CN112181002B - 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 - Google Patents
微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 Download PDFInfo
- Publication number
- CN112181002B CN112181002B CN202010965764.XA CN202010965764A CN112181002B CN 112181002 B CN112181002 B CN 112181002B CN 202010965764 A CN202010965764 A CN 202010965764A CN 112181002 B CN112181002 B CN 112181002B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- formula
- sliding mode
- gyroscope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 59
- 239000013598 vector Substances 0.000 claims description 25
- 238000013016 damping Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 2
- 241001181114 Neta Species 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 230000017105 transposition Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C19/00—Gyroscopes; Turn-sensitive devices using vibrating masses; Turn-sensitive devices without moving masses; Measuring angular rate using gyroscopic effects
- G01C19/56—Turn-sensitive devices using vibrating masses, e.g. vibratory angular rate sensors based on Coriolis forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
一种微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,包括如下步骤:S1:建立微陀螺仪数学模型,并设计分数阶滑模面;S2:设计分数阶滑模控制律,将其作为控制输入对微陀螺仪进行滑模控制;S3:基于双递归扰动模糊神经网络和Lyapunov稳定性设计自适应控制算法,对神经网络未知参数进行实时更新,保证***运动点的轨迹稳定跟踪动力学模型的轨迹。本发明利用模糊***和神经网络的结合,在线实时对***未知部分进行估计,用估计值代替其自身的真值,用于解决实际***中含有未知参数的未知部分无法准确得到的问题。
Description
技术领域
本发明涉及微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,属于微陀螺仪的控制技术领域。
背景技术
陀螺仪运用的原理主要是角动量守恒定律,是一种具备传感、维持方向稳定和角运动检测功能的装置,具有抗拒方向改变的趋势。与传统的陀螺仪相比,微陀螺具备众多优点,应用范围广泛,可用于航空、航天、航海、汽车安全、生物工程、大地测量、环境监控等领域,特别是在对尺寸和重量等要求很严格的领域,相比于传统陀螺仪而言,微陀螺有极其显著的优势。
然而,由于MEMS工艺本身加工精度的限制以及设计原理本身的局限性,使得目前的技术还没有取得一个质的飞跃,依然停留在速率级上难以进步,很难达到战术级和惯性级的要求。其结构尺寸通常为微米级,集成封装后,尺寸也仅在毫米量级,导致硅微陀螺仪的灵敏度、精度等与理想的状况有所出入,微陀螺仪主要解决的问题就是补偿加工过程中的误差和对角速度进行测量。
