Minimal-Learning-Parameter技术基于MEMS陀螺仪的自适应神经滑模控制

文摘

探讨一种自适应神经滑模控制器与minimal-learning-parameter MEMS陀螺仪的技术。考虑到系统在动态不确定性,神经网络用于逼近。Minimal-learning-parameter构造技术减少更新参数,并以这种方式大大减少计算负担。滑模控制设计取消时变干扰的影响。通过李雅普诺夫方法建立了闭环稳定性分析。提出了仿真结果证明了该方法的有效性。

1。介绍

最近,MEMS陀螺仪已经吸引了越来越多的关注,因为他们打算采用先进控制方法实现轨迹跟踪和处理系统参数不确定性和干扰。这些智能控制方法提高陀螺仪的性能,因此,MEMS陀螺仪的应用扩大。蓬勃发展的非线性系统控制方法(1- - - - - -8),各种各样的陀螺模态控制方法出现了。

在[9,10),提出了一个自适应操作策略控制微机电系统设在陀螺仪,它提供了一个更大的业务带宽,没有零利率输出,自校准和大型健壮性参数变化引起的制造缺陷和环境条件。在[11,12),提出了滑模控制来处理振动质量证明,而达到更好的估计未知的角速度比传统的模型参考自适应控制器的反馈。自那时以来,监管存在重大不确定性,提出了基于模型和non-model-based滑动模控制方法来提高跟踪控制的振动陀螺仪的驱动和感觉模式(13]。在[14),一个自适应跟踪控制器比例和积分滑动面。

神经网络有一个固有的学习能力和近似非线性函数(15,16),可以用于非结构化的不确定性。因此,一种自适应控制策略使用径向基函数(RBF)网络/模糊逻辑系统补偿器提出了MEMS陀螺仪的鲁棒跟踪模型不确定性和外部干扰的存在这样的系统非线性进行补偿,提高跟踪性能(17- - - - - -19]。然而,在实际应用中,大量的更新参数在线学习的计算负担。在[20.),minimal-learning-parameter技术进一步纳入高增益观测器在线计算负担将大大降低。

受上述讨论设计智能控制器和减少网络参数,本文将重点构建MEMS陀螺仪的新控制方案抑制系统参数不确定性和干扰。本文的主要贡献是,一个单一的参数是用来取代权重矩阵,大大减少了计算负担。

本文的结构组织如下。部分2制定MEMS陀螺仪的动力学。部分3研究了神经网络的集总参数的不确定性。节4,一种自适应神经滑模控制策略使用minimal-learning-parameter技术设计和稳定性分析进行了探讨。研究了数值模拟来验证该方法的优越性5。结论给出了部分6。

2。问题公式化

2.1。MEMS陀螺仪的动力学

如图1显示,理想的MEMS陀螺仪是一个quality-stiffness-damping系统。考虑到机械耦合引起的制造缺陷,MEMS陀螺仪的动力学可以表示为 在哪里代表质量的证据质量,代表输入角速度,和代表系统广义坐标,和代表阻尼项,代表非对称阻尼项,和代表春天,代表春天不对称条件,和代表的控制力量。

在(1),受大气压力和弹簧阻尼术语条款受环境温度的影响。这意味着 在哪里 ,是MEMS陀螺仪的阻尼项在正常大气压力, ,是春天的MEMS陀螺仪在室温环境下, ,阻尼系数的偏差是由于大气压力的变化,然后呢,,阻尼系数的偏差是由于环境温度的变化。

两边的1)通过引用质量、参考频率和参考长度动力学可以派生 在哪里 , , , , 。

定义新的参数 , , , , , 。

然后,(3)具有以下形式: 在哪里 和 , , , 。

与外部扰动引起的复合动作,(4)所取代 在哪里外部扰动和吗 。

定义集总参数的不确定性 方程(5)可以写成 在哪里 和 。

备注1。为了使MEMS陀螺仪中描述的不确定性(6)控制,必须有未知矩阵适当的维度G,H,这样 , , 。和是选为 。

2.2。控制目标

本文的控制目标是设计一个控制器来控制这个职位和速度到所需的轨迹 和 。此外,minimal-learning-parameter技术进一步纳入集总参数估计的不确定性 。

3所示。RBF神经网络的简要描述

建立神经网络近似集总参数的不确定性 ,它可以表示为 在哪里 是可调参数矩阵, 是一个非线性向量函数的输入,和RBF的形式 在哪里是一个维向量代表的中心基函数,是代表传播的基函数的方差。

