| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第16-28页 |
| 1.1 研究的背景与意义 | 第16页 |
| 1.2 随动系统负载模拟器研究现状 | 第16-21页 |
| 1.2.1 国内外研究现状 | 第17-19页 |
| 1.2.2 影响随动负载模拟器性能的主要因素 | 第19页 |
| 1.2.3 多余力矩(力)的抑制方法 | 第19-21页 |
| 1.3 电液伺服系统中的智能控制方法 | 第21-23页 |
| 1.4 灰色系统理论 | 第23-24页 |
| 1.5 本文工作重点 | 第24-25页 |
| 1.6 主要研究内容 | 第25-28页 |
| 2 随动系统负载模拟器数学建模 | 第28-44页 |
| 2.1 引言 | 第28页 |
| 2.2 随动负载模拟器的构成 | 第28-29页 |
| 2.3 模拟加载系统机理模型 | 第29-38页 |
| 2.3.1 液压部分数学模型 | 第29-30页 |
| 2.3.2 电气部分数学模型 | 第30-31页 |
| 2.3.3 传递函数模型 | 第31-36页 |
| 2.3.4 状态空间模型 | 第36-38页 |
| 2.4 AMESim物理模型 | 第38-42页 |
| 2.4.1 模拟加载系统物理模型 | 第38-40页 |
| 2.4.2 随动系统负载模拟器联合仿真模型 | 第40-42页 |
| 2.5 小结 | 第42-44页 |
| 3 多余力矩辨识与预测 | 第44-84页 |
| 3.1 引言 | 第44页 |
| 3.2 辨识数据准备 | 第44-50页 |
| 3.2.1 激励信号 | 第44-47页 |
| 3.2.2 AMESim仿真模型 | 第47-49页 |
| 3.2.3 评价指标 | 第49-50页 |
| 3.3 人工神经网络 | 第50-64页 |
| 3.3.1 人工神经网络的基本构成 | 第50-54页 |
| 3.3.2 神经网络的参数学习 | 第54-60页 |
| 3.3.3 基于BP神经网络的多余力矩辨识 | 第60-64页 |
| 3.4 模糊逻辑推理 | 第64-72页 |
| 3.4.1 模糊推理系统 | 第64-68页 |
| 3.4.2 规则提取与减法聚类 | 第68-70页 |
| 3.4.3 基于聚类算法的T-S模糊模型辨识 | 第70-72页 |
| 3.5 灰色模型预测 | 第72-81页 |
| 3.5.1 序列生成算子 | 第73-75页 |
| 3.5.2 GM(1,1)模型与残差修正 | 第75-78页 |
| 3.5.3 基于灰色模型的多余力矩预测 | 第78-81页 |
| 3.6 几种建模预测方法的比较 | 第81-82页 |
| 3.7 小结 | 第82-84页 |
| 4 加载力矩控制器设计与仿真 | 第84-106页 |
| 4.1 引言 | 第84页 |
| 4.2 广义动态模糊神经网络控制 | 第84-95页 |
| 4.2.1 模糊逻辑控制 | 第85-86页 |
| 4.2.2 广义动态模糊神经网络GD-FNN | 第86-92页 |
| 4.2.3 基于GD-FNN的力矩控制器 | 第92-95页 |
| 4.3 灰预测自适应模糊PID控制 | 第95-103页 |
| 4.3.1 传统PID控制器 | 第96-97页 |
| 4.3.2 模糊自适应PID控制器 | 第97-99页 |
| 4.3.3 基于灰预测的变论域自适应模糊PID力矩控制器 | 第99-103页 |
| 4.4 两种控制器的多余力矩抑制效果对比 | 第103-104页 |
| 4.5 小结 | 第104-106页 |
| 5 实验验证 | 第106-120页 |
| 5.1 引言 | 第106页 |
| 5.2 硬件构成 | 第106-108页 |
| 5.3 控制软件设计 | 第108-110页 |
| 5.4 实验结果 | 第110-119页 |
| 5.4.1 多余力矩的抑制实验 | 第110-112页 |
| 5.4.2 随动系统的性能考核 | 第112-119页 |
| 5.5 小结 | 第119-120页 |
| 6 总结与展望 | 第120-123页 |
| 6.1 全文总结 | 第120-121页 |
| 6.2 创新点 | 第121页 |
| 6.3 工作展望 | 第121-123页 |
| 致谢 | 第123-124页 |
| 参考文献 | 第124-133页 |
| 附录 | 第133-134页 |