发明内容
为了解决现有的技术缺陷,本发明提供一种微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,利用模糊***和神经网络的结合,在线实时对***未知部分进行估计,用估计值代替其自身的真值,用于解决实际***中含有未知参数的未知部分无法准确得到的问题。
一种微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,包括如下步骤:
S1:建立微陀螺仪数学模型,并基于微陀螺仪数学模型设计分数阶滑模面;
S2:基于步骤S1建立的微陀螺仪数学模型和设计的分数阶滑模面设计分数阶滑模控制律,将其作为控制输入对微陀螺仪进行滑模控制,其中,所述控制律包括等效控制律和切换控制律;
S3:基于双递归扰动模糊神经网络和Lyapunov稳定性设计自适应控制算法,对神经网络未知参数进行实时更新,保证***运动点的轨迹稳定跟踪动力学模型的轨迹。
优选地,所述步骤S1中建立微陀螺仪数学模型具体步骤如下:
S1-1:建立动力学模型的转动坐标系,转动坐标系包括微陀螺仪驱动振动的方向、检测振动的方向和输入角速度的方向,基于转动坐标系建立微陀螺仪驱动模态和检测模态的基本动力学模型,其中,设定X轴为微陀螺仪驱动振动的方向,Y轴为微陀螺仪检测振动的方向,Z轴为输入角速度的方向,微陀螺仪驱动模态和检测模态的基本动力学模型如公式(1)所示:
式中,m为质量块的质量,x,y为质量块在驱动振动方向和检测振动方向的位置向量,是x的一阶导数,是x的二阶导数,是y的一阶导数,是y的二阶导数,dx为驱动振动方向的阻尼系数,dy为检测振动方向的阻尼系数,kx为驱动振动方向的刚度系数,ky为检测振动方向的刚度系数,ux为驱动振动方向的控制输入,uy检测振动方向的控制输入,Ωz为z轴上输入的角速度,是Ωz的一阶导数;
S1-2:对基本动力学模型进行结构误差修正,如公式(2)所示:
式中,dxx为修正后的驱动振动方向的阻尼系数,dyy为修正后的检测振动方向的阻尼系数,dxy为耦合阻尼系数,kxx为修正后的驱动振动方向的刚度系数,kyy为修正后的检测振动方向的刚度系数,kxy为耦合刚度系数;
S1-3:对进行结构误差修正后的动力学模型进行无量纲化处理,将式(2)中两个等式的两边分别除以微陀螺仪质量块质量m,并参考长度q0和自然共振频率ω0,得到微陀螺仪无量纲化后的动力学模型,如式(3)所示:
S1-4:将进行无量纲化处理后的动力学模型改写为向量形式的动力学模型,如式(4)所示:
式中,q为微陀螺仪***的输出轨迹,是q的一阶导数,是q的二阶导数,D为由修正后的驱动振动方向的阻尼系数、修正后的检测振动方向的阻尼系数和耦合阻尼系数组成的矩阵,K为由修正后的驱动振动方向的刚度系数的无量纲化形式、修正后的检测振动方向的刚度系数的无量纲形式和耦合刚度系数的无量纲形式组成的矩阵,Ω为由输入方向的角速度和输入方向的角速度的相反数组成的矩阵,u为***控制律,即分数阶滑模控制律;
S1-5:考虑到***中参数的不确定性和外界干扰,则在向量形式的动力学模型中引入若干变量,如式(5)所示:
式中,ΔD为未知参数D+2Ω的不确定性,ΔK为未知参数K的不确定性,d为外界干扰;
优选地,所述步骤S1中分数阶滑模面设计如下:
e=q-qr=[x-qr1,y-qr2]T (8);
优选地,所述步骤S2中基于微陀螺仪数学模型和分数阶滑模面设计分数阶滑模控制律u,具体如下:
S2-1:对分数阶滑模面模型进行求导,将滑摸控制到达条件引入进行求导后的分数阶滑模面模型,获取等效控制律ueq,如公式(10)所示:
S2-2:利用外界干扰和***参数不确定性表征***运动点趋近切换面的速率,获取切换控制律,如公式(11)所示:
式中,a是切换项系数,有a>Fd,||s||表示s的范数;
S2-3:采用等效滑模控制与切换控制相结合的方法,基于式(10)和式(11)设计分数阶滑模控制控制律u如式(12)所示:
优选地,所述步骤S3中双递归扰动模糊神经网络含有闭环动态反馈和模糊***的五层神经网络,依次包括输入层、隶属函数层、规则层、递归层和输出层,设置[e1 e2]T为双递归扰动模糊神经网络的输入,输出为微陀螺***模型未知部分ψ(x)的估计值具体设计如下:
