一种微陀螺自适应动态面双神经网络控制方法技术

本发明专利技术公开了一种微陀螺自适应动态面双神经网络控制方法，包括以下步骤：1）建立微陀螺仪的数学模型；2）设计两个自适应神经网络控制器，分别为神经网络1控制器和神经网络2控制器；利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项；3）基于动态面设计自适应动态面双神经网络控制器；4）基于自适应动态面双神经网络控制器控制微陀螺仪。本发明专利技术基于动态面涉及的自适应双神经网络控制器对微陀螺仪进行动态控制，可使微陀螺仪系统能以很快的速度达到稳态，补偿了制造误差和环境干扰，降低了系统的抖振，提高了系统的灵敏度及鲁棒性。

【技术实现步骤摘要】

本专利技术涉及一种微陀螺仪动态控制方法，特别是涉及一种微陀螺自适应动态面双神经网络控制方法，属于微陀螺仪动态控制

技术介绍
MEMS微陀螺仪因其微量化、价格低、使用寿命长、能耗低和易于集成的特点，使它的应用范围已经远远超出传统陀螺仪所能应用的航空、航天和军事领域，引起全球的广泛关注。MEMS陀螺仪已在军事、惯性导航、汽车、机器人、医疗机械、消费电子等领域有着丰富的应用。与传统陀螺仪相比，微陀螺仪在体积和成本上有着巨大的优势。但是，由于生产制造过程中制造误差的存在和外界环境温度的影响，造成原件特性与设计之间的差异，导致存在耦合的刚度系数和阻尼系数，降低了微陀螺仪的灵敏度和精度。另外，陀螺仪自身属于多输入多输出系统，存在参数的不确定性且在外界干扰下系统参数容易波动，因此，降低系统抖振成为微陀螺仪控制的主要问题之一。
技术实现思路
本专利技术的主要目的在于，克服现有技术中的不足，提供一种微陀螺自适应动态面双神经网络控制方法，其具有抖振低、可靠性高、对参数变化鲁棒性高的特点。为了达到上述目的，本专利技术所采用的技术方案是：一种微陀螺自适应动态面双神经网络控制方法，包括以下步骤：1)建立微陀螺仪的数学模型；2)设计两个自适应神经网络控制器，分别为神经网络1控制器和神经网络2控制器；利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项；3)基于动态面设计自适应动态面双神经网络控制器；4)基于自适应动态面双神经网络控制器控制微陀螺仪。本专利技术进一步设置为：所述步骤1)建立微陀螺仪的数学模型，具体为，1-1)采用微陀螺仪的数学模型为：mx··+dxxx·+dxyy·+kxxx+kxyy=ux+2mΩzy·my··+dxyx·+dyyy·+kxyx+kyyy=uy-2mΩzx·---(1)]]>其中，x、y分别代表微陀螺仪在X、Y轴方向上的位移，dxx、dyy分别为X、Y轴方向弹簧的弹性系数，kxx、kyy分别为X、Y轴方向的阻尼系数，dxy、kxy是由于加工误差所引起的耦合参数，m为陀螺仪质量块的质量，Ωz为质量块自转的角速度，ux、uy分别是X、Y轴的输入控制力，形如的参数表示Γ的一阶导数，形如的参数表示Γ的二阶导数；1-2)对微陀螺仪的数学模型进行无量纲处理得到无量纲化模型：等式两边同时除以m，并且使得则无量纲化模型为：将无量纲化模型改写成向量形式：q··+Dq·+Kq=u-2Ωq·---(3)]]>其中，u为动态面控制律，1-3)考虑系统参数不确定和外界干扰，将向量形式的模型写成：q··+(D+ΔD)q·+(K+ΔK)q=u