一、伺服系统的基于神经元预测的模糊控制（论文文献综述）
王永涛,肖俊辰[1]（2021）在《基于改进灰色预测单神经元PID的URV伺服控制系统研究》文中进行了进一步梳理无人侦察车伺服控制系统模型很难准确建立,且传统的PID控制误差大、精度低,难以满足实际要求,提出一种序列-残差联合灰色预测单神经元PID控制器的设计方案。单神经元PID控制具有较强的自学习和自适应能力,能够提高系统的鲁棒性;变论域模糊控制则实现其模糊规则的自适应调整,动态调整控制器参数,实现算法增益;建立序列-残差联合灰色预测模型,通过对预测残差的二次预测修正,取代测量结果进行控制运算,实现对控制系统的快速、精准控制。仿真结果表明:改进灰色预测单神经元PID的无人侦察车伺服控制系统较传统的PID控制具有优良的动、静态性能指标和抗扰动能力。
于跃[2]（2021）在《高分辨遥感卫星单框架控制力矩陀螺伺服控制技术研究》文中研究说明高分辨遥感卫星广泛应用于环境监测、农业生产、地理绘制、气象预测、资源勘探和现代化军事等领域。通过提高遥感卫星姿态控制系统的敏捷性,实现遥感卫星在同一轨道周期内对同一目标完成多次推扫成像任务和缩短重访周期,进而保证高分辨遥感卫星稳定并快速的获取高质量的图像,一直是高分辨遥感卫星的研究重点之一。遥感卫星姿态控制敏捷性的提升依赖于能够稳定输出大力矩的姿态控制部件。与传统的卫星姿态控制部件如喷气部件、飞轮和双框架控制力矩陀螺相比,单框架控制力矩陀螺具有输出力矩大、重量轻、功耗低、清洁无污染、无框架锁定和机动能力强的优点。由于单框架控制力矩陀螺的输出力矩为框架角速度矢量和飞轮角动量矢量的乘积,且飞轮输出的角动量为常值。所以,单框架控制力矩陀螺输出力矩的精度完全取决于框架伺服系统控制精度,研究单框架控制力矩陀螺框架伺服系统精度对于提高输出力矩精度,从而提高卫星姿态控制精度具有重要意义。本文以长光卫星技术有限公司“控制力矩陀螺”和“青年人才托举工程”项目为依托,针对高分辨率光学遥感卫星中使用的单框架控制力矩陀螺框架伺服系统进行设计和研究。本文从电机控制、传感器精度、系统模型以及控制算法等几个方面开展研究,来提高框架伺服系统控制精度,这对于指导控制力矩陀螺系统设计、保证系统精度具有重要的意义。主要的研究工作分为以下四个方面:（1）对框架伺服系统电机模型及控制方法进行研究。首先,根据单框架控制力矩陀螺框架伺服系统要求进行电机的选型,对该电机结构和特点进行了介绍,并推导了包括电压方程、转矩方程、磁链方程和运动方程在内的数学模型。其次,对永磁同步电机空间矢量控制的坐标变换方法以及基于矢量控制策略进行脉宽调制的原理进行了介绍。最后,在Matlab/Simulink中搭建基于PI算法的框架伺服系统的仿真模型,跟踪速度的阶跃信号和正弦信号,并根据速度和电流的响应信号证明了矢量控制策略的有效性。（2）对框架伺服系统位置传感器精度进行研究。从提高SGCMG伺服系统中角位置传感器圆光栅的精度入手,提出使用单读数头加补偿算法的软件补偿方法来代替使用双读数头硬件补偿算法消除偏心误差。首先,对单框架控制力矩陀螺系统输出力矩原理进行分析,分析结果表明圆光栅传感器的测量精度会影响单框架控制力矩陀螺的输出力矩精度。其次,对圆光栅测量角度误差来源进行分析,并对安装误差中的倾斜误差和偏心误差进行理论模型推导,并开展了圆光栅标定实验,根据实验获得的误差数据和误差几何模型综合分析得到补偿模型。最后,应用软件补偿算法对单读数头采集到的角度数据进行补偿,可以将测量误差从311.18″提高到6.23″。通过对比表明,采用软件补偿后圆光栅采集精度可以达到使用双读数头硬件补偿精度。（3）通过系统辨识的方法得到框架伺服系统模型。首先,将单框架控制力矩陀螺框架伺服系统等价为二质量块模型并推导出系统传递函数的数学模型,同时提出机械谐振频率的抑制方法,并对正交相关分析法的数学模型进行介绍和分析。其次,开展系统模型辨识研究,对单框架控制力矩陀螺输入正弦扫频电流信号激励,同步记录输出的速度信号,采用正交相关分析法得到系统的幅频特性和相频特性,通过对频率特性的拟合获得系统的传递函数。最后,将拟合得到的传递函数的频率特性曲线与实验得到的频率特性曲线进行了对比,来验证辨识算法的有效性和正确性。（4）提出框架伺服系统控制算法并进行仿真和实验来验证其有效性。首先,针对伺服系统存在非理想和非线性的干扰所导致系统跟踪性能降低的问题,提出抗干扰能力强和收敛速度快的快速终端滑模控制策略,设计新型趋近律减弱滑模控制固有的抖振问题。其次,提出了神经网络自适应PID控制策略,该控制策略具有在占用尽可能少的软硬件资源的条件下使单框架控制力矩陀螺具有在轨调参功能。最后,进行软硬件设计并搭建实验平台,采用上述提出的算法进行仿真和实验,对算法的控制精度和动态精度进行验证。
郑研斌[3]（2020）在《电动力矩负载模拟关键技术研究》文中认为电动力矩负载模拟系统主要用于模拟飞行器舵机或其他伺服系统在运行中所承受载荷的测试系统,使用电机作为加载元件。其主要用于模拟真实工况下的载荷,用以测试和检验伺服机构的性能、算法、稳定性等特性。由于其跟随被试机构同步运动的同时完成力矩载荷的加载,因此也被称为被动伺服系统。被试机构的运动会使加载机构产生反拖,进而产生多余的力矩扰动,使载荷不能准确加载。如何能够准确及时的将真实工况下的载荷谱进行加载,是电动力矩负载模拟系统的主要问题。本文以此作为研究对象,对此问题展开研究探索。本文以永磁同步电机（PMSM）作为加载机构,建立了包括加载系统环节和位置扰动环节的数学模型,并以此分析了加载环节和扰动环节的时域以及频域特性。随后分析了影响系统响应特性的主要因素,讨论了位置扰动产生机理和特点,为后续研究控制算法和控制策略提供了理论基础。针对电动力矩负载模拟系统的系统建模误差,参考系统的线性模型,使用Chirp信号激励系统并记录系统输出,并采用参数辨识的方法修正模型名义参数与实际参数不符问题。随后使用BP神经网络算法进行系统辨识建立了负载模拟器非线性模型。采用SSE、RMSE和R-square分析了两种建模方法的误差,结果表明线性模型误差较ANN系统辨识模型误差更小。最后,采用概率密度和功率谱密度分析了两种建模误差频谱分布,结果表明两种模型误差均呈现正态分布特征,且误差主要集中在低频区域,误差特征接近高斯分布有色噪声。针对电动负载模拟系统耦合干扰等特点,结合前文对机理模型建模误差的分析,提出一种考虑各的基于反演法的滑模控制策略。为了对被试电机速度进行跟踪,提出了一种基于sigmoid函数的跟踪微分器,实现了对于被试舵机速度的无差跟踪。随后根据负载模拟系统系统特点,将系统建模误差、参数不确定、非线性环节以及其他未知干扰作为等效干扰。采用二阶超螺旋滑模算法对每一步等效干扰进行估计。为了避免反演法设计过程中出现的微分膨胀现象使用动态面计算虚拟控制量的导数,最后通过仿真实验验证算法的有效性。最后搭建了电动力矩负载模拟实验平台,通过验证上述控制算法和控制策略。实验的结果表明了本文所提出的控制算法可以较好的控制效果,克服了系统中存在的多余力矩,满足了负载模拟系统的评价指标。在末尾给出了基于电动力矩负载模拟系统的在工业生产中的扩展应用实例,表明电动负载模拟系统具有广阔的应用前景。