第一层:输入层,双递归扰动模糊神经网络输入层的输出如式(13)所示:
μk=xk·Wrok·exY,for k=1,2 (13);
式中,μk为神经网络第一层的输出信号,xk为神经网络的输入信号,Wrok为外层递归权值,exY为神经网络第五层反馈信号;
第二层:隶属函数层,双递归扰动模糊神经网络的隶属函数层利用正弦-余弦扰动函数处理规则不确定性,每个隶属函数由高斯函数和正弦-余弦扰动函数组成,如公式(14)所示:
式中,σkj为神经网络第二层的输出信号,ckj为神经网络隶属函数的中心向量,bkj为神经网络隶属函数的基宽,hkj为神经网络隶属函数的扰动系数,vkj为神经网络隶属函数的频率,exp为以自然常数e为底的指数函数,j为神经网络第一层的每个节点输出所对应的节点数;
第三层:规则层,双递归扰动模糊神经网络规则层的输出如式(15)所示:
该层的每个节点的输出为该节点所有输入信号的乘积,即:
式中,δi为神经网络第三层的输出信号,i神经网络第三层的节点数;
第四层:递归层,双递归扰动模糊神经网络递归层的输出如式(16)所示:
式中,θl为神经网络第四层的输出信号,ri为内层递归权值;
第五层:输出层,双递归扰动模糊神经网络第五层输出层的输出如式(17)所示:
式中,Y为神经网络第五层的输出信号,即为***未知部分ψ(x),W为神经网络权值,m0为隶属函数层节点数。
优选地,所述步骤S3中自适应控制算法的具体设计步骤如下:
其中,通过双递归扰动模糊神经网络高斯函数的逼近性质,存在理想的递神经网络输出Y*,则***的未知部分ψ(x)真实值为:
则将(22)代入(21)可得:
S3-4:将估计的向量形式的动力学模型化简后,代入预设Lyapunov函数关于时间的一阶导数,根据Lyapunov稳定性的原理设计***未知参数的自适应控制算法,具体如下:
选取Lyapunov函数V为:
式中,η1,η2,η3,η4,η5,η6,η7为学习率,均为正常数;tr{·}表示矩阵的求迹运算。
对Lyapunov函数求关于时间的一阶导数:
式中,是的一阶导数,是的一阶导数,是的一阶导数,是的一阶导数,是的一阶导数,是的一阶导数,是的一阶导数;为未知参数W的估计值,为未知参数b的估计值,为未知参数c的估计值,是未知参数h的估计值,是未知参数v的估计值,为未知参数r的估计值,为未知参数Wro的估计值,η1,η2,η3,η4,η5,η6,η7为各个未知参数的学习率。
本发明中主要采用的技术方案为:
有益效果:本发明提供一种微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,具有如下优点:
(1)分数阶滑模控制律增加了可以调节分数阶的阶数项,控制精度得到提高,其提高控制器灵活性;
(2)利用双递归扰动神经网络实现模型未知部分的自适应逼近,保证控制器不依赖于被控***精确的数学模型;
(3)利用李雅普诺夫稳定性理论,设计神经网络中高斯函数基宽、中心向量、扰动系数和权值等参数未知的自适应律,在存在模型不确定性和外部干扰的情况下,使***获得良好的跟踪性能,增加了***的鲁棒性和抗干扰性;
(4)自适应控制算法可处理***的不确定性,实现控制***参数的在线自动整定,并且提高***的稳定性和鲁棒性。
附图说明
图1为本发明微陀螺仪***的结构框图;
图2为本发明实例中双递归扰动模糊神经网络结构图;
图3为本发明实例中微陀螺x轴轨迹跟踪曲线;
图4为本发明实例中微陀螺y轴轨迹跟踪曲线;
图5为本发明实例中微陀螺仪扰动系数h自适应辨识曲线;
图6为本发明实例中微陀螺仪频率v自适应辨识曲线;
图7为本发明实例中神经网络估计未知部分x轴方向上的曲线;
图8为本发明实例中神经网络估计未知部分y轴方向上的曲线。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
一种微陀螺仪自适应双递归扰动模糊神经网络分数阶滑模控制方法,包括:
步骤一,建立微陀螺仪的数学模型。
把微陀螺仪的驱动模态和检测模态,看作是一个“弹簧-质量-阻尼”的二阶***。首先,建立动力学模型的转动坐标系;然后,基于转动坐标系建立微陀螺仪驱动模态和检测模态的基本动力学模型。
