终都能收敛于确定的常数，进一步证明了系统的稳定性。仿真结果验证了 本发明方法的有效性。
[0218] 以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该 了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原 理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进 都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界 定。
【主权项】
1. 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：其中，ei为跟踪误差，e X ^qd, X1= q为微陀螺仪的运动轨迹，qd为微陀螺仪的理想 运动轨迹，，e2= X2-Ci1, a:为虚拟控制量，f(t)是为了达到全局滑模面而设计的 函数，A p A2为滑模系数； 3-2)、设计反演全局滑模控制律uB(：SMe，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设 计为：其中：P彡E+I，I是一个任意小的正常数； 3-3)、用RBF神经网络的输出6 =仏勿z)逼近陀螺仪系统的未知动态r(z) =-MX2-KX1，设计基于神经网络的反演全局滑模控制律uBSSM?N，使微陀螺仪实际轨迹跟踪上 理想轨迹，控制律设计为：其中：6 =丨f>(z)是?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，巾（X) = [(J)1(X),巾2 (X)…<i)n (X)]T是高斯基函数； 3-4)、由于P未知，用模糊系统的输出A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uBFSSMeNN，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= 0Tit+ 〇, 〇是误差，在理想模糊参数下，模糊系 统的误差最小，。一致有界，I。I彡。b，％为。的上界，I是h的估计值，为模糊控制系 统的输出； 4) 、基于Iyapunov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。2. 根据权利要求1所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： Xd=AiSin(Wit),yd=A2sin(w2t) 其中，xd、yd分别是微陀螺仪在x轴和y轴方向上的运动轨迹，wp?2分别是微陀螺仪 在X轴和y轴方向上的振动频率，W1^W2，且都不为零,A^A2分别为微陀螺仪在X轴和y轴 方向上的振幅，t是时间；3.根据权利要求2所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2)中，建立微陀螺仪的无量纲动力学方程具体过程为， 2-1)、考虑到制造缺陷和加工误差，实际微陀螺仪的集总参数数学模型为：其中，m是质量块的质量，x，y是质量块在微陀螺仪旋转系中的笛卡尔坐标，dxx，dyy分 别是X轴和y轴的阻尼系数，kxx，kyy分别是X轴和y轴的弹簧系数，dxy，kxy分别是耦合的阻 尼系数和耦合的弹簧系数，ux，Uy是两轴的控制输入，Qz是角速度；以质量块质量m，两轴固有频率w。的平方w。2和参考长度q。，得到微陀螺仪的无量纲动力学 方程的向量形式如下：2-3)、为了计算方便，重新用q代替q%用t代替t%用D代替D%用K代替K%用u代替u%用Q代替Q%得到：其中，M=D+2Q，d为外部干扰，并设d有界I|d|彡E。4. 根据权利要求3所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3-1)中，定义PID全局滑模面为：其中，h，A2是正常数，f(t)是为了达到全局滑模面而设计的函数，f(t)函数满足， 以下3个条件： &、/(0) = &+?%;. b、t- 00 时，f⑴一O; c、f(t)具有一阶导数； 其中，e。是跟踪误差的初始值，c为常数， 所以将f(t)设计为：f(t) =f(0)ekt，k为常数。5. 根据权利要求4所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3-2)中，采用反演全局滑模控制 基于反演技术的特点，首先对MEMS陀螺仪无量纲模型进行等效变换，定义变量：式中，r(z)代表了陀螺仪系统的未知动态。r(z) = -MX2-KX1 (10) 对陀螺仪模型设计反演全局滑模控制器可以分解为如下两个步骤： 第一步：设计虚拟控制律，使得实际振动轨迹跟踪上参考轨迹定义跟踪误差为：对第一个跟踪误差子系统（7)选取一个Lyapunov候选函数：第二步：设计真正的控制律 X2不是控制输入，是一个系统变量，一般不满足X2=ai，为此要引入一个误差变量， 期望通过控制的作用，使得X2能够渐进逼近上虚拟控制量ai，从而实现整个系统的渐进稳 定，定义两者之间的偏差为：6. 根据权利要求5所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3-3)中，将未知函数?被参数化为一个理想的RBF神经网络输出与 有界的网络重构误差函数：(6=WtO(X)+e，其中，W表示理想的网络实时权值，e为神经 网络重构误差。在理想网络权值下，神经网络重构误差最小，e-致有界，IeI<eb，eb 为e的上界。7. 根据权利要求6所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3-4)中，采用模糊控制系统估计整个全局滑模项，模糊控制系统的面S的隶属度函数为： liNM(S) =exp[-((x+10)/5)2],yz〇(S) =exp[-(x/5)2], iipM(S) =exp[-((x-10)/5)2]， 将基于神经网络的反演全局滑模模糊控制律uBresM?N设计为：8. 根据权利要求7所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（4)中Iyapunov函数V设计为：其中，#为被估计的权值向量的误差，可以表示为：r=F-i% W为理想的网络权值向量，当系统收敛，W将保持为一个常数，因此，其中，F是学习速率，#是神经网络中的实时权值向量，W为理想的网络权值向量，#是 被估计的权值向量的误差，y为正常数，可变参数的误差6=6；.-9. 根据权利要求8所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（4)中，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，包括如下过程：
【专利摘要】本发明公开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，是根据神经网络的反演全局滑模模糊控制系统由反演全局滑模控制器，神经网络动态特性估计器和模糊不确定估计器构成。全局滑模控制能克服传统滑模控制中到达模态不具有鲁棒性的缺点，加快系统响应，使系统在响应的全过程都具有鲁棒性。本方法在反演控制时通过反向设计使系统的李雅普诺夫函数和控制器的设计过程系统化，结构化。使用模糊控制逼近切换函数项，将滑模控制的切换项转化为连续的模糊控制输出，削弱了滑模控制中的抖振现象，并且有较强的自适应跟踪能力。因此提高了滑模控制系统的瞬态特性和鲁棒性，估计出微陀螺仪的未知动态特性并减少滑模变结构控制中存在的抖振。
【IPC分类】G05B13/04
【公开号】CN105045097
【申请号】CN201510274168
【发明人】储云迪, 方韵梅, 费峻涛
【申请人】河海大学常州校区
【公开日】2015年11月11日
【申请日】2015年5月26日