炮控装置负载模拟器控制策略研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 课题背景及研究意义 | 第7页 |
| 1.2 负载模拟系统概述 | 第7-9页 |
| 1.2.1 负载模拟器类型 | 第7-9页 |
| 1.2.2 电动加载系统的结构及原理 | 第9页 |
| 1.3 电动加载系统控制策略研究 | 第9-12页 |
| 1.3.1 传统控制策略 | 第10-12页 |
| 1.3.2 智能控制策略 | 第12页 |
| 1.4 论文研究的主要内容 | 第12-14页 |
| 2 电动负载模拟器的分析和建模 | 第14-24页 |
| 2.1 电动负载模拟器的结构 | 第14-15页 |
| 2.2 电动负载模拟器数学模型 | 第15-21页 |
| 2.2.1 永磁同步电动机模型 | 第15-18页 |
| 2.2.2 扭矩传感器数学模型 | 第18-19页 |
| 2.2.3 转动惯量盘模型 | 第19页 |
| 2.2.4 双惯量系统等效转换 | 第19-20页 |
| 2.2.5 系统整体模型及参数 | 第20-21页 |
| 2.3 多余力矩分析 | 第21-22页 |
| 2.4 电动加载系统不确定性及非线性分析 | 第22-23页 |
| 2.5 小结 | 第23-24页 |
| 3 基于IGA-RBF神经网络的系统辨识 | 第24-41页 |
| 3.1 神经网络 | 第24-25页 |
| 3.2 RBF神经网络 | 第25-27页 |
| 3.2.1 RBF神经元模型 | 第25-26页 |
| 3.2.2 RBF神经网络结构 | 第26-27页 |
| 3.2.3 RBF神经网络的学习算法 | 第27页 |
| 3.3 遗传算法 | 第27-29页 |
| 3.3.1 遗传算法的基本思想 | 第27-28页 |
| 3.3.2 遗传算法的特点 | 第28-29页 |
| 3.3.3 遗传算法流程及实现 | 第29页 |
| 3.4 基于IGA-RBF神经网络系统辨识 | 第29-40页 |
| 3.4.1 神经网络系统辨识 | 第30-31页 |
| 3.4.2 输入输出数据获取与处理 | 第31-34页 |
| 3.4.3 IGA-RBF算法实现 | 第34-36页 |
| 3.4.4 IGA-RBF辨识步骤及流程 | 第36页 |
| 3.4.5 实际系统辨识结果及模型验证 | 第36-40页 |
| 3.5 小结 | 第40-41页 |
| 4 电动负载模拟器控制策略与控制器设计 | 第41-53页 |
| 4.1 PID控制器 | 第41-42页 |
| 4.2 前馈补偿控制器 | 第42-45页 |
| 4.2.1 前馈控制 | 第43页 |
| 4.2.2 多余力矩的补偿 | 第43-44页 |
| 4.2.3 前馈补偿仿真及分析 | 第44-45页 |
| 4.3 基于GA/RBF-PID复合控制器设计 | 第45-52页 |
| 4.3.1 单神经元自适应PID控制器 | 第46-47页 |
| 4.3.2 RBF神经网络在线辨识器 | 第47-48页 |
| 4.3.3 改进遗传算法的PID参数整定 | 第48-49页 |
| 4.3.4 控制仿真实验及分析 | 第49-52页 |
| 4.4 小结 | 第52-53页 |
| 5 半实物仿真实验及分析 | 第53-64页 |
| 5.1 性能指标 | 第53页 |
| 5.2 系统硬件构成 | 第53-59页 |
| 5.2.1 半实物仿真实验台的总体结构 | 第53-55页 |
| 5.2.2 加载控制器硬件设计 | 第55-59页 |
| 5.3 系统软件设计 | 第59页 |
| 5.4 实验结果 | 第59-63页 |
| 5.5 小结 | 第63-64页 |
| 6 结束语 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 附录 | 第71页 |
