[发明专利]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

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。

主权项

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：3‑1)、设计反演PID全局滑模面S(t)为：其中，e1为跟踪误差，e1＝X1‑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‑α1，α1为虚拟控制量，f(t)是为了达到全局滑模面而设计的函数，λ1，λ2为滑模系数；3‑2)、设计反演全局滑模控制律uBGSMC，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为：uBGSMC=α·1-Γ(z)-e··1-λ1e·1-λ2e1+f·(t)-S||S||2e1Te2-ρS||S||---(19)]]>其中：ρ≥E+ξ，ξ是一个任意小的正常数；3‑3)、用RBF神经网络的输出逼近陀螺仪系统的未知动态Γ(z)＝‑MX2‑KX1，设计基于神经网络的反演全局滑模控制律uBGSMCNN，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为:uBGSMCNN=α·1-W^Tφ(z)-e··1-λ1e·1-λ2e1+f·(t)-S||S||2e1Te2-ρS||S||---(20)]]>其中：是Φ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，φ(x)＝[φ1(x),φ2(x)…φn(x)]T是高斯基函数；3‑4)、由于ρ未知，用模糊系统的输出逼近整个滑模项，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uBFGSMCNN，使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为：uBFGSMCNN=α·1-W^Tφ(z)-e··1-λ1e·1-λ2e1+f·(t)-S||S||2e1Te2-h^---(21)]]>其中：h是模糊系统的理想输出，h＝θTψ+σ,σ是误差，在理想模糊参数下，模糊系统的误差最小，σ一致有界，||σ||≤σb，σb为σ的上界，是h的估计值，为模糊控制系统的输出；4)、基于lyapunov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。