-2Ωq·+d---(4)]]>其中，ΔD,ΔK是参数扰动，d是外界干扰；将式(4)写成状态方程形式为：q·1=q2q·2=-(D+ΔD+2Ω)q·-(K+ΔK)q+u+d---(5)]]>其中，q1＝q，1-4)定义q＝x1，x1、x2为输入变量；则，状态方程形式的模型变为：x·1=x2x·2=f+u---(6)]]>其中，f为微陀螺仪的动态特性和外界干扰之和，f为：f＝-(D+ΔD+2Ω)x2-(K+ΔK)x1+d(7)本专利技术进一步设置为：所述步骤2)中的利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项，具体为，2-1)以x(t)为RBF神经网络的输入向量，设RBF神经网络的径向基函数为φ＝[φ1,φ2,…φi…φl]T，其中φi为高斯基函数，即：φi=exp(-||x(t)-ci||22bi2),i=1,2,...,l---(8)]]>式中，c＝[c1,c2,c3,…cl]T是网络隐含层节点的中心向量，与输入向量的维数相同；b＝[b1,b2,b3,…bl]T是决定区域大小的网络隐含层节点的基宽向量，l是隐含层神经元个数，RBF网络输入层到隐含层的权值为1，网络隐含层到输出层权向量为W＝[w1,w2,w3,…wl]T；RBF神经网络输出为，y＝WT*φ(9)其中，φ为径向基函数，WT为网络隐含层到输出层权向量的转置；将RBF神经网络的ci和bi保持固定，而仅调节网络权值W，则RBF神经网络的输出与隐层输出成线性关系；2-2)利用神经网络强大的逼近特性，用神经网络1控制器的输出来逼近微陀螺仪的动态特性和外界干扰之和f；RBF神经网络的输出为：f^=W^Tφ1*(x1,x2)---(10)]]>其中，φ1*为神经网络1控制器的径向基函数；定义神经网络1控制器的最优逼近常量为W*，W*=argminW∈Ω[sup|f^-f|]---(11)]]>其中，Ω为W的集合；令W~T=W^T-W*T---(12)]]>则：f=W*Tφ1*(x1,x2)+ϵ1---(13)]]>f-f^=W*Tφ1*(x1,x2)+ϵ1-W^Tφ1*(x1,x2)=-W~Tφ1*(x1,x2)+ϵ1---(14)]]>其中，ε1是神经网络1控制器的逼近误差，对于给定的任意小常量ε1(ε1＞0)，如下不等式成立：|f-W*Tφ1*(x1,x2)|≤ε1；2-4)用神经网络2的输出对滑模切换项ηsgn(s)进行逼近，其中，φ2*为神经网络2控制器的径向基函数，s为滑模面；定义神经网络1控制器和神经网络2控制器整体的逼近误差为：w=f(x1,x2)-f^(x1,x2|W*)+ηsgn(s)-h^(s,s·|θ*)---(15)]]>其中，W*为神经网络1控制器的最优逼近常量，θ*为神经网络2控制器的最优逼近常量，整体的逼近误差w≤η，η为任意小的常数。本专利技术进一步设置为：所述步骤3)基于动态面设计自适应动态面双神经网络控制器，具体为，3-1)定义位置误差z1＝x1-x1d(16)其中，x1d为指令信号，则z·1=x·1-x·1d---(17)]]>定义Lyapunov函数为其中为z1的转置，则V·1=z1Tz·1=z1T(x·1-x·1d)=z1T(x2-x·1d)---(18)]]>3-2)为保证引入为x2的虚拟控制量，定义x‾2=-c1z1+x·1d-本文档来自技高网...

