CN112099350A - 一种mems陀螺仪动态逆控制方法和装置 - Google Patents

一种mems陀螺仪动态逆控制方法和装置 Download PDF

Info

Publication number
CN112099350A
CN112099350A CN202010842432.2A CN202010842432A CN112099350A CN 112099350 A CN112099350 A CN 112099350A CN 202010842432 A CN202010842432 A CN 202010842432A CN 112099350 A CN112099350 A CN 112099350A
Authority
CN
China
Prior art keywords
dynamic
mems gyroscope
mems
substances
model
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
CN202010842432.2A
Other languages
English (en)
Other versions
CN112099350B (zh
Inventor
闵海波
张睿
许斌
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.)
Beijing Aibingo Technology Co ltd
Original Assignee
Beijing Aibingo Technology Co ltd
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 Beijing Aibingo Technology Co ltd filed Critical Beijing Aibingo Technology Co ltd
Priority to CN202010842432.2A priority Critical patent/CN112099350B/zh
Publication of CN112099350A publication Critical patent/CN112099350A/zh
Application granted granted Critical
Publication of CN112099350B publication Critical patent/CN112099350B/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
    • G05B13/04—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Feedback Control In General (AREA)
  • Gyroscopes (AREA)

Abstract

本申请公开了一种MEMS陀螺仪动态逆控制方法和装置，以提高MEMS陀螺仪驱动控制系统的环境适应能力，本方法通过将陀螺仪动力学模型转化为严格反馈形式；设计基于神经网络的平行估计模型逼近真实动力学，并基于神经网络预测误差和跟踪误差设计神经网络权值的复合自适应律，实现未知动力学的有效动态估计；设计扰动观测器实现外部干扰的有效估计；基于反步法设计动态逆控制系统，避免反步法的“微分爆炸”并实现MEMS陀螺仪驱动控制。本申请设计的基于平行估计的MEMS陀螺仪动态逆控制方法可解决动态动力学及外部干扰难以准确估计的问题，实现高精度陀螺仪驱动控制，进一步改善MEMS陀螺仪驱动控制性能。

