscope
- sliding mode
- micro
- varying angular
- 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
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
- G05B13/04—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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请公开了一种估计时变角速度的Z轴陀螺仪滑模控制方法。所述方法在获得微陀螺仪跟踪误差和设计的滑模面的基础上,基于所述跟踪误差和滑模面,采用RBF神经网络估计时变角速度参数矩阵,并根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪控制律,最终正确估计出连续变化的角速度信号。本发明方法能够在角速度连续变化的情况下,采用神经网络对时变角速度进行估计,通过设计神经网络权值自适应规律完成权值的自适应调整,保证系统的稳定性,提高陀螺仪的测量精度。
Description
技术领域
本发明涉及自动控制系统领域,尤其涉及一种估计时变角速度的Z轴陀螺仪滑模控制方法。
背景技术
MEMS陀螺仪是常用的传感器,用于测量角速度。主要应用于导航、手机、四轴飞行器等场合。陀螺仪的工作原理是基于科里奥利力引起检测质量的惯性效应。当有角速度输入时,会在微陀螺仪上产生一个同时垂直于角速度方向和初始振动方向的科氏力,并且它的大小正比于输入角速度。通过检测由科氏力引起的振动位移,并经过解调、放大、滤波等一系列处理后便可得到所需的角速度信号。
通常,在陀螺控制系统中,可以采用自适应滑模控制来实现期望的轨迹跟踪并通过自适应算法完成角速度信号的估计。但是,传统自适应算法只适用于角速度信号长期恒定的情况。而在实际情况中,物体旋转的角速度肯定是变化的,这样就使得传统自适应算法对角速度估计的不准确。
发明内容
有鉴于此,本发明的目的在于提供一种估计时变角速度的Z轴陀螺仪滑模控制方法,旨在通过采用神经网络对时变角速度进行估计,通过设计神经网络权值自适应规律完成权值的自适应调整,保证系统的稳定性。
为解决上述技术问题,本发明提供了一种估计时变角速度的Z轴陀螺仪滑模控制方法,包括以下步骤:
1)建立微陀螺仪动力学模型,根据所述模型输出微陀螺仪运动轨迹;
所述模型如下式所示:
式中,q为陀螺仪的运动轨迹,u为陀螺仪的控制输入,D为阻尼参数矩阵,K为弹簧参数矩阵,Ω为角速度参数矩阵,d为外界干扰;
2)根据步骤1)得到的微陀螺仪运动轨迹计算跟踪误差,根据跟踪误差建立滑模面;
所述跟踪误差如下式所示:
e=qd-q (2)
上式中,e为跟踪误差,qd为微陀螺仪运动参考轨迹;
所述滑模面根据如下公式建立:
式中,S为滑模面,λ为滑模面参数;
3)采用RBF神经网络根据所述跟踪误差输出估计时变角速度参数矩阵,并根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪的控制律;
所述估计时变角速度参数矩阵为:
所述微陀螺仪的控制律为:
4)基于Lyapunov稳定性理论,设计Lyapunov函数,根据Lyapunov函数设计RBF神经网络权值的更新算法,并将所述更新算法应用于RBF神经网络,以确保跟踪误差收敛到零,保证系统稳定;
所述Lyapunov函数为:
所述更新算法为:
优选的,根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪的控制律,具体为:
滑模面的一阶导数为:
所述等效控制律为:
上式中,ueq为微陀螺仪的等效控制律;
根据所述滑模面,设计控制律的鲁棒项,
所述控制律的鲁棒项为:
us=ρsgn(S) (10)
根据所述等效控制律和鲁棒项,设计微陀螺仪的控制律为:
与现有技术相比,本发明公开了一种估计时变角速度的Z轴陀螺仪滑模控制方法,所述方法在获得微陀螺仪跟踪误差和设计的滑模面的基础上,基于所述跟踪误差和滑模面,采用RBF神经网络估计时变角速度参数矩阵,并根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪控制律,最终正确估计出连续变化的角速度信号。可见,应用本发明方法,可以有效补偿系统参数误差,有效提高了控制效果和参数估计效果,进而可以提高微陀螺仪的测量精度。
由于RBF神经网络可以逼近任意连续函数,因此也可以将其应用于时变角速度信号的测量。与传统的自适应算法相比,本发明能够在陀螺系统测量角速度时变的情况下,采用神经网络对时变角速度进行估计,通过设计神经网络权值自适应规律完成权值的自适应调整,避免角速度估计不准确,保证系统的稳定性。
附图说明
图1为本发明实施例提供的估计时变角速度的Z轴陀螺仪滑模控制方法原理图。
图2为本发明实施例中X,Y轴位置跟踪曲线;
