一、基于改进遗传算法的单神经元自适应PID控制器（论文文献综述）
周伟豪[1]（2021）在《基于参数辨识的异步电机效率优化》文中进行了进一步梳理异步电动机因其成本低、简单可靠,广泛运用于风机泵类负载拖动,矢量控制使得异步电动机的性能得到进一步提升,使其拓展到更多高性能驱动领域,成为工业用电领域的绝对主力军。但在很多应用场合,异步电动机长期工作在空载或轻载状态,这时电机效率降低很大。为了解决这一问题,一些工业变频器中已经根据实际工况设置了（低于满载的）磁通设置值,用以提高异步电机效率,但是这些弱磁磁通通常根据电机的理论参数进行计算得到,运行过程中电机参数会发生变化,此时电机的效率有进一步提高的空间。针对以上问题,本文提出电机参数辨识的异步电动机效率优化算法,并通过仿真和实验对异步电动机参数辨识算法和效率优化算法进行了验证本文的主要工作如下:第一,对效率优化控制和参数辨识的国内外研究进展进行总结分析。分析了异步电机产生损耗的原因,并明确了电机损耗的影响因素。第二,针对目前考虑铁损的三相电机数学模型结构复杂,阶次较高,不便于后续仿真研究的问题,推导了考虑铁损异步电机的六阶数学模型。第三,推导了考虑铁损的转子磁链计算公式,在Matlab/Simulink环境下对控制系统进行了仿真分析。对损耗模型法效率优化的原理进行了分析,通过异步电机稳态数学模型推导出损耗最小化磁通给定表达式,设计了基于最佳磁链控制的效率优化算法。第四,针对传统辨识算法存在的计算量大、实现困难,且易受环境因素干扰,辨识精度低等问题,提出了基于模型参考自适应的参数辨识方法。该方法实现简单,不需要复杂的迭代和计算过程,计算过程具有鲁棒性,计算精度高。在Matlab/Simulink环境下对系统进行了仿真验证,得到的辨识结果误差小于0.5%。证明了提出的在线辨识方法有效性和可行性。同时,针对MRAS方法中,自适应率的PI控制器参数难以调节的问题,利用具有自学习能力的单神经元PID控制器取代了传统PI控制,对传统MRAS进行了改进。经过仿真验证,改进方法相比传统方法辨识来说,辨识精度更为高效,同时辨识系统的快速性也有一定程度提高。第五,将参数辨识结果与效率优化相结合,利用辨识的结果在线修正最佳磁链来实现更为高效的效率优化控制。与传统的固定设定磁链相比,改算法可以使得大幅提高电机的运行效率。第六,利用搭建的实验电路。实验验证了基于模型参考自适应的参数辨识方法及基于参数辨识的效率优化算法的有效性。
张铄[2]（2021）在《交流伺服系统高性能电流环控制策略研究》文中认为如今科技逐渐进步,工业生产自动化对交流伺服系统的要求越来越多样化、越来越严苛,交流伺服系统需要以优越的性能稳定工作在复杂且不断变化的恶劣环境中。自动化企业亟需高效率、低成本、能适应多种多样复杂工作环境的交流伺服系统。在实际应用中,会有温度漂浮不定、设备相互摩擦、设备元件的死区及饱和等非线性问题的干扰,还有负载的易变性。这几个原因会让电流环固定增益的PID控制器不能始终维持控制系统的最佳运行状况。经典控制策略中,研究人员一般会用人工试凑PID控制参数的方法,这对研究人员的操作水平要求较高,不仅会消耗大量时间还会消耗大量人力,效率较低,在实际工业应用中不易操作。为此,本课题对交流伺服驱动系统电流环PI控制器的参数自调整展开相关的探索与研究,来得到最优的比例系数Kp、积分系数Ki,使交流伺服系统能够适应更加复杂的工况,以提高工业生产效率、降低工业生产人力成本,满足用户高性能指标的要求。现有的基本粒子群优化算法,全局收敛性差,在实际工业应用实践中有可能会过早的结束粒子寻优,是现有的基本粒子群优化算法比较明显的缺陷。本文尝试将随机产生权值与优胜劣汰原则相配合来优化现有的基本粒子群优化算法。但是,随机产生权值的与粒子群优化算法相结合会使粒子寻优效率速度变差、算法收敛效率降低,本文将运用优胜劣汰原则解决这个问题。本文分析探究了时间绝对误差乘积积分ITAE方程在数学方面的实质,该方程是求解指令信号直线与输出信号曲线所围成的区域面积绝对值的大小。本文依据此推论将时间绝对误差乘积积分ITAE准则作为粒子群算法的适应度函数来对交流伺服系统电流环PI控制器参数进行寻优、筛选。为了验证神经网络控制方法与经典控制方法的结合程度、可实现性和自适应性,本文探讨研究了单神经元自适应控制和径向基函数神经网络自适应控制在实际伺服电流环中的具体应用和功能实现。本文在已实际商业化应用于工业生产的交流伺服控制驱动器中实现了电流环PI控制器参数自整定功能,经过实验验证,通过本文的自整定方法得到的参数在实际表现中确实优于专家策略方法的表现,并且通过本文的自整定方法得到的参数能够使永磁交流同步电机在转速远超额定转速时仍旧稳定工作。
