微陀螺仪神经网络动态PID全局滑模控制方法

摘要

本发明公开了一种微陀螺仪神经网络动态PID全局滑模控制方法，神经网络动态PID全局滑模控制系统由动态PID全局滑模控制器和神经网络不确定估计器构成，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。本发明在滑模面的设计中引入积分项来抑制稳态误差和增强鲁棒性，并且动态滑模控制可以减少抖振现象，因此，PID全局滑模和动态滑模的结合可以同时发挥各自的优点，提高滑模控制系统的瞬态特性和鲁棒性并减少滑模变结构控制中存在的抖振。

主权项

微陀螺仪神经网络动态PID全局滑模控制方法，其特征在于，包括如下步骤：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)建立神经网络动态PID全局滑模控制器，基于神经网络动态PID全局滑模控制设计控制律，将其作为微陀螺仪的控制输入，包括如下步骤：3‑1)设计PID全局滑模面S(t)为：$S\left(t\right)=\stackrel{·}{e}+{\lambda }_{1}e+{\lambda }_2{\int }_0^{t}e\left(\tau \right)\mathrm{d\tau }-f\left(t\right)$其中，e为跟踪误差，e＝q‑q_m，q为微陀螺仪的运动轨迹，q_m为微陀螺仪的理想运动轨迹，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，k为常数；3‑2)设计动态PID全局滑模面ζ(t)为：$\zeta \left(t\right)=\stackrel{·}{S}\left(t\right)+{\lambda }_{3}S\left(t\right)+{\lambda }_4{\int }_0^{t}S\left(\tau \right)\mathrm{d\tau }$其中，λ₃，λ₄为滑模系数；3‑3)设计神经网络动态PID全局滑模控制律使微陀螺仪实际轨迹跟踪上理想轨迹，控制律设计为：$U_{\mathrm{qs}}^{\mathrm{RBFDGSMC}}={\int }_0^t{\stackrel{·}{U}}_{\mathrm{qs}}^{\mathrm{RBFDGSMC}}\left(\tau \right)\mathrm{d\tau }---\left(6\right)$$\begin{array}{c}{\stackrel{·}{U}}_{\mathrm{qs}}^{\mathrm{RBFDGSMC}}={\stackrel{···}{q}}_m-\stackrel{·}{H}\left(t\right)-M·\mathrm{Kq}+\mathrm{MU}+K\stackrel{·}{q}-\stackrel{··}{f}\left(t\right)\\ +p_1\psi \left(t\right)+p_2\stackrel{·}{e}+p_{3}e+p_4{\int }_0^{t}e\left(\tau \right)\mathrm{d\tau }-{\lambda }_3\stackrel{·}{f}\left(t\right)-{\lambda }_{4}f\left(t\right)+\hat{\Phi }+K_v\zeta \left(t\right)\end{array}---\left(7\right)$其中：p₁＝(λ₁+λ₃)，p₂＝(λ₂+λ₁λ₃+λ₄)，p₃＝(λ₂λ₃+λ₁λ₄)，p₄＝(λ₂λ₄),K_v为正常数；是动态PID全局滑模控制系统中的不确定项，是Φ的估计值，为RBF神经网络的输出；4)基于lyapunov函数理论，设计自适应律，验证所述神经网络动态PID全局滑模控制器的稳定性。