Description

一种MEMS陀螺仪动态逆控制方法和装置
技术领域
本申请涉及智能化仪器仪表领域，更具体地说，涉及一种MEMS陀螺仪动态逆控制方法和装置。
背景技术
目前，鉴于体积小、低功耗、价格低的优点，MEMS(Micro-Electro-MechanicalSystem，微机电系统)陀螺仪广泛应用于机器人、消费电子、可穿戴设备等角速度测量领域。但是，由于MEMS陀螺仪电路信号非常微弱，有用信号极易受到温度、气压等外部环境及外部干扰影响，一旦有用信号受到外部干扰或变化工作环境影响，则会导致陀螺驱动控制性能变差。因此，采用自适应控制提高驱动控制系统的环境适应能力是非常必要的。
发明内容
有鉴于此，本申请提供一种MEMS陀螺仪动态逆控制方法和装置，采用自适应控制以提高MEMS陀螺仪驱动控制系统的环境适应能力。
为了解决上述技术问题，本申请提供如下技术方案：
一种MEMS陀螺仪动态逆控制方法，包括：
构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
进一步的，所述构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型，具体为：
考虑外部干扰的MEMS陀螺动力学模型为：
Figure BDA0002641905530000021
式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，
Figure BDA0002641905530000022
Figure BDA0002641905530000023
cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002641905530000024
和
Figure BDA0002641905530000025
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，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、
Figure BDA0002641905530000026
cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；
定义
Figure BDA0002641905530000027
f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则
Figure BDA0002641905530000028
可写为：
Figure BDA0002641905530000029
设计神经网络逼近f，则
Figure BDA00026419055300000210
可写为：
Figure BDA00026419055300000211
其中，
Figure BDA00026419055300000212
为未知的神经网络最佳权值矩阵，
Figure BDA00026419055300000213
为神经网络基函数向量，D＝ε+d，
Figure BDA00026419055300000214
为神经网络逼近误差且存在|ε|未知上确界向量εm。
进一步的，所述构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器，具体为：
定义跟踪误差为
Figure BDA00026419055300000215
其中，
Figure BDA00026419055300000216
为参考信号；
设计
Figure BDA0002641905530000031
的虚拟控制器为
Figure BDA0002641905530000032
其中，
Figure BDA0002641905530000033
是待设计参数矩阵，满足Hurwitz条件；
引入新的变量
Figure BDA0002641905530000034
使
Figure BDA0002641905530000035
通过以下一阶滤波器得到
Figure BDA0002641905530000036
Figure BDA0002641905530000037
其中，
Figure BDA0002641905530000038
是待设计参数矩阵，满足Hurwitz条件；
定义二阶误差为
Figure BDA0002641905530000039
设计动态逆控制器为
Figure BDA00026419055300000310
其中，
Figure BDA00026419055300000311
是待设计参数矩阵且满足Hurwitz条件，
Figure BDA00026419055300000312
是D的估计，
Figure BDA00026419055300000313
是ω*的估计。
进一步的，所述参考信号可选取
Figure BDA00026419055300000314
进一步的，所述根据所述动态逆控制器构建平行估计模型，具体为：
求e2的导数为
Figure BDA00026419055300000315
其中，
Figure BDA00026419055300000316
Figure BDA00026419055300000317
设计补偿信号为
Figure BDA00026419055300000318
定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为
Figure BDA00026419055300000319
其中，
Figure BDA00026419055300000320
是
Figure BDA00026419055300000321
的估计；
定义平行估计模型为
Figure BDA00026419055300000322
其中，
Figure BDA00026419055300000323
是待设计参数矩阵，满足Hurwitz条件；
设计神经网络的权值更新律为
Figure BDA00026419055300000324
其中，
Figure BDA00026419055300000325
Figure BDA00026419055300000326
是待设计参数矩阵，满足Hurwitz条件。
进一步的，所述设计扰动观测器，具体为：
设计扰动观测器为
Figure BDA00026419055300000327
其中，
Figure BDA00026419055300000328
是待设计参数矩阵，满足Hurwitz条件。
进一步的，所述采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动，具体为：
采用所述平行估计模型
Figure BDA0002641905530000041
所述扰动观测器
Figure BDA0002641905530000042
和所述动态逆控制器
Figure BDA0002641905530000043
来驱动所述MEMS陀螺仪动力学模型
Figure BDA0002641905530000044
以实现所述MEMS陀螺仪的驱动。
一种MEMS陀螺仪动态逆控制装置，包括：
第一处理单元，用于构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
第二处理单元，用于构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
第三处理单元，用于根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
第四处理单元，用于采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如上述所述的MEMS陀螺仪动态逆控制方法。
一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述所述的MEMS陀螺仪动态逆控制方法。
