基于神经网络状态观测器的微陀螺仪反演控制方法技术

本发明专利技术公开了一种基于神经网络状态观测器的微陀螺仪反演控制方法，包括微陀螺仪及神经网络状态观测器和反演控制器，以Z轴微陀螺仪XY轴方向上的位移作为状态观测器的输入，通过神经网络对微陀螺仪不确定部分进行估计，完成微陀螺仪位置和速度信号的估计；反演控制器以状态观测器所估计的信号作为输入，对微陀螺仪XY轴方向上的振动幅值和频率进行控制。本发明专利技术的基于神经网络状态观测器的微陀螺仪反演控制方法，将基于神经网络状态观测器的反演控制应用在微陀螺仪上，以提高系统的稳定性和可靠性，有效的降低了误差，控制效果较好。

【技术实现步骤摘要】

本专利技术涉及一种基于神经网络状态观测器的微陀螺仪反演控制方法，属于自动控制系统领域。
技术介绍
微陀螺仪是很常见的测量角速度的传感器，在很多领域得到应用，如导航、手机、航模以及军事制导等等。微陀螺仪是一种能够将一个轴上的能量转移到令一个轴上的装置，其原理是利用科里奥利力(即地球自转偏向力)。测量角速度的过程需要在驱动轴上加上振幅和频率都稳定的振动信号，感应轴和驱动轴出于同一平面并与驱动轴垂直，当有与驱动轴和感应轴都垂直的角速度输入时，感应轴上会感应到科里奥利力，科里奥利力的大小与角速度成正比关系。而由于机械加工的误差，驱动轴和感应轴并不完全垂直，造成两轴之间产生附加耦合。此外，机械噪声，热噪声，感测电路的噪声，微陀螺仪本身参数的偏差和外部干扰都会造成微陀螺仪的性能下降。因此，有必要对微陀螺仪采用先进的控制方法来进行控制。而众多控制方法在设计时需测量微陀螺仪的位置信号、速度信号甚至是加速度信号，难以实施。为了在微陀螺仪位置、速度信号难以获得的情况下，使微陀螺仪在驱动轴和感应轴上的振动幅值和频率稳定，各大厂商都在寻找解决办法，但一直没有找到完全解决问题的办法。
技术实现思路
为了克服在微陀螺仪位置及速度信号难以获得的情况下，对微陀螺仪的控制难以实施的问题。本专利技术提供一种基于神经网络状态观测器的微陀螺仪反演控制方法，能够对微陀螺仪的位置和速度信号进行估计，然后使用估计信号来对微陀螺仪进行控制，提高微陀螺仪性能和稳定性。为了解决上述问题，本专利技术所采用的技术方案是：基于神经网络状态观测器的微陀螺仪反演控制方法，包括以下步骤：1)建立微陀螺仪的数学模型；2)设计微陀螺仪的状态观测器，对微陀螺仪系统的状态变量进行估计；3)在所设计的状态观测器中，采用RBF神经网络来逼近未知函数fm，得到基于RBF神经网络的状态观测器的输出，作为微陀螺仪的状态变量；4)设计鲁棒项；5)基于Lyapunov理论设计RBF神经网络权值的自适应律，确保所设计的基于RBF神经网络的状态观测器的稳定性；6)设计反演控制器，将其输出作为微陀螺仪的控制输入；7)设计Lyapunov函数，确保所设计的反演控制器的稳定性；8)基于Lyapunov理论验证基于RBF神经网络状态观测器的微陀螺仪反演控制器的稳定性。前述的步骤1)中微陀螺仪的数学模型的状态方程形式为： X · = AX + Bu Y = C T X - - - ( 1 ) ]]>其中， X = x x · y y · ]]>为微陀螺仪系统的状态变量， Y = x y ]]>为微陀螺仪系统的输出， A = 0 1 0 0 - ω x 2 - d xx - ω xy - ( d xy - 2 Ω z ) 0 0 0 1 - ω xy 本文档来自技高网...

