一种MEMS陀螺仪动态逆控制方法和装置制造方法及图纸

本申请公开了一种MEMS陀螺仪动态逆控制方法和装置，以提高MEMS陀螺仪驱动控制系统的环境适应能力，本方法通过将陀螺仪动力学模型转化为严格反馈形式；设计基于神经网络的平行估计模型逼近真实动力学，并基于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，实现未知动力学的有效动态估计；设计扰动观测器实现外部干扰的有效估计；基于反步法设计动态逆控制系统，避免反步法的“微分爆炸”并实现MEMS陀螺仪驱动控制。本申请设计的基于平行估计的MEMS陀螺仪动态逆控制方法可解决动态动力学及外部干扰难以准确估计的问题，实现高精度陀螺仪驱动控制，进一步改善MEMS陀螺仪驱动控制性能。

【技术实现步骤摘要】
一种MEMS陀螺仪动态逆控制方法和装置
本申请涉及智能化仪器仪表领域，更具体地说，涉及一种MEMS陀螺仪动态逆控制方法和装置。
技术介绍
目前，鉴于体积小、低功耗、价格低的优点，MEMS(Micro-Electro-MechanicalSystem，微机电系统)陀螺仪广泛应用于机器人、消费电子、可穿戴设备等角速度测量领域。但是，由于MEMS陀螺仪电路信号非常微弱，有用信号极易受到温度、气压等外部环境及外部干扰影响，一旦有用信号受到外部干扰或变化工作环境影响，则会导致陀螺驱动控制性能变差。因此，采用自适应控制提高驱动控制系统的环境适应能力是非常必要的。
技术实现思路
有鉴于此，本申请提供一种MEMS陀螺仪动态逆控制方法和装置，采用自适应控制以提高MEMS陀螺仪驱动控制系统的环境适应能力。为了解决上述技术问题，本申请提供如下技术方案：一种MEMS陀螺仪动态逆控制方法，包括：构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。进一步的，所述构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型，具体为：考虑外部干扰的MEMS陀螺动力学模型为：式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，cxx和cyy为阻尼系数，kxx和kyy为刚度系数，和为非线性系数，cxy和cyx为阻尼耦合系数，kxy和kyx为刚度耦合系数，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；考虑变化工作环境的影响，cxx、cyy、kxx、kyy、cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；定义f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则可写为：设计神经网络逼近f，则可写为：其中，为未知的神经网络最佳权值矩阵，为神经网络基函数向量，D＝ε+d，为神经网络逼近误差且存在|ε|未知上确界向量εm。进一步的，所述构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器，具体为：定义跟踪误差为其中，为参考信号；设计的虚拟控制器为其中，是待设计参数矩阵，满足Hurwitz条件；引入新的变量使通过以下一阶滤波器得到其中，是待设计参数矩阵，满足Hurwitz条件；定义二阶误差为设计动态逆控制器为其中，是待设计参数矩阵且满足Hurwitz条件，是D的估计，是ω*的估计。进一步的，所述参考信号可选取进一步的，所述根据所述动态逆控制器构建平行估计模型，具体为：求e2的导数为其中，设计补偿信号为定义得到补偿的跟踪误差为ν2＝e2-z2，定义预测误差为其中，是的估计；定义平行估计模型为其中，是待设计参数矩阵，满足Hurwitz条件；设计神经网络的权值更新律为其中，是待设计参数矩阵，满足Hurwitz条件。进一步的，所述设计扰动观测器，具体为：设计扰动观测器为其中，是待设计参数矩阵，满足Hurwitz条件。进一步的，所述采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动，具体为：采用所述平行估计模型所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型以实现所述MEMS陀螺仪的驱动。一种MEMS陀螺仪动态逆控制装置，包括：第一处理单元，用于构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；第二处理单元，用于构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；第三处理单元，用于根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；第四处理单元，用于采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在的设备执行如上述所述的MEMS陀螺仪动态逆控制方法。一种电子设备，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如上述所述的MEMS陀螺仪动态逆控制方法。从上述的技术方案可以看出，本申请将变化工作环境造成的未知动力学和频率、振幅、相位未知的外部谐波干扰视为状态量，设计真实动力学的平行估计模型，进而构建神经网络预测误差，并结合跟踪误差设计神经网络权值的复合自适应律，实现未知动力学的有效动态估计；设计扰动观测器实现外部干扰的有效估计；基于反步法设计动态逆控制器，避免反步法的“微分爆炸”并实现MEMS陀螺仪驱动控制，提高了MEMS陀螺仪驱动控制系统的环境适应能力；同时，针对时变外部扰动与非线性动力学来源不同，不能合并后采用神经网络逼近的问题，设计独立的扰动观测器，实时估计外部干扰。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例公开的一种MEMS陀螺仪动态逆控制方法的流程示意图；图2为本申请实施例公开的一种MEMS陀螺仪动态逆控制装置的结构示意图；图3为本申请实施例公开的一种电子设备的结构示意图。具体实施方式相关技术中，如《AdaptiveglobalslidingmodecontrolforMEMSgyroscopeusingRBFneuralnetwork》(YundiChuandJuntaoFei，《MathematicalProblemsinEngineering》，2015)一文中，采用RBF(RadialBasisFunction，径向基)神经网络逼近包含变化环境影响的MEMS陀螺非线性动力学和外部干扰，再利用全局滑模方法对其进行补偿。这种方法虽然提升了MEMS陀螺驱动控制对变化环境的适应能力，但是违背了神经网络逼近不确定的本意。针对实际应用中变化环境导致的未知动态动力学难以实现有效动态估计。同时，时变外部扰动与非线性动力学来源不同，合并后采用神经网络逼近并不能有效估计扰动。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例本文档来自技高网...