傅建行[3]（2020）在《基于物联网的番茄温室环境智能调控系统设计与实现》文中研究表明随着我国经济和科学技术的发展,我国农业正从传统农业向现代农业转变,其中温室作为现代农业的重要支撑在国内得到广泛应用。番茄是温室种植的重要蔬菜品种,日常消费量巨大。传统番茄温室种植管理主要以经验为主,存在智能化水平低,番茄生长环境不能得到有效测控、劳动力投入大、劳动效率低和资源浪费严重等突出问题。为此,研发基于物联网的番茄温室环境智能调控系统,实现番茄温室环境的实时测控,通过构建番茄温室环境调控模型,提高番茄温室环境调控的精准度,为实现番茄生产管理自动化和智能化奠定基础。本文依托东平迅发有机蔬菜合作社温室大棚条件研发了基于物联网的番茄温室环境智能调控系统,研究建立了番茄温室环境调控模型,并开发了配套的软件管理系统。具体研究内容如下:（1）参考已有的研究成果,在充分考虑算法的有效性和简单易用性的前提下,采用以空气温度、空气湿度、光照强度作为输入,以空气温度为输出的随机森林预测方法,同时将单神经元自适应PID控制器来代替传统PID控制器,构建了番茄温室环境调控模型,模型性能良好,为实现温室精准化控制奠定了基础。（2）参考现有物联网体系架构,并结合番茄温室的实际需求,设计了番茄温室四层域结构;通过无线传感器网络采集番茄温室环境信息与设备状态信息,并由通信传输模块上传至上位机软件中并进行存储、分析和决策,研发了番茄温室环境智能调控系统,实现了对番茄温室环境的实时监控功能和基于控制模型的智能调控功能。（3）研发上位机软件、Web端和手机APP移动端程序,实现对番茄温室环境的实时监测和远程调控,方便种植人员对番茄温室进行监控和农事操作,大幅度提升了操作效率。系统运行结果表明,研发的番茄温室环境智能调控系统稳定可靠,有效完成了对番茄温室环境的实时监管,并可以通过现场、Web端和手机APP移动端多种方式对温室进行监管,应用系统的番茄温室产量提高了12.86%,系统具有实用性和推广价值。
陈宗帅[4]（2020）在《基于改进单神经元PID算法的变风量空调系统三参数前馈解耦自适应PID控制策略的研究》文中研究指明变风量空调系统（Variable Air Volume Air Conditioning System,VAVACS）是保持送风温度恒定,通过改变送入室内的冷、热送风量,进而满足对室内温度控制的要求。相比于传统的定风量空调系统（Constant Air Volume Air Conditioning System,CAVACS）,因其可以明显地降低风机能耗和实现分区域温度控制的优势,VAVACS被广泛的应用于现代公共建筑当中。然而,由于VAVACS的多参数、非线性且其主要控制回路之间存在强耦合的特性,当其在运行时往往会出现不同控制回路之间相互干扰的问题,造成系统的不稳定运行和降低控制系统的控制品质。鉴于此,结合多变量解耦控制理论、模糊控制算法和单神经元自适应PID控制技术,通过对VAVACS耦合严重的三个控制回路进行分析,本文提出了VAVACS三参数前馈解耦自适应PID控制策略和一种改进的单神经元PID算法（Modified Single Neuron PID Algorithm,MSNPIDA）对自适应PID控制器参数进行整定的研究思路。同时,借助于MATLAB软件,分别对MSNPIDA和VAVACS的三参数前馈解耦自适应PID控制系统进行了编程和组态,且仿真运行。本文研究内容主要包括:1.通过对VAVACS的3个主要参数控制回路的机理分析,分别建立了冷（热）水流量QCW/HW-送风温度TSA、送风机转速n1-送风静压PSA和室内送风量QSA-空调房间温度或室温Tn的数学模型。并基于矩阵分析法,构建了这3个控制回路的耦合传递函数矩阵表达式。2.基于前馈补偿方法,构建了解耦补偿器的传递函数矩阵,以消除这3个控制回路之间的耦合效应。借助于MATLAB软件中的多变量频域设计工具箱（Multivariable Frequency Design Toolbox,MFDT）,对VAVACS三参数前馈解耦控制系统进行了单位阶跃响应分析的仿真。结果表明,本文所设计的前馈解耦补偿器能够实现消除这3个控制回路之间的耦合效应。3.该MSNPIDA是基于送风温度TSA、送风静压PSA和室温Tn的误差及误差变化率和模糊运算规则,通过调节单神经元的神经网络权值ωi（i=1,2,3）和增益系数λ的大小,对相应的3个自适应PID控制器的参数KP*、KI*和KD*进行自适应整定,并获取相应的最佳值。同时,借助于MATLAB软件,对该MSNPIDA进行了编程和功能模块封装。通过对经典函数的验算和水箱液位实验的验证,表明该MSNPIDA是合理且可行的。4.借助MATLAB/Simulink工具,对基于MSNPIDA的VAVACS三参数前馈解耦自适应PID控制系统进行了组态,且数值仿真了空调冬、夏季工况的运行状况。结果表明,相应的送风温度TSA、送风静压PSA和室温Tn的控制指标能够满足空调工艺的相关要求,且跟踪性能和抗干扰能力良好。5.类似的,分别对基于MSNPIDA的VAVACS三参数非解耦自适应PID控制系统和VAVACS三参数解耦传统PID控制系统进行了组态和数值模拟了它们在空调夏季工况下的运行情况。基于结果分析,可看出本文提出的基于MSNPIDA的VAVACS三参数前馈解耦自适应PID控制方式相比于其它两种控制方式,其控制性能是明显占优的。