本实施例中,x轴为微陀螺仪驱动振动的方向,y轴为微陀螺仪检测振动的方向,z轴为输入角速度的方向。微陀螺仪的基本动力学方程如式(1)、式(2)所示:
式中,m为质量块的质量,x和y为质量块在驱动方向和检测方向的位置向量,是x的一阶导数,是x的二阶导数,是y的一阶导数,是y的二阶导数,dx为驱动方向的阻尼系数,dy为检测方向的阻尼系数,kx为驱动方向的刚度系数,ky为检测方向的刚度系数,ux为驱动方向的控制输入,uy检测方向的控制输入,Ωz为z轴上的角速度,即输入方向的角速度,是Ωz的一阶导数。
考虑到微陀螺仪的结构误差带来的影响,为提高控制精度,将式(1)修正为:
式中,dxx为修正后的驱动方向的阻尼系数,dyy为修正后的检测方向的阻尼系数,dxy为耦合阻尼系数,kxx为修正后的驱动方向的刚度系数,kyy为修正后的检测方向的刚度系数,kxy为耦合刚度系数。
为减小控制器设计的复杂度,对动力学模型进行无量纲化处理,将式(2)中两个等式的两边分别除以微陀螺仪质量块质量m,并参考长度q0和自然共振频率ω0,得到微陀螺仪无量纲化后的动力学模型,如式(3)所示:
将式(3)改写为向量形式,如式(4)所示:
式中,q为微陀螺仪***的输出轨迹,是q的一阶导数,是q的二阶导数,D为由修正后的驱动振动方向的阻尼系数、修正后的检测振动方向的阻尼系数和耦合阻尼系数组成的矩阵,K为由修正后的驱动振动方向的刚度系数的无量纲化形式、修正后的检测振动方向的刚度系数的无量纲形式和耦合刚度系数的无量纲形式组成的矩阵,Ω为由输入方向的角速度和输入方向的角速度的相反数组成的矩阵,u为***控制律,即分数阶滑模控制律;
考虑到***中参数的不确定性和外界干扰,将微陀螺仪***动力学模型的向量形式(4)改写为:
式中,ΔD为未知参数D+2Ω的不确定性,ΔK为未知参数K的不确定性,d为外界干扰。
步骤二,设计微陀螺分数阶滑模控制***。
如图1所示,是本发明实例中微陀螺仪***的结构框图;
首先,设计滑模控制的分数阶滑模面为:
e=q-qr=[x-qr1,y-qr2]T (8);
然后,设计分数阶滑模控制的控制律u,具体如下:
由滑模控制到达条件可得分数阶等效控制律ueq:
利用外界干扰和***参数不确定性表征***运动点趋近切换面的速率,获取切换控制律,本实施例中,设计切换控制律usw为:
式中,a是切换项系数,有a>Fd,||s||表示s的范数。
采用等效滑模控制与切换控制相结合的方法,基于式(10)和式(11)设计分数阶滑模控制的控制律u为:
步骤三,设计双递归扰动模糊神经网络。
如图2所示,是本发明实例中双递归扰动模糊神经网络结构图;
在本实施例中,双递归扰动模糊神经网络含有闭环动态反馈和模糊***的五层神经网络,其主要包括输入层(Input Layer)、隶属函数层(Membership Function Layer)、规则层(Rule Layer)、递归层(Recurrent Layer)和输出层(Output Layer),设置[e1 e2]T为双递归扰动模糊神经网络的输入,输出为微陀螺***模型未知部分ψ(x)的估计值具体设计如下:
第一层:输入层,双递归扰动模糊神经网络输入层的输出如式(13)所示:
μk=xk·Wrok·exY,for k=1,2 (13);
式中,μk为神经网络第一层的输出信号,xk为神经网络的输入信号,Wrok为外层递归权值,exY为神经网络第五层反馈信号;
第二层:隶属函数层,双递归扰动模糊神经网络的隶属函数层利用正弦-余弦扰动函数处理规则不确定性,每个隶属函数由高斯函数和正弦-余弦扰动函数组成,如公式(14)所示:
式中,σkj为神经网络第二层的输出信号,ckj为神经网络隶属函数的中心向量,bkj为神经网络隶属函数的基宽,hkj为神经网络隶属函数的扰动系数,vkj为神经网络隶属函数的频率,exp为以自然常数e为底的指数函数,j为神经网络第一层的每个节点输出所对应的节点数;
第三层:规则层,双递归扰动模糊神经网络规则层的输出如式(15)所示:
该层的每个节点的输出为该节点所有输入信号的乘积,即:
式中,δi为神经网络第三层的输出信号,i神经网络第三层的节点数;
第四层:递归层,双递归扰动模糊神经网络递归层的输出如式(16)所示:
式中,θl为神经网络第四层的输出信号,ri为内层递归权值;
第五层:输出层,双递归扰动模糊神经网络第五层输出层的输出如式(17)所示:
式中,Y为神经网络第五层的输出信号,即为***未知部分值ψ(x),W为神经网络权值,m0为隶属函数层节点数。
利用双递归扰动模糊神经网络估计***未知部分,如式(21)所示:
因此式(12)的控制律u可调整为:
通过函数的逼近性质,存在理想的递神经网络输出Y*,则***的未知部分ψ(x)即为:
则将(22)代入(21)可得:
步骤四,在线辨识微陀螺仪***中的未知参数。
本实施例中,设计微陀螺仪***的未知参数为b,c,h,v,r,Wro和W;
用Lyapunov稳定性理论利用基宽、中心向量和权值等的估计值代替其未知真实值,高斯函数基宽的估计值高斯函数中心向量的估计值隶属度函数扰动系数的估计值隶属度函数频率内层递归权值的估计值和外层递归权值的估计值的自适应律,神经网络权值的估计值实现在线实时更新,并用此理论来分析***稳定性,具体如下:
式中,η1,η2,η3,η4,η5,η6,η7为学习率,均为正常数;tr{·}表示矩阵的求迹运算。
对设计的Lyapunov函数求关于时间的一阶导数:
则式(25)可以改写为:
由于ε0和fm存在上界E,Fd,所以当满足a≥E+Fd,即可保证为半负定,***稳定性得证,即***跟踪轨迹能够到达所设计的分数阶滑模面,且停留在滑模面上。对不等式积分,可得因为V′(0)和V′(t)有界,V′(t)又是非增的,因此可以得知是有界的。根据Barbalat引理及其推论,可知因此***渐近稳定,跟踪误差和分数滑模面也渐近收敛于零。
为验证本发明的可行性和有效性,利用MATLAB/Simulink进行仿真。
m=1.8×10-7kg,dxx=1.8×10-6N·s/m,dxy=3.6×10-7N·s/m,
dyy=1.8×10-6N·s/m,kxx=63.955N/m,kxy=12.779N/m,kyy=95.92N/m,
Ωz=100rad/s,q0=1μm,ω0=1kHz。
可得到微陀螺的无量刚化参数为:
qr1=sin(4.17t),qr2=1.2sin(5.11t),分数阶滑模面参数设为:m=3000,λ=10,k=10,分别将阶数设置为0.1,0.4,0.5,0.7,0.9,并分别比较所得的均方根误差,如表所示以确定分数阶的阶数为α=0.9,双反馈模糊神经网络的权值、基宽、中心向量、扰动系数、频率、内层递归权值和外层递归权值的初值分别取
如图3所示,是本发明实例中微陀螺仪轨迹x轴跟踪曲线,输出信号可以很快跟踪上参考轨迹;
如图4所示,是本发明实例中微陀螺仪轨迹y轴跟踪曲线,输出信号可以很快跟踪上参考轨迹;
如图5所示,是本发明实例中微陀螺仪扰动系数h自适应辨识曲线,利用自适应分数阶滑模控制,参数h可以在有限时间内收敛并趋于稳定;
如图6所示,是本发明实例中微陀螺仪频率v自适应辨识曲线,利用自适应分数阶滑模控制,参数v可以在有限时间内收敛并趋于稳定;
如图7所示,是本发明实例中微陀螺仪神经网络估计未知部分x轴方向上的曲线,利用双递归扰动模糊神经网络可以很好地估计微陀螺***未知部分的值;
如图8所示,是本发明实例中微陀螺仪神经网络估计未知部分y轴方向上的曲线,利用双递归扰动模糊神经网络可以很好地估计微陀螺***未知部分的值;
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法,其特征在于,包括如下步骤:
S1:建立微陀螺仪数学模型,并基于微陀螺仪数学模型设计分数阶滑模面,所述微陀螺仪数学模型的具体建立步骤如下:
S1-1:建立动力学模型的转动坐标系,转动坐标系包括微陀螺仪驱动振动的方向、检测振动的方向和输入角速度的方向,基于转动坐标系建立微陀螺仪驱动模态和检测模态的基本动力学模型,其中,设定X轴为微陀螺仪驱动振动的方向,Y轴为微陀螺仪检测振动的方向,Z轴为输入角速度的方向,微陀螺仪驱动模态和检测模态的基本动力学模型如公式(1)所示:
式中,m为质量块的质量,x,y为质量块在驱动振动方向和检测振动方向的位置向量,是x的一阶导数,是x的二阶导数,是y的一阶导数,是y的二阶导数,dx为驱动振动方向的阻尼系数,dy为检测振动方向的阻尼系数,kx为驱动振动方向的刚度系数,ky为检测振动方向的刚度系数,ux为驱动振动方向的控制输入,uy检测振动方向的控制输入,Ωz为z轴上输入的角速度,是Ωz的一阶导数;