卢照昕[4]（2020）在《基于模糊神经网络PID控制的厌氧发酵罐研究》文中研究说明中国畜禽养殖业的迅速发展导致畜禽粪便年产量达50亿吨,是世界上产量最大的国家。畜禽粪便富含营养物质,但也含有砷、钴、磷等有害物质,这就使粪便无害化处理和资源化利用成为一个重要的研究问题。厌氧发酵就是一种能源化利用的处理方式,是一种降解有机物质最有效的处理方式之一。温度、湿度、p H、碳氮比、负载率等因素都会影响厌氧发酵的进程,有效控制这些因素在厌氧发酵的最优范围内,对提高发酵的进程和效果有重要意义。在上述背景下,本课题开始设计智能厌氧发酵罐,旨在提高厌氧发酵的效果和速率,实现厌氧发酵的自动化控制。本课题从算法创新和控制平台两方面入手,以厌氧发酵罐为对象,开展厌氧发酵罐内部环境控制方案的研究。厌氧发酵伴随着生物反应和化学反应,因此,发酵罐控制系统具有很大时变性,滞后性大与非线性。本文提出一种模糊神经网络PID智能控制算法,该算法以传统PID算法为基础,充分利用了神经网络算法优点和模糊控制算法优点。为保证厌氧发酵罐控制平台的稳定性与可靠性,本设计采用可编程逻辑控制器PLC西门子S7-200SMART作为核心控制器,采用上位机MCGS组态设计人机交互界面,验证了设计的可行性。主要研究内容如下:（1）厌氧发酵反应罐设计。研究厌氧发酵的工艺,根据厌氧发酵的特点、影响因素、控制结构和设备选型进行整体结构设计,包括罐体主体设计、保温装置、搅拌装置、多点传感器的选择和布局以及伺服搅拌系统的设计。（2）控制算法的选取。由于厌氧发酵的过程是一个具有多个变量,较大的滞后性和非线性的典型过程,所以很难获得精准的数学模型。本文引入模糊控制理论,对参数进行模糊控制,最后利用模糊算法求解模糊PID控制参数Kp,Ki和Kd以实现自适应调整。然后使用神经网络算法对模糊PID控制算法进行优化,首先在MATLAB软件中建立模糊推理系统FIS,对PID的Kp,Ki,Kd三个参数进行神经网络训练,同时运用Simulink模块进行仿真调试,通过MATLAB软件编写模糊神经网络程序,实现温度控制。考虑到厌氧发酵的过程伴随着产气,本文采用BP神经网络预测厌氧发酵的产气量。（3）控制平台搭建。利用PLC为控制核心设计厌氧发酵罐控制系统,STEP 7软件用于PLC程序编写和调试,MCGS组态软件用于设计昆仑通态触摸屏的人机界面,最后对伺服系统等执行设备和传感器进行接线工作后进行试验验证,最终得到智能厌氧发酵罐的温度控制准确率为99.17%,系统鲁棒性好,满足厌氧发酵控制设备的要求。
孟祥鹏[5]（2020）在《便携式电火花机床放电状态检测和伺服控制策略研究》文中提出随着人民对美好生活的追求与传统机械加工水平之间的矛盾日益加深,制造业开始向着精密化的方向倾斜。在航天飞机、医疗器械中小孔结构非常常见,使用传统机械加工很困难,由于电火花加工具有无宏观的机械切削力和加工精度高等特点而被广泛应用在小孔加工中。在其加工中放电状态和伺服装置是保障电火花能够完成高质量高效率加工的关键。所以本文针对电火花加工过程中的随机性强的特点,改善了放电状态检测装置和伺服控制策略的方案,对保障加工质量和加工效率具有重要的意义。本文首先简述了国内外有关放电状态检测和伺服控制策略的研究现状,分析了不同放电状态检测和伺服控制的优点和缺点,针对电火花加工中放电随机性强、控制系统难以用数学手段建模和整个加工系统参数随着加工时间的推移而变化的特点,提出了基于神经网络的放电状态检测装置和基于模糊PID来自动调整系统参数的伺服控制策略。为了分析不同放电状态下的电压和电流信号的特点,首先基于实验采集了五种典型放电状态下的电压和电流波形,人为的标记五种不同的放电状态,并寻找其规律。然后提出了下位机采集间隙放电信号和上位机识别放电状态的总体方案。设计了基于ARM的可高速采集放电间隙的电信号的下位机系统,并对其中的关键元器件进行选择,分析整个下位机系统的实时性,保障下位机系统在采集信号时无迟滞问题。通过串口配合DMA将放电间隙的电信号实时发送到计算能力强的上位机,在上位机中,以放电间隙的电压和电流值作为神经网络的输入、以五种不同的放电状态作为神经网络的输出,采用三层神经网络结构用于放电状态检测,并且通过比较不同的隐层节点数量的神经网络结构进而确定了神经网络结构,可快速实时判断每个控制周期内的放电状态。在伺服控制策略方面,针对电火花加工随着加工深度的增加火花放电电压并非恒定的问题,提出了以开路率和短路率之差作为输入的控制系统。而由于电火花伺服系统难以用数学建模和时变性的特点,所以采用智能控制理论,并对智能控制中的三种常见的控制方法进行了对比最终确定采用模糊控制并配合工程中常用的PID控制理论用于电火花伺服控制装置。经验证,基于模糊控制的伺服系统不仅可以根据不同的放电状态自动进行PID参数整定,还可以达到自动调节进给速度的目的,提高了加工效率和加工的质量。最后搭建了放电状态检测系统和开发了对应的上位机系统,并针对不同的电源,分别对比了阈值检测法和神经网络检测法识别的准确率。然后对控制系统分析建模,通过仿真,对比改进传统PID为模糊PID控制的效果,从而证明了使用模糊PID可以提高整个电火花加工的效率和质量。由于整个放电状态检测系统和伺服控制系统大都采用软件算法实现,减少了复杂、冗余的硬件电路,减少了成本和重量,使得整个电火花数控机床在便携上也有了实质性的提高。
陈家俊[6]（2020）在《高速高精度运动平台的控制及参数智能整定》文中研究说明随着半导体行业的飞速发展,集成电路复杂度越来越高,芯片尺寸越来越小,导致芯片的加工、封装难度越来越大,半导体设备作为重要的支撑,其性能要求越来越高。高速高精度运动平台作为大多数半导体设备的核心部件,其性能的好坏直接影响着整个设备的性能,这给高速高精度运动平台结构以及伺服控制策略的设计带来极大的挑战。本文针对高速高精度运动平台,在控制系统方案设计、控制算法以及参数整定等方面进行了理论分析与实际应用研究。本文的主要研究内容与成果如下:1)研究分析了伺服系统常见的控制算法,包括PID控制算法、前馈控制算法和神经网络PID控制算法,并对各个控制算法的原理进行分析,最终以“三闭环PID+前馈”的复合控制结构作为高速高精运动平台的控制器,这种控制结构能同时兼顾系统的动态性能和静态性能。2)针对PID控制器的参数手动整定不方便的问题,对神经网络算法和模糊系统进行了研究分析。通过对神经网络中的反向传播算法进行重点分析,结合了LM算法以及模糊逻辑,提出了一种基于神经网络和模糊系统的PID控制器参数整定方法,并给出了该方法的具体实现流程。实验表明,利用该方法能够获取优化合适的PID参数,且该方法避免了人工整定,适用于大批量平台与设备的自动整定,节省了大量人力成本和时间成本,具有一定的工程意义。3)对“三闭环PID+前馈”的复合控制结构进行改进,引进了迭代学习控制。针对实际工程应用中迭代学习控制迭代次数多,后期收敛速度较慢的问题,提出了一种双迭代学习控制策略,并将其应用于“三闭环PID+前馈”的复合控制结构上。先设计了两个A型开环结构迭代学习控制器,一个是基于参考输入信号的迭代学习控制器1,另一个是基于控制量的迭代学习控制器2,然后对其收敛性进行分析,接着设计了零相位滤波器,并进行了实验验证。4)基于参考输入信号的迭代学习控制器1进行迭代学习得到最佳参考输入信号,然后基于控制量的迭代学习控制器2进行迭代学习得到最佳控制补偿量。实验结果表明双迭代学习控制器能够在较少的迭代次数中有效地提高了X-Y运动平台的跟随性能,其X轴的跟踪误差的均方根值降低了86%,Y轴的跟踪误差的均方根值降低了92%,且控制结构简单,适用于实际工程应用。本文的研究成果已经应用于本课题组设计的高速高精度运动平台上,取得了良好的控制效果。本文提出的PID参数整定方法不仅适用于该实验平台,同时适用在其他伺服系统上,本文提出的双迭代学习控制策略同样也适用在高端数控加工等方面,具有广泛应用的前景。