朱冬雪[5]（2020）在《基于BP神经网络的集中供热系统二次管网节能控制研究》文中认为建筑能耗是我国三大能耗之一,其中集中供热系统能耗在建筑能耗中占比巨大。长期以来,我国传统集中供热系统,特别是二次管网系统因管理粗放、智能化水平低等原因导致二次管网水力失调,采暖用户室内温度冷热不均,造成大量的热量损失。针对此问题,本文以我国严寒地区（山东省滨州市）某集中供热小区为研究对象,首先分析了二次管网供热中水力失调对管网的影响,综述了近年来用于供热管网的控制策略,提出用智能平衡阀来对二次管网进行楼前控制。选取了在供热时间和供热末端上具有代表性的建筑——幼儿园作为控制对象,设计、安装了设备和测试仪表,用所取得的实验数据得出幼儿园供热系统的传递函数,为后续的控制优化建立了基础。考虑不同控制器时滞性影响的不同,运用传统的PID控制器、改进的单神经元PID控制器和BP神经网络PID控制器分别对幼儿园供热系统传递函数进行仿真分析,仿真结果表明:改进的单神经元PID与常规PID控制仿真曲线相比超调量减小75%、调整时间减少0.5s、稳态时间缩短了1s。而BP神经网络PID控制与改进的单神经元PID控制仿真曲线相比超调量减少了4%、调整时间减少0.6s、系统达到稳定的时间缩短了3.5s。结果显示,BP神经网络PID控制算法对智能平衡阀开度进行分时调控效果最优。为了验证BP神经网络控制算法工业化的可行性,本文对电路系统元器件进行选型、电路设计、程序编写和仿真实验。结果显示,BP神经网络控制算法可以通过单片机控制器实现对供热系统的智能控制。在节能研究方面,本文将最优的BP神经网络热负荷预测和阀门开度预测模型控制方法运用到改造后的小区集中供热系统中,对供热系统进行节能控制。通过系统改造前后同期运行数据对比可得,在满足用户室内温度需求的基础上,采用BP神经网络预测方法对系统进行控制,末端用户耗热量减少7.4%,系统总能耗减少9.5%。实验数据表明,BP神经网络预测控制方法有效降低了小区供热系统的运行能耗。本文的研究可以对集中供热系统二次管网以及类似系统工程的节能改造和工程应用提供相应的依据和参考。
何凯[6]（2019）在《基于SMPT-1000具有回收工艺的连续过程控制策略及实现》文中研究指明连续过程控制是工业生产中的关键技术,多应用于化学品、燃料和聚合物的大规模生产上,如聚乙烯醇DCS生产过程、化工厂粗苯区域控制系统等,决定了工业生产的品质、种类和生产能力,有一定的研究价值。大多数连续过程控制复杂、调节参数和扰动因素过多,具有高温、高压、多输入、多输出、强耦合、强非线性等特点,运行状况多变难控。针对传统的连续过程系统忽略物料回收工艺造成的物料浪费、产量偏低的缺点,综合考虑安全、生产优化、节能、环保,本文采用改进的串级-比值控制策略实现物料的回收,运用单神经元自适应PSD算法对闪蒸罐压力进行控制,达到了迅速调节且提高系统产量的目的,基于PCS7和SMPT-1000完成连续过程控制策略的实现和验证。本文在详细介绍工艺过程、控制要求的基础上,使用SDG图方法分析各参数的耦合关系,制定具有回收工艺的改进型串级-比值控制策略,以及全系统8个部分的控制思路,总结PID控制器的正反作用及控制规律,并给出了过程控制系统的控制器设计总表及框图。基于PCS7对控制方案进行CFC组态,采用并行SFC加快控制进程,详细说明回收工艺的参数配置及实施过程。传统PID控制无法自学习整定参数,单神经元和PSD算法能自适应、自调节参数,针对闪蒸罐压力的不确定性、时滞等特点,采用单神经元自适应PSD算法控制,基于SCL语言编程并生成功能块,在CFC中组态单神经元自适应PSD-PID复合串级控制,而其他回路保持不变。结合工艺控制流程,基于WinCC设计了主界面、报警、流量累积等组态,并加入了安全显示盘及紧急停止功能,实时监控整个连续过程控制系统的运行状态,浓度、最终产量、回收工艺流量等重要指标可直观显示。在SMPT-1000平台上进行实验,结果表明,单神经元自适应PSD快速性优于串级PID,在保证安全的同时物料回收利用率和生成物产量得到提高,证明该具有回收工艺的连续过程控制策略,具有一定的理论和应用价值。图[64]表[7]参[66]。