【技术保护点】
1.一种MEMS陀螺仪动态逆控制方法，其特征在于，包括：/n构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；/n构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；/n根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；/n采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。/n

【技术特征摘要】
1.一种MEMS陀螺仪动态逆控制方法，其特征在于，包括：
构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型；
构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器；
根据所述动态逆控制器构建平行估计模型，并设计扰动观测器；
采用所述平行估计模型、所述扰动观测器和所述动态逆控制器来驱动所述MEMS陀螺仪动力学模型，以实现所述MEMS陀螺仪的驱动。


2.根据权利要求1所述的方法，其特征在于，所述构建考虑外部干扰和变化工作环境影响的MEMS陀螺动力学模型，具体为：
考虑外部干扰的MEMS陀螺动力学模型为：式中，x和y分别为MEMS陀螺仪检测质量块沿驱动轴和检测轴的位移，d1和d2分别为驱动轴和检测轴上的外部干扰，f1和f2为随外部环境变化的未知非线性动力学，cxx和cyy为阻尼系数，kxx和kyy为刚度系数，和为非线性系数，cxy和cyx为阻尼耦合系数，kxy和kyx为刚度耦合系数，Ω为陀螺输入角速度，u1和u2分别为驱动轴和检测轴上控制输入；
考虑变化工作环境的影响，cxx、cyy、kxx、kyy、cxy、cyx、kxy和kyx均为随环境变化的不确定参数，f1和f2为未知非线性动力学；
定义f＝[f1,f2]T，d＝[d1,d2]T，u＝[u1,u2]T，则可写为：
设计神经网络逼近f，则可写为：其中，为未知的神经网络最佳权值矩阵，为神经网络基函数向量，D＝ε+d，为神经网络逼近误差且存在|ε|未知上确界向量εm。


3.根据权利要求2所述的方法，其特征在于，所述构建所述MEMS陀螺动力学模型的基于平行估计的动态逆控制器，具体为：
定义跟踪误差为其中，为参考信号；
设计的虚拟控制器为其中，是待设计参数矩阵，满足Hurwitz条件；
引入新的变量使通过以下一阶滤波器得到其中，是待设计参数矩阵，满足Hurwitz条件；
定义二阶误差为
设计动态逆控制器为其中，是待设计参数矩阵且满足Hurwitz条件，是D的估计，是ω*的估计。


4.根据权利要求3所述的方法，其特征在于，所述参考信号选...

【专利技术属性】
技术研发人员：闵海波，张睿，许斌，
申请(专利权)人：北京爱宾果科技有限公司，
类型：发明
国别省市：北京;11