S1-2:对基本动力学模型进行结构误差修正,如公式(2)所示:
式中,dxx为修正后的驱动振动方向的阻尼系数,dyy为修正后的检测振动方向的阻尼系数,dxy为耦合阻尼系数,kxx为修正后的驱动振动方向的刚度系数,kyy为修正后的检测振动方向的刚度系数,kxy为耦合刚度系数;
S1-3:对进行结构误差修正后的动力学模型进行无量纲化处理,将式(2)中两个等式的两边分别除以微陀螺仪质量块质量m,并参考长度q0和自然共振频率ω0,得到微陀螺仪无量纲化后的动力学模型,如式(3)所示:
S1-4:将进行无量纲化处理后的动力学模型改写为向量形式的动力学模型,如式(4)所示:
式中,q为微陀螺仪***的输出轨迹,是q的一阶导数,是q的二阶导数,D为由修正后的驱动振动方向的阻尼系数、修正后的检测振动方向的阻尼系数和耦合阻尼系数组成的矩阵,K为由修正后的驱动振动方向的刚度系数的无量纲化形式、修正后的检测振动方向的刚度系数的无量纲形式和耦合刚度系数的无量纲形式组成的矩阵,Ω为由输入方向的角速度和输入方向的角速度的相反数组成的矩阵,u为***控制律,即分数阶滑模控制律;
S1-5:考虑到***中参数的不确定性和外界干扰,则在向量形式的动力学模型中引入若干变量,如式(5)所示:
式中,ΔD为未知参数D+2Ω的不确定性,ΔK为未知参数K的不确定性,d为外界干扰;
所述分数阶滑模面设计如下:
e=q-qr=[x-qr1,y-qr2]T (8);
S2:基于步骤S1建立的微陀螺仪数学模型和设计的分数阶滑模面设计分数阶滑模控制律u,将其作为控制输入对微陀螺仪进行滑模控制,其中,所述控制律包括等效控制律和切换控制律所述;
所述分数阶滑模控制律u的具体设计方法如下:
S2-1:对分数阶滑模面模型进行求导,将滑摸控制到达条件引入进行求导后的分数阶滑模面模型,获取等效控制律ueq,如公式(10)所示:
S2-2:利用外界干扰和***参数不确定性表征***运动点趋近切换面的速率,获取切换控制律,如公式(11)所示:
式中,a是切换项系数,有a>Fd,||s||表示s的范数;
S2-3:采用等效滑模控制与切换控制相结合的方法,基于式(10)和式(11)设计分数阶滑模控制控制律u如式(12)所示:
S3:基于双递归扰动模糊神经网络和Lyapunov稳定性设计自适应控制算法,对神经网络未知参数进行实时更新,保证***运动点的轨迹稳定跟踪动力学模型的轨迹;
所述双递归扰动模糊神经网络含有闭环动态反馈和模糊***的五层神经网络,依次包括输入层、隶属函数层、规则层、递归层和输出层,设置[e1 e2]T为双递归扰动模糊神经网络的输入,输出为微陀螺***模型未知部分ψ(x)的估计值具体设计如下:
第一层:输入层,双递归扰动模糊神经网络输入层的输出如式(13)所示:
μk=xk·Wrok·exY,for k=1,2 (13);
式中,μk为神经网络第一层的输出信号,xk为神经网络的输入信号,Wrok为外层递归权值,exY为神经网络第五层反馈信号;
第二层:隶属函数层,双递归扰动模糊神经网络的隶属函数层利用正弦-余弦扰动函数处理规则不确定性,每个隶属函数由高斯函数和正弦-余弦扰动函数组成,如公式(14)所示:
式中,σkj为神经网络第二层的输出信号,ckj为神经网络隶属函数的中心向量,bkj为神经网络隶属函数的基宽,hkj为神经网络隶属函数的扰动系数,vkj为神经网络隶属函数的频率,exp为以自然常数e为底的指数函数,j为神经网络第一层的每个节点输出所对应的节点数;
第三层:规则层,双递归扰动模糊神经网络规则层的输出如式(15)所示:
该层的每个节点的输出为该节点所有输入信号的乘积,即:
式中,δi为神经网络第三层的输出信号,i神经网络第三层的节点数;
第四层:递归层,双递归扰动模糊神经网络递归层的输出如式(16)所示:
式中,θl为神经网络第四层的输出信号,ri为内层递归权值;
第五层:输出层,双递归扰动模糊神经网络第五层输出层的输出如式(17)所示:
式中,Y为神经网络第五层的输出信号,即为***未知部分ψ(x),W为神经网络权值,m0为隶属函数层节点数;