高正杰[7]（2019）在《基于深度强化学习的液压驱动单元位置控制》文中研究表明机器人是人类生产生活中非常重要的一种科技装备,从自动化工厂流水线、日常家庭生活到地震废墟、火灾现场,机器人遍布人类生活的各个场景,用途越来越广泛,这对机器人的性能提出了更高的要求。机器人需要在大负载、未知非结构环境中保持良好的运动性能,液压驱动型足式机器人正是为这种需求而生。液压驱动单元是液压足式机器人的运动关节驱动器,是整机运动性能的基础。现今液压驱动单元多采用以传统PID控制为核心的相关控制算法,虽然具有较好的控制效果,但机器人实际运动中接触环境工况复杂多变,该控制方法在多工况适应性方面尚不理想,在未知工况下不能保持良好的响应速度和跟随精度。机器学习是一种用计算机从数据中学习有效信息的方法,能够实时学习环境特性并改变相应的控制策略,从而改善控制效果。该方法近年来迅速得到国内外各领域学者的广泛研究。本文针对足式机器人液压驱动单元,将机器学习方法用于液压位置控制系统中,开展相关研究,使该系统具备自学习能力,从而提高系统在未知工况下的控制性能,主要研究工作包括:（1）首先对液压驱动单元位置控制系统进行数学建模,利用MATLAB/Simulink搭建其仿真模型。接着基于仿真模型,对定值PID方法和变值PID方法进行仿真研究,并对比控制效果,分析控制参数变化规律,结果表明:定值PID方法控制精度较差,自适应能力较差,变值PID方法能在多工况下取得较好的控制效果,但需要不断调整参数,实际应用范围有限。（2）为了提高PID控制方法的自适应能力,采用BP神经网络对PID参数规律进行学习,形成基于BP神经网络的自适应PID控制方法。首先确定了学习样本的采集范围,接着对学习范围内各参数按照一定间隔进行划分,并进行排列组合生成有限数量的测试工况。然后测试并记录系统在各个工况下的控制性能,用第一个神经网络拟合工况参数、控制参数和系统性能之间的关系。根据第一个神经网络计算出每个工况下不同控制方法参数的控制性能,按照一定规则选择较优的控制参数。利用第二个神经网络拟合工况参数与选择的控制参数之间的关系,并将该网络用于在不同工况下自动调整控制参数。最后进行了仿真研究,并和PID控制方法进行了对比分析。（3）为进一步提高系统在未知工况下的自适应能力,针对液压驱动单元位置控制系统,设计了一种改进的DDPG（Deep Deterministic Policy Gradient,深度确定性策略梯度）控制方法。针对智能体探索效率低的问题,设计了一种基于模糊方法的探索策略;针对网络性能不足的问题,采用了基于Armijo-Goldstein搜索准则的BFGS（Broyden-Fletcher-Goldfarb-Shanno）算法训练值函数网络;针对算法稳定性较差的问题,将策略网络的输出值与系统实时误差相乘形成新的控制律。最后进行了改进的DDPG算法的仿真研究,并与定值、变值PID方法和神经网络自适应PID方法进行对比分析。（4）基于液压驱动单元性能测试实验台,对定值PID方法、变值PID方法、基于BP神经网络的自适应PID方法和改进的DDPG控制方法进行了实验研究,并根据实验结果进行对比分析。
刘萌[8]（2019）在《基于最小二乘支持向量机和自适应控制算法的电液伺服系统研究》文中认为在如今的自动化控制范围中,电液伺服系统扮演着越来越重要的角色,在一些对控制的精度要求极高的精密场合中,越来越多的研究人员选择阀控缸电液伺服系统作为控制系统,在航天领域内的应用尤为广泛,比如,可以准确模拟空气舵运行轨迹的负载模拟器,控制飞机的飞行速度与路线等。电液伺服系统可以作为力,速度,位置伺服控制系统去应用,但是其中研究人员使用频率最高的还是位置伺服系统,即使在一些力与速度的控制系统中,也常常有位置伺服系统嵌入在其中,所以必须提高位置伺服系统的位移控制精度。但是,电液位置系统不是一个一成不变的系统,随着运行时间的增加,由于一些时变参数的存在,导致整个系统是具有时变性的,再者,由于液压阀等非线性元件的存在,也决定了整个系统是非线性的,最后,由于存在大量的非线性元件,系统模型是很难被确立下来的。基于上述的缺点,普通的控制器很难达到理想的控制要求,因此设计一个自适应能力极强的控制器应用在电液伺服系统当中,是具有很高的工程应用价值的。本文首先对电液伺服位置系统进行理论分析,在得知其工作原理的基础上,对液压元件进行分析,从而得到开环传递函数,通过查阅大量的文献资料与实验室已有液压元件相结合,得到整个系统的参数表,代入得理论模型,并通过Matlab/Simulink软件得到了系统是否处于稳定状态。其次,设计了基于PSO-LSSVM模型的自适应PID控制器。对SVM与LSSVM的相关的统计学基础知识与回归原理作了较为详细的介绍,可以得知LSSVM可以逼近任意非线性函数,所以用它进行系统辨识建模,已知模型结构的基础上,辨识模型参数,从而可以得到准确描述系统动态行为的精准模型,LSSVM的相关参数的优化采用粒子群优化算法,基于LSSVM与粒子群优化算法,采集了电液伺服系统实验数据,由此设计了相关辨识试验,训练出了更为准确的PSO-LSSVM模型,在PSO-LSSVM模型的基础上,设计了LSSVM自适应PID控制器,为了验证控制效果,也设计了普通PID控制器与神经网络自适应PID控制器作为对比,最后根据各信号的仿真结果,证实了LSSVM自适应PID控制器控制效果的优越性。最后在搭建的电液伺服控制平台上,进行了闭环控制试验,试验结果显示:LSSVM自适应PID控制器在实际工程应用中的控制效果也要优于PID控制器与ANN-PID控制器,试验的进行验证了本文设计的LSSVM自适应PID控制器的可行性与优越性。