从上述的技术方案可以看出，本申请将变化工作环境造成的未知动力学和频率、振幅、相位未知的外部谐波干扰视为状态量，设计真实动力学的平行估计模型，进而构建神经网络预测误差，并结合跟踪误差设计神经网络权值的复合自适应律，实现未知动力学的有效动态估计；设计扰动观测器实现外部干扰的有效估计；基于反步法设计动态逆控制器，避免反步法的“微分爆炸”并实现MEMS陀螺仪驱动控制，提高了MEMS陀螺仪驱动控制系统的环境适应能力；同时，针对时变外部扰动与非线性动力学来源不同，不能合并后采用神经网络逼近的问题，设计独立的扰动观测器，实时估计外部干扰。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种MEMS陀螺仪动态逆控制方法的流程示意图；
图2为本申请实施例公开的一种MEMS陀螺仪动态逆控制装置的结构示意图；
图3为本申请实施例公开的一种电子设备的结构示意图。
具体实施方式
相关技术中，如《Adaptive global sliding mode controlfor MEMS gyroscopeusing RBF neural network》(Yundi Chu and Juntao Fei，《Mathematical Problems inEngineering》，2015)一文中，采用RBF(Radial Basis Function，径向基)神经网络逼近包含变化环境影响的MEMS陀螺非线性动力学和外部干扰，再利用全局滑模方法对其进行补偿。这种方法虽然提升了MEMS陀螺驱动控制对变化环境的适应能力，但是违背了神经网络逼近不确定的本意。
针对实际应用中变化环境导致的未知动态动力学难以实现有效动态估计。同时，时变外部扰动与非线性动力学来源不同，合并后采用神经网络逼近并不能有效估计扰动。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1，本申请实施例提供的一种MEMS陀螺仪的动态逆控制方法的流程示意图，该方法具体包括如下步骤：
步骤S101：构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型。
其具体过程如下：
考虑外部干扰的MEMS陀螺动力学模型为：
Figure BDA0002641905530000061
式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，
Figure BDA0002641905530000062
Figure BDA0002641905530000063
cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002641905530000064
和
Figure BDA0002641905530000065
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，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、
Figure BDA0002641905530000066
cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学。
定义
Figure BDA0002641905530000071
f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则
Figure BDA0002641905530000072
可写为：
Figure BDA0002641905530000073
设计神经网络逼近f，则
Figure BDA0002641905530000074
可写为：
Figure BDA0002641905530000075
其中，
Figure BDA0002641905530000076
为未知的神经网络最佳权值矩阵，
Figure BDA0002641905530000077
为神经网络基函数向量，D＝ε+d，
Figure BDA0002641905530000078
为神经网络逼近误差且存在|ε|未知上确界向量εm。
步骤S102：构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器。
其具体过程如下：
定义跟踪误差为
Figure BDA00026419055300000722
其中，
Figure BDA0002641905530000079
为参考信号。需要说明的是，所述参考信号可选取
Figure BDA00026419055300000710
设计
Figure BDA00026419055300000711
的虚拟控制器为
Figure BDA00026419055300000712
其中，
Figure BDA00026419055300000713
是待设计参数矩阵，满足Hurwitz条件。需要说明的是，β1可以由用户自定义，本申请实施例中，
Figure BDA00026419055300000714
引入新的变量
Figure BDA00026419055300000715
使
Figure BDA00026419055300000716
通过以下一阶滤波器得到
Figure BDA00026419055300000717
Figure BDA00026419055300000718
其中，
Figure BDA00026419055300000719
是待设计参数矩阵，满足Hurwitz条件。需要说明的是，l1可以由用户自定义，本申请实施例中，
Figure BDA00026419055300000720
定义二阶误差为
Figure BDA00026419055300000721
设计动态逆控制器为
Figure BDA0002641905530000081
其中，
Figure BDA0002641905530000082
是待设计参数矩阵且满足Hurwitz条件，
Figure BDA0002641905530000083
是D的估计，
Figure BDA0002641905530000084
是ω*的估计，需要说明的是，β2可以由用户自定义，本申请实施例中，
Figure BDA0002641905530000085
步骤S103：根据所述动态逆控制器构建平行估计模型，并设计扰动观测器。
构建平行估计模型具体过程如下：
求e2的导数为
Figure BDA0002641905530000086
其中，
Figure BDA0002641905530000087
Figure BDA0002641905530000088
设计补偿信号为
Figure BDA0002641905530000089
定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为
Figure BDA00026419055300000810
其中，
Figure BDA00026419055300000811
是
Figure BDA00026419055300000812
的估计。
定义平行估计模型为
Figure BDA00026419055300000813
其中，
Figure BDA00026419055300000814
是待设计参数矩阵，满足Hurwitz条件。需要说明的是，k2可以由用户自定义，本申请实施例中，
Figure BDA00026419055300000815
设计神经网络的权值更新律为
Figure BDA00026419055300000816
其中，
Figure BDA00026419055300000817
Figure BDA00026419055300000818
是待设计参数矩阵，满足Hurwitz条件，需要说明的是，τ1、τ2和μ可以由用户自定义，本申请实施例中，