图3为本发明实施例中X,Y轴位置跟踪误差曲线;
图4为本发明实施例中Z轴陀螺仪模型时变角速度参数辨识曲线。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为了进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
如图1所示,本发明提供了一种估计时变角速度的Z轴陀螺仪滑模控制方法,包括如下步骤:
1)建立微陀螺仪动力学模型,根据所述模型输出微陀螺仪运动轨迹:
微陀螺仪的数学模型为:
其中,x、y为微陀螺仪在X、Y轴方向上的位移,ux、uy为微陀螺仪在X、Y轴方向上的控制输入,dxx、dyy为X、Y轴方向弹簧的弹性系数,ωx 2、ωy 2为X、Y轴方向的阻尼系数,dxy、dyx、ωxy、ωyx是由于加工误差等引起的耦合参数,Ωz为质量块自转的角速度。
将陀螺模型写成状态空间表达式得:
式中,q为陀螺仪的运动轨迹,u为陀螺仪的控制输入,D为阻尼参数矩阵,K为弹簧参数矩阵,Ω为角速度参数矩阵。
考虑外界干扰,则系统模型可以写成:
其中d为外界干扰.
我们做以下合理假设
假设1.外界干扰存在上界,并假设上界为D,D为一正数。系统外界干扰d和干扰上界D满足不等式D-|d|≥Δ,Δ为一小正数。
2)根据步骤1)得到的微陀螺仪运动轨迹计算跟踪误差,根据所述跟踪误差建立滑模面:
定义微陀螺仪的跟踪误差为:
e=qd-q (15)
根据所述跟踪误差,设计滑模面为:
其中,λ为滑模面参数,取为二阶对角阵,且其对角线元素为正数。
3)采用RBF神经网络根据所述跟踪误差输出估计时变角速度参数矩阵,并根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪的控制律:
根据所述滑模面,设计控制律的鲁棒项为:
us=ρsgn(S) (18)
上式中,us为微陀螺仪控制律的鲁棒项,ρ为鲁棒项增益,sgn()为符号函数;
在系统模型完全已知的情况下,可以设计最终控制律为
其中,u为微陀螺仪的控制律。
由于控制律中包含微陀螺仪角速度参数矩阵Ω,而在实际情况中,角速度不是长期恒定的,而是持续变化的。因此,控制律很难实施。可以利用RBF神经网络逼近微陀螺仪时变角速度参数矩阵Ω。
假设2.在使用神经网络逼近系统时变角速度时,存在最优权值满足 σ1,σ2为逼近误差,并且逼近误差是有界的,即满足|σ1|<σ1d,|σ2|<σ2d,σ1d,σ2d为逼近误差的上界,理论上神经网络的逼近误差可以使得逼近误差上界σ1d,σ2d趋近于0。
使用时变角速度参数矩阵的估计值代替其真实值进行控制力设计,控制律设计为
4)基于Lyapunov稳定性理论,设计Lyapunov函数,根据Lyapunov函数设计RBF神经网络权值的更新算法,并将所述更新算法应用于RBF神经网络,以确保跟踪误差收敛到零,保证系统稳定;
所述Lyapunov函数为
对其进行求导,得
将所述控制律带入上式,得
整理得
根据所述设计所述更新算法为
将所述Lyapunov稳定性理论更新算法带入(25)中,得
取鲁棒项增益稍大于干扰上界,由假设1和假设2可知
稳定性得到证明。
5)计算机仿真实验
根据估计时变角速度的Z轴陀螺仪滑模控制方法,在MATLAB/SIMULINK中对本发明控制方法进行计算机仿真实验。仿真实验的微陀螺仪参数如下:
m=1.8×10-7kg,kxx=63.955N/m,kyy=95.92N/m,kxy=12.779N/m,
dxx=1.8×10-6N·s/m,dyy=1.8×10-6N·s/m,dxy=3.6×10-7N·s/m
未知的输入角速度假定为Ωz=100rad/s。参考长度选取为q0=1μm,参考频率ω0=1000Hz,非量纲化后,微陀螺仪各参数如下:
ωx 2=355.3,ωy 2=532.9,ωxy=70.99,dxx=0.01,dyy=0.01,dxy=0.002,Ω=0.1sign(0.1t)
神经网络参数辨识部分参数取为:η1=10,η2=10
固定鲁棒增益的鲁棒增益值设为:ρ=50
图2为本发明具体实施实例中X,Y轴位置跟踪性能曲线;其中虚线为实际轨迹,实线为理想轨迹。从图中可以看出,经过控制的轨迹能够很好的跟踪上理想轨迹。
图3为本发明具体实施实例中X,Y轴位置跟踪误差曲线;从图中可以看出,跟踪误差很快能够收敛到0。
图4为本发明具体实施实例中微陀螺时变角速度辨识曲线;其中,实线为时变角速度参数的真值,虚线为神经网络对时变角速度的逼近值;从图中可以看出,神经网络能够很好地实时逼近时变角速度。
从以上仿真图可以看出,本发明提出的控制方法能够很好地实现轨迹跟踪,在面对角速度时变的情况下,能够有效估计出时变的角速度,保证了系统的稳定性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种估计时变角速度的Z轴陀螺仪滑模控制方法,其特征在于,包括以下步骤:
1)建立微陀螺仪动力学模型,根据所述模型输出微陀螺仪运动轨迹;
所述模型如下式所示:
式中,q为陀螺仪的运动轨迹,u为陀螺仪的控制输入,D为阻尼参数矩阵,K为弹簧参数矩阵,Ω为角速度参数矩阵,d为外界干扰,其中,x、y为微陀螺仪在X、Y轴方向上的位移,ux、uy为微陀螺仪在X、Y轴方向上的控制输入,dxx、dyy为X、Y轴方向弹簧的弹性系数,ωx 2、ωy 2为X、Y轴方向的阻尼系数,dxy、ωxy是由于加工误差引起的耦合参数,Ωz为质量块自转的角速度;
2)根据步骤1)得到的微陀螺仪运动轨迹计算跟踪误差,根据跟踪误差建立滑模面;
所述跟踪误差如下式所示:
e=qd-q;
上式中,e为跟踪误差,qd为微陀螺仪运动参考轨迹;
所述滑模面根据如下公式建立:
式中,S为滑模面,λ为滑模面参数;
3)采用RBF神经网络根据所述跟踪误差输出估计时变角速度参数矩阵,并根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪的控制律;
所述估计时变角速度参数矩阵为:
所述根据所述滑模面和所述估计时变角速度参数矩阵设计微陀螺仪的控制律,具体为:
滑模面的一阶导数为:
所述等效控制律为:
上式中,ueq为微陀螺仪的等效控制律;
根据所述滑模面,设计控制律的鲁棒项,
所述控制律的鲁棒项为:
us=ρsgn(S)
根据所述等效控制律和鲁棒项,设计微陀螺仪的控制律为:
4)基于Lyapunov稳定性理论,设计Lyapunov函数,根据Lyapunov函数设计RBF神经网络权值的更新算法,并将所述更新算法应用于RBF神经网络,以确保跟踪误差收敛到零,保证系统稳定;
所述Lyapunov函数为:
所述更新算法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910901077.9A CN110471293B (zh) | 2019-09-23 | 2019-09-23 | 一种估计时变角速度的z轴陀螺仪滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910901077.9A CN110471293B (zh) | 2019-09-23 | 2019-09-23 | 一种估计时变角速度的z轴陀螺仪滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471293A CN110471293A (zh) | 2019-11-19 |
CN110471293B true CN110471293B (zh) | 2022-02-25 |
Family
ID=68516680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910901077.9A Active CN110471293B (zh) | 2019-09-23 | 2019-09-23 | 一种估计时变角速度的z轴陀螺仪滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471293B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025915B (zh) * | 2019-12-31 | 2022-11-25 | 南通大学 | 一种基于干扰观测器的z轴陀螺仪神经网络滑模控制方法 |
CN111290279B (zh) * | 2020-03-05 | 2022-10-25 | 南通大学 | 一种基于误差转换函数的神经网络滑模控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108241299A (zh) * | 2018-01-19 | 2018-07-03 | 南通大学 | 带误差限定的微陀螺自适应滑模控制方法 |
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 |
CN109062046A (zh) * | 2018-08-13 | 2018-12-21 | 河海大学常州校区 | 基于rbf神经网络的微陀螺仪系统超扭曲滑模控制方法 |
CN110262237A (zh) * | 2019-06-25 | 2019-09-20 | 河海大学常州校区 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387775B2 (en) * | 2015-09-09 | 2019-08-20 | Emerson Process Management Power & Water Solutions, Inc. | Model-based characterization of pressure/load relationship for power plant load control |
-
2019