闫时军[9]（2019）在《某随动系统负载模拟器及实验平台设计与控制》文中进行了进一步梳理炮控随动系统在现代火炮控制系统中占据重要的位置。为了满足随动系统的稳定性、响应速度和动静态精度,在装载前需要在实验台架上考核随动系统的性能。本论文在某炮控随动系统负载模拟器研制的背景下,对随动负载模拟器系统的模型辨识和控制方法进行研究。随动负载模拟器在力矩加载的过程中会受到自身不确定性因素的影响,且在动态加载时还受到电机耦合所形成干扰力矩的影响。有效地提高随动负载模拟器加载系统的力矩跟踪精度,具有重要的理论意义和工程价值。本论文研究的主要工作集中在以下几个方面:（1）分析随动系统负载模拟器的结构组成和工作原理,然后结合永磁同步电机模型建立负载模拟器系统数学模型,最后分析系统不确定性对随动负载模拟器性能的影响。（2）研究了随动负载模拟器系统的非线性模型辨识方案。提出RBF神经网络和基于灰预测模型优化的RBF神经网络两种辨识方法,通过建模仿真结果比较,选择了基于灰预测模型优化的RBF神经网络系统模型辨识方案。（3）设计了随动负载模拟器力矩控制器。在灰预测模型优化的RBF神经网络辨识模型基础上,采用模糊单神经元PID自适应的控制器对本课题随动负载模拟器系统进行控制,并且和单神经元优化的PID控制器进行对比。搭建MATLAB/Simulink模型,进行仿真实验。（4）设计、加工了随动系统负载模拟器实验平台,进行实验结果验证。
李波[10]（2018）在《多管火箭炮发射动力学控制方法研究》文中指出多管火箭因射速快、威力大、机动性好、容易在短时间内大面积形成强大火力密度的特点,得到世界各军事强国高度重视。由于调炮过程中多管火箭炮定位不精确、火箭弹连射过程中多管火箭炮方位发生变化而引起的多管火箭射击精度差的问题长期制约着多管火箭的发展。通过发射动力学控制技术减小多管火箭调炮和连射过程中的射击偏差,从而提高射击精度已成为多管火箭研究领域中一个重要的发展方向。对于多管火箭这样一类复杂的机械系统,设计一个精度较高的控制策略所面临的主要困难在于当系统存在非线性、不确定性及作动器延迟时,如何保证控制系统的稳定性和鲁棒性。本文结合国家安全重大基础研究项目（国防973项目）,以项目组研制的某新型18管多管火箭为研究对象,针对多管火箭非线性特性强、系统不确定性突出及作动器输入延迟等问题,通过对动力学控制理论和技术的深入探索,提出了以永磁同步电机为作动器、以光纤陀螺为传感器的多管火箭发射动力学控制方案,并初步验证了所设计的控制算法的可行性和有效性。论文的主要内容和学术贡献如下:（1）基于多体系统发射动力学理论建立多管火箭弹炮一体化发射动力学模型,针对多管火箭俯仰机构和回转机构设计PID控制器,并采用多管火箭弹炮一体化多体动力学模型对控制性能进行检验。仿真结果表明,通过发射动力学控制技术,多管火箭射击偏差和振动水平大大减少、射击密集度明显提高。（2）为了便于深入研究发射动力学控制方法,对多管火箭弹炮一体化动力学模型进行简化,并基于第二类Lagrange原理建立其动力学方程。基于简化动力学模型研究了多管火箭非线性控制问题的计算力矩法,使用内环和外环回路策略,设计PID计算力矩控制器,并利用Routh判据分析了控制系统的稳定性。（3）针对实际过程中多管火箭系统存在参数和未建模不确定性问题,提出了一种集成径向基函数神经网络和计算力矩法的多管火箭不确定控制器。首先结合交流伺服电机矢量控制原理和多管火箭齿轮传动机构建立了多管火箭机电耦合动力学模型,然后为了补偿系统的不确定性,基于Lyapunov稳定性理论引入径向基函数神经网络以估计系统的不确定项,接着从数学上给出了控制系统的稳定性和参数估计的收敛性证明,最终数值仿真结果证明了所提出的控制器的有效性和对不确定性良好的鲁棒性。（4）针对永磁同步电机存在延迟问题,提出了一种动态递归神经网络预测控制方法。通过引入动态递归神经网络和反馈线性化的概念,非线性不确定多管火箭系统动力学得到线性化。基于该线性化模型,利用一种改进的Smith预测器补偿了电机延迟。仿真结果表明所提出的控制器对于含有电机延迟的多管火箭控制具有较好的控制性能。通过不同延迟时间下不同控制器控制性能的仿真对比,发现所提出的控制器对于延迟时间的变化具有很好的鲁棒性能。（5）考虑多管火箭实际发射过程中随机误差和环境噪声对光纤陀螺测量精度的影响,建立了多管火箭炮运动的“当前”统计模型,在标准卡尔曼滤波算法的基础上,给出过程噪声与测量噪声协方差矩阵的自适应调整方法,提出了一种新的适用于多管火箭炮光纤陀螺测量系统的自适应卡尔曼滤波算法。仿真结果和脉冲激励下的测试试验结果表明,所提出的滤波算法精度高于标准卡尔曼滤波算法,验证了该算法的有效性,为多管火箭炮发射动力学控制的工程实践打下基础。（6）通过与多管火箭弹炮一体化动力学模型的仿真结果和以往试验数据的对比,初步验证了基于简化动力学模型的多管火箭炮控制方法的有效性。论文开展了多管火箭炮发射动力学控制方法研究,解决了控制系统鲁棒性差的问题,得到的结论和成果对多管火箭调炮和连射过程中的控制器设计具有一定的参考价值,同时也为低成本提高多管火箭射击精度提供了一种潜在的理论方法和手段。
二、伺服系统的基于神经元预测的模糊控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、伺服系统的基于神经元预测的模糊控制（论文提纲范文）
（1）基于改进灰色预测单神经元PID的URV伺服控制系统研究（论文提纲范文）
| 1 引言 |
| 2 伺服控制系统 |
| 2.1 工作原理 |
| 2.2 模型建立 |
| 3 灰色预测单神经元PID控制器设计 |
| 3.1 常规灰色模型 |
| 3.2 改进灰色模型 |
| 3.3 单神经元PID控制 |
| 3.4 输出增益的模糊自整定 |
| 3.5 变论域模糊控制 |
| 4 系统仿真 |
| 5 结论 |
（2）高分辨遥感卫星单框架控制力矩陀螺伺服控制技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 SGCMG系统的研究现状 |
| 1.2.1 SGCMG系统概述及发展 |
| 1.2.2 位置传感器误差补偿研究现状 |
| 1.2.2.1 圆光栅编码器测角误差来源 |
| 1.2.2.2 硬件补偿方法 |
| 1.2.2.3 软件补偿方法 |
| 1.2.3 伺服控制策略研究现状 |
| 1.2.3.1 PI控制策略 |
| 1.2.3.2 自抗扰控制策略 |
| 1.2.3.3 预测控制策略 |
| 1.2.3.4 滑模控制策略 |
| 1.2.3.5 神经网络控制策略 |
| 1.3 本文的研究内容和组织结构 |
| 第2章 SGCMG框架电机建模及控制 |
| 2.1 引言 |
| 2.2 框架电机选型及指标 |
| 2.3 永磁同步电机的数学建模 |
| 2.3.1 坐标系建立方法 |
| 2.3.1.1 Clark变换 |
| 2.3.1.2 Park变换 |
| 2.3.2 数学建模 |
| 2.4 永磁同步电机的矢量控制策略 |
| 2.5 矢量控制仿真分析 |
| 2.6 本章小结 |
| 第3章 位置传感器误差补偿 |
| 3.1 引言 |
| 3.2 圆光栅工作原理及误差 |
| 3.2.1 圆光栅工作原理 |
| 3.2.2 圆光栅误差来源 |
| 3.2.3 安装误差模型 |
| 3.2.3.1 倾斜误差建模 |
| 3.2.3.2 偏心误差建模 |
| 3.3 圆光栅误差补偿方法 |
| 3.3.1 硬件补偿 |
| 3.3.2 软件补偿 |
| 3.4 圆光栅标定与补偿实验 |
| 3.4.1 标定实验设计 |
| 3.4.2 补偿流程 |
| 3.5 圆光栅补偿结果与仿真分析 |
| 3.5.1 补偿结果分析 |
| 3.5.2 SGCMG伺服系统仿真 |
