[发明专利]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

说明书

技术领域

本发明涉及微陀螺仪的控制技术领域，特别是涉及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。

背景技术

微陀螺仪是惯性导航和惯性制导系统的基本测量元件。因其在体积和成本方面的巨大优势，微陀螺仪广泛应用于航空、航天、汽车、生物医学、军事以及消费电子领域。但是，由于设计与制造中的误差存在和温度扰动，会造成原件特性与设计之间的差异，降低了微陀螺仪系统的性能。微陀螺仪本身属于多输入多输出系统并且系统参数存在不确定性以及易受外界环境的影响。补偿制造误差和测量角速度成为微陀螺仪控制的主要问题，有必要对微陀螺仪系统进行动态补偿和调整。

目前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，而亟待加以进一步改进。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。

发明内容

本发明提供了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，提高了微陀螺仪系统在存在模型不确定、参数摄动以及外界噪声等各种干扰，在消除系统抖振的情况下而不影响理想轨迹的追踪性能和整个系统的鲁棒性。

为了解决上述问题，本发明所采取的技术方案是：

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，其特征在于：包括以下步骤：

1)、建立微陀螺仪的理想对力学方程；

2)、根据旋转系中的牛顿定律建立微陀螺仪的无量纲动力学方程；

3)、建立基于神经网络的反演全局滑模模糊控制器，基于神经网络的反演全局滑模模糊控制设计控制律，将其作为微陀螺仪的控制输入，包括如下步骤：

3-1)、设计反演PID全局滑模面S(t)为：

其中，e₁为跟踪误差，e₁＝X₁-q_d，X₁＝q为微陀螺仪的运动轨迹，q_d为微陀螺仪的理想运动轨迹，e₂＝X₂-α₁，α₁为虚拟控制量，f(t)是为了达到全局滑模面而设计的函数，λ₁，λ₂为滑模系数；

3-2)、设计反演全局滑模控制律u^BGSMC，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为：

其中：ρ≥E+ξ，ξ是一个任意小的正常数；

3-3)、用RBF神经网络的输出逼近陀螺仪系统的未知动态Γ(z)＝-MX₂-KX₁，设计基于神经网络的反演全局滑模控制律u^BGSMCNN，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为:

其中：是Φ的估计值，为RBF神经网络的输出，为RBF神经网络的实时权值，在线不断更新，φ(x)＝[φ₁(x),φ₂(x)…φ_n(x)]^T是高斯基函数；

3-4)、由于ρ未知，用模糊系统的输出逼近整个滑模项，切换控制器的输出变为：设计基于神经网络的反演全局滑模模糊控制律u^BFGSMCNN，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为：

其中：h是模糊系统的理想输出，h＝θ^Tψ+σ,σ是误差，在理想模糊参数下，模糊系统的误差最小，σ一致有界，||σ||≤σ_b，σ_b为σ的上界，是h的估计值，为模糊控制系统的输出；

4)、基于lyapunov函数理论，设计自适应律，验证所述基于神经网络的反演全局滑模模糊控制器的稳定性。

前述的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，其特征在于：所述步骤1)中，建立微陀螺仪的理想动力学方程为：

x_d＝A₁ sin(w₁t),y_d＝A₂ sin(w₂t)