基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法
【专利摘要】本发明公开了一种基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，包括以下步骤：建立理想动力学模型和微陀螺仪动力学模型，设计滑模函数并基于滑模函数得到控制律，在此控制律的基础上加上反馈项和鲁棒项，将RBF神经网络上界估计值作为鲁棒项的增益。基于李雅普诺夫方法设计参数自适应律和网络权值自适应律。本发明在控制律中加入反馈项，使微陀螺两轴振动轨迹跟踪和参数估计速度极大的提高，且振动幅值减小；在控制律中加入基于RBF神经网络上界学习的鲁棒项，解决由于外界干扰较大且波动引起的抖振和动态特性变差问题，消除结构式和非结构式的不确定性，进一步提高系统的鲁棒性。
【专利说明】基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法
【技术领域】
[0001] 本发明涉及一种基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，属于微 陀螺仪控制【技术领域】。
【背景技术】
[0002] 微机械陀螺仪（MEMS Gyroscope)是利用微电子技术和微加工技术加工而成的用 来感测角速度的惯性传感器。它通过一个由硅制成的振动的微机械部件来检测角速度，因 此微机械陀螺仪非常容易小型化和批量生产，具有成本低和体积小等特点。近年来，微机械 陀螺仪在很多应用中受到密切地关注，例如，陀螺仪配合微机械加速度传感器用于惯性导 航、在数码相机中用于稳定图像、用于电脑的无线惯性鼠标等等。但是，由于生产制造过程 中不可避免的加工误差以及环境温度的影响，会造成原件特性与设计之间的差异，导致微 陀螺仪存在参数不确定性，难以建立精确的数学模型。再加上工作环境中的外界扰动作用 不可忽略，使得微陀螺仪的轨迹追踪控制难以实现，且鲁棒性较低。传统的控制方法完全基 于微陀螺仪的名义值参数设计，且忽略正交误差和外界扰动的作用，虽然在大部分情况下 系统仍是稳定的，但追踪效果远不理想，这种针对单一环境设计的控制器具有很大的使用 局限性。
[0003] 国内对于微陀螺仪的研究目前主要集中在结构设计及制造技术方面，以及上述的 机械补偿技术和驱动电路研究，很少出现用先进控制方法补偿制造误差和控制质量块的振 动轨迹，以达到对微陀螺仪的完全控制和角速度的测量。国内研究微陀螺仪的典型机构为 东南大学仪器科学与工程学院及东南大学微惯性仪表与先进导航技术重点实验室。
[0004] 国际上的文章有将各种先进控制方法应用到微陀螺仪的控制当中，典型的有自适 应控制和滑模控制方法。这些先进方法一方面补偿了制作误差引起的正交误差，另一方面 实现了对微陀螺仪的轨迹控制。但自适应控制对外界扰动的鲁棒性很低，易使系统变得不 稳定。
[0005] 由此可见，现有的微陀螺仪在使用上，显然仍存在有不便与缺陷，而亟待加以进一 步改进。
【发明内容】
[0006] 本发明的目的在于，克服现有的微陀螺仪控制方法存在的缺陷，特别是提高微陀 螺仪系统在存在模型不确定、参数摄动以及外界扰动较大且波动造成的抖振现象等各种干 扰情况下，对理想轨迹的追踪性能和整个系统的鲁棒性，提供一种基于神经网络上界学习 的微陀螺仪鲁棒自适应控制方法。
[0007] 本发明采用以下技术方案来实现的：
[0008] 基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，包括以下步骤：
[0009] (1)建立理想动力学方程；
[0010] (2)建立微陀螺仪的无量纲动力学方程；
[0011] (3)基于滑模函数设计控制律，包括以下步骤：
[0012] (3-1)定义滑模函数s为：
[0013] s = e+ce C6)
