摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第10-16页 |
1.1 课题的研究背景及意义 | 第10-11页 |
1.2 国内外的研究现状及分析 | 第11-14页 |
1.2.1 系统结构补偿方法的研究现状 | 第11-12页 |
1.2.2 系统控制补偿方法的研究现状 | 第12-13页 |
1.2.3 系统关键技术分析 | 第13-14页 |
1.3 飞机舵机电液伺服系统技术指标 | 第14页 |
1.4 论文主要工作及结构安排 | 第14-16页 |
第二章 飞机舵机电液伺服系统的工作原理分析 | 第16-21页 |
2.1 系统结构组成 | 第16-17页 |
2.2 系统各部分工作原理与选型 | 第17-20页 |
2.2.1 阀控液压缸 | 第17-18页 |
2.2.2 电液伺服阀 | 第18页 |
2.2.3 橡胶缓冲弹簧 | 第18-19页 |
2.2.4 传感器 | 第19页 |
2.2.5 液压油 | 第19-20页 |
2.3 系统技术指标要求 | 第20页 |
2.4 本章小结 | 第20-21页 |
第三章 飞机舵机电液伺服系统的数学模型建立 | 第21-35页 |
3.1 阀控液压缸数学模型建立 | 第21-24页 |
3.1.1 阀控液压缸流量连续性方程 | 第21页 |
3.1.2 阀控液压缸力学性能方程 | 第21-23页 |
3.1.3 阀控液压缸参数确定 | 第23-24页 |
3.2 电液伺服阀数学模型建立 | 第24-28页 |
3.2.1 电液伺服阀传递函数 | 第24-25页 |
3.2.2 四通滑阀基本方程 | 第25-26页 |
3.2.3 电液伺服阀参数确定 | 第26-28页 |
3.3 橡胶缓冲弹簧数学模型建立 | 第28页 |
3.4 力传感器数学模型 | 第28-29页 |
3.5 系统整体数学模型建立及动静态性能分析 | 第29-31页 |
3.5.1 系统整体数学模型 | 第29-30页 |
3.5.2 系统动静态性能分析 | 第30-31页 |
3.6 多余力产生机理及特性分析 | 第31-34页 |
3.6.1 多余力定义 | 第31页 |
3.6.2 多余力产生机理 | 第31-33页 |
3.6.3 多余力特性分析 | 第33-34页 |
3.7 本章小结 | 第34-35页 |
第四章 基于最优二次型理论及结构不变性原理的前馈控制器设计 | 第35-53页 |
4.1 基于BP神经网络PID控制器参数整定 | 第35-42页 |
4.1.1 PID控制原理与参数整定 | 第35-37页 |
4.1.2 BP神经网络原理及控制算法 | 第37-39页 |
4.1.3 基于BP神经网络的PID控制器设计过程 | 第39-41页 |
4.1.4 实验验证与结果分析 | 第41-42页 |
4.2 基于最优二次型理论的控制器优化设计 | 第42-46页 |
4.2.1 最优二次型理论原理 | 第42-44页 |
4.2.2 最优二次型理论参数整定 | 第44-46页 |
4.2.3 实验验证与结果分析 | 第46页 |
4.3 基于结构不变性原理的前馈控制器设计 | 第46-49页 |
4.3.1 结构不变性原理 | 第46-48页 |
4.3.2 多余力抑制的控制方法 | 第48-49页 |
4.4 实验验证与结果分析 | 第49-52页 |
4.5 本章小结 | 第52-53页 |
第五章 基于粒子群优化算法的RBF神经网络反馈控制器设计 | 第53-65页 |
5.1 基于RBF神经网络的反馈控制器设计 | 第53-56页 |
5.1.1 RBF神经网络概述与原理 | 第53-54页 |
5.1.2 RBF神经网络反馈控制器的工作过程 | 第54-56页 |
5.2 基于粒子群优化算法的RBF神经网络优化设计 | 第56-59页 |
5.2.1 粒子群算法的基本原理 | 第56页 |
5.2.2 粒子群算法的改进 | 第56-57页 |
5.2.3 基于粒子群优化算法的RBF神经网络学习算法改进 | 第57-59页 |
5.3 实验验证与结果分析 | 第59-64页 |
5.3.1 粒子群优化算法有效性验证 | 第59-62页 |
5.3.2 多余力抑制实验结果 | 第62-63页 |
5.3.3 系统加载精度实验结果 | 第63-64页 |
5.4 本章小结 | 第64-65页 |
第六章 结论 | 第65-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-71页 |
攻读硕士期间发表论文 | 第71页 |