基于干扰观测器的MEMS陀螺滑模控制方法技术

本发明专利技术公开了一种基于干扰观测器的MEMS陀螺滑模控制方法，用于解决现有MEMS陀螺仪模态控制方法实用性差的技术问题。技术方案是首先设计干扰观测器，在滑模控制中对干扰进行估计与补偿，从而降低抖振；同时根据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法则律，修正神经网络的权重系数，实现未知动力学的有效动态估计。本发明专利技术通过设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计。结合滑模控制理论，实现对MEMS陀螺未知动力学的前馈补偿，进一步提高MEMS陀螺仪的控制精度。设计干扰观测器，对外部干扰进行估计与补偿，有效降低滑模抖振，实用性好。

【技术实现步骤摘要】
基于干扰观测器的MEMS陀螺滑模控制方法
本专利技术涉及一种MEMS陀螺仪模态控制方法，特别涉及一种基于干扰观测器的MEMS陀螺滑模控制方法。
技术介绍
随着非线性控制技术的发展，ParkS等人将先进的智能学习和非线性控制理论引入MEMS陀螺仪模态控制过程中，对提高系统鲁棒性，改善MEMS陀螺仪性能做出了重要贡献。考虑MEMS陀螺系统中未知且动态变化的不确定及干扰，如何实现未知动力学的有效学习和滑模控制的前馈补偿，是提高陀螺性能的关键。《RobustadaptiveslidingmodecontrolofMEMSgyroscopeusingT-Sfuzzymodel》(ShitaoWangandJuntaoFei，《NonlinearDynamics》，2014年第77卷第1–2期)一文中，费俊涛等人采用T-S模糊逻辑系统学习MEMS陀螺动力学的不确定项和干扰，再利用滑模控制器对不确定及干扰进行补偿。这种方法虽然实现了不确定未知情况下的MEMS陀螺控制，但一方面由于违背了模糊逻辑逼近不确定的本意，很难实现未知动力学的有效动态估计，另一方面为消除不确定和干扰，需要很大的切换增益，带来了严重的滑模抖振。
技术实现思路
为了克服现有MEMS陀螺仪模态控制方法实用性差的不足，本专利技术提供一种基于干扰观测器的MEMS陀螺滑模控制方法。该方法首先设计干扰观测器，在滑模控制中对干扰进行估计与补偿，从而降低抖振；同时根据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法则律，修正神经网络的权重系数，实现未知动力学的有效动态估计。本专利技术根据平行估计模型和动力学模型构建神经网络预测误差，结合跟踪误差，设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计。结合滑模控制理论，实现对MEMS陀螺未知动力学的前馈补偿，进一步提高MEMS陀螺仪的控制精度。设计干扰观测器，对外部干扰进行估计与补偿，有效降低滑模抖振，实用性好。本专利技术解决其技术问题所采用的技术方案：一种基于干扰观测器的MEMS陀螺滑模控制方法，其特点是包括以下步骤：(a)考虑正交误差的MEMS陀螺仪的动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；为静电驱动力；x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；y*分别是检测质量块沿检测轴的加速度，速度和位移；dxx，dyy是阻尼系数；kxx，kyy是刚度系数；dxy是阻尼耦合系数，kxy是刚度耦合系数。为提高机理分析准确度，对MEMS陀螺动力学模型进行无量纲化处理。取无量纲化时间t*＝ωot，然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m，得到MEMS陀螺的无量纲化模型为其中，重新定义相关系统参数为则MEMS陀螺的无量纲化模型化简为令A＝2S-D，B＝Ω2-K，考虑环境因素和未建模因素造成的参数波动以及外部干扰，则式(4)表示为所述的无量纲化模型由状态变量q＝[xy]T和控制输入u＝[uxuy]T组成。其中，x，y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移；uxuy分别表示无量纲化后施加在驱动轴和检测轴的力；A、B、C是模型的参数，且其值与陀螺仪的结构参数和动力学特性有关；P为模型参数不确定带来的未知动力学，且ΔA，ΔB为环境因素和未建模因素造成的未知的参数波动；d(t)为外部干扰。(b)构造神经网络逼近有其中，Xin是神经网络的输入向量，且为神经网络的权值矩阵；θ(Xin)为M维基向量，基向量的第i个元素为其中，Xmi，σi分别是该高斯函数的中心和标准差，且定义最优估计参数w*为其中，ψ是w的集合。因此，动力学模型的不确定项表示为其中，ε为神经网络的逼近误差。且不确定项的估计误差为其中，且(c)设计干扰观测器为其中，为外部干扰d(t)的估计值；L为正定矩阵；z为中间变量。定义干扰观测器的估计误差为故有(d)建立MEMS陀螺的动力学参考模型为其中，qd为参考振动位移信号，为qd的二阶导数；Ax，Ay分别为检测质量块沿驱动轴和检测轴振动的参考振幅；ωx，ωy分别为检测质量块沿驱动轴和检测轴振动的参考角频率。构建跟踪误差为e＝q-qd(14)定义滑模面其中，β满足Hurwitz条件。则滑模控制器设计为其中，K0为正定矩阵。将控制器式(17)代入式(16)，有(e)定义神经网络预测误差为其中，为的估计值。由于式(5)的平行估计模型设计为其中，Kz为正定矩阵。考虑滑模函数式(15)和神经网络预测误差式(19)，设计神经网络权值的复合学习律为其中，r1，r2，r3，δ为正定矩阵。(f)根据得到的控制器式(17)和复合学习权重更新律式(21)，返回到MEMS陀螺的动力学模型式(5)，对陀螺检测质量块的振动位移和速度进行跟踪控制。本专利技术的有益效果是：该方法首先设计干扰观测器，在滑模控制中对干扰进行估计与补偿，从而降低抖振；同时根据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法则律，修正神经网络的权重系数，实现未知动力学的有效动态估计。本专利技术根据平行估计模型和动力学模型构建神经网络预测误差，结合跟踪误差，设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计。结合滑模控制理论，实现对MEMS陀螺未知动力学的前馈补偿，进一步提高MEMS陀螺仪的控制精度。设计干扰观测器，对外部干扰进行估计与补偿，有效降低滑模抖振，实用性好。下面结合附图和具体实施方式对本专利技术作详细说明。附图说明图1是本专利技术基于干扰观测器的MEMS陀螺滑模控制方法的流程图。具体实施方式参照图1。本专利技术基于干扰观测器的MEMS陀螺滑模控制方法具体步骤如下：(a)考虑正交误差的MEMS陀螺仪的动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；为静电驱动力；x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；y*分别是检测质量块沿检测轴的加速度，速度和位移；dxx，dyy是阻尼系数；kxx，kyy是刚度系数；dxy是阻尼耦合系数，kxy是刚度耦合系数。为提高机理分析准确度，对MEMS陀螺动力学模型进行无量纲化处理。取无量纲化时间t*＝ωot，然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m，可以得到MEMS陀螺的无量纲化模型为其中，重新定义相关系统参数为则MEMS陀螺的无量纲化模型可化简为令A＝2S-D，B＝Ω2-K，考虑环境因素和未建模因素造成的参数波动以及外部干扰，则式(4)可表示为该模型由状态变量q＝[xy]T和控制输入u＝[uxuy]T组成。其中，其中，x，y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移；uxuy分别表示无量纲化后施加在驱动轴和检测轴的力；A、B、C是模型的参数，且其值与陀螺仪的结构参数和动力学特性有关；P为模型参数不确定带来的未知动力学，且ΔA，ΔB为环境因素和未建模因素造成的未知的参数波动；d(t)为外部干扰。根据某型号的振动式硅微机械陀螺，选取陀螺各参数为m＝0.57×10-7kg，q0＝[10-610-6]Tm，ω0＝1kHz，Ωz＝5.0rad/s，kxx＝80.98N/m，kyy＝71.62N/m，kxy＝0.05N/m，dxx＝0.429本文档来自技高网...