假设最优权重参数;参数不确定性可以reexpressed 在哪里RBF神经网络的最佳估计误差和 。

因此,估计误差可以写成 在哪里 。

4所示。自适应滑模控制与Minimal-Learning-Parameter技术

定义了系统跟踪误差 选择滑模函数 在哪里赫维茨条件感到满意。

的导数是 定义 和估计误差 ,在那里的估计是。

假设 ;根据(14),控制器可以设计成 在哪里 , ,阿达玛产品项目,是一个健壮的项目。

备注2。与传统的结果相比MEMS控制(15- - - - - -17],本文minimal-learning-parameter技术是用于控制器设计来减少计算负担。

备注3。当强时变干扰存在时,边界层比以前更大,估计错误增加。

单参数的自适应律可以设计成 在哪里 和 。

一种自适应项目被用来估计,估计误差 。自适应律是选为 在哪里 和 。

替代(15)(14):

定理4。考虑到非线性系统(7与参数不确定性和干扰),如果控制器(15)和更新法(16)和(17)设计,然后闭环系统所有信号的有界性包括(19)可以得到保证。

证明。李雅普诺夫函数被选中 李雅普诺夫函数的导数 用(16)和(17)(20.),获得下列不等式: 在哪里 和 矩阵的特征值是。此外,我们有 在哪里 。
解决方案(22)是 那么所有的信号包括在李雅普诺夫函数是有界的。这个结论的证明。

备注5。在实际应用中,高频开关控制信号的MEMS陀螺仪导致严重的嚷嚷起来。因此,饱和函数是用来取代符号函数在(15)。饱和函数的形式 在哪里是一个积极的常数。

5。数值模拟

在本节中,上述控制方案的MEMS陀螺仪是模拟,设计的控制器(15)和自适应法律提出了(16)和(17)。

MEMS陀螺仪的参数如下:

自证明质量范围的位置范围内的亚毫米波和自然频率通常是在赫兹的范围,参考长度是假定 假设和参考频率 。

假设参考轨迹 , , , ,分别。

然后其他仿真参数设置为

并选择系统的初始状态值。基函数对网络的中心是一致的和传播的基函数 。神经网络节点的数量被选为256年。自适应信号呈现在图2和控制输入如图3。如图4,系统使用自适应神经网络滑模控制和minimal-learning-parameter技术可以很好地跟踪参考信号。位置跟踪误差和速度跟踪误差图所示5。通过MEMS陀螺仪的跟踪模拟,该方法具有令人满意的性能。

6。结论

本文提出了一种自适应神经网络滑模控制策略,以补偿参数不确定性和外部干扰的MEMS陀螺仪。基于李雅普诺夫判据,系统的稳定性是保证。minimal-learning-parameter技术,在线计算负担明显减少了。数值模拟验证新型控制方案可以很好地跟踪参考轨迹,与传统的自适应神经网络滑模控制方案。因此,本文提出的控制方案可能会迫使大众沿着参考轨迹,以便MEMS陀螺仪的性能改善。

为未来的工作,更有效的学习方法(21- - - - - -25)将测试动力而实现真正的系统将进行分析。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由陕西省工业科技重点项目(批准号2016 gy - 070)和陕西的教育部重点项目(批准号2016 js017)。