王长正[7]（2019）在《板球系统的PID控制器参数智能优化研究》文中研究说明板球系统作为验证控制算法的实验平台,是一种典型的非线性、强耦合控制系统。本文主要以提高小球在位置控制和轨迹跟踪控制中的控制精度和稳定性为目的,在PID控制算法、RBF（Radial Basis Function）神经网络的研究基础上,提出了基于RBF-PID控制改进的两种控制算法。首先,对板球系统的基本结构和工作原理进行了介绍,对板球系统完成动力学分析,选择拉格朗日建模法建立以角度为控制量的数学模型,并对板球系统进行线性化及解耦,将双轴运动分解成为X方向、Y方向的单轴运动。然后,针对板球系统中PID控制精度低和稳定性差的问题,将PID控制与RBF神经网络相结合,对PID参数进行自整定,RBF-PID控制相对于PID控制实现了一定程度上的优化,但仍无法实现高精度控制。针对RBF-PID控制在板球系统中控制精度差的问题,引入粒子群算法（PSO）优化RBF神经网络的适应度函数;针对RBF-PID控制在板球系统中稳定性差的问题,引入遗传算法（GA）并设计遗传神经自适应PID控制器;并在MATLAB环境下完成实验,验证将控制算法应用到板球系统上的可行性。最后,将粒子群优化的RBF-PID控制算法和遗传神经自适应PID控制算法应用到GBP2001板球系统中,并分别完成单次定点位置控制实验和多次定点位置控制实验,实验结果表明本文提出的基于RBF-PID控制的两种改进算法具有可行性且控制效果较好。选取位置控制实验中结果较优的PID参数值在板球系统中完成方形轨迹跟踪控制实验,以轨迹震荡10%作为稳定跟踪边界,综合两种实验结果对比分析可知,基于粒子群优化的RBF-PID控制算法在板球系统中的控制精确度最高,遗传神经自适应PID控制算法在板球系统中的控制稳定性最高。
盛亮[8]（2019）在《固液两相磨粒流喷嘴研抛机床计算机控制系统的研制》文中研究说明随着我国在世界工业领域不断创新,极大程度上促进了我国精密加工制造业的快速发展,精密加工制造业对加工精度的要求却越来越严格,使较为传统的加工方法很难保证其加工精度,而磨粒流加工技术能很好地解决传统机械加工方法造成加工精度低的问题,磨粒流加工是磨粒流机床通过磨料的互相挤压和流动对被加工工件表面,该加工技术适用于各类工件内曲面、微小孔和复杂孔的精密和超精密加工。为探究固液两相磨粒流喷嘴研抛机床控制系统的稳定性、快速性和准确性,采用相应的PID（比例、积分和微分）控制器进行控制,通过神经网络理论与经典PID控制算法结合设计出自整定单神经元PID控制器,根据仿真结果得到PID参数的学习速率,通过模糊控制理论与经典PID控制算法相结合设计出自适应模糊PID控制器,根据仿真结果得出PID参数增量值的变化范围,采用自整定单神经元PID控制器、自适应模糊PID控制器和经典PID控制器分别对磨粒流机床加工过程中压力和流量进行仿真分析,通过仿真结果得出磨粒流机床按照压力模式进行加工时,控制系统应选用自整定单神经元PID控制器,按照流量模式进行加工时,控制系统应选择自适应模糊PID控制器。为进行固液两相磨粒流喷嘴研抛机床控制系统的加工试验,采用MCGS组态软件对磨粒流机床的加工过程进行监控,同时完成了PLC主控制程序的编写,加工试验分为按压力模式加工和按流量模式加工两种方式,通过分析试验结果,表明在PID控制作用下,固液两相磨粒流喷嘴研抛机床控制系统能够较好地控制系统输出偏差,使控制系统具有一定的稳定性和准确性,同时验证了设计自整定单神经元PID控制器和自适应模糊PID控制器的合理性,为进一步提高固液两相磨粒流喷嘴研抛机床控制系统的可靠性及可控性,提供了理论指导和技术支持。
韦海利[9]（2018）在《基于RBF辨识的单神经元PID电液比例位置控制研究》文中研究说明比例阀控液压缸系统因结构简单,价格低廉,性价比高等特点被广泛应用于各个领域,但变增益,变死区等非线性特性影响了它的控制性能。国内外学者运用模糊神经网络,迭代学习,滑模变结构等智能控制算法对比例阀控缸系统进行研究,取得了一定的研究成果。本文针对具有大死区,复杂摩擦力的比例阀控普通液压缸系统,在补偿死区和摩擦力的基础上,进行RBF网络辨识的单神经元PID控制研究。首先,概述了课题的研究背景与研究意义,电液比例技术和神经网络控制技术的国内外研究现状以及本文的研究内容。并搭建了以STM32F103ZET6处理器为核心的实验系统。设计信号调理电路,以Qt Creator开发了人机交互界面,开发了处理器与人机交互界面的网络通信,实现了对控制效果的监测。其次,根据系统的组成和工作原理建立了系统数学模型,以系统的开环传递函数为基础,通过伯德图分析了系统动态特性。然后,分析系统的非线性特性,设计了自学习死区补偿算法和基于模型的摩擦力补偿算法。同时在Matlab/Simulink中搭建了控制系统仿真模型,研究了基于RBF网络辨识的单神经元PID控制算法,根据RBF在线辨识的雅可比信息对单神经元PID中的参数进行自调整,并通过仿真实验分析算法中各参数的作用。最后,在实际系统装置中采用了基于RBF网络辨识的单神经元PID控制策略,对比例阀控液压缸进行位置定位和跟踪控制,验证了控制算法的有效性。