| 3.6 本章小结 |
| 第4章 SGCMG框架伺服系统辨识 |
| 4.1 引言 |
| 4.2 SGCMG框架伺服系统控制模型和机械谐振的研究 |
| 4.2.1 SGCMG框架伺服控制模型 |
| 4.2.2 机械谐振频率抑制 |
| 4.3 SGCMG框架伺服系统特性辨识 |
| 4.3.1 辨识方法 |
| 4.3.2 辨识实验 |
| 4.4 SGCMG框架伺服系统频率特性辨识结果 |
| 4.5 本章小结 |
| 第5章 SGCMG框架伺服系统控制策略研究 |
| 5.1 引言 |
| 5.2 传统伺服控制策略介绍 |
| 5.2.1 电流环控制 |
| 5.2.2 速度环控制 |
| 5.2.3 位置环控制 |
| 5.3 滑模控制 |
| 5.3.1 滑模控制基本理论 |
| 5.3.2 快速终端滑模控制 |
| 5.3.3 抖振问题及抑制方法 |
| 5.3.4 新型趋近律设计 |
| 5.4 基于神经网络的自适应控制 |
| 5.4.1 神经网络基本理论 |
| 5.4.2 神经网络自适应PID控制 |
| 5.5 控制器设计及仿真对比 |
| 5.5.1 控制器设计 |
| 5.5.2 仿真结果分析 |
| 5.6 本章小结 |
| 第6章 SGCMG框架伺服系统研制与实验 |
| 6.1 引言 |
| 6.2 SGCMG框架伺服系统的硬件设计 |
| 6.2.1 电源模块设计 |
| 6.2.2 控制模块设计 |
| 6.2.3 驱动模块设计 |
| 6.2.4 ADC采集模块设计 |
| 6.2.4.1 电流采集 |
| 6.2.4.2 母线电压和温度采集 |
| 6.2.5 通信模块设计 |
| 6.2.5.1 CAN通信 |
| 6.2.6 RS422 通信 |
| 6.3 SGCMG框架伺服系统的软件设计 |
| 6.3.1 主控制器软件设计 |
| 6.3.2 从控制器软件设计 |
| 6.4 SGCMG框架伺服系统实验 |
| 6.4.1 电流环实验结果 |
| 6.4.2 速度环实验结果 |
| 6.4.2.1 阶跃跟踪响应实验 |
| 6.4.2.2 正弦跟踪响应实验 |
| 6.4.2.3 实验结论 |
| 6.4.3 位置环实验结果 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文工作总结 |
| 7.2 论文主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）电动力矩负载模拟关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源及意义 |
| 1.1.2 力矩负载模拟系统的研究意义 |
| 1.2 电动负载模拟技术主要技术问题 |
| 1.2.1 多余力矩产生机理 |
| 1.2.2 负载模拟系统评价指标 |
| 1.3 国内外负载模拟设备概况 |
| 1.4 负载模拟系统控制策略及优化方法 |
| 1.5 本论文主要工作安排 |
| 第2章 系统机理模型 |
| 2.1 电动负载模拟系统结构 |
| 2.2 永磁同步电机机理模型介绍 |
| 2.2.1 永磁同步电机建模基础 |
| 2.2.2 永磁同步电机建模过程 |
| 2.2.3 永磁同步电机矢量控制 |
| 2.3 电动负载模拟系统建模 |
| 2.3.1 舵机伺服机构模型 |
| 2.3.2 扭矩传感器模型 |
| 2.3.3 加载系统模型 |
| 2.3.4 电动负载模拟系统数学模型 |
| 2.4 刚度和惯量对系统影响分析 |
| 2.4.1 刚度的影响分析 |
| 2.4.2 惯量的影响分析 |
| 2.5 本章小结 |
| 第3章 负载模拟系统数学模型分析 |
| 3.1 统辨识理论简介 |
| 3.2 机理模型参数辨识 |
| 3.2.1 实验数据获取 |
| 3.2.2 参数辨识算法 |
| 3.2.3 参数辨识结果评价 |
| 3.3 基于人工神经网络的系统辨识模型 |
| 3.3.1 人工神经网络简介 |
| 3.3.2 系统辨识过程 |
| 3.3.3 系统辨识结果评价 |
| 3.4 系统模型误差分析 |
| 3.4.1 噪声分类 |
| 3.4.2 机理模型误差分析结果 |
| 3.4.3 系统辨识模型误差分析结果 |
| 3.5 本章小结 |
| 第4章 负载模拟系统控制策略研究 |
| 4.1 基于反演法的控制策略 |
| 4.1.1 反演法的基本原理 |
| 4.1.2 基于反演法的控制器设计 |
| 4.1.3 控制策略仿真验证 |
| 4.2 基于SIGMOID函数的改进跟踪微分器设计 |
| 4.2.1 跟踪微分器原理 |
| 4.2.2 基于sigmoid函数改进跟踪微分器 |
| 4.2.3 速度跟踪仿真实验 |
| 4.3 基于SUPER-TWISTING超螺旋动态面滑模控制 |
| 4.3.1 控制器原理简介 |
| 4.3.2 控制器设计 |
| 4.3.3 控制系统仿真实验 |
| 4.4 本章小结 |
| 第5章 电动负载模拟平台及控制器实验 |
| 5.1 实验台简介 |
| 5.1.1 实验台架简介 |
| 5.1.2 控制系统简介 |
| 5.2 负载模拟系统性能测试 |
| 5.2.1 无扰频宽测试 |
| 5.2.2 多余力矩抑制实验 |
| 5.2.3 随动加载测试 |
| 5.3 综合加载实验 |
| 5.3.1 梯度加载实验 |
| 5.3.2 脉冲载荷加载实验 |
| 5.3.3 实际载荷加载实验 |
| 5.4 负载模拟系统应用实例 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（4）基于模糊神经网络PID控制的厌氧发酵罐研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 禽畜养殖废弃物污染 |
| 1.1.2 畜禽粪便资源化利用 |
| 1.1.3 厌氧发酵概述及影响因素 |
| 1.2 国内外厌氧发酵研究现状 |
| 1.2.1 厌氧发酵影响限制因素 |
| 1.2.2 发酵控制算法研究现状 |
| 1.2.3 发酵控制系统研究现状 |
| 1.3 课题来源及研究内容 |
| 1.3.1 课题来源 |
| 1.3.2 技术路线 |
| 1.3.3 研究内容 |
| 1.4 本章小结 |
| 2 罐体设计 |
| 2.1 罐体结构设计 |
| 2.2 罐体及封头的几何尺寸的计算 |
| 2.3 罐体耐压试验 |
| 2.4 罐体保温设计 |
| 2.5 进料部设计 |
| 2.6 出料部设计 |
| 2.7 搅拌系统设计计算 |
| 2.7.1 搅拌器结构设计 |
| 2.7.2 搅拌器参数设计计算 |
| 2.7.3 搅拌系统功率计算 |
| 2.7.4 轴封装置设计 |
| 2.8 本章小结 |
| 3 罐体控制平台系统设计 |
| 3.1 罐体控制平台 |
| 3.1.1 罐体内部环境控制要求 |
| 3.1.2 罐体控制系统设计原则 |
