[发明专利]一种基于干扰观测器的Z轴陀螺仪神经网络滑模控制方法

说明书

本申请公开了一种基于干扰观测器的Z轴陀螺仪神经网络滑模控制方法。该方法在获得微陀螺仪跟踪误差和设计的滑模面的基础上，采用RBF神经网络估计时变角速度参数矩阵，在外界干扰未知的情况下，设计干扰观测器估计外界干扰，并根据估计时变角速度参数矩阵和干扰观测器设计微陀螺仪控制律。最终正确估计出连续变化的角速度信号和未知的外界干扰。本发明方法能够在角速度连续变化的情况下，采用神经网络对时变角速度进行估计，通过设计神经网络权值自适应规律完成权值的自适应调整。同时，在系统外界干扰未知的情况下，采用干扰观测器估计外界干扰，有效降低系统抖振，提高MEMS陀螺仪的测量精度。

技术领域

本发明涉及自动控制系统领域，尤其涉及一种基于干扰观测器的Z轴陀螺仪神经网络滑模控制方法。

背景技术

MEMS陀螺仪是采用微机电系统加工技术加工生产的传感器，用于测量角速度。MEMS陀螺仪可分为振动式，微流体式，固体式以及悬浮转子式等。其中常见的是振动式MEMS陀螺仪。MEMS陀螺仪是利用科里奥利定理，将旋转物体的角速度转换成与角速度成正比的直流电压信号，从而计算出角速度。MEMS陀螺仪具有体积小、功耗低、成本低等优点，在惯性导航、消费电子以及现代国防等领域具有广泛的应用前景。由于制造技术的缺陷，陀螺仪的结构是不完全对称的，这种非对称的结构会造成不必要的机械耦合，降低陀螺仪的测量精度。与此同时，加工误差带来的参数不确定性以及系统的外部干扰也会使MEMS陀螺仪的性能下降。

在陀螺仪控制系统中，通常采用自适应滑模控制来实现期望的轨迹跟踪并通过自适应算法完成角速度信号的估计。但是，传统自适应算法只适用于角速度信号长期恒定的情况。而在实际情况中，物体旋转的角速度是变化的，这样就使得传统自适应算法无法准确估计时变角速度。考虑到神经网络具有逼近任何函数的能力，采用RBF神经网络来估计角速度信号。

陀螺仪系统的外界干扰是系统抖振的主要来源。常规的滑模控制是在外界干扰已知的情况下导出的。但是，在实际情况中，外界干扰上界是未知的。此时，需要选择较大的切换增益，这就会造成较强的抖振。因此，采用干扰观测器对外界干扰进行观测和估计，从而保证系统的稳定性和轨迹跟踪性能。

由于RBF神经网络可以逼近任意连续函数，因此也可以将其应用于时变角速度信号的测量。对于未知外界干扰，可以采用干扰观测器进行观测和估计。与传统的自适应算法相比，采用RBF神经网络可以正确估计出连续变化的角速度信号，有效降低控制抖振。

发明内容

有鉴于此，本发明的目的在于提供一种基于干扰观测器的Z轴陀螺仪神经网络滑模控制方法，旨在通过采用神经网络对时变角速度进行估计，通过干扰观测器对未知外界干扰进行观测和估计，降低系统抖振，保证系统的稳定性。

为解决上述技术问题，本发明提供了一种基于干扰观测器的Z轴陀螺仪神经网络滑模控制方法，包括以下步骤：

1)建立微陀螺仪动力学模型，根据所述模型输出微陀螺仪运动轨迹；

所述模型如下式所示：

上式中，

其中，q为陀螺仪的运动轨迹，u为陀螺仪的控制输入，D为阻尼参数矩阵，K为弹簧参数矩阵，Ω为时变角速度参数矩阵，d为外界干扰；

2)根据步骤1)得到的微陀螺仪运动轨迹计算跟踪误差，根据跟踪误差建立滑模面；

所述跟踪误差如下式所示：

e＝q_d-q (2)

其中，e为跟踪误差，q_d为微陀螺仪运动参考轨迹；

所述滑模面根据如下公式建立：

其中，S为滑模面，λ为滑模面参数；