- 2019-09-23 CN CN201910901077.9A patent/CN110471293B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108241299A (zh) * | 2018-01-19 | 2018-07-03 | 南通大学 | 带误差限定的微陀螺自适应滑模控制方法 |
CN109062046A (zh) * | 2018-08-13 | 2018-12-21 | 河海大学常州校区 | 基于rbf神经网络的微陀螺仪系统超扭曲滑模控制方法 |
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 |
CN110262237A (zh) * | 2019-06-25 | 2019-09-20 | 河海大学常州校区 | 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 |
Non-Patent Citations (1)
Title |
---|
Adaptive control of a MEMS gyroscope using Lyapunov methods;R.P. Leland;《Transactions on Control Systems Technology 》;20060221;page278-286 * |
Also Published As
Publication number | Publication date |
---|---|
CN110471293A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104281056B (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 | |
CN108227504B (zh) | 微陀螺分数阶自适应模糊神经反演终端滑模控制方法 | |
CN107831655B (zh) | 微陀螺仪的分数阶自适应反演模糊滑模控制方法 | |
TWI384198B (zh) | Angle measurement gyroscope system and angle estimation method | |
CN108731676B (zh) | 一种基于惯性导航技术的姿态融合增强测量方法及系统 | |
CN108710296B (zh) | 微陀螺仪的分数阶自适应快速终端滑模控制方法 | |
CN104503246B (zh) | 微陀螺仪系统的间接自适应神经网络滑模控制方法 | |
CN104049534B (zh) | 微陀螺仪的自适应迭代学习控制方法 | |
CN110471293B (zh) | 一种估计时变角速度的z轴陀螺仪滑模控制方法 | |
CN110389528B (zh) | 基于扰动观测的数据驱动mems陀螺仪驱动控制方法 | |
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 | |
CN110595434B (zh) | 基于mems传感器的四元数融合姿态估计方法 | |
WO2022222938A1 (zh) | 一种基于运动状态监测的自适应水平姿态测量方法 | |
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 | |
CN114111843B (zh) | 一种捷联惯导系统最优动基座初始对准方法 | |
CN110579966B (zh) | 一种基于神经网络辨识参数的z轴陀螺仪控制方法 | |
Ivoilov et al. | The tilt angle estimation in the inverted pendulum stabilization task | |
CN110389527B (zh) | 基于异类估计的mems陀螺仪滑模控制方法 | |
CN109917645B (zh) | 微陀螺双反馈模糊神经网络超扭曲滑模控制系统设计方法 | |
CN110442023B (zh) | 一种mems陀螺仪驱动与检测模态预设性能抗干扰控制方法 | |
Zhe et al. | Adaptive complementary filtering algorithm for imu based on mems | |
CN111290279B (zh) | 一种基于误差转换函数的神经网络滑模控制方法 | |
CN111025915B (zh) | 一种基于干扰观测器的z轴陀螺仪神经网络滑模控制方法 | |
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 | |
CN110389526B (zh) | 基于Super-Twisting算法的MEMS陀螺自适应滑模控制方法 |
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 |