| 3.1.3 系统控制需求 |
| 3.1.4 罐体控制平台架构设计 |
| 3.2 设备选型 |
| 3.2.1 PLC原理与功能 |
| 3.2.2 PLC选型 |
| 3.2.3 上位机选型 |
| 3.2.4 外围设备选型 |
| 3.3 本章小结 |
| 4 自适应模糊PID控制算法研究 |
| 4.1 控制算法理论分析 |
| 4.2 PID控制技术 |
| 4.3 模糊控制算法 |
| 4.3.1 模糊控制系统的构成 |
| 4.3.2 模糊PID控制原理 |
| 4.4 模糊自适应PID算法实现 |
| 4.4.1 输入值的模糊化 |
| 4.4.2 模糊规则 |
| 4.4.3 解模糊处理 |
| 4.5 用自适应神经模糊系统建立模糊推理系统 |
| 4.6 厌氧发酵控制系统MATLAB仿真分析 |
| 4.7 本章小结 |
| 5 基于神经网络的模糊PID控制器的设计 |
| 5.1 神经网络的基本原理 |
| 5.1.1 神经元的数学模型 |
| 5.1.2 BP型神经网络 |
| 5.2 神经模糊控制 |
| 5.3 程序运行结果 |
| 5.4 神经网络预测发酵进程 |
| 5.4.1 数据归一化处理 |
| 5.4.2 BP神经网络预测 |
| 5.5 本章小结 |
| 6 厌氧发酵控制系统软件设计 |
| 6.1 PLC程序 |
| 6.1.1 程序设计思路 |
| 6.1.2 PLC程序设计 |
| 6.2 组态画面的设计 |
| 6.2.1 人机界面设置 |
| 6.2.2 组态画面 |
| 6.3 调试试验 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
（5）便携式电火花机床放电状态检测和伺服控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的来源 |
| 1.2 课题研究的背景和意义 |
| 1.3 放电状态检测的研究现状 |
| 1.4 电火花加工伺服控制研究现状 |
| 1.5 国内外文献综述简析 |
| 1.6 课题主要研究内容 |
| 第2章 基于神经网络的电火花放电状态检测研究 |
| 2.1 间隙放电状态检测原理和总体设计 |
| 2.2 基于ARM处理器的电信号采集和处理系统设计 |
| 2.2.1 放电状态检测系统的硬件结构 |
| 2.2.2 放电状态检测系统的实时性分析 |
| 2.3 基于神经网络的电火花放电状态检测系统设计 |
| 2.3.1 放电状态检测的神经网络模型设计 |
| 2.3.2 神经网络的原理与实现 |
| 2.4 本章小结 |
| 第3章 电火花加工伺服控制系统研究 |
| 3.1 电火花伺服系统总体设计 |
| 3.2 伺服控制策略 |
| 3.3 模糊PID控制结构设计 |
| 3.3.1 模糊PID参数整定原则 |
| 3.3.2 模糊PID控制系统设计 |
| 3.4 本章小结 |
| 第4章 放电状态检测实验及伺服控制策略仿真研究 |
| 4.1 放电状态检测系统的搭建 |
| 4.1.1 下位机系统的开发和搭建 |
| 4.1.2 上位机系统的软件实现 |
| 4.2 放电状态检测的研究实验 |
| 4.2.1 放电状态检测装置的验证试验 |
| 4.2.2 RC电源的放电状态检测准确性验证 |
| 4.2.3 脉冲电源的放电状态检测准确性验证 |
| 4.3 基于模糊PID的控制系统的仿真研究 |
| 4.3.1 Matlab及 Simulink模块简介 |
| 4.3.2 基于模糊PID控制系统的仿真 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）高速高精度运动平台的控制及参数智能整定（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高速高精运动平台的发展现状 |
| 1.2.1 驱动方式的发展现状 |
| 1.2.2 结构形式的发展现状 |
| 1.3 课题来源及研究内容 |
| 1.4 本章小结 |
| 第二章 交流伺服系统的控制策略分析 |
| 2.1 伺服系统简介 |
| 2.2 交流伺服电机的控制策略 |
| 2.3 交流伺服系统的控制策略 |
| 2.3.1 PID控制 |
| 2.3.2 前馈控制 |
| 2.3.3 基于神经网络的PID控制 |
| 2.4 运动平台伺服控制算法的选择 |
| 2.5 本章小结 |
| 第三章 PID参数智能整定的研究与实验 |
| 3.1 参数智能整定方法简介 |
| 3.2 神经网络 |
| 3.2.1 单神经元模型 |
| 3.2.2 BP神经网络模型 |
| 3.2.3 BP网络学习算法 |
| 3.2.4 激活函数 |
| 3.3 模糊系统 |
| 3.3.1 模糊控制简介 |
| 3.3.2 模糊系统的基本原理 |
| 3.4 PID参数智能整定 |
| 3.4.1 PID参数整定衡量标准 |
| 3.4.2 样本集的获取 |
| 3.4.3 BP神经网络训练样本集 |
| 3.4.4 模糊系统的设计 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第四章 双迭代学习控制策略 |
| 4.1 迭代学习控制简介 |
| 4.1.1 P型迭代学习控制器 |
| 4.1.2 D型迭代学习控制器 |
| 4.1.3 A型迭代学习控制器 |
| 4.2 开闭环迭代学习控制 |
| 4.3 迭代学习控制两种学习结构 |
| 4.3.1 基于参考输入信号的学习结构 |
| 4.3.2 基于控制量的学习结构 |
| 4.4 零相位滤波器的设计及实验验证 |
| 4.5 双迭代学习控制策略 |
| 4.5.1 控制逻辑 |
| 4.5.2 控制结构 |
| 4.6 实验验证 |
| 4.7 本章小结 |
| 第五章 运动控制系统的搭建与实验 |
| 5.1 运动控制系统的搭建 |
| 5.1.1 X-Y运动平台结构 |
| 5.1.2 X-Y运动平台位置检测装置 |
| 5.1.3 运动控制系统组成 |
| 5.2 实验与结果分析 |
| 5.2.1 实验介绍 |
| 5.2.2 三种控制结构的实验验证 |
| 5.2.3 不同情况下的实验验证 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表成果 |
| 致谢 |
（7）基于深度强化学习的液压驱动单元位置控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题研究背景 |
| 1.1.3 研究目的及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 经典控制方法 |
| 1.2.2 高级控制方法 |
| 1.2.3 强化学习控制方法 |
| 1.3 本文研究内容 |
| 第2章 液压驱动单元位置控制数学建模及PID控制研究 |
| 2.1 引言 |
| 2.2 液压驱动单元位置控制数学模型 |