冯薏霖[10]（2017）在《基于dSPACE的智能PID控制方法应用研究》文中认为随着计算机技术和仿真技术的高速发展,实时在线实物或半实物仿真技术逐渐成为各种控制系统设计或控制器开发的重要手段。面对复杂的控制系统对象,为了提高控制方法的研究效率,快速解决在控制方法研究时遇到的问题,需要搭建一套可靠的半实物控制系统仿真平台,用来实现在线生成代码、下载调试及系统仿真,从而实现控制方法及控制器的高效、快速研究与开发。本文设计了基于dSPACE的实时半实物仿真平台,该平台可以完成控制器快速原型设计与测试,通过与MATLAB/Simulink完全无缝连接,实现实时在线控制方法的研究。本文基于该平台对智能PID控制方法的应用进行了研究。首先,介绍了基于dSPACE实时系统的半实物仿真实验平台的设计,包括硬件部分:基于dSPACE实时系统的电加热炉温度控制及电机转速控制实验装置的设计;软件部分:将控制系统由Matlab/Simulink框图模型转换为C语言下载到dSPACE主板中的方法、ControlDesk实时在线调试及GUI设计系统上位机界面。其次,本文详细介绍了传统PID控制、遗传算法优化的PID控制及单神经元自适应PID控制的原理,并针对过程控制中典型电加热炉的温度及运动控制中永磁直流电机转速的优化分别设计了三种控制器,旨在利用dSPACE半实物仿真控制平台,快速高效地解决温度参数与速度参数的控制问题。最后,本文将传统PID、遗传算法优化PID及单神经元自适应PID方法,应用于过程控制中典型电加热炉温度及运动控制中永磁直流电机转速的控制,分别进行了仿真实验,以及基于dSPACE实时系统的半实物仿真实验。上述三种算法的应用研究结果表明,本文所研究的智能PID方法相比于传统PID均可以大大缩短获得最佳控制的周期,既具有传统PID结构简单、容易实现的特点,也具备智能方法的优化、自学习等优质特征;所获得的最佳控制效果较传统PID方法具有超调量小,调节时间短,稳态误差几乎为零的优势;基于dSPACE的半实物仿真平台可以提供可靠的硬件系统,使得控制方法的研究过程实现短时高效。
二、基于改进遗传算法的单神经元自适应PID控制器（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于改进遗传算法的单神经元自适应PID控制器（论文提纲范文）
（1）基于参数辨识的异步电机效率优化（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 异步电机效率优化控制策略 |
| 1.2.1 搜索控制法研究现状 |
| 1.2.2 基于损耗模型的效率优化研究现状 |
| 1.2.3 混合控制法的研究现状 |
| 1.3 异步电机在线参数辨识研究现状 |
| 1.3.1 直接辨识方法 |
| 1.3.2 间接辨识方法 |
| 1.3.3 智能辨识方法 |
| 1.4 本文研究内容和结构安排 |
| 2 考虑铁损的异步电机模型及矢量控制 |
| 2.1 考虑铁损异步电机的数学模型及其仿真 |
| 2.1.1 考虑铁损异步电机的数学模型 |
| 2.1.2 模型验证 |
| 2.2 基于矢量控制控制的异步电机 |
| 2.2.1 矢量控制原理 |
| 2.2.2 考虑铁损的三相异步电动机矢量控制及仿真 |
| 2.3 本章小结 |
| 3 矢量控制下的异步电机效率优化 |
| 3.1 基于损耗模型的电机效率优化 |
| 3.1.1 异步电动机损耗分析 |
| 3.1.2 最佳转子磁通的求解 |
| 3.2 损耗模型法效率优化仿真 |
| 3.3 本章小结 |
| 4 基于卡尔曼滤波算法的异步电机的参数辨识 |
| 4.1 电机参数误差对基于模型的效率优化算法的影响 |
| 4.2 基于扩展卡尔曼滤波算法的电机参数辨识 |
| 4.2.1 扩展卡尔曼滤波算法原理 |
| 4.2.2 扩展卡尔曼滤波算法估计电机转子电阻 |
| 4.3 EKF估计电机转子电阻仿真 |
| 4.4 本章小结 |
| 5 基于MRAS及其改进算法的参数辨识 |
| 5.1 模型参考自适应理论 |
| 5.1.1 模型参考自适应原理 |
| 5.1.2 自适应结构设计 |
| 5.2 基于模型参考自适应辨识电机参数 |
| 5.2.1 辨识模型选取 |
| 5.2.2 基于电流-电压模型的MRAS参数辨识 |
| 5.3 基于单神经元模型参考自适应的电机参数辨识 |
| 5.3.1 单神经元模型介绍 |
| 5.3.2 单神经元PID控制器设计 |
| 5.3.3 单神经元PID控制器学习算法设计 |