所述自适应控制算法的具体设计步骤如下:
其中,通过双递归扰动模糊神经网络高斯函数的逼近性质,存在理想的递神经网络输出Y*,则***的未知部分ψ(x)真实值为:
则将(22)代入(21)可得:
S3-4:将估计的向量形式的动力学模型化简后,代入预设Lyapunov函数关于时间的一阶导数,根据Lyapunov稳定性的原理设计***未知参数的自适应控制算法,具体如下:
选取Lyapunov函数V为:
式中,η1,η2,η3,η4,η5,η6,η7为学习率,均为正常数;tr{·}表示矩阵的求迹运算;
对Lyapunov函数求关于时间的一阶导数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965764.XA CN112181002B (zh) | 2020-09-15 | 2020-09-15 | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965764.XA CN112181002B (zh) | 2020-09-15 | 2020-09-15 | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112181002A CN112181002A (zh) | 2021-01-05 |
CN112181002B true CN112181002B (zh) | 2023-03-14 |
Family
ID=73921030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010965764.XA Active CN112181002B (zh) | 2020-09-15 | 2020-09-15 | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112181002B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485112B (zh) * | 2021-07-14 | 2023-02-28 | 江南大学 | 一种预设性能自适应分数阶滑模控制方法及*** |
CN113824361B (zh) * | 2021-10-26 | 2024-05-14 | 贵州大学 | 分数阶永磁同步发电机的模糊有限时间最优同步控制方法 |
CN114147719B (zh) * | 2021-12-10 | 2023-06-23 | 扬州大学 | 基于直接离散型递归神经网络的机械臂跟踪控制方法及*** |
CN114371623B (zh) * | 2022-01-10 | 2022-12-23 | 南京工业大学 | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831655A (zh) * | 2017-10-23 | 2018-03-23 | 河海大学常州校区 | 微陀螺仪的分数阶自适应反演模糊滑模控制方法 |
CN110703611A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 基于递归模糊神经网络的微陀螺传感器终端滑模控制*** |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
-
2020
- 2020-09-15 CN CN202010965764.XA patent/CN112181002B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107831655A (zh) * | 2017-10-23 | 2018-03-23 | 河海大学常州校区 | 微陀螺仪的分数阶自适应反演模糊滑模控制方法 |