【技术保护点】
基于神经网络状态观测器的微陀螺仪反演控制方法，其特征在于，包括以下步骤：1)建立微陀螺仪的数学模型；2)设计微陀螺仪的状态观测器，对微陀螺仪系统的状态变量进行估计；3)在所设计的状态观测器中，采用RBF神经网络来逼近未知函数fm，得到基于RBF神经网络的状态观测器的输出，作为微陀螺仪的状态变量；4)设计鲁棒项；5)基于Lyapunov理论设计RBF神经网络权值的自适应律，确保所设计的基于RBF神经网络的状态观测器的稳定性；6)设计反演控制器，将其输出作为微陀螺仪的控制输入；7)设计Lyapunov函数，确保所设计的反演控制器的稳定性；8)基于Lyapunov理论验证基于RBF神经网络状态观测器的微陀螺仪反演控制器的稳定性。

【技术特征摘要】
1.基于神经网络状态观测器的微陀螺仪反演控制方法，其特征在于，包括以下步骤：
1)建立微陀螺仪的数学模型；
2)设计微陀螺仪的状态观测器，对微陀螺仪系统的状态变量进行估计；
3)在所设计的状态观测器中，采用RBF神经网络来逼近未知函数fm，得到基于RBF
神经网络的状态观测器的输出，作为微陀螺仪的状态变量；
4)设计鲁棒项；
5)基于Lyapunov理论设计RBF神经网络权值的自适应律，确保所设计的基于RBF神经
网络的状态观测器的稳定性；
6)设计反演控制器，将其输出作为微陀螺仪的控制输入；
7)设计Lyapunov函数，确保所设计的反演控制器的稳定性；
8)基于Lyapunov理论验证基于RBF神经网络状态观测器的微陀螺仪反演控制器的稳定
性。
2.根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征
在于，所述步骤1)中微陀螺仪的数学模型的状态方程形式为：
X . = AX + Bu Y = C T X - - - ( 1 ) ]]>其中， X = x x . y y . ]]>为微陀螺仪系统的状态变量， Y = x y ]]>为微陀螺仪系统的输出，
A = 0 1 0 0 - ω x 2 - d xx - ω xy - ( d xy - 2 Ω z ) 0 0 0 1 - ω xy - ( d xy + 2 Ω z ) - ω y 2 - d yy , B = 0 0 1 0 0 0 0 1 , u = u x u y , ]]> C T = 1 0 0 0 0 0 1 0 ; ]]>x,y代表微陀螺仪在x、y轴方向上的位移，ux,uy代表微陀螺仪在x、y轴方向上的控
制输入，dxx，dyy为微陀螺仪在x、y轴方向的弹性系数，ωx、ωy为微陀螺仪在x、y轴
方向的阻尼系数，dxy、ωxy是由于加工误差等引起的耦合参数，m为微陀螺仪质量块的质

\t量，Ωz为质量块自转的角速度，
上述表达式中，dxx，dxy，dyy，Ωz，ωx，ωxy，ωy均为无量纲项；
考虑到系统存在参数不确定性和外界干扰的影响，微陀螺仪的状态方程可以写成如下形
式：
X . = AX + Bu + B ( f m + d u ) - - - ( 4 ) ]]>其中，函数fm，du满足：
ΔAX＝Bfm                           (3)
d(t)＝Bdu其中，ΔA为系统参数的不确定性，d(t)为外部干扰。
3.根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征
在于，所述步骤2)中，微陀螺仪的状态观测器设计为：
X ^ . = A X ^ + B [ f ^ m + u - v ] + G ( Y - C T X ^ ) Y ^ = C T X ^ - - - ( 5 ) ]]>其中，为状态变量X的估计值，G为状态观测器的增益向量，为非线性函数fm的估计值，v为状态观测器中的鲁棒项，为微陀螺仪的输出Y的估计值；
定义 X ~ = X - X ^ , Y ~ = Y - Y ^ , f ~ = f m - f ^ m ]]>得到状态观测器误差方程：
X ~ . = ( A - G C T ) X ~ + B ( f ~ m + d u + v ) Y ~ = C T X ~ - - - ( 8 ) ]]>对状态观测器误差方程式(8)进行Laplace变换得到：
Y ~ ( S ) = C T B S - ( A - G C T ) ( f ~ m + d u + v ) - - - ( 10 ) ]]>定义 H ( S ) = C T B S - ( A - K C T ) , ]]>则 Y ~ ( S ) = H ( S ) ( f ~ m + d u + v ( t ) ) ]]>4.根据权利要求1所述的基于神经网络状态观测器的微陀螺仪反演控制方法，其特征

\t在于，所述步骤3)中，采用RBF神经网络来逼近未知函数fm，得到fm的RBF神经网络估
计值为：
f ^ m = W ^ T σ ( X ^ ) - - - ( 12 ) ]]>其中，为神经网络权值W的估计值，σ(X)为RBF神经网络的高斯基函数，
则，基于RBF神经网络的状态观测器的输出为：
X ^ . = A X ^ + B [ W ^ T σ ( X ^ ) + u - v ] + G ( Y - C T X ^ ) Y ^ = C T ...

【专利技术属性】
技术研发人员：卢成，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：江苏;32