【技术保护点】
一种微陀螺自适应动态面双神经网络控制方法，其特征在于，包括以下步骤：1)建立微陀螺仪的数学模型；2)设计两个自适应神经网络控制器，分别为神经网络1控制器和神经网络2控制器；利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项；3)基于动态面设计自适应动态面双神经网络控制器；4)基于自适应动态面双神经网络控制器控制微陀螺仪。

【技术特征摘要】
1.一种微陀螺自适应动态面双神经网络控制方法，其特征在于，包括以下步骤：1)建立微陀螺仪的数学模型；2)设计两个自适应神经网络控制器，分别为神经网络1控制器和神经网络2控制器；利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项；3)基于动态面设计自适应动态面双神经网络控制器；4)基于自适应动态面双神经网络控制器控制微陀螺仪。2.根据权利要求1所述的一种微陀螺自适应动态面双神经网络控制方法，其特征在于：所述步骤1)建立微陀螺仪的数学模型，具体为，1-1)采用微陀螺仪的数学模型为：mx··+dxxx·+dxyy·+kxxx+kxyy=ux+2mΩzy·my··+dxyx·+dyyy·+kxyx+kyyy=uy-2mΩzx·---(1)]]>其中，x、y分别代表微陀螺仪在X、Y轴方向上的位移，dxx、dyy分别为X、Y轴方向弹簧的弹性系数，kxx、kyy分别为X、Y轴方向的阻尼系数，dxy、kxy是由于加工误差所引起的耦合参数，m为陀螺仪质量块的质量，Ωz为质量块自转的角速度，ux、uy分别是X、Y轴的输入控制力，形如的参数表示Γ的一阶导数，形如的参数表示Γ的二阶导数；1-2)对微陀螺仪的数学模型进行无量纲处理得到无量纲化模型：等式两边同时除以m，并且使得则无量纲化模型为：将无量纲化模型改写成向量形式：q··+Dq·+Kq=u-2Ωq·---(3)]]>其中，u为动态面控制律，1-3)考虑系统参数不确定和外界干扰，将向量形式的模型写成：q··+(D+ΔD)q·+(K+ΔK)q=u-2Ωq·+d---(4)]]>其中，ΔD,ΔK是参数扰动，d是外界干扰；将式(4)写成状态方程形式为：q·1=q2q·2=-(D+ΔD+2Ω)q·-(K+ΔK)q+u+d---(5)]]>其中，q1＝q，1-4)定义q＝x1，x1、x2为输入变量；则，状态方程形式的模型变为：x·1=x2x·2=f+u---(6)]]>其中，f为微陀螺仪的动态特性和外界干扰之和，f为：f＝-(D+ΔD+2Ω)x2-(K+ΔK)x1+d(7)3.根据权利要求2所述的一种微陀螺自适应动态面双神经网络控制方法，其特征在于：所述步骤2)中的利用神经网络控制方法，用神经网络1控制器的输出逼近微陀螺仪的动态特性和外界干扰之和，再用神经网络2控制器的输出逼近滑模切换项，具体为，2-1)以x(t)为RBF神经网络的输入向量，设RBF神经网络的径向基函数为φ＝[φ1,φ2,…φi…φl]T，其中φi为高斯基函数，即：φi=exp(-||x(t)-ci||22bi2),i=1,2,...,l---(8)]]>式中，c＝[c1,c2,c3,…cl]T是网络隐含层节点的中心向量，与输入向量的维数相同；b＝[b1,b2,b3,…bl]T是决定区域大小的网络隐含层节点的基宽向量，l是隐含层神经元个数，RBF网络输入层到隐含层的权值为1，网络隐含层到输出层权向量为W＝[w1,w2,w3,…wl]T；RBF神经网络输出为，y＝WT*φ(9)其中，φ为径向基函数，WT为网络隐含层到输出层权向量的转置；将RBF神经网络的ci和bi保持固定，而仅调节网络权值W，则RBF神经网络的输出与隐层输出成线性关系；2-2)利用神经网络强大的逼近特性，用神经网络1控制器的输出来逼近微陀螺仪的动态特性和外界干扰之和f；RBF神经网络的输出为：f^=W^Tφ1*(x1,x2)---(10)]]>其中，φ1*为...

【专利技术属性】
技术研发人员：雷单单，费峻涛，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32