一种基于名义控制器的神经网络全调节的控制方法技术

本发明专利技术公开了一种基于名义控制器的神经网络全调节的控制方法，主要包含两部分：基于名义值模型设计轨迹跟踪控制器和设计神经网络全调节补偿控制器，将两个控制器的控制输出相结合，作为微陀螺仪的控制输入。本发明专利技术利用了模型控制方法的优势，同时采用了神经网络强大的逼近能力，在线实时地估计并补偿建模误差和外界扰动作用，能够极大提高追踪性能和系统的鲁棒性，基于Lyapunov稳定性理论设计神经网络权值、高斯函数的中心和基宽的自适应算法，能够保证闭环系统的全局稳定性以及控制输入的有界性。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，主要包含两部分：基于名义值模型设计轨迹跟踪控制器和设计神经网络全调节补偿控制器，将两个控制器的控制输出相结合，作为微陀螺仪的控制输入。本专利技术利用了模型控制方法的优势，同时采用了神经网络强大的逼近能力，在线实时地估计并补偿建模误差和外界扰动作用，能够极大提高追踪性能和系统的鲁棒性，基于Lyapunov稳定性理论设计神经网络权值、高斯函数的中心和基宽的自适应算法，能够保证闭环系统的全局稳定性以及控制输入的有界性。【专利说明】—种基于名义控制器的神经网络全调节的控制方法
本专利技术涉及微陀螺仪的控制方法，特别是涉及。
技术介绍
微机械陀螺仪(MEMS Gyroscope)是利用微电子技术和微加工技术加工而成的用来感测角速度的惯性传感器。它通过一个由硅制成的振动的微机械部件来检测角速度，因此微机械陀螺仪非常容易小型化和批量生产，具有成本低和体积小等特点。近年来，微机械陀螺仪在很多应用中受到密切地关注，例如，陀螺仪配合微机械加速度传感器用于惯性导航、在数码相机中用于稳定图像、用于电脑的无线惯性鼠标等等。但是，由于生产制造过程中不可避免的加工误差以及环境温度的影响，会造成原件特性与设计之间的差异，导致微陀螺仪存在参数不确定性，难以建立精确的数学模型。再加上工作环境中的外界扰动作用不可忽略，使得微陀螺仪的轨迹追踪控制难以实现，且鲁棒性较低。传统的控制方法完全基于微陀螺仪的名义值参数设计，且忽略正交误差和外界扰动的作用，虽然在大部分情况下系统仍是稳定的，但追踪效果远不理想，这种针对单一环境设计的控制器具有很大的使用局限性。国内对于微陀螺仪的研究目前主要集中在结构设计及制造技术方面，以及上述的机械补偿技术和驱动电路研究，很少出现用先进控制方法补偿制造误差和控制质量块的振动轨迹，以达到对微陀螺仪的完全控制和角速度的测量。国内研究微陀螺仪的典型机构为东南大学仪器科学与工程学院及东南大学微惯性仪表与先进导航技术重点实验室。国际上的文章有将各种先进控制方法应用到微陀螺仪的控制当中，典型的有自适应控制和滑模控制方法。这些先进方法一方面补偿了制作误差引起的正交误差，另一方面实现了对微陀螺仪的轨迹控制。但自适应控制对外界扰动的鲁棒性很低，易使系统变得不稳定。由此可见，上述现有的陀螺仪在使用上，显然仍存在有不便与缺陷，而有待加以进一步改进。为了解决现有的陀螺仪在使用上存在的问题，相关厂商莫不费尽心思来谋求解决之道，但长久以来一直未见适用的设计被发展完成。
技术实现思路
本专利技术的目的在于，克服现有的微陀螺仪控制方法存在的缺陷，特别是提高微陀螺仪系统在存在模型不确定、参数摄动以及外界扰动力等各种干扰情况下，对理想轨迹的追踪性能和整个系统的鲁棒性，而提供。本专利技术的目的及解决其技术问题是采用以下技术方案来实现的，依据本专利技术提出的，包括以下步骤:( I)建立微陀螺仪的理想动力学方程；(2)建立微陀螺仪的非量纲动力学方程；(3)设计名义控制器，所述名义控制器是基于微陀螺仪的名义值模型设计的轨迹跟踪控制器，具体为，由于微陀螺仪的动力学方程中，D, K, Ω均为未知参数，设它们的名义值为Dtl, K0, Qtl，将控制器的控制输出U1设计为，【权利要求】1.，其特征在于，包括以下步骤: (1)建立微陀螺仪的理想动力学方程； (2)建立微陀螺仪的非量纲动力学方程； (3)设计名义控制器，所述名义控制器是基于微陀螺仪的名义值模型设计的轨迹跟踪控制器，具体为，由于微陀螺仪的动力学方程中，D, K, Ω均为未知参数，设它们的名义值为，D0, K0, Qtl，将控制器的控制输出U1设计为， 2.依据权利要求1所述的，其特征在于，所述理想动力学方程描述 如下: 3.依据权利要求1所述的，其特征在于，所述建立微陀螺仪的非量纲动力学方程为: 2-1)考虑到制造误差和外界干扰作用，两轴微陀螺仪的动力学方程为: 4.依据权利要求1所述的，其特征在于，所述RBF神经网络选用三层结构，输入层，隐层和输出层；所述输入层接收可测量信号输入X ;所述隐层采用高斯基函数计算非线性映射后的输出；所述输出层通过加权各隐层节点的输出得到整个RBF网络的输出，用数学描述RBF神经网络模型如下: 【文档编号】G05B13/04GK103472725SQ201310429704【公开日】2013年12月25日 申请日期:2013年9月18日 优先权日:2013年9月18日 【专利技术者】吴丹, 费峻涛 申请人:河海大学常州校区本文档来自技高网...