Figure BDA00026419055300000819
Figure BDA00026419055300000820
设计扰动观测器，具体为：
设计扰动观测器为
Figure BDA0002641905530000091
其中，
Figure BDA0002641905530000092
是待设计参数矩阵，满足Hurwitz条件，需要说明的是，L可以由用户自定义，本申请实施例中，
Figure BDA0002641905530000093
步骤S104：采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
其具体过程如下：
采用所述平行估计模型
Figure BDA0002641905530000094
所述扰动观测器
Figure BDA0002641905530000095
和所述动态逆控制器
Figure BDA0002641905530000096
来驱动所述MEMS陀螺仪动力学模型
Figure BDA0002641905530000097
以实现所述MEMS陀螺仪的驱动。
本申请实施例公开的一种MEMS陀螺仪的动态逆控制方法，以提高MEMS陀螺仪驱动控制系统的环境适应能力，本方法通过将陀螺仪动力学模型转化为严格反馈形式；设计基于神经网络的平行估计模型逼近真实动力学，并基于神经网络预测误差和跟踪误差设计神经网络权值的复合自适应律，实现未知动力学的有效动态估计；设计扰动观测器实现外部干扰的有效估计；基于反步法设计动态逆控制系统，避免反步法的“微分爆炸”并实现MEMS陀螺仪驱动控制。本申请实施例设计的基于平行估计的MEMS陀螺仪动态逆控制方法可解决动态动力学及外部干扰难以准确估计的问题，实现高精度陀螺仪驱动控制，进一步改善MEMS陀螺仪驱动控制性能。
与上述方法实施例相对应的，本申请实施例还公开了一种MEMS陀螺仪动态逆控制装置，如图2所示，所述MEMS陀螺仪动态逆控制装置包括：
第一处理单元201，用于构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
第二处理单元202，用于构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
第三处理单元203，用于根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
第四处理单元204，用于采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
优选的，所述第一处理单元201具体用于：
考虑外部干扰的MEMS陀螺动力学模型为：
Figure BDA0002641905530000101
式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，
Figure BDA0002641905530000102
Figure BDA0002641905530000103
cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002641905530000104
和
Figure BDA0002641905530000105
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，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、
Figure BDA0002641905530000106
cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；
定义
Figure BDA0002641905530000107
f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则
Figure BDA0002641905530000108
可写为：
Figure BDA0002641905530000109
设计神经网络逼近f，则
Figure BDA0002641905530000111
可写为：
Figure BDA0002641905530000112
其中，
Figure BDA0002641905530000113
为未知的神经网络最佳权值矩阵，
Figure BDA0002641905530000114
为神经网络基函数向量，D＝ε+d，
Figure BDA0002641905530000115
为神经网络逼近误差且存在|ε|未知上确界向量εm。
优选的，所述第二处理单元202，具体用于：
定义跟踪误差为
Figure BDA0002641905530000116
其中，
Figure BDA0002641905530000117
为参考信号；
设计
Figure BDA0002641905530000118
的虚拟控制器为
Figure BDA0002641905530000119
其中，
Figure BDA00026419055300001110
是待设计参数矩阵，满足Hurwitz条件；
引入新的变量
Figure BDA00026419055300001111
使
Figure BDA00026419055300001112
通过以下一阶滤波器得到
Figure BDA00026419055300001113
Figure BDA00026419055300001114
其中，
Figure BDA00026419055300001115
是待设计参数矩阵，满足Hurwitz条件；
定义二阶误差为
Figure BDA00026419055300001116
设计动态逆控制器为
Figure BDA00026419055300001117
其中，
Figure BDA00026419055300001118
是待设计参数矩阵且满足Hurwitz条件，
Figure BDA00026419055300001119
是D的估计，
Figure BDA00026419055300001120
是ω*的估计。
优选的，所述参考信号选取
Figure BDA00026419055300001121
优选的，所述第三处理单元203，具体用于：
求e2的导数为
Figure BDA00026419055300001130
其中，
Figure BDA00026419055300001122
Figure BDA00026419055300001123
设计补偿信号为
Figure BDA00026419055300001124
定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为
Figure BDA00026419055300001125
其中，
Figure BDA00026419055300001126
是
Figure BDA00026419055300001127
的估计；
定义平行估计模型为
Figure BDA00026419055300001128
其中，
Figure BDA00026419055300001129
是待设计参数矩阵，满足Hurwitz条件；
设计神经网络的权值更新律为
Figure BDA0002641905530000121
其中，
Figure BDA0002641905530000122
Figure BDA0002641905530000123
是待设计参数矩阵，满足Hurwitz条件。
优选的，所述第三处理单元203，具体还用于：
设计扰动观测器为
Figure BDA0002641905530000124
其中，
Figure BDA0002641905530000125
是待设计参数矩阵，满足Hurwitz条件。
优选的，所述第四处理单元204，具体用于：
采用所述平行估计模型