| 5.4 基于MRAS参数辨识的仿真分析 |
| 5.4.1 待辨识参数时不变工况下的仿真分析 |
| 5.4.2 待辨识参数变化工况下的仿真分析 |
| 5.4.3 基于单神经元PID的参数辨识的仿真分析 |
| 5.5 基于MRAS参数辨识的异步电机效率优化 |
| 5.5.1 基于MRAS参数辨识的最佳磁链控制策略 |
| 5.5.2 基于MRAS参数辨识的异步电机效率优化仿真分析 |
| 5.6 本章小结 |
| 6 实验及分析 |
| 6.1 硬件平台介绍 |
| 6.1.1 实验平台框架 |
| 6.1.2 主电路 |
| 6.2 实验系统软件设计 |
| 6.2.1 主程序 |
| 6.2.2 效率优化算法程序设计 |
| 6.3 实验系统平台及实验结果分析 |
| 6.3.1 实验结果及分析 |
| 6.4 本章小结 |
| 7 本文总结与未来展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间相关科研成果 |
（2）交流伺服系统高性能电流环控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及意义 |
| 1.4 论文结构及章节排布 |
| 第二章 永磁同步电机伺服系统数学模型分析及矢量控制原理 |
| 2.1 交流永磁同步电机的基本构造 |
| 2.2 永磁同步电机伺服系统的数学模型 |
| 2.2.1 永磁同步电机的坐标系 |
| 2.2.2 坐标变换 |
| 2.2.3 永磁同步电机的数学模型 |
| 2.2.4 永磁同步电机伺服系统的内部环节构造分析 |
| 2.3 永磁同步电机的矢量控制原理 |
| 2.4 电压空间矢量脉冲宽度调制方法 |
| 2.5 PID控制器在控制系统中的应用 |
| 2.6 本章小结 |
| 第三章 基于改进粒子群优化算法的电流环参数自整定 |
| 3.1 粒子群优化策略的概念 |
| 3.1.1 粒子群优化算法的基本原理 |
| 3.1.2 粒子群优化算法的算法流程 |
| 3.1.3 粒子群优化算法中的参数分析及其设置方法 |
| 3.2 改进的粒子群优化算法 |
| 3.3 基于粒子群优化算法的电流环参数自整定控制器的设计 |
| 3.3.1 控制系统的性能指标分析 |
| 3.3.2 PI参数自整定基于改进粒子群优化算法的实现 |
| 3.4 改进粒子群优化算法PI参数自整定的评估 |
| 3.5 改进粒子群优化算法PI参数自整定的Simulink仿真 |
| 3.6 仿真结果 |
| 3.7 本章小结 |
| 第四章 永磁同步电机神经网络自适应控制 |
| 4.1 引言 |
| 4.2 单神经元自适应PID控制 |
| 4.2.1 单神经元基本模型 |
| 4.2.2 单神经元自适应PID控制结构及算法 |
| 4.2.3 单神经元自适应PID控制系统仿真实例 |
| 4.3 径向基函数神经网络整定PID控制 |
| 4.3.1 径向基函数神经网络构成机理、模型及学习算法 |
| 4.3.2 径向基函数神经网络整定PID控制系统结构及整定算法 |
| 4.3.3 径向基函数神经网络整定PID控制系统仿真实例 |
| 4.4 本章小结 |
| 第五章 伺服系统电流环参数自整定实验设计及研究 |
| 5.1 实验硬件平台搭建 |
| 5.1.1 实验伺服驱动器及电机 |
| 5.1.2 数字信号处理器DSP TMS320F280049 |
| 5.2 程序调试 |
| 5.3 硬件调试工作 |
| 5.4 改进粒子群优化算法参数自整定实验 |
| 5.5 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）基于物联网的番茄温室环境智能调控系统设计与实现（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设施农业物联网的研究现状 |
| 1.2.2 设施农业调控模型的研究现状 |
| 1.2.3 国内外发展现状小结 |
| 1.3 主要研究内容、技术路线及创新点 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 创新点 |
| 1.4 论文组织结构 |
| 2 相关理论与技术 |
| 2.1 单神经元的学习理论 |
| 2.1.1 神经元学习的基础 |
| 2.1.2 单神经元学习规则 |
| 2.2 物联网体系架构与技术研究 |
| 2.2.1 物联网体系架构 |
| 2.2.2 物联网技术 |
| 2.3 本章小结 |
| 3 番茄温室控制模型的构建 |
| 3.1 番茄温室调控要素 |
| 3.1.1 主要环境因子类型 |
| 3.1.2 调控设备 |
| 3.2 基于随机森林的温室温度预测 |
| 3.3 单神经元自适应PID控制器的研究 |
| 3.3.1 传统PID控制器理论 |
| 3.3.2 神经元模型 |
| 3.3.3 单神经元自适应PID控制器的学习方法 |
| 3.3.4 仿真分析 |
| 3.4 番茄温室环境控制模型的构建 |
| 3.5 本章小结 |
| 4 基于物联网的番茄温室智能调控系统的设计 |
| 4.1 系统设计框架设计 |
| 4.1.1 系统需求分析 |
| 4.1.2 系统方案设计 |
| 4.2 无线传感器网络的设计 |
| 4.2.1 ZigBee网络结构 |
| 4.2.2 ZigBee组网过程 |
| 4.2.3 ZigBee数据传输 |
| 4.2.4 传感器选型 |
| 4.3 MSP430主控制单元的设计 |
| 4.3.1 系统通信设计 |
| 4.3.2 系统外围电路设计 |
| 4.4 软件系统的设计 |
| 4.4.1 上位机软件设计 |
| 4.4.2 Web端的设计 |
| 4.4.3 手机APP移动端的设计 |
| 4.5 本章小结 |
| 5 基于物联网的番茄温室智能调控系统的实现 |
| 5.1 番茄温室概况 |
| 5.1.1 番茄概况 |
| 5.1.2 温室概况 |
| 5.2 番茄温室智能调控系统的实现 |
| 5.3 模型验证 |
| 5.4 上位机软件的实现 |
| 5.5 Web端的实现 |
| 5.6 手机APP移动端的实现 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间获得的研究成果 |
（4）基于改进单神经元PID算法的变风量空调系统三参数前馈解耦自适应PID控制策略的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题的研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义及目的 |
| 1.3 国内外研究现状 |
| 1.3.1 变风量空调系统多参数解耦控制技术的研究现状 |
| 1.3.2 单神经元PID控制理论的研究现状 |
| 1.4 本文主要研究内容和章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 本文章节安排 |
| 第2章 变风量空调系统自动控制设计 |
| 2.1 变风量空调系统概述 |
| 2.1.1 VAVACS的基本组成 |
| 2.1.2 VAVACS各组成部分的分类及选择 |
| 2.1.3 VAVACS的控制方式及特点 |
| 2.2 基于矩阵法VAVACS三参数耦合控制回路建模及稳定性分析 |
| 2.2.1 VAVACS三参数单控制回路的数学描述 |
| 2.2.2 VAVACS三参数耦合控制回路的矩阵描述 |
| 2.2.3 VAVACS运行的稳定性分析 |
| 2.3 本章小结 |
| 第3章 变风量空调系统三参数前馈解耦控制方案的选择与设计 |
| 3.1 多参数解耦控制理论及MATLAB实现 |
| 3.1.1 多参数控制回路之间的耦合性分析 |
| 3.1.2 多参数控制回路解耦补偿器的设计及MATLAB实现 |
| 3.2 VAVACS三参数前馈解耦补偿控制系统设计 |
| 3.3 本章小结 |
| 第4章 基于改进单神经元PID算法的自适应PID控制器设计及性能分析 |
| 4.1 传统PID控制器的控制规律和参数整定方法 |
| 4.1.1 PID控制器的控制规律 |
| 4.1.2 控制系统常用的性能评价指标 |
| 4.1.3 PID控制器参数的整定方法 |
| 4.2 基于改进单神经元PID算法的自适应PID控制器设计 |
| 4.2.1 基于单神经元PID算法的自适应PID控制器的基本理论 |
| 4.2.2 基于MSNPIDA的自适应PID控制器的控制规律及参数整定方法 |
| 4.3 基于MSNPIDA的自适应PID控制器参数整定的算例验证 |
| 4.4 基于MSNPIDA的液位自适应PID控制器参数整定效果的实验验证 |
| 4.5 本章小结 |
| 第5章 基于MSNPIDA的 VAVACS三参数前馈解耦自适应PID控制系统数值仿真 |
| 5.1 VAVACS三参数前馈解耦自适应PID控制系统的Simulink组态 |
| 5.2 基于MSNPIDA的 VAVACS三参数自适应PID控制器参数的整定 |
| 5.3 VAVACS三参数前馈解耦自适应PID控制系统的仿真模拟及性能分析 |
| 5.3.1 冬、夏季工况VAVACS三参数解耦自适应PID控制系统仿真与分析 |
| 5.3.2 夏季工况VAVACS三参数非解耦自适应PID控制系统仿真与分析 |
