微陀螺仪自适应神经网络全局滑模控制方法

摘要

本发明公开了一种微陀螺仪的自适应神经网络全局滑模控制方法。首先，在全局滑模控制器的基础上设计了一种新型的自适应辨识方法，在线实时更新微陀螺仪的角速度和其它系统参数的估计值，然后利用自适应神经网络系统输出动态调节滑模控制切换项中的切换增益以逼近系统不确定性和外部干扰的上界，将滑模控制的切换项转化为连续的神经网络输出，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。本发明的自适应算法基于Lyapunov方法设计，从而保证微陀螺仪轨迹追踪上理想模型以及系统的全局渐进稳定性，使得辨识器的各项估计值输出都能够渐近收敛到各自的真值。

主权项

微陀螺仪的自适应神经网络全局滑模控制方法，其特征在于，包括如下步骤：1)建立微陀螺仪的理想动力学方程；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，并转化为状态空间形式；3)建立微陀螺仪的神经网络全局滑模控制系统，基于神经网络全局滑模控制设计控制律，将其作为微陀螺仪的控制输入，对微陀螺仪进行控制，包括如下步骤:3‑1)定义跟踪误差e为e＝X‑X_m        (7)X为微陀螺仪运动轨迹，X_m为微陀螺仪理想运动轨迹；3‑2)设计全局动态滑模面s为：$s=\stackrel{·}{e}+\mathrm{Ce}-f\left(t\right),$令$\stackrel{·}{e}-f\left(t\right)=f_e\left(t\right),$则s＝Ce+f_e(t)其中，f(t)是为了达到全局滑模面而设计的函数，f(t)＝f(0)e^‑kt，C为滑模系数，k为常数；3‑3)假设微陀螺仪的状态方程中不确定和外部干扰项f_m(t)存在上界使用RBF神经网络逼近不确定和外部干扰项的上界得到不确定和外部干扰项的上界的估计值为：$\hat{\bar{\rho }}={\hat{\omega }}^T\phi \left(x\right)$其中，为神经网络权重向量的估计值，φ(x)是高斯函数；3‑4)设计神经网络全局滑模控制律使微陀螺仪实际轨迹跟踪上理想轨迹：其中，K为参数矩阵K^*的估计值，A_m为微陀螺仪理想状态方程的系数矩阵，B为微陀螺仪状态方程的系数矩阵；4)基于lyapunov函数理论，设计参数矩阵和神经网络权重向量的自适应律，使控制系统进行在线更新，确保自适应神经网络全局滑模控制系统的渐进稳定性。