摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第16-30页 |
1.1 课题研究的背景和意义 | 第16-17页 |
1.2 负载模拟器的研究概况 | 第17-21页 |
1.2.1 常见的分类 | 第17-19页 |
1.2.2 发展趋势 | 第19-20页 |
1.2.3 关键问题 | 第20-21页 |
1.3 负载模拟器的建模方法 | 第21-23页 |
1.4 负载模拟器的控制方法 | 第23-27页 |
1.4.1 传统控制方法 | 第23-26页 |
1.4.2 智能控制方法 | 第26-27页 |
1.5 主要工作和章节安排 | 第27-30页 |
2 电动负载模拟器数学模型 | 第30-48页 |
2.1 引言 | 第30页 |
2.2 系统组成和工作原理 | 第30-31页 |
2.3 系统数学模型 | 第31-41页 |
2.3.1 交流永磁同步电机模型 | 第32-37页 |
2.3.2 力矩电机模型 | 第37-39页 |
2.3.3 位置电机模型 | 第39-41页 |
2.3.4 电动负载模拟器数学模型 | 第41页 |
2.4 系统存在的不确定性 | 第41-47页 |
2.4.1 电机及驱动器模型 | 第41-42页 |
2.4.2 系统连接刚度 | 第42-43页 |
2.4.3 摩擦和间隙因素 | 第43-47页 |
2.4.4 位置电机耦合运动 | 第47页 |
2.5 本章小结 | 第47-48页 |
3 基于优化小波神经网络的系统辨识方法 | 第48-78页 |
3.1 引言 | 第48页 |
3.2 系统辨识的简介 | 第48-52页 |
3.2.1 辨识的内容与步骤 | 第49页 |
3.2.2 辨识数据的获取 | 第49-51页 |
3.2.3 系统辨识的评价指标 | 第51-52页 |
3.3 优化的神经网络算法 | 第52-54页 |
3.3.1 神经网络基本结构 | 第52-53页 |
3.3.2 自适应参数学习 | 第53-54页 |
3.4 改进的小波神经网络算法 | 第54-59页 |
3.4.1 以小波函数为神经元的小波神经网络 | 第55页 |
3.4.2 以尺度函数为神经元的小波神经网络 | 第55-56页 |
3.4.3 多分辨率小波神经网络 | 第56-57页 |
3.4.4 自适应小波神经网络 | 第57-58页 |
3.4.5 变结构小波神经网络算法 | 第58-59页 |
3.5 自适应差分进化算法 | 第59-66页 |
3.5.1 基本原理 | 第59-61页 |
3.5.2 改进的差分进化算法 | 第61-66页 |
3.6 基于自适应差分进化的变结构小波神经网络辨识 | 第66-76页 |
3.6.1 算法补充介绍 | 第66-67页 |
3.6.2 仿真试验 | 第67-76页 |
3.7 本章小结 | 第76-78页 |
4 基于融合智能算法的小波神经网络控制器 | 第78-108页 |
4.1 引言 | 第78页 |
4.2 模糊控制理论 | 第78-80页 |
4.3 滑模变结构控制理论 | 第80-84页 |
4.3.1 滑模控制的简介 | 第80-81页 |
4.3.2 滑模控制的稳定性 | 第81-82页 |
4.3.3 滑模控制的不变性 | 第82-83页 |
4.3.4 滑模控制的抖振问题 | 第83-84页 |
4.4 优化的粒子群算法 | 第84-85页 |
4.4.1 基本原理 | 第84页 |
4.4.2 自适应参数学习 | 第84-85页 |
4.5 基于动态补偿模糊多分辨率的小波神经网络控制器 | 第85-96页 |
4.5.1 控制器设计 | 第85-89页 |
4.5.2 稳定性证明 | 第89-92页 |
4.5.3 仿真试验 | 第92-96页 |
4.6 基于双滑模面粒子群的变结构小波神经网络控制器 | 第96-107页 |
4.6.1 控制器设计 | 第96-99页 |
4.6.2 稳定性证明 | 第99-102页 |
4.6.3 仿真试验 | 第102-107页 |
4.7 本章小结 | 第107-108页 |
5 半实物仿真试验 | 第108-128页 |
5.1 引言 | 第108页 |
5.2 炮控系统电动负载模拟器设计 | 第108-120页 |
5.2.1 炮控系统简介 | 第108-115页 |
5.2.2 电动负载模拟器简介 | 第115-120页 |
5.3 半实物仿真试验 | 第120-126页 |
5.3.1 多余力矩抑制能力 | 第120-121页 |
5.3.2 变梯度加载试验 | 第121-122页 |
5.3.3 鲁棒性能试验 | 第122-123页 |
5.3.4 联合仿真试验 | 第123-126页 |
5.4 本章小结 | 第126-128页 |
6 总结与展望 | 第128-131页 |
6.1 论文总结 | 第128-129页 |
6.2 创新点 | 第129页 |
6.3 工作展望 | 第129-131页 |
致谢 | 第131-132页 |
参考文献 | 第132-143页 |
附录 | 第143-145页 |