| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 平衡及定位电液伺服系统国内外研究现状 | 第9-10页 |
| 1.3 电液伺服系统的智能控制策略 | 第10-12页 |
| 1.4 主要研究内容 | 第12-13页 |
| 2 某武器平衡及定位电液伺服系统结构及模型 | 第13-25页 |
| 2.1 引言 | 第13页 |
| 2.2 某武器平衡及定位电液伺服系统结构 | 第13-14页 |
| 2.3 液压系统的组成 | 第14-19页 |
| 2.3.1 液压泵组 | 第15-16页 |
| 2.3.2 三腔动力液压缸 | 第16-17页 |
| 2.3.3 比例伺服阀 | 第17-18页 |
| 2.3.4 比例减压阀 | 第18-19页 |
| 2.4 某武器平衡及定位电液伺服系统数学模型 | 第19-24页 |
| 2.4.1 比例伺服阀的数学模型 | 第19页 |
| 2.4.2 变量泵控上下腔的数学模型 | 第19-21页 |
| 2.4.3 比例减压阀平衡腔的数学模型 | 第21页 |
| 2.4.4 平衡及定位电液伺服系统传递函数 | 第21-23页 |
| 2.4.5 状态空间模型 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 某武器平衡及定位电液伺服系统的辨识 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 系统辨识概述 | 第25-29页 |
| 3.2.1 系统辨识的流程 | 第25-26页 |
| 3.2.2 辨识数据 | 第26-29页 |
| 3.3 神经网络 | 第29-32页 |
| 3.3.1 神经元模型 | 第29-30页 |
| 3.3.2 神经网络的拓扑结构 | 第30-31页 |
| 3.3.3 神经网络学习 | 第31-32页 |
| 3.4 基于RBF神经网络的辨识 | 第32-35页 |
| 3.4.1 RBF神经网络结构 | 第32-33页 |
| 3.4.2 RBF神经网络常用学习算法 | 第33-34页 |
| 3.4.3 RBF神经网络辨识研究 | 第34-35页 |
| 3.5 基于粒子群优化的RBF神经网络辨识 | 第35-39页 |
| 3.5.1 粒子群算法 | 第36-37页 |
| 3.5.2 基于粒子群优化的RBF神经网络算法 | 第37-38页 |
| 3.5.3 基于粒子群优化的RBF神经网络辨识研究 | 第38-39页 |
| 3.6 两种辨识方法比较 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 4 控制器设计及仿真 | 第41-54页 |
| 4.1 引言 | 第41页 |
| 4.2 平衡控制器设计 | 第41-42页 |
| 4.2.1 PID控制器 | 第41-42页 |
| 4.2.2 平衡控制器 | 第42页 |
| 4.3 定位控制器设计 | 第42-48页 |
| 4.3.1 自抗扰控制器 | 第42-44页 |
| 4.3.2 单神经元控制器 | 第44-45页 |
| 4.3.3 基于在线辨识的单神经元自抗扰控制器设计 | 第45-48页 |
| 4.4 模型建立及仿真 | 第48-53页 |
| 4.4.1 Matlab/Simulink中仿真模型的建立 | 第48-50页 |
| 4.4.2 仿真结果及分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 实验研究 | 第54-69页 |
| 5.1 引言 | 第54页 |
| 5.2 某武器平衡及定位电液伺服系统实验系统 | 第54-55页 |
| 5.3 系统硬件设计 | 第55-65页 |
| 5.3.1 工业控制计算机 | 第55-56页 |
| 5.3.2 STM32微控制器 | 第56-57页 |
| 5.3.3 采集卡 | 第57-58页 |
| 5.3.4 旋转变压器与RDC数字转换器 | 第58-60页 |
| 5.3.5 伺服控制箱 | 第60-65页 |
| 5.4 系统软件设计 | 第65-66页 |
| 5.5 实验验证 | 第66-68页 |
| 5.5.1 某武器平衡及定位电液伺服系统技术指标 | 第66-67页 |
| 5.5.2 实验结果 | 第67-68页 |
| 5.6 本章小结 | 第68-69页 |
| 6 结束语 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 附录 | 第75-79页 |