Figure BDA0002641905530000126
所述扰动观测器
Figure BDA0002641905530000127
和所述动态逆控制器
Figure BDA0002641905530000128
来驱动所述MEMS陀螺仪动力学模型
Figure BDA0002641905530000129
以实现所述MEMS陀螺仪的驱动。
所述MEMS陀螺仪动态逆控制装置包括处理器和存储器，上述第一处理单元、第二处理单元、第三处理单元和第四处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来达到提高MEMS陀螺仪驱动控制系统的境适应能力的目的。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述MEMS陀螺仪动态逆控制方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述MEMS陀螺仪动态逆控制方法。
本发明实施例提供了一种电子设备，如图3所示，该电子设备30包括至少一个处理器301、以及与所述处理器连接的至少一个存储器302、总线303；其中，所述处理器301、所述存储器302通过所述总线303完成相互间的通信；处理器301用于调用所述存储器302中的程序指令，以执行上述的所述MEMS陀螺仪动态逆控制方法。
本文中的电子设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
进一步的，所述构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型，具体为：
考虑外部干扰的MEMS陀螺动力学模型为：
Figure BDA0002641905530000131
式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，
Figure BDA0002641905530000132
Figure BDA0002641905530000133
cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure BDA0002641905530000134
和
Figure BDA0002641905530000135
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，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、
Figure BDA0002641905530000136
cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；
定义
Figure BDA0002641905530000141
f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则
Figure BDA0002641905530000142
可写为：
Figure BDA0002641905530000143
设计神经网络逼近f，则
Figure BDA0002641905530000144
可写为：
Figure BDA0002641905530000145
其中，
Figure BDA0002641905530000146
为未知的神经网络最佳权值矩阵，
Figure BDA0002641905530000147
为神经网络基函数向量，D＝ε+d，
Figure BDA0002641905530000148
为神经网络逼近误差且存在|ε|未知上确界向量εm。
进一步的，所述构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器，具体为：
定义跟踪误差为
Figure BDA0002641905530000149
其中，
Figure BDA00026419055300001410
为参考信号；
设计
Figure BDA00026419055300001411
的虚拟控制器为
Figure BDA00026419055300001412
其中，
Figure BDA00026419055300001413
是待设计参数矩阵，满足Hurwitz条件；
引入新的变量
Figure BDA00026419055300001414
使
Figure BDA00026419055300001415
通过以下一阶滤波器得到
Figure BDA00026419055300001416
Figure BDA00026419055300001417
其中，
Figure BDA00026419055300001418
是待设计参数矩阵，满足Hurwitz条件；
定义二阶误差为
Figure BDA00026419055300001419
设计动态逆控制器为
Figure BDA00026419055300001420
其中，
Figure BDA00026419055300001421
是待设计参数矩阵且满足Hurwitz条件，
Figure BDA00026419055300001422
是D的估计，
Figure BDA00026419055300001423
是ω*的估计。
进一步的，所述参考信号选取
Figure BDA00026419055300001424
进一步的，所述根据所述动态逆控制器构建平行估计模型，具体为：
求e2的导数为
Figure BDA00026419055300001425
其中，
Figure BDA00026419055300001426
Figure BDA00026419055300001427
设计补偿信号为
Figure BDA0002641905530000151
定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为
Figure BDA0002641905530000152
其中，
Figure BDA0002641905530000153
是
Figure BDA0002641905530000154
的估计；
定义平行估计模型为
Figure BDA0002641905530000155
其中，
Figure BDA0002641905530000156
是待设计参数矩阵，满足Hurwitz条件；
设计神经网络的权值更新律为
Figure BDA0002641905530000157
其中，
Figure BDA0002641905530000158
Figure BDA0002641905530000159
是待设计参数矩阵，满足Hurwitz条件。
进一步的，所述设计扰动观测器，具体为：
设计扰动观测器为
Figure BDA00026419055300001510
其中，
Figure BDA00026419055300001511
是待设计参数矩阵，满足Hurwitz条件。
进一步的，所述采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动，具体为：
采用所述平行估计模型
Figure BDA00026419055300001512
所述扰动观测器
Figure BDA00026419055300001513
和所述动态逆控制器
Figure BDA00026419055300001514
来驱动所述MEMS陀螺仪动力学模型
Figure BDA00026419055300001515
以实现所述MEMS陀螺仪的驱动。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在一个典型的配置中，设备包括一个或多个处理器(CPU)、存储器和总线。设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

