基于BP神经网络的智能定位器PI参数整定
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 智能定位器产品研究现状 | 第10-11页 |
| 1.2.2 智能定位器核心算法研究现状 | 第11页 |
| 1.3 课题研究内容 | 第11-12页 |
| 1.4 论文内容安排 | 第12-14页 |
| 第2章 智能阀门定位器系统 | 第14-22页 |
| 2.1 控制阀组成简介 | 第14-15页 |
| 2.2 智能阀门定位器的工作原理 | 第15-19页 |
| 2.2.1 力矩马达的工作原理 | 第17-18页 |
| 2.2.2 气动放大器的结构和工作原理 | 第18-19页 |
| 2.3 智能阀门定位器的关键技术 | 第19-21页 |
| 2.3.1 智能阀门定位器的重要问题 | 第19-20页 |
| 2.3.2 算法研究的重难点 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 PID控制器的设计 | 第22-35页 |
| 3.1 常规PID控制器 | 第22-27页 |
| 3.1.1 PID控制规律 | 第22-23页 |
| 3.1.2 控制系统的性能指标 | 第23-24页 |
| 3.1.3 PID控制参数的整定 | 第24-26页 |
| 3.1.4 常规PID控制参数整定存在的问题 | 第26-27页 |
| 3.2 神经网络PID控制 | 第27-34页 |
| 3.2.1 单神经元模型 | 第27-29页 |
| 3.2.2 BP神经网络 | 第29-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于BP神经网络的PI参数设计 | 第35-50页 |
| 4.1 产生数据样本集 | 第35-43页 |
| 4.1.1 原始数据的收集 | 第35-36页 |
| 4.1.2 BP神经网络变量的选择 | 第36-42页 |
| 4.1.3 数据归一化处理 | 第42-43页 |
| 4.2 确定神经网络的结构 | 第43-45页 |
| 4.2.1 隐含层的确定 | 第43页 |
| 4.2.2 BP神经网络学习率和初始值的选择 | 第43-44页 |
| 4.2.3 BP神经网络学习算法的选择 | 第44-45页 |
| 4.3 BP神经网络的训练和测试 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 控制算法的试验 | 第50-62页 |
| 5.1 实验平台的搭建 | 第50-53页 |
| 5.1.1 实验系统的组成 | 第50-52页 |
| 5.1.2 实验系统组成示意图 | 第52-53页 |
| 5.2 实验结果的分析 | 第53-61页 |
| 5.2.1 不同规格调节阀实验 | 第53-57页 |
| 5.2.2 不同整定方法的对比实验 | 第57-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间参加的科研项目和成果 | 第67页 |