引用

1. m·陈和通用电气,”自适应神经与未知的不确定非线性系统的输出反馈控制滞后利用扰动观测器,”IEEE工业电子产品,卷62,不。12日,第7716 - 7706页,2015年12月。视图:谷歌学术搜索
2. 张b, d . Wang y, z,”罗伯特基于神经控制灵活的高超音速飞行器考虑风的影响,“IEEE工业电子产品卷,页没有。99年,p . 2017。视图:出版商的网站|谷歌学术搜索
3. 许,“综合学习限定时间控制应用程序来表演,”IEEE系统,人,和控制论:系统卷,页没有。99年1 - 10,2017页。视图:出版商的网站|谷歌学术搜索
4. G.-X。温,c·l·陈,Y.-J。刘,刘z”神经元网络自适应头目共识控制二阶非线性多智能体系统”专业控制理论和应用程序,9卷,不。13日,1927 - 1934年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
5. c·杨,x, y, z . Li和c·苏,“遥操作控制基于波变量和神经网络的结合,“IEEE系统,人,和控制论:系统卷,页没有。99年1 - 12,2016页。视图:出版商的网站|谷歌学术搜索
6. 江c·杨,y, z, w .他和彭译葶。苏,”神经控制与保证全球稳定和运动精度,用双手的机器人”IEEE工业信息,13卷,不。3、1162 - 1171年,2016页。视图:出版商的网站|谷歌学术搜索
7. l·c·杨x Wang程,h·马”Neural-learning-based远程控制与保证性能,”IEEE控制论卷,页没有。99年1 - 12,2016页。视图:出版商的网站|谷歌学术搜索
8. 问:杨、美国Jagannathan和y太阳,”鲁棒神经网络和误差信号的积分控制的MIMO非线性系统,”IEEE神经网络和学习系统,26卷,不。12日,第3286 - 3278页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
9. 美国公园和r·霍洛维茨”新的MEMS陀螺仪自适应操作方式,“杂志的动态系统,测量和控制,ASME的事务,卷126,不。4、800 - 810年,2004页。视图:出版商的网站|谷歌学术搜索
10. r·p·利兰”,自适应控制的MEMS陀螺仪利用李亚普诺夫方法,”IEEE控制系统技术,14卷,不。2、278 - 283年,2006页。视图:出版商的网站|谷歌学术搜索
11. j·d·约翰和t . Vinay”小说的概念single-mass自适应控制的三轴角速率传感器,”IEEE传感器杂志》第六卷,没有。3、588 - 595年,2006页。视图:出版商的网站|谷歌学术搜索
12. 巴都尔c、t . Sreeramreddy Khasawneh,“模拟MEMS陀螺仪的滑模控制,”ISA事务,45卷,不。1,第108 - 99页,2006。视图:出版商的网站|谷歌学术搜索
13. a . Ebrahimi“监管基于模型和non-model-based MEMS振动陀螺仪的滑模控制,”机械科学与技术杂志》上,28卷,不。6,2343 - 2349年,2014页。视图:出版商的网站|谷歌学术搜索
14. 范j·c·巴都尔,“一个新颖的自适应滑模控制应用MEMS陀螺仪,”ISA事务,48卷,不。1,第78 - 73页,2009。视图:出版商的网站|谷歌学术搜索
15. F.-J。林,S.-Y。陈,K.-K。害羞的,来说“健壮的动态滑模控制使用自适应RENN磁悬浮系统,”IEEE神经网络,20卷,不。6,938 - 951年,2009页。视图:出版商的网站|谷歌学术搜索
16. t . y . l . y . Wang柴,l . f .翟”神经元网络终端滑模控制的机器人机械手,包括执行机构动力学,”IEEE工业电子产品卷,56号9日,第3304 - 3296页,2009年。视图:出版商的网站|谷歌学术搜索
17. 范j . y .杨,“自适应神经补偿方案健壮的MEMS陀螺仪的跟踪,”学报2012年IEEE国际会议系统,人,和控制论,SMC 20122012年10月,页1546 - 1551。视图:出版商的网站|谷歌学术搜索
18. y·阿萨德a沙姆西基地,j . Tavoosi”Backstepping-based复发2型模糊滑模控制对MIMO系统(MEMS三轴陀螺仪案例研究),“国际期刊的不确定性、模糊性和以知识为基础的系统,25卷,不。2、213 - 233年,2017页。视图:出版商的网站|谷歌学术搜索|MathSciNet
19. j .任x r·张,徐,“自适应模糊滑模控制MEMS陀螺仪的有限时间收敛,“杂志上的传感器卷,2016篇文章ID 1572303, 7页,2016。视图:出版商的网站|谷歌学术搜索
20. b .徐、y风扇和美国,“Minimal-learning-parameter基于技术的自适应神经控制的高超音速飞行动力学没有是转身,“Neurocomputing,卷164,不。1 - 2、201 - 209年,2015页。视图:出版商的网站|谷歌学术搜索
21. j·杨,s·李,x,“滑模控制系统不匹配的不确定性通过扰动观测器,”IEEE工业电子产品,60卷,不。1,第169 - 160页,2013。视图:出版商的网站|谷歌学术搜索
22. 徐b和f .太阳,“复合智能学习控制strict-feedback系统干扰,”IEEE控制论卷,页没有。99年1 - 12,2017页。视图:出版商的网站|谷歌学术搜索
23. 张y . m . Wang, h .你们“不确定机器人的动态学习自适应神经控制和保证全状态跟踪精度,”复杂性在出版社。视图:谷歌学术搜索
24. 罗,t·黄H.-N。吴、杨x“数据驱动的H_∞非线性分布参数系统控制,”IEEE神经网络和学习系统,26卷,不。11日,第2961 - 2949页,2015年。视图:出版商的网站|谷歌学术搜索|MathSciNet
25. b .徐张平,“综合学习flexible-link柔性臂的滑模控制,”复杂性在出版社。视图:谷歌学术搜索

版权

版权©2017本徐和Pengchao张。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。