| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-13页 |
| 1.1 研究背景及意义 | 第6页 |
| 1.2 压电智能材料和智能结构 | 第6-8页 |
| 1.2.1. 智能结构 | 第6-7页 |
| 1.2.2. 压电材料 | 第7页 |
| 1.2.3. 压电智能材料和压电智能结构的应用 | 第7-8页 |
| 1.3 压电结构振动控制 | 第8-10页 |
| 1.3.1. 压电结构振动控制方法 | 第9-10页 |
| 1.4 人工神经网络算法的发展 | 第10-11页 |
| 1.5 虚拟仪器与LabVIEW | 第11-12页 |
| 1.6 本文主要内容 | 第12-13页 |
| 2 线性二次型最优控制算法及数值仿真 | 第13-33页 |
| 2.1 压电结构振动主动控制基本知识介绍 | 第13-17页 |
| 2.1.1 压电材料的正、逆压电效应 | 第13页 |
| 2.1.2 压电方程推导 | 第13-17页 |
| 2.2 线性二次型最优控制算法介绍 | 第17-20页 |
| 2.3 压电智能悬臂梁的最优控制及数值仿真 | 第20-31页 |
| 2.3.1 压电智能悬臂梁的数学模型 | 第20-24页 |
| 2.3.2 压电智能悬臂梁的LQR最优控制 | 第24-26页 |
| 2.3.3 压电智能悬臂梁LQR控制的数值仿真 | 第26-31页 |
| 2.4 本章小结 | 第31-33页 |
| 3 神经网络控制方法介绍及数值仿真 | 第33-47页 |
| 3.1 神经网络的介绍 | 第33-37页 |
| 3.1.1 概述 | 第33页 |
| 3.1.2 神经网络模型 | 第33-35页 |
| 3.1.3 神经网络分类 | 第35-36页 |
| 3.1.4 神经网络学习 | 第36-37页 |
| 3.1.5 神经网络的应用 | 第37页 |
| 3.2 BP神经网络的数学描述 | 第37-39页 |
| 3.3 智能悬臂梁的BP神经网络仿真 | 第39-46页 |
| 3.3.1 智能悬臂梁模型 | 第39页 |
| 3.3.2 基于神经网络控制的压电智能悬臂梁的数学模型 | 第39-41页 |
| 3.3.3 神经网络的训练 | 第41-43页 |
| 3.3.4 数值仿真 | 第43-44页 |
| 3.3.5 仿真结果分析与讨论 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于神经网络压电智能悬臂梁振动主动控制实验 | 第47-66页 |
| 4.1 实验方案设计 | 第47-48页 |
| 4.2 实验仪器介绍 | 第48-49页 |
| 4.2.1 XMT-HVA压电陶瓷驱动电源 | 第48-49页 |
| 4.2.2 PXI测量平台 | 第49页 |
| 4.3 实验系统软件的设计与实现 | 第49-54页 |
| 4.3.1 LabVIEW简介 | 第50-52页 |
| 4.3.2 附件模块 | 第52-53页 |
| 4.3.3 NI LabVIEW Real-Time实时模块 | 第53-54页 |
| 4.4 实验平台搭建 | 第54-55页 |
| 4.5 基于NI实时系统的控制实验实现 | 第55-58页 |
| 4.6 实验结果分析 | 第58-65页 |
| 4.7 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 全文总结 | 第66页 |
| 5.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-74页 |