[发明专利]基于模型整体逼近的微陀螺仪RBF网络自适应控制方法

摘要

本发明公开了基于模型整体逼近的微陀螺仪RBF网络自适应控制方法，所述控制方法基于滤波后的追踪误差设计，控制器中包含比例微分项和RBF神经网络项。RBF神经网络逼近微陀螺仪系统的未知函数，其权值的更新算法基于Lyapunov稳定性理论设计，保证系统全局稳定性。更新算法中加入的鲁棒项，保证控制输入的有界性，比例微分控制项使最终追踪误差维持任意小范围。本发明的控制方法能够在不需要知道微陀螺仪的结构或非结构参数以及存在外界干扰的情况下，对微陀螺仪系统实现高精度的追踪控制，同时提高系统的鲁棒性和可靠性。

主权项

基于模型整体逼近的微陀螺仪RBF网络自适应控制方法，其特征在于：包括以下步骤：(1)、建立微陀螺仪的滤波误差模型；(2)、设计控制器结构；(3)、基于Lyapunov稳定性理论设计RBF网络权值的自适应算法；建立微陀螺仪的滤波误差模型；微陀螺仪控制系统的目标是使微陀螺仪的振动轨迹q，跟踪上给定的参考轨迹qd，追踪误差由此定义为e(t)＝qd(t)‑q(t)，滤波后的追踪误差为Λ＝ΛT＞0，是一个控制器设计参数，基于r改写微陀螺仪的动力学模型为：Mr·=-Dr-τ+f(x)-τd]]>式中，M,D,f(x)均为控制系统的未知项，x为控制系统中可测量到的信号；τ表示控制输入；τd为外界干扰作用，控制方法即基于此微陀螺仪的滤波误差模型设计，保证误差r最终有界，并收敛于一较小范围内；所述的RBF网络的输入为控制系统中可测量的信号其中e,分别为追踪误差及其导数，qd,分别为参考轨迹及其各阶导数；设计控制器结构，控制方法设计的控制输入为：τ=f^(x)+Kvr]]>式中，为未知的微陀螺仪函数f(x)的估计值，即为RBF网络的输出，利用神经网络强大的非线性映射和逼近能力在线实时估计其真值，即为比例微分控制项；所述的RBF网络为三层结构：输入层，隐层和输出层，输入层接受控制系统中的可测量信号输入x；隐层采用高斯基函数计算非线性映射后的输出；输出层通过加权各隐层节点的输出得到整个RBF网络的输出，RBF网络的中心向量和基宽根据先验知识确定，设计为固定值，控制系统运行过程中不变化，而权值在线实时更新，基于此，RBF网络模型描述为y＝WTφ(x)式中，W为RBF网络的可调权值，φ(x)为RBF网络隐层节点输出向量，由于中心向量和基宽固定，φ(x)即为已知信号；基于RBF网络的逼近能力，作此般假设：存在一组最优权值W*，使得当RBF网络的输入x属于一紧集S时，RBF网络能够逼近非线性函数f(x)，最优权值下的网络逼近误差ε有界f(x)＝W*Tφ(x)+ε(x)式中，||ε(x)||≤εN，εN为正常数；最优权值有界||W*||F≤WB，WB为正常数，||·||F表示矩阵的F范数，故利用RBF网络在线实时逼近f(x)，实际就是设计可调的网络权值W的自适应算法，使得W能够逼近最优权值W*，假设最优权值W*的估计值为RBF网络输出为：f^(x)=W^Tφ(x)]]>控制输入变为：τ=W^Tφ(x)+Kvr]]>将此控制输入带入微陀螺仪模型得新的闭环系统方程为：Mr·=-(Kv+D)r+w~Tφ(x)+(ϵ-τd)]]>式中，为权值估计误差，至此，得到了所述的控制器的结构和闭环误差方程，基于Lyapunov稳定性理论设计RBF网络权值的自适应算法，形式如下：W^·=Fφ(x)rT-γF||r||W^]]>式中，F为增益矩阵，r为滤波后的追踪误差，F＝FT＞0为权值调整的增益矩阵，γ为大于0的任意值，上式中的自适应算法能够保证滤波后的追踪误差r(t)和权值估计值最终有界，自适应算法基于利亚普诺夫稳定性理论设计，保证控制系统的全局稳定性，同时，通过比例微分控制项Kv，可以使得滤波后的追踪误差r(t)维持到任意小范围，式中的自适应算法中的第一项是基于lyapunov稳定性理论推导出的误差反传算法，而第二项是加入的鲁棒项，用来保证权值的有界性，从而保证控制输入的有界性。