| 2.2.1 电液伺服阀数学模型 |
| 2.2.2 非对称液压缸数学模型 |
| 2.2.3 液压缸力平衡方程 |
| 2.2.4 位移传感器数学模型 |
| 2.2.5 液压驱动单元位置闭环控制系统模型 |
| 2.3 液压驱动单元位置控制系统PID控制参数研究 |
| 2.3.1 系统各部分仿真模型搭建 |
| 2.3.2 仿真模型参数 |
| 2.3.3 PID控制参数仿真研究 |
| 2.4 本章小结 |
| 第3章 基于BP神经网络的液压驱动单元PID参数自适应控制 |
| 3.1 引言 |
| 3.2 人工神经网络基础理论 |
| 3.2.1 神经网络原理及发展历程 |
| 3.2.2 神经元模型 |
| 3.2.3 神经网络结构 |
| 3.2.4 神经网络学习方式 |
| 3.3 基于BP神经网络的PID参数自适应控制方法设计 |
| 3.3.1 学习策略设计 |
| 3.3.2 学习样本的生成 |
| 3.3.3 控制系统性能拟合 |
| 3.3.4 控制参数优选 |
| 3.3.5 仿真研究 |
| 3.4 本章小结 |
| 第4章 基于改进DDPG方法的液压驱动单元位置控制 |
| 4.1 引言 |
| 4.2 强化学习简介 |
| 4.2.1 强化学习基本思想 |
| 4.2.2 强化学习发展历程 |
| 4.3 强化学习基础理论 |
| 4.3.1 强化学习基本假设 |
| 4.3.2 强化学习基本概念 |
| 4.3.3 TD算法 |
| 4.3.4 Q-Learning算法 |
| 4.3.5 DQN算法 |
| 4.3.6 DDPG算法 |
| 4.4 基于DDPG算法的控制方法设计与仿真研究 |
| 4.5 基于改进的DDPG算法的控制方法设计与仿真研究 |
| 4.5.1 基于模糊优化的智能体探索策略 |
| 4.5.2 基于Armijo-Goldstein准则与BFGS方法的神经网络训练算法 |
| 4.5.3 基于改进的DDPG算法的控制方法设计 |
| 4.5.4 改进的DDPG控制方法仿真研究 |
| 4.6 本章小结 |
| 第5章 液压驱动单元位置控制系统实验研究 |
| 5.1 实验系统介绍 |
| 5.1.1 液压驱动单元性能测试实验台介绍 |
| 5.1.2 电控系统介绍 |
| 5.2 PID位置控制实验研究 |
| 5.3 基于BP神经网络PID参数自适应控制实验研究 |
| 5.3.1 学习样本的采集 |
| 5.3.2 控制系统性能拟合 |
| 5.3.3 控制参数优选 |
| 5.3.4 神经网络PID自适应控制实验研究 |
| 5.4 基于改进的DDPG算法的液压驱动单元控制实验研究 |
| 5.4.1 算法实现 |
| 5.4.2 实验研究 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务和主要成果 |
| 致谢 |
（8）基于最小二乘支持向量机和自适应控制算法的电液伺服系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文选题依据 |
| 1.2 课题背景意义 |
| 1.3 国内外研究现状分析 |
| 1.3.1 电液伺服系统的历史及发展现状 |
| 1.3.2 电液伺服系统控制策略的研究现状 |
| 1.3.3 支持向量机的研究现状 |
| 1.4 论文主要研究内容 |
| 2 电液伺服系统理论模型的建立及分析 |
| 2.1 引言 |
| 2.2 电液伺服系统概述 |
| 2.3 电液伺服系统理论模型的建立 |
| 2.3.1 电液伺服阀建模 |
| 2.3.2 对称动力机构建模 |
| 2.3.3 其他液压元件建模 |
| 2.3.4 电液伺服系统建模 |
| 2.4 电液伺服系统稳定性能分析 |
| 2.4.1 根轨迹法 |
| 2.4.2 频率响应法 |
| 2.5 本章小结 |
| 3 电液伺服系统的辨识研究 |
| 3.1 引言 |
| 3.2 系统辨识概述 |
| 3.2.1 系统辨识的流程 |
| 3.2.2 辨识数据 |
| 3.3 统计学习基本理论 |
| 3.3.1 机器学习的本质问题 |
| 3.3.2 VC维 |
| 3.3.3 推广性的界 |
| 3.3.4 经验风险最小化原则 |
| 3.3.5 结构风险最小化原则 |
| 3.4 最小二乘支持向量机的研究 |
| 3.4.1 支持向量机的结构 |
| 3.4.2 支持向量机的原理 |
| 3.4.3 核函数 |
| 3.4.4 损失函数 |
| 3.4.5 最小二乘支持向量机的原理 |
| 3.5 基于粒子群优化的最小二乘支持向量机辨识 |
| 3.5.1 粒子群优化算法 |
| 3.5.2 基于粒子群优化的最小二乘支持向量机辨识算法 |
| 3.5.3 基于粒子群优化的最小二乘支持向量机辨识研究 |
| 3.6 本章小结 |
| 4 电液伺服系统的控制策略研究 |
| 4.1 引言 |
| 4.2 PID控制器设计 |
| 4.2.1 模拟PID控制 |
| 4.2.2 数字PID控制 |
| 4.2.3 仿真结果 |
| 4.3 神经网络自适应PID控制器设计 |
| 4.3.1 神经网络介绍 |
| 4.3.2 单神经元模型 |
| 4.3.3 控制器原理 |
| 4.3.4 仿真结果 |
| 4.4 最小二乘支持向量机自适应PID控制器设计 |
| 4.4.1 控制器原理 |
| 4.4.2 设计控制器的步骤 |
| 4.4.3 仿真结果 |
| 4.5 仿真实验 |
| 4.6 本章小结 |
| 5 电液伺服系统试验与分析 |
| 5.1 引言 |
| 5.2 试验平台介绍 |
| 5.2.1 试验系统原理 |
| 5.2.2 电液伺服系统硬件设计 |
| 5.2.3 电液伺服系统软件设计 |
| 5.3 试验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（9）某随动系统负载模拟器及实验平台设计与控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 负载模拟器研究概况 |
| 1.2.1 负载模拟器类型 |
| 1.2.2 发展趋势 |
| 1.3 负载模拟器控制方法综述 |
| 1.3.1 传统控制方法 |
| 1.3.2 智能控制方法 |
| 1.4 论文的主要研究内容及章节安排 |
| 2 随动负载模拟器数学模型 |
| 2.1 系统的组成和工作原理 |
| 2.2 系统数学模型 |
| 2.2.1 永磁同步电动机的模型建立 |
| 2.2.2 随动负载模拟器数学模型 |
| 2.3 随动系统负载模拟器不确定性及非线性分析 |
| 2.4 本章小结 |
| 3 随动负载模拟器的非线性系统辨识 |
| 3.1 引言 |
| 3.2 系统辨识概述 |
| 3.2.1 系统辨识流程 |
| 3.2.2 系统辨识发展 |
| 3.2.3 辨识数据的获取 |
| 3.2.4 系统辨识性能评价指标 |
| 3.3 RBF神经网络辨识 |