【技术保护点】
一种基于干扰观测器的MEMS陀螺滑模控制方法，其特征在于包括以下步骤：(a)考虑正交误差的MEMS陀螺仪的动力学模型为：

【技术特征摘要】
1.一种基于干扰观测器的MEMS陀螺滑模控制方法，其特征在于包括以下步骤：(a)考虑正交误差的MEMS陀螺仪的动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；为静电驱动力；x*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；y*分别是检测质量块沿检测轴的加速度，速度和位移；dxx，dyy是阻尼系数；kxx，kyy是刚度系数；dxy是阻尼耦合系数，kxy是刚度耦合系数；为提高机理分析准确度，对MEMS陀螺动力学模型进行无量纲化处理；取无量纲化时间t*＝ωot，然后在式(1)两边同时除以参考频率的平方参考长度q0和检测质量块质量m，得到MEMS陀螺的无量纲化模型为其中，重新定义相关系统参数为则MEMS陀螺的无量纲化模型化简为令A＝2S-D，B＝Ω2-K，考虑环境因素和未建模因素造成的参数波动以及外部干扰，则式(4)表示为所述的无量纲化模型由状态变量q＝[xy]T和控制输入u＝[uxuy]T组成；其中，x，y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移；uxuy分别表示无量纲化后施加在驱动轴和检测轴的力；A、B、C是模型的参数，且其值与陀螺仪的结构参数和动力学特性有关；P为模型参数不确定带来的未知动力学，且ΔA，ΔB为环境因素和未建模因素造成的未知的参数波动；d(t)为外部干扰；(b)构造神经网络逼近有其中，Xin是神经网络的输入向量，且为神经网络的权值矩阵；θ(Xin)为M维基向量，基向量的第i个元素为其中，Xmi，σi分别是该高斯函数的中心和标准差，且定义最优估计参数w*为其中，ψ是w的集合；因此，动力学模型的不确定项表示为

【专利技术属性】
技术研发人员：许斌，张睿，张安龙，刘瑞鑫，成宇翔，邵添羿，赵万良，吴枫，谷丛，林建华，刘洋，慕容欣，刘美霞，应俊，
申请(专利权)人：西北工业大学，西北工业大学深圳研究院，上海航天控制技术研究所，
类型：发明
国别省市：陕西,61