Claims (10)

1.一种MEMS陀螺仪动态逆控制方法，其特征在于，包括：
构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
2.根据权利要求1所述的方法，其特征在于，所述构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型，具体为：
考虑外部干扰的MEMS陀螺动力学模型为：
Figure FDA0002641905520000011
式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，
Figure FDA0002641905520000012
Figure FDA0002641905520000013
cxx和cyy为阻尼系数，kxx和kyy为刚度系数，
Figure FDA0002641905520000014
和
Figure FDA0002641905520000015
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，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、
Figure FDA0002641905520000019
cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；
定义
Figure FDA0002641905520000016
f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则
Figure FDA0002641905520000017
可写为：
Figure FDA0002641905520000018
设计神经网络逼近f，则
Figure FDA0002641905520000021
可写为：
Figure FDA0002641905520000022
其中，
Figure FDA0002641905520000023
为未知的神经网络最佳权值矩阵，
Figure FDA0002641905520000024
为神经网络基函数向量，D＝ε+d，
Figure FDA0002641905520000025
为神经网络逼近误差且存在|ε|未知上确界向量εm。
3.根据权利要求2所述的方法，其特征在于，所述构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器，具体为：
定义跟踪误差为
Figure FDA0002641905520000026
其中，
Figure FDA0002641905520000027
为参考信号；
设计
Figure FDA0002641905520000028
的虚拟控制器为
Figure FDA0002641905520000029
其中，
Figure FDA00026419055200000210
是待设计参数矩阵，满足Hurwitz条件；
引入新的变量
Figure FDA00026419055200000211
使
Figure FDA00026419055200000212
通过以下一阶滤波器得到
Figure FDA00026419055200000213
Figure FDA00026419055200000214
其中，
Figure FDA00026419055200000215
是待设计参数矩阵，满足Hurwitz条件；
定义二阶误差为
Figure FDA00026419055200000216
设计动态逆控制器为
Figure FDA00026419055200000217
其中，
Figure FDA00026419055200000229
是待设计参数矩阵且满足Hurwitz条件，
Figure FDA00026419055200000219
是D的估计，
Figure FDA00026419055200000220
是ω*的估计。
4.根据权利要求3所述的方法，其特征在于，所述参考信号选取
Figure FDA00026419055200000221
5.根据权利要求3所述的方法，其特征在于，所述根据所述动态逆控制器构建平行估计模型，具体为：
求e2的导数为
Figure FDA00026419055200000222
其中，
Figure FDA00026419055200000223
Figure FDA00026419055200000224
设计补偿信号为
Figure FDA00026419055200000225
定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为
Figure FDA00026419055200000226
其中，
Figure FDA00026419055200000227
是
Figure FDA00026419055200000228
的估计；
定义平行估计模型为
Figure FDA0002641905520000031
其中，
Figure FDA0002641905520000032
是待设计参数矩阵，满足Hurwitz条件；
设计神经网络的权值更新律为
Figure FDA0002641905520000033
其中，
Figure FDA0002641905520000034
Figure FDA0002641905520000035
是待设计参数矩阵，满足Hurwitz条件。
6.根据权利要求5所述的方法，其特征在于，所述设计扰动观测器，具体为：
设计扰动观测器为
Figure FDA0002641905520000036
其中，
Figure FDA0002641905520000037
是待设计参数矩阵，满足Hurwitz条件。
7.根据权利要求6所述的方法，其特征在于，所述采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动，具体为：
采用所述平行估计模型
Figure FDA0002641905520000038
所述扰动观测器
Figure FDA0002641905520000039
和所述动态逆控制器
Figure FDA00026419055200000310
来驱动所述MEMS陀螺仪动力学模型
Figure FDA00026419055200000311
以实现所述MEMS陀螺仪的驱动。
8.一种MEMS陀螺仪动态逆控制装置，其特征在于，包括：
第一处理单元，用于构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
第二处理单元，用于构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
第三处理单元，用于根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
第四处理单元，用于采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1至7中任一项所述的MEMS陀螺仪动态逆控制方法。
10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的MEMS陀螺仪动态逆控制方法。
CN202010842432.2A 2020-08-20 2020-08-20 一种mems陀螺仪动态逆控制方法和装置 Active CN112099350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010842432.2A CN112099350B (zh) 2020-08-20 2020-08-20 一种mems陀螺仪动态逆控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010842432.2A CN112099350B (zh) 2020-08-20 2020-08-20 一种mems陀螺仪动态逆控制方法和装置