[0014] 其中，c为滑模面参数，e为追踪误差；
[0015] (3-2)对滑模函数求导，并整理成带有参数误差向量的形式：
[0016] s = u + p-Y0*+Q (13)
[0017]
【权利要求】
1.基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，其特征在于，包括以下步 骤： (1) 建立理想动力学方程； (2) 建立微陀螺仪的无量纲动力学方程； (3) 基于滑模函数设计控制律，包括以下步骤： (3-1)定义滑模函数s为： s-e+ce <6) 其中，C为滑模面参数，e为追踪误差； (3-2)对滑模函数求导，并整理成带有参数误差向量的形式：
为线性反馈增益，^是e#的估计值，，为外界干扰的上界， usl = -Kss是反馈项，
(4) 设计基于RBF神经网络上界学习的鲁棒项，具体为：用RBF神经网络对外界干扰的 上界，进行学习，RBF神经网络的输出即为外界干扰的上界，的估计值#:
(18) 其中，W为RBF神经网络的网络权值，#为最优网络权值矿的估计值，x为RBF神经网 络的输入信号，为RBF神经网络隐层节点输出向量； (5) 将RBF神经网络的输出^作为外界干扰的上界0带入式（16)中，得到新的控制律
将控制律ft作为微陀螺仪的控制输入U对微陀螺仪进行控制； (6)基于Lyapunov设计鲁棒自适应律和网络权值自适应律， 所述Lyapunov函数V设计为：
其中，m = mT，^ = ^是正定对称矩阵，#为网络权值估计误差，否 所试鲁诔白话向铮沿诂士 . m代表了S的自适应律增益；
所述网络权值自适应律设计为：
n为神经网络学习速率。
2. 根据权利要求1所述的基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，其 特征在于，所述步骤（1)中，理想动力学方程为两个不同频率的正弦波： xm = A1sin(w1t), ym = A2sin(w2t), 其中Wl尹w2，且都不为零，ApA2分别为微陀螺仪在两轴方向上的振幅，t是时间， Wl、w2分别是微微陀螺仪在两轴方向上的振动频率； 写成向量形式为：
3. 根据权利要求1所述的基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，其 特征在于，所述步骤（2)中，建立微陀螺仪的无量纲动力学方程的过程为： 2-1)考虑进制造误差和外界干扰作用，两轴微机械陀螺仪的动力学方程为：
式中，m为质量块的质量；x，y分别为质量块沿驱动轴和感测轴的位置；dxx，dxy，d yy为微 陀螺仪的阻尼系数，kxx，kxy，kyy为微陀螺仪的弹性系数，均未知且缓慢时变；Q z是微陀螺仪 工作环境中的角速度，也是未知量；ux，uy是两轴的控制输入；P x，P y是两轴的外界干扰作 用； 2-2)将式（1)的两侧同除以微陀螺仪的质量m，参考长度％，两轴的共振频率的平方 ，再进行无量纲变换，得到无量纲化模型如下：
此时，式（3)中所有量均为无量纲的纯数值，各无量纲量的表达式为：
箭头右边表示无量纲量，箭头左边表示有量纲量； 2-3)将微陀螺仪无量纲动力学模型式（3)写成无量纲向量的形式为：
q为微陀螺仪的运动轨迹，P为微陀螺仪的外界干扰，D是微陀螺仪的阻尼系数矩阵， K是微陀螺仪的弹性系数矩阵，Q是输入角速度矩阵，u是控制输入。
4.根据权利要求1所述的基于神经网络上界学习的微陀螺仪鲁棒自适应控制方法，其 特征在于，所述步骤（3)中，追踪误差e为： e = q-qm? 其中，q为微陀螺仪的运动轨迹，qm为微陀螺仪的理想运动轨迹。
【文档编号】G05B13/04GK104281056SQ201410479834
【公开日】2015年1月14日 申请日期:2014年9月18日 优先权日:2014年9月18日
【发明者】吴丹, 费峻涛 申请人:河海大学常州校区