【技术保护点】
一种基于名义控制器的神经网络全调节的控制方法，其特征在于，包括以下步骤：（1）建立微陀螺仪的理想动力学方程；（2）建立微陀螺仪的非量纲动力学方程；（3）设计名义控制器，所述名义控制器是基于微陀螺仪的名义值模型设计的轨迹跟踪控制器，具体为，由于微陀螺仪的动力学方程中，D,K,Ω均为未知参数，设它们的名义值为D0,K0,Ω0，将控制器的控制输出u1设计为，u1=q..d-kve.-kpe+D0q.+K0q+2Ω0q.;---(7)其中，qd为微陀螺仪的理想轨迹，q为微陀螺仪的运动轨迹，e＝q?qd为跟踪误差，kv，kp为正定对称的常数矩阵，kp=α200α2,kv=2α002α,α为常数；（4）设计神经网络全调节补偿控制器，具体为：4?1）定义模型误差为f=D~q·+K~q+2Ω~q·+d---(10)4?2）设计神经网络全调节补偿控制器，用神经网络逼近未知的模型误差f(x)，神经网络的输出即为模型误差f(x)的估计值，本专利技术采用RBF神经网络，神经网络的输出为，f^(x)=θ^Tφ^(x)将神经网络全调节补偿控制器的输出u2设计为u2=-f^(x)其中，D~=D0-D,K~=K0-K,Ω~=Ω0-Ω;x为神经网络输入向量，x=ee.,θ为神经网络权值向量，是神经网络权值向量的估计值，φ(x)为各神经网络隐层节点输出的组合向量，是φ(x)的估计值；（5）将名义控制器和神经网络全调节补偿控制器相结合，作为微陀螺仪的控制输入，即u＝u1+u2????（19）其中，u1=q··d-kve·-kpe+D0q·+K0q+2Ω0q·,u2=-θ^Tφ^(x);（6）设计Lyapunov函数，选取自适应律，所述Lyapunov函数V为，V=12xTPx+12tr(θ~γθ~T)+12φ~TΛφ~---(21)所述自适应律为，θ~·=θ^·=γ-1φ^xTPB---(24)φ~·=φ^·=Λ-1θ^BTPx---(25)其中，γ,Λ，P，Q为对称正定矩阵，γ,Λ＞0，P和Q满足PA+ATP＝?Q，A=0I-Kp-Kv;为神经网络权值向量的估计误差，θ*为神经网络权值向量的理想值，为神经网络隐层节点输出向量的估计误差，为神经网络隐层节点输出的理想值；（7）对所述步骤（6）的自适应律进行离散化，得到神经网络权值、高斯函数的中心和基宽的自适应算法，保证闭环系统的全局稳定性，用下述表示：神经网络权值的自适应算法为，θ^i(n+1)=θ^i(n)-η1∂f^∂θiTxT(n)P(n)B(n)高斯函数的中心的自适应算法为，c^i(n+1)=c^i(n)+η3∂φ^(n)∂c^iTθ^BTP(n)x(n)高斯函数的基宽的自适应算法为，σ^i(n+1)=σ^i(n)+η4∂φ^(n)∂σ^iTθ^BTP(n)x(n),其中，n为离散变量的采样指针，i为第i基宽和中心向量的第i列，为RBF神经网络的输出，η1，η3，η4，为可适当调节的标量。FDA0000384165730000014.jpg,FDA0000384165730000015.jpg,FDA00003841657300000110.jpg,FDA00003841657300000111.jpg,FDA0000384165730000026.jpg,FDA0000384165730000027.jpg,FDA0000384165730000028.jpg,FDA0000384165730000029.jpg,FDA00003841657300000213.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：吴丹，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：