基于神经网络状态观测器的微陀螺仪反演控制方法
【专利摘要】本发明公开了一种基于神经网络状态观测器的微陀螺仪反演控制方法，包括微陀螺仪及神经网络状态观测器和反演控制器，以Z轴微陀螺仪XY轴方向上的位移作为状态观测器的输入，通过神经网络对微陀螺仪不确定部分进行估计，完成微陀螺仪位置和速度信号的估计；反演控制器以状态观测器所估计的信号作为输入，对微陀螺仪XY轴方向上的振动幅值和频率进行控制。本发明的基于神经网络状态观测器的微陀螺仪反演控制方法，将基于神经网络状态观测器的反演控制应用在微陀螺仪上，以提高系统的稳定性和可靠性，有效的降低了误差，控制效果较好。
【专利说明】基于神经网络状态观测器的微陀螺仪反演控制方法
【技术领域】
[0001] 本发明涉及一种基于神经网络状态观测器的微陀螺仪反演控制方法，属于自动控 制系统领域。
【背景技术】
[0002] 微陀螺仪是很常见的测量角速度的传感器，在很多领域得到应用，如导航、手机、 航模以及军事制导等等。微陀螺仪是一种能够将一个轴上的能量转移到令一个轴上的装 置，其原理是利用科里奥利力（即地球自转偏向力）。测量角速度的过程需要在驱动轴上加 上振幅和频率都稳定的振动信号，感应轴和驱动轴出于同一平面并与驱动轴垂直，当有与 驱动轴和感应轴都垂直的角速度输入时，感应轴上会感应到科里奥利力，科里奥利力的大 小与角速度成正比关系。
[0003] 而由于机械加工的误差，驱动轴和感应轴并不完全垂直，造成两轴之间产生附加 耦合。此外，机械噪声，热噪声，感测电路的噪声，微陀螺仪本身参数的偏差和外部干扰都会 造成微陀螺仪的性能下降。因此，有必要对微陀螺仪采用先进的控制方法来进行控制。而众 多控制方法在设计时需测量微陀螺仪的位置信号、速度信号甚至是加速度信号，难以实施。
[0004] 为了在微陀螺仪位置、速度信号难以获得的情况下，使微陀螺仪在驱动轴和感应 轴上的振动幅值和频率稳定，各大厂商都在寻找解决办法，但一直没有找到完全解决问题 的办法。
【发明内容】
[0005] 为了克服在微陀螺仪位置及速度信号难以获得的情况下，对微陀螺仪的控制难以 实施的问题。本发明提供一种基于神经网络状态观测器的微陀螺仪反演控制方法，能够对 微陀螺仪的位置和速度信号进行估计，然后使用估计信号来对微陀螺仪进行控制，提高微 陀螺仪性能和稳定性。
[0006] 为了解决上述问题，本发明所采用的技术方案是：
[0007] 基于神经网络状态观测器的微陀螺仪反演控制方法，包括以下步骤：
[0008] 1)建立微陀螺仪的数学模型；
[0009] 2)设计微陀螺仪的状态观测器，对微陀螺仪系统的状态变量进行估计；
[0010] 3)在所设计的状态观测器中，采用RBF神经网络来逼近未知函数fm，得到基于RBF 神经网络的状态观测器的输出，作为微陀螺仪的状态变量；
[0011] 4)设计鲁棒项；
[0012] 5)基于Lyapunov理论设计RBF神经网络权值的自适应律，确保所设计的基于RBF 神经网络的状态观测器的稳定性；
[0013] 6)设计反演控制器，将其输出作为微陀螺仪的控制输入；
[0014] 7)设计Lyapunov函数，确保所设计的反演控制器的稳定性；
[0015] 8)基于Lyapunov理论验证基于RBF神经网络状态观测器的微陀螺仪反演控制器 的稳定性。
[0016] 前述的步骤1)中微陀螺仪的数学模型的状态方程形式为：
【权利要求】
1. 基于神经网络状态观测器的微陀螺仪反演控制方法，其特征在于，包括以下步骤： 1) 建立微陀螺仪的数学模型； 2) 设计微陀螺仪的状态观测器，对微陀螺仪系统的状态变量进行估计； 3) 在所设计的状态观测器中，采用RBF神经网络来逼近未知函数fm，得到基于RBF神 经网络的状态观测器的输出，作为微陀螺仪的状态变量； 4) 设计鲁棒项； 5) 基于Lyapunov理论设计RBF神经网络权值的自适应律，确保所设计的基于RBF神经 网络的状态观测器的稳定性； 6) 设计反演控制器，将其输出作为微陀螺仪的控制输入； 7) 设计Lyapunov函数，确保所设计的反演控制器的稳定性； 8) 基于Lyapunov理论验证基于RBF神经网络状态观测器的微陀螺仪反演控制器的稳 定性。
2. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤1)中微陀螺仪的数学模型的状态方程形式为：
(1) 其中，
为微陀螺仪系统的状态变量：
为微陀螺仪系统的输出，
X，y代表微陀螺仪在x、y轴方向上的位移，ux, uy代表微陀螺仪在x、y轴方向上的控制 输入，dxx，dyy为微陀螺仪在x、y轴方向的弹性系数，《x、《y为微陀螺仪在x、y轴方向的阻 尼系数，dxy、《xy是由于加工误差等引起的耦合参数，m为微陀螺仪质量块的质量，为质 量块自转的角速度， 上述表达式中，dxx，dxy，dyy，Qz，《x，《xy，《7均为无量纲项； 考虑到系统存在参数不确定性和外界干扰的影响，微陀螺仪的状态方程可以写成如下 形式：
其中，函数fm，du满足： AAX=Bfffl (3)d(t) =Bdu 其中，AA为系统参数的不确定性，d(t)为外部干扰。
3. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤2)中，微陀螺仪的状态观测器设计为：
其中，f为状态变量X的估计值，G为状态观测器的增益向量，为非线性函数fm的 估计值，v为状态观测器中的鲁棒项，；f为微陀螺仪的输出Y的估计值； ^l=x-x,f=r-f,f= 得到状态观测器误差方程：
对状态观测器误差方程式（8)进行Laplace变换得到：
4. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤3)中，采用RBF神经网络来逼近未知函数fm，得到fm的RBF神经网络估计 值又为：
其中，#为神经网络权值W的估计值，〇 (X)为RBF神经网络的高斯基函数， 贝U，基于RBF神经网络的状态观测器的输出为：
基于RBF神经网络的状态观测器误差方程为：
对状态观测器误差方程式（18)进行Laplace变换得到：
其中，
e为神经网络逼近误差， 沒U1为高斯基函数〇 (X)的输出误差：<f(JT) =辦；1>列1); 定义
L-1⑶为带有稳定极点的传递函数， 定义i= 式（18)变形为：
5. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤4)中鲁棒项为：
其中，M为鲁棒项增益。
6. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤5)中， 所述Lyapunov函数为：
所述RBF神经网络权值的自适应律为：
其中，F为任意正数，n为可调参数，P为正定矩阵，满足：NTP+PN= -Q，TO=C，N为Hurwitz矩阵，Q为正定矩阵； 所述确保基于RBF神经网络的状态观测器的稳定性，需满足：
其中，％为e的上界，〇M为传递函数I71⑶最大信号放大倍数，、in(Q)为矩阵Q的 最小特征值，dud为du的上界， a满足
，WM为神经网络权值W的上界，Cl为一与S上界相关的正数。
7. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤6)中，反演控制器的控制输出小设计为：
其中，ei和e2为误差，满足：
*匕为状态观测器的增益向量G的第2第4行组成的向量； 为虚拟控制量，满足
为期望值， 为正数。
8. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤7)中，Lyapunov函数V3设计为：
9. 根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征 在于，所述步骤8)中，Lyapunov函数V设计为： v=VV3。
【文档编号】G05B13/04GK104407514SQ201410563416
【公开日】2015年3月11日 申请日期:2014年10月21日 优先权日:2014年10月21日
【发明者】卢成, 费峻涛 申请人:河海大学常州校区