CN110703611A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 基于递归模糊神经网络的微陀螺传感器终端滑模控制*** |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive Sliding Mode Control of Dynamic Systems Using Double Loop Recurrent Neural Network Structure;Juntao Fei;《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》;20180430;第1275-1286页 * |
基于分数阶滑模控制的挠性航天器姿态跟踪及主动振动抑制研究;邓立为等;《振动工程学报》;20150215(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112181002A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112181002B (zh) | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 | |
CN103616818B (zh) | 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法 | |
CN102636995B (zh) | 基于rbf神经网络滑模控制微陀螺仪的方法 | |
CN104122794B (zh) | 微陀螺仪的自适应模糊神经补偿非奇异终端滑模控制方法 | |
CN108227504B (zh) | 微陀螺分数阶自适应模糊神经反演终端滑模控制方法 | |
CN105045097A (zh) | 一种基于神经网络的微陀螺仪反演全局滑模模糊控制方法 | |
CN102436176B (zh) | 基于神经网络的微陀螺仪控制*** | |
CN110703610B (zh) | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 | |
CN111240210B (zh) | 微陀螺双反馈模糊神经网络动态分数阶滑模控制方法 | |
CN104503246B (zh) | 微陀螺仪***的间接自适应神经网络滑模控制方法 | |
CN103279038B (zh) | 基于t-s模糊模型的微陀螺仪滑模自适应控制方法 | |
CN105929694A (zh) | 一种微陀螺自适应神经网络非奇异终端滑模控制方法 | |
CN107831660A (zh) | 微陀螺仪自适应高阶超扭曲滑模控制方法 | |
CN107703757A (zh) | 微陀螺仪***的超扭曲滑模控制方法 | |
CN107608217B (zh) | 基于复合学习的mems陀螺仪模糊滑模控制方法 | |
CN104267604B (zh) | 微陀螺仪自适应神经网络全局滑模控制方法 | |
CN105278331A (zh) | 一种微陀螺的鲁棒自适应神经网络h无穷控制方法 | |
CN104155874B (zh) | 微陀螺仪的反演自适应模糊动态滑模控制方法 | |
CN111880409A (zh) | 一种基于数据驱动的自主水下航行器轨迹跟踪控制方法 | |
CN105487382B (zh) | 基于动态面的微陀螺自适应模糊滑模控制方法 | |
Liu et al. | Strong tracking UKF-based hybrid algorithm and its application to initial alignment of rotating SINS with large misalignment angles | |
CN110647036B (zh) | 微陀螺仪自适应双反馈模糊神经网络分数阶滑模控制方法 | |
CN110262242B (zh) | 一种微陀螺仪自适应分数阶滑模控制方法 | |
Dong et al. | Terminal sliding mode attitude tracking control for unmanned vehicle with predefined-time stability | |
CN109917645B (zh) | 微陀螺双反馈模糊神经网络超扭曲滑模控制***设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |