[发明专利]基于平行估计复合学习的MEMS陀螺仪快速启动方法

摘要

本发明公开了一种基于平行估计复合学习的MEMS陀螺仪快速启动方法，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；同时依据滑模超曲面和双指数趋近律设计滑模控制器，实现未知动力学的前馈补偿，使检测质量块振动误差快速收敛，进而满足陀螺快速启动的需求。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，引入滑模超曲面和双指数趋近律设计的滑模控制器，使检测质量块振动误差快速收敛，进而满足陀螺快速启动的需求，实用性好。

主权项

1.一种基于平行估计复合学习的MEMS陀螺仪快速启动方法，其特征在于包括以下步骤：(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t^*＝ω_ot，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其中，重新定义相关系统参数为则MEMS陀螺的无量纲化模型化简为令A＝2S‑D，B＝Ω²‑K，考虑环境因素和未建模因素造成的参数波动，则式(4)表示为所述的无量纲化模型由状态变量q＝[x y]^T和控制输入u＝[u_x u_y]^T组成；其中，x，y分别为无量纲化后检测质量块沿驱动轴和检测轴的运动位移；u_x u_y分别表示无量纲化后施加在驱动轴和检测轴的力；A、B、C是模型的参数，且其值与陀螺仪的结构参数和动力学特性有关；P为模型参数不确定带来的未知动力学，且ΔA，ΔB为环境因素和未建模因素造成的未知的参数波动；(b)构造神经网络逼近有其中，X_in是神经网络的输入向量，且为神经网络的权值矩阵；θ(X_in)为M维基向量；基向量的第i个元素为其中，X_mi，σ_i分别是该高斯函数的中心和标准差，且定义最优估计参数w^*为其中，ψ是w的集合；因此，动力学模型的不确定项表示为其中，ε为神经网络的逼近误差；且不确定项的估计误差为其中，且(c)建立MEMS陀螺的动力学参考模型为其中，q_d为参考振动位移信号，为q_d的二阶导数；A_x，A_y分别为检测质量块沿驱动轴和检测轴振动的参考振幅；ω_x，ω_y分别为检测质量块沿驱动轴和检测轴振动的参考角频率；构建跟踪误差为e＝q‑q_d  (12)选取滑模超曲面其中，是跟踪误差e的一阶导数；α，β满足Hurwitz条件；m₁>n₁>0，m₂>n₂>0，且m₁，n₁，m₂，n₂都是奇数；选取双指数趋近律其中，k₁>0，k₂>0，0<a<1，b>1；对滑模超曲面式(13)求导，则结合双指数趋近律式(14)，有即考虑式(5)，滑模控制器设计为其中，K_s满足Hurwitz条件；将式(5)和式(18)代入式(17)，有将式(19)代入式(15)，有(d)定义神经网络预测误差为其中，为的估计值；由于式(5)的平行估计模型设计为其中，K_z为正定矩阵；考虑滑模函数式(13)和神经网络预测误差式(21)，设计神经网络权值的复合学习律为其中，r₁，r₂，r₃，δ为正定矩阵；(e)根据得到的控制器式(18)和复合学习权重更新律式(23)，返回到MEMS陀螺的动力学模型式(5)，对陀螺检测质量块的振动位移和速度进行跟踪控制。