Publications (2)

Publication Number Publication Date
CN112099350A true CN112099350A (zh) 2020-12-18
CN112099350B CN112099350B (zh) 2022-10-28

Family

ID=73753068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010842432.2A Active CN112099350B (zh) 2020-08-20 2020-08-20 一种mems陀螺仪动态逆控制方法和装置

Country Status (1)

Country Link
CN (1) CN112099350B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090185306A1 (en) * 2008-01-18 2009-07-23 Samsung Electronics Co., Ltd. Gap servo control method and apparatus in near-field optical disc drive
CN104199286A (zh) * 2014-07-15 2014-12-10 北京航空航天大学 一种基于滑模干扰观测器的飞行器递阶动态逆控制方法
CN104898429A (zh) * 2015-05-27 2015-09-09 北京工业大学 一种基于自抗扰控制的三旋翼姿态控制方法
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090185306A1 (en) * 2008-01-18 2009-07-23 Samsung Electronics Co., Ltd. Gap servo control method and apparatus in near-field optical disc drive
CN104199286A (zh) * 2014-07-15 2014-12-10 北京航空航天大学 一种基于滑模干扰观测器的飞行器递阶动态逆控制方法
CN104898429A (zh) * 2015-05-27 2015-09-09 北京工业大学 一种基于自抗扰控制的三旋翼姿态控制方法
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

Also Published As

Publication number Publication date
CN112099350B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
Xu et al. Minimal‐learning‐parameter technique based adaptive neural sliding mode control of MEMS gyroscope
Zhang et al. Finite-time prescribed performance control of MEMS gyroscopes
Tran et al. Nonsingular Terminal Sliding Mode Control of Uncertain Second‐Order Nonlinear Systems
Ghanbari et al. Adaptive fuzzy terminal sliding-mode control of MEMS z-axis gyroscope with extended Kalman filter observer
D'Amato et al. Retrospective‐cost‐based adaptive model refinement for the ionosphere and thermosphere
CN110389528B (zh) 基于扰动观测的数据驱动mems陀螺仪驱动控制方法
Mu et al. A new finite time convergence condition for super‐twisting observer based on Lyapunov analysis
Peng et al. Parameters identification of nonlinear Lorenz chaotic system for high-precision model reference synchronization
Fazeli Asl et al. Fractional order fuzzy dynamic backstepping sliding mode controller design for triaxial MEMS gyroscope based on high-gain and disturbance observers
Wu et al. Characteristic modeling and control of servo systems with backlash and friction
Mousavi et al. Dead‐zone model based adaptive backstepping control for a class of uncertain saturated systems
Meng et al. Adaptive EPCH strategy for nonlinear systems with parameters uncertainty and disturbances
Bonargent et al. Adaptive observer design for a class of Lipschitz nonlinear systems with multirate outputs and uncertainties: Application to attitude estimation with gyro bias
CN112099350B (zh) 一种mems陀螺仪动态逆控制方法和装置
Liu et al. Adaptive fuzzy controller design with observer for a class of uncertain nonlinear MIMO systems
Truong et al. An Observer-Based Fixed Time Sliding Mode Controller for a Class of Second-Order Nonlinear Systems and Its Application to Robot Manipulators
Kasac et al. On equivalence between internal and external model‐based repetitive learning controllers for nonlinear passive systems
Zohrei et al. Robust backstepping control based on neural network stochastic constrained for three axes inertial stable platform
Zietkiewicz et al. Performance of feedback linearization based control of bicycle robot in consideration of model inaccuracy
Badamchizadeh et al. Extended and Unscented Kalman Filtering Applied to a Flexible‐Joint Robot with Jerk Estimation
Ma et al. Nonsingular terminal sliding mode control of uncertain chaotic gyroscope system based on disturbance observer
Liu et al. Tracking control of a class of differential inclusion systems via sliding mode technique
Shtessel et al. Observation and identification via HOSM observers
Aghababa et al. Practical finite time vibration suppression of mechatronic systems using proportional–integral–derivative variable structure controls with dead-band nonlinearity
Aleyaasin Simply structured controllers for vibration suppression in long rotors

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