[发明专利]基于平行估计模型的MEMS陀螺仪复合学习控制方法

说明书

本发明公开了一种基于平行估计模型的MEMS陀螺仪复合学习控制方法，用于解决现有MEMS陀螺仪模态控制方法实用性差的技术问题。技术方案是首先根据平行估计模型和动力学模型构建神经网络预测误差，结合跟踪误差，设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计；同时由于系统处于滑动模态时，对参数不确定和外界干扰不敏感，设计滑模控制器，实现未知动力学的前馈补偿。本发明通过设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计。结合滑模控制理论，实现对MEMS陀螺未知动力学的前馈补偿，进一步提高MEMS陀螺仪的控制精度，实用性好。

技术领域

本发明涉及一种MEMS陀螺仪模态控制方法，特别涉及一种基于平行估计模型的MEMS陀螺仪复合学习控制方法。

背景技术

MEMS陀螺仪由于其体积小、功耗低、成本低、容易与处理电路集成等优点，广泛应用于各种角运动测量领域。为保证其测量精度，要求MEMS陀螺仪检测质量块必须沿着驱动方向以驱动轴的固有频率做恒幅振动。然而，由于环境因素变化和陀螺制造缺陷的影响，常规PID控制无法实现MEMS陀螺仪的高精度控制，导致陀螺产生严重漂移。

随着非线性控制技术的发展，Park S等人将非线性控制理论引入MEMS陀螺仪控制，弱化驱动模态与检测模态的界限，对驱动轴和检测轴均施以反馈控制力，使两个轴向的模态运动跟踪指定的正弦参考轨迹，进而有效提高MEMS陀螺仪的控制精度。

《Adaptive global sliding mode control for MEMS gyroscope using RBFneural network》(Yundi Chu and Juntao Fei，《Mathematical Problems inEngineering》，2015)一文采用RBF神经网络学习MEMS陀螺动力学的不确定项，再利用全局滑模方法对不确定及干扰进行补偿。这种方法虽然实现了不确定未知情况下的MEMS陀螺控制，但由于违背了神经网络逼近不确定的本意，针对实际应用中，环境不稳定导致MEMS陀螺仪未知动力学动态变化的情况，难以实现有效动态估计。

发明内容

为了克服现有MEMS陀螺仪模态控制方法实用性差的不足，本发明提供一种基于平行估计模型的MEMS陀螺仪复合学习控制方法。该方法首先根据平行估计模型和动力学模型构建神经网络预测误差，结合跟踪误差，设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计；同时由于系统处于滑动模态时，对参数不确定和外界干扰不敏感，设计滑模控制器，实现未知动力学的前馈补偿。本发明根据平行估计模型和动力学模型构建神经网络预测误差，结合跟踪误差，设计神经网络权值的复合自适应律，修正神经网络的权重系数，实现未知动力学的有效动态估计。结合滑模控制理论，实现对MEMS陀螺未知动力学的前馈补偿，进一步提高MEMS陀螺仪的控制精度，实用性好。

本发明解决其技术问题所采用的技术方案：一种基于平行估计模型的MEMS陀螺仪复合学习控制方法，其特点是包括以下步骤：

(a)考虑正交误差的MEMS陀螺仪的动力学模型为：

其中，m为检测质量块的质量；Ω_z为陀螺输入角速度；为静电驱动力；x^*分别是MEMS陀螺仪检测质量块沿驱动轴的加速度，速度和位移；y^*分别是检测质量块沿检测轴的加速度，速度和位移；d_xx，d_yy是阻尼系数；k_xx，k_yy是刚度系数；d_xy是阻尼耦合系数，k_xy是刚度耦合系数。

为提高机理分析准确度，对MEMS陀螺动力学模型进行无量纲化处理。取无量纲化时间然后在式(1)两边同时除以参考频率的平方参考长度q₀和检测质量块质量m，得到MEMS陀螺的无量纲化模型为