基于RBF神经网络滑模控制微陀螺仪的方法

摘要

本发明公开了的一种基于RBF神经网络滑模控制微陀螺仪的方法，将切换函数作为RBF神经网络的输入，滑模控制器作为RBF网络的输出，利用神经网络的学功能，可实现单入单出的神经滑模控制，并综合滑变结构控制、自适应算法以及RBF神经网络的优点，能够达到控制效果。自适应算法根据可达条件实时在线调整RBF神经网络连接权值，从而使得系统最终到达滑模面，完成跟踪，还能够自适应滑模控制策略能够及时的修正和估计所有的硬性错误，阻尼等，通过Lyapunov稳定性定理可知所提出的自适应滑模控制器的稳定性是存在的，系统的鲁棒性较好，还对三维微陀螺仪的数字仿真证明本发明控制微陀螺仪的方法的有效性。

主权项

基于RBF神经网络滑模控制微陀螺仪的方法，其特征在于：利用RBF神经网络滑模对微陀螺仪的进行控制，包括以下步骤，步骤（1），建立理想的动力学模型设动力学模型的输出为q_m，其中$q_m={\left[\begin{array}{ccc}{x}_m& y_m& z_m\end{array}\right]}^T$为三个方向上的陀螺仪的位移，控制目标是保持惯性质量在x,y,z坐标轴方向上以给定的频率摆动，振幅为x_m＝A₁sin(ω₁t),y_m＝A₂sin(ω₂t),z_m＝A₃sin(ω₃t).；步骤（2），建立微陀螺仪系统动力学模型建立微陀螺仪的状态空间模型方程其中，$q={\left[\begin{array}{ccc}x& y& z\end{array}\right]}^T$为滑模控制输出的是x、y、z方向上轨迹，$D=\left[\begin{array}{ccc}{d}_{\mathrm{xx}}& d_{\mathrm{xy}}& d_{\mathrm{xz}}\\ d_{\mathrm{xy}}& d_{\mathrm{yy}}& d_{\mathrm{yz}}\\ d_{\mathrm{xz}}& d_{\mathrm{yz}}& d_{\mathrm{zz}}\end{array}\right]$分别是x、y、z方向上的阻尼项，$k_b=\left[\begin{array}{ccc}{{\omega }_x}^2& {\omega }_{\mathrm{xy}}& {\omega }_{\mathrm{xz}}\\ {\omega }_{\mathrm{xy}}& {{\omega }_y}^2& {\omega }_{\mathrm{yz}}\\ {\omega }_{\mathrm{xz}}& {\omega }_{\mathrm{yz}}& {{\omega }_z}^2\end{array}\right]$为参考频率系数，$\Omega =\left[\begin{array}{ccc}0& -{\Omega }_z& {\Omega }_y\\ {\Omega }_z& 0& -{\Omega }_x\\ -{\Omega }_y& {\Omega }_x& 0\end{array}\right]$分别是x、y、z方向上的角速度，u为控制器；步骤（3），建立RBF神经网络的所需的切换函数设被控对象为：$\left\{\begin{array}{c}{\stackrel{.}{x}}_1=x_2\\ {\stackrel{.}{x}}_2=f\left(t\right)+\mathrm{bu}+u_d\end{array}\right.---\left(1\right)$其中，u_d为外界干扰信号，b为单位矩阵，u为控制器，设被控对象的位置指令为r(t)，切换函数表示为：$s\left(t\right)=\mathrm{\lambda e}\left(t\right)+\stackrel{.}{e}\left(t\right)---\left(2\right)$其中e(t)＝r(t)‑x₁,λ为正常数；步骤（4），建立RBF神经网络的权值调整函数权值调整函数为$d{\omega }_j=\mathrm{\gamma s}\left(t\right)\exp (-\frac{{\left|\right|s-c_j\left|\right|}^2}{b_j})=\mathrm{\gamma s}\left(t\right)h_j\left(s\right)---\left(3\right)$式中γ＝b·η，η为自适应律参数，s(t)为步骤（3）所建立的切换函数，为高斯函数，c_j为高斯函数的中心向量，b_j为高斯函数标准化常数，s为切换函数；步骤（5）基于RBF神经网络的滑模方法控制微陀螺仪利用步骤（1）和步骤（2）建立状态空间的模型计算出跟踪误差e＝q‑q_m，并将跟踪误差e通过步骤（3）建立的切换函数作为RBF神经网络的滑模控制器的输入，以及配合步骤（4）建立RBF神经网络的权值调整函数$d{\omega }_j=\mathrm{\gamma s}\left(t\right)\exp (-\frac{{\left|\right|s-c_j\left|\right|}^2}{b_j})=\mathrm{\gamma s}\left(t\right)h_j\left(s\right),$实时控制微陀螺仪的轨迹。