| 3.3.1 RBF神经元模型 |
| 3.3.2 RBF神经网络结构 |
| 3.3.3 RBF神经网络算法实现 |
| 3.3.4 RBF神经网络辨识研究 |
| 3.4 基于灰预测模型优化的RBF神经网络系统辨识 |
| 3.4.1 灰预测算法基本原理 |
| 3.4.2 灰预测模型序列生成算子机制 |
| 3.4.3 GM-RBF神经网络辨识流程 |
| 3.4.4 系统辨识结果及模型验证 |
| 3.5 本章小结 |
| 4 随动负载模拟器的控制方法研究 |
| 4.1 单神经元PID控制器设计 |
| 4.1.1 PID控制 |
| 4.1.2 基于单神经元PID的控制器设计 |
| 4.2 模糊单神经元PID自适应控制器设计 |
| 4.2.1 模糊控制 |
| 4.2.2 神经网络自适应控制 |
| 4.2.3 模糊单神经元PID自适应控制器设计 |
| 4.3 系统仿真与分析 |
| 4.3.1 阶跃响应的结果与分析 |
| 4.3.2 正弦跟踪的结果与分析 |
| 4.4 本章小结 |
| 5 随动负载模拟器实验平台设计 |
| 5.1 实验平台功能与总体结构 |
| 5.1.1 实验平台的功能 |
| 5.1.2 性能指标 |
| 5.1.3 实验平台的总体结构 |
| 5.2 实验平台硬件设计 |
| 5.2.1 主控计算机 |
| 5.2.2 力矩控制箱 |
| 5.2.3 扭矩传感器和角位置传感器 |
| 5.2.4 齿轮传动装置 |
| 5.2.5 力矩电机及其驱动器 |
| 5.2.6 惯量盘组与联轴器 |
| 5.3 实验平台软件设计 |
| 5.4 本章小结 |
| 6 实验验证 |
| 6.1 阶跃响应实验结果 |
| 6.2 正弦跟踪实验结果 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）多管火箭炮发射动力学控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多管火箭发射动力学综述 |
| 1.2.2 控制方法综述 |
| 1.2.3 控制系统的作动器综述 |
| 1.2.4 多管火箭炮控制综述 |
| 1.2.5 永磁同步电机交流伺服系统综述 |
| 1.3 论文主要内容和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 2 多管火箭炮动力学系统建模 |
| 2.1 引言 |
| 2.2 多管火箭弹炮一体化动力学方程 |
| 2.2.1 弹炮一体化动力学模型 |
| 2.2.2 火箭弹发射动力学方程及受力分析 |
| 2.2.3 多管火箭炮动力学方程 |
| 2.2.4 火箭弹飞行动力学方程 |
| 2.3 多管火箭简化模型动力学方程 |
| 2.3.1 动力学模型 |
| 2.3.2 运动学分析 |
| 2.3.3 动力学分析 |
| 2.4 本章小结 |
| 3 多管火箭炮动力学控制 |
| 3.1 引言 |
| 3.2 多管火箭炮发射动力学控制系统 |
| 3.3 弹炮一体化动力学模型PID控制 |
| 3.3.1 PID控制律 |
| 3.3.2 数值仿真 |
| 3.4 基于简化动力学模型的计算力矩控制 |
| 3.4.1 内环控制律设计 |
| 3.4.2 外环控制律设计 |
| 3.4.3 稳定性分析 |
| 3.4.4 数值仿真 |
| 3.5 本章小结 |
| 4 多管火箭炮神经网络不确定控制 |
| 4.1 引言 |
| 4.2 径向基函数神经网络 |
| 4.3 矢量控制下的永磁同步电机数学模型 |
| 4.4 多管火箭机电耦合动力学模型 |
| 4.5 神经网络控制系统设计 |
| 4.5.1 考虑不确定性的控制律设计 |
| 4.5.2 径向基函数神经网络不确定项估计 |
| 4.5.3 控制系统稳定性证明 |
| 4.5.4 参数估计收敛性证明 |
| 4.6 数值仿真 |
| 4.7 本章小结 |
| 5 考虑电机延迟的多管火箭炮神经网络预测控制 |
| 5.1 引言 |
| 5.2 准备工作和问题阐述 |
| 5.2.1 准备工作 |
| 5.2.2 问题阐述 |
| 5.3 无延迟系统动态递归神经网络估计 |
| 5.4 动态递归神经网络预测控制 |
| 5.5 数值仿真 |
| 5.5.1 Dokumaci控制 |
| 5.5.2 Sharma控制 |
| 5.5.3 DRNN预测器控制 |
| 5.5.4 不同延迟时间对控制器的影响 |
| 5.6 本章小结 |
| 6 多管火箭炮姿态测试的自适应卡尔曼滤波及验证 |
| 6.1 引言 |
| 6.2 卡尔曼滤波回顾 |
| 6.2.1 标准和自适应卡尔曼滤波发展 |
| 6.2.2 标准卡尔曼滤波简介 |
| 6.3 多管火箭炮运动的“当前”统计模型 |
| 6.4 自适应卡尔曼滤波算法设计 |
| 6.4.1 过程噪声协方差自适应算法 |
| 6.4.2 测量噪声协方差自适应算法 |
| 6.4.3 噪声协方差更新判据 |
| 6.5 数值仿真 |
| 6.5.1 滤波性能的仿真与结果 |
| 6.5.2 不同测量噪声的抑制特性 |
| 6.6 试验验证 |
| 6.7 本章小结 |
| 7 多管火箭炮发射动力学控制方法验证 |
| 7.1 引言 |
| 7.2 弹炮一体化动力学模型仿真验证 |
| 7.3 仿真结果与试验数据对比验证 |
| 7.4 本章小结 |
| 8 结束语 |
| 8.1 主要工作及结论 |
| 8.2 主要创新点 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读博士学位期间取得的成果 |
四、伺服系统的基于神经元预测的模糊控制（论文参考文献）
- [1]基于改进灰色预测单神经元PID的URV伺服控制系统研究[J]. 王永涛,肖俊辰. 兵器装备工程学报, 2021(08)
- [2]高分辨遥感卫星单框架控制力矩陀螺伺服控制技术研究[D]. 于跃. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [3]电动力矩负载模拟关键技术研究[D]. 郑研斌. 长春理工大学, 2020(01)
- [4]基于模糊神经网络PID控制的厌氧发酵罐研究[D]. 卢照昕. 东北农业大学, 2020
- [5]便携式电火花机床放电状态检测和伺服控制策略研究[D]. 孟祥鹏. 哈尔滨工业大学, 2020
- [6]高速高精度运动平台的控制及参数智能整定[D]. 陈家俊. 广东工业大学, 2020(06)
- [7]基于深度强化学习的液压驱动单元位置控制[D]. 高正杰. 燕山大学, 2019(06)
- [8]基于最小二乘支持向量机和自适应控制算法的电液伺服系统研究[D]. 刘萌. 北京交通大学, 2019(01)
- [9]某随动系统负载模拟器及实验平台设计与控制[D]. 闫时军. 南京理工大学, 2019(06)
- [10]多管火箭炮发射动力学控制方法研究[D]. 李波. 南京理工大学, 2018(06)