基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法技术

本发明专利技术涉及一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，该方法考虑存在参数摄动的MEMS陀螺动力学模型，结合平行估计模型构建神经网络预测误差，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；引入性能函数使跟踪误差受限，并通过误差转换将受限的跟踪误差转换为不受限的转换误差，设计基于转换误差的滑模控制器和复合学习律，实现MEMS陀螺的预设性能控制；设计非奇异终端滑模控制器实现未知动力学的前馈补偿，并避免系统奇异问题。本发明专利技术解决MEMS陀螺系统奇异、超调及跟踪误差无法预先设计的问题，进一步提高MEMS陀螺仪的控制精度，改善陀螺性能。

【技术实现步骤摘要】
基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法
本专利技术涉及一种MEMS陀螺仪的模态控制方法，特别是涉及一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，属于智能化仪器仪表领域。
技术介绍
MEMS陀螺仪是一种体积小、功耗低、成本低、易集成的角运动测量传感器，广泛应用于各种低精度的消费电子及工业领域。为进一步提高MEMS陀螺的测量精度，《SlidingmodecontrolofMEMSgyroscopesusingcompositelearning》(RuiZhang,TianyiShao,WanliangZhao,AijunLi,BinXu，《Neurocomputing》，2018)一文提出一种基于平行估计模型的MEMS陀螺仪复合学习控制方法。一方面构建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，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；另一方面由于系统处于滑动模态时，对参数不确定不敏感，设计滑模控制器，实现未知动力学的前馈补偿。这种方法虽然通过提高MEMS陀螺驱动控制精度改善了陀螺性能，但并未考虑滑模控制的奇异问题以及系统超调、跟踪误差无法预先设计的问题。
技术实现思路
要解决的技术问题为克服现有技术未考虑滑模控制奇异问题以及系统超调、跟踪误差无法预先设计的不足，本专利技术提出了一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法。该方法一方面引入性能函数使跟踪误差受限，并通过误差转换将受限的跟踪误差转换为不受限的转换误差，设计基于转换误差的滑模控制器和复合学习律，实现MEMS陀螺的预设性能控制；另一方面给出非奇异滑模控制器，避免系统的奇异问题。技术方案1.一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，其特征在于步骤如下：步骤1：考虑存在参数摄动的MEMS陀螺动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；且其中和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、Δkxy和Δdxy是未知的不确定参数；取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到其中，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(4)可表示为其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；u＝f＝[uxuy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入；步骤2：构造神经网络逼近得到其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i个元素为式(7)，其中i＝1,2,……,M；其中，σi是该高斯函数的标准差；是该高斯函数的中心；步骤3：建立MEMS陀螺的动力学参考模型为其中，为参考振动位移信号，Ax和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和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；和分别为检测质量块沿驱动轴和检测轴振动的相位差；为qd的二阶导数；定义跟踪误差为e(t)＝q-qd(9)其中，e(t)＝[ex(t)ey(t)]T，ex(t)和ey(t)分别为检测质量块沿驱动轴和检测轴的跟踪误差；考虑陀螺振动位移受限，设计严格递减的性能函数为其中，ηx(t)和ηy(t)分别为驱动轴和检测轴的性能函数，其初值分别为和且分别收敛至和待设计参数l1>0，l2>0；使得其中，待设计参数τ1>0，τ2>0；将受限的跟踪误差e(t)转换为不受限的转换误差ν，定义e(t)＝η(t)χ(ν)(12)其中，ν＝[ν1ν2]T，χ(ν)＝[χ1(ν1)χ2(ν2)]T，和是严格递增的平滑函数；构建转换误差为对转换误差求一阶导数，有步骤4：定义非奇异终端滑模面为其中，s＝[s1s2]T，s1和s2分别为沿驱动轴和检测轴的滑模函数；β为满足Hurwitz条件的矩阵；且1<r<2；则控制器可设计为u＝u1+u2+u3(16)u3＝-μ1s-μ2|s|γsign(s)(19)其中，且μ2>0；|s|γsign(s)＝[|s1|γsign(s1)|s2|γsign(s2)]T且0<γ<1；定义神经网络预测误差为其中，为的神经网络估计值，由以下模型得到其中，为的导数；且给出神经网络权值的复合学习律为其中，λ，和δ为待设计的正常数；步骤5：根据控制器(16)～(19)得到的控制器u计算得到经典驱动力返回MEMS陀螺动力学模型(1)，实现陀螺检测质量块振动参考信号的跟踪。有益效果本专利技术提出的一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，与现有技术相比的有益效果为：(1)针对滑模函数的奇异问题，引入非奇异终端滑模控制，选取1<r1<2，1<r2<2，当s＝[s1s2]T，s1→0、s2→0时，有效避免了奇异问题。(2)针对系统超调及跟踪误差无法预先估计的问题，引入预设性能函数，通过构建转换误差将受限系统转换为不受限系统，设计基于转换误差的滑模控制器和复合学习律，实现MEMS陀螺的预设性能控制。附图说明图1本专利技术具体实施流程图具体实施方式现结合实施例、附图对本专利技术作进一步描述：本专利技术的技术解决方案是：一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，通过以下步骤实现：(a)考虑存在参数摄动的MEMS陀螺动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数。且其中和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、Δkxy和Δdxy是未知的不确定参数。取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到其中，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(4)可表示为其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；u＝f＝[uxuy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入。(b)构造神经网络逼近得到其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i(i＝1,2,……,M)个元素为其中，σi是该高斯函数的标准差；是该高斯函数的中心。(c)建立MEMS陀螺的动力学参考模型为其中，为参考振动位移信号，Ax和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和ωy分别为检本文档来自技高网...

【技术保护点】
1.一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，其特征在于步骤如下：步骤1：考虑存在参数摄动的MEMS陀螺动力学模型为：

【技术特征摘要】
1.一种基于复合学习的MEMS陀螺仪预设性能非奇异滑模控制方法，其特征在于步骤如下：步骤1：考虑存在参数摄动的MEMS陀螺动力学模型为：其中，m为检测质量块的质量；Ωz为陀螺输入角速度；和x*分别为MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；和y*分别为沿检测轴的加速度，速度和位移；和为静电驱动力；dxx和dyy为阻尼系数；kxx和kyy为刚度系数；和为非线性系数；dxy为阻尼耦合系数，kxy为刚度耦合系数；且其中和是参数标称值，根据MEMS陀螺参数选取；Δkxx、Δkyy、Δdxx、Δdyy、Δkxy和Δdxy是未知的不确定参数；取无量纲化时间t*＝ωot，并在(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，对MEMS陀螺动力学模型进行无量纲化处理，得到其中，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(4)可表示为其中，为非线性动力学，且Γx和Γy分别为沿驱动轴和检测轴的非线性动力学；u＝f＝[uxuy]T为控制输入，且ux和uy分别为沿驱动轴和检测轴的控制输入；步骤2：构造神经网络逼近得到其中，是神经网络的输入向量；为神经网络的权值矩阵，M为神经网络节点数；为基向量，其第i个元素为式(7)，其中i＝1,2,……,M；其中，σi是该高斯函数的标准差；是该高斯函数的中心；步骤3：建立MEMS陀螺的动力学参考模型为其中，为参考振动位移信号，Ax和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和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；和分别为检测质量块沿驱动轴和检测轴振动的...

【专利技术属性】
技术研发人员：许斌，张睿，赵万良，成宇翔，李绍良，
申请(专利权)人：西北工业大学，上海航天控制技术研究所，
类型：发明
国别省市：陕西,61