| 5.3.3 夏季工况VAVACS三参数前馈解耦传统PID控制系统仿真与分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（5）基于BP神经网络的集中供热系统二次管网节能控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 集中供热系统国内外研究现状 |
| 1.2.1 集中供热系统前端节能控制的研究现状 |
| 1.2.2 集中供热系统末端节能控制的研究现状 |
| 1.2.3 室温节能控制系统的研究现状 |
| 1.3 研究目的和意义 |
| 1.4 本文的主要研究内容 |
| 第2章 集中供热系统控制策略与实地测量——以寒冷地区某集中供热小区为例 |
| 2.1 二次管网的水力失调 |
| 2.1.1 二次管网 |
| 2.1.2 水力失调 |
| 2.2 传统集中供热系统室温节能控制策略 |
| 2.2.1 温控阀变流量调节 |
| 2.2.2 分户式变频泵变流量调节 |
| 2.2.3 二次管网楼前智能平衡阀(IBV)控制策略 |
| 2.3 小区集中供热控制系统升级与改造 |
| 2.3.1 项目概况及存在问题 |
| 2.3.2 小区集中供热系统原理图 |
| 2.4 设备安装与测试 |
| 2.4.1 设备选型 |
| 2.4.2 阀门安装与数据测量 |
| 2.5 供热系统模型及传递函数 |
| 2.5.1 供热系统的数学模型——以幼儿园为例 |
| 2.5.2 传递函数参数的确定 |
| 2.6 本章小结 |
| 第3章 BP神经网络对供热系统的仿真分析 |
| 3.1 传统PID控制器设计 |
| 3.1.1 传统PID控制器原理 |
| 3.1.2 传统PID控制参数对系统性能的影响 |
| 3.1.3 传统PID控制参数的整定 |
| 3.1.4 传统PID对幼儿园供热系统传递函数的仿真 |
| 3.2 改进单神经元自适应PID控制器设计 |
| 3.2.1 改进单神经元自适应PID控制器 |
| 3.2.2 改进单神经元自适应PID学习算法 |
| 3.2.3 改进单神经元PID对幼儿园供热系统传递函数的仿真 |
| 3.3 误差反向传播(BP)神经网络PID控制器设计 |
| 3.3.1 BP神经网络PID控制器 |
| 3.3.2 BP神经网络PID控制算法 |
| 3.3.3 BP神经网络对幼儿园供热系统传递函数的仿真 |
| 3.4 干扰下BP神经网络对幼儿园供热系统传递函数的仿真 |
| 3.5 BP神经网络算法的性能分析 |
| 3.6 本章小结 |
| 第4章 室温节能控制电路系统的设计与仿真 |
| 4.1 室温节能控制电路系统结构框图 |
| 4.2 单片机结构原理 |
| 4.3 外围电路设计 |
| 4.3.1 时钟振荡电路 |
| 4.3.2 复位电路 |
| 4.3.3 按键电路 |
| 4.3.4 LCD液晶显示电路 |
| 4.3.5 驱动电路 |
| 4.3.6 温度采集电路 |
| 4.3.7 基于BP神经网络室温节能控制总电路设计图 |
| 4.4 电路结构程序设计 |
| 4.4.1 温度采集程序的设计 |
| 4.4.2 温度显示程序的设计 |
| 4.4.3 步进电机转动程序的设计 |
| 4.4.4 延时程序设计 |
| 4.5 电路系统仿真实验 |
| 4.6 本章小结 |
| 第5章 热负荷和阀门开度预测模型及节能分析 |
| 5.1 BP神经网络热负荷预测和阀门开度预测模型的建立 |
| 5.1.1 BP神经网络热负荷和阀门开度预测模型的影响因素 |
| 5.1.2 常用热负荷预测方法 |
| 5.2 BP神经网络热负荷和阀门开度预测模型数据的处理 |
| 5.2.1 输入、输出变量的选取 |
| 5.2.2 历史数据的预处理 |
| 5.2.3 输入、输出参数的归一化处理 |
| 5.3 BP神经网络最优预测模型的选取 |
| 5.3.1 BP神经网络结构的确定 |
| 5.3.2 BP神经网络预测模型仿真分析 |
| 5.4 基于BP神经网络预测模型节能分析 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 附录 A |
| 附录A.1 |
| 附录A.2 |
| 附录 B |
| 附录B.1 |
| 附录B.2 |
| 附录B.3 |
| 附录B.4 |
| 附录B.5 |
| 附录 C |
| 附录C.1 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（6）基于SMPT-1000具有回收工艺的连续过程控制策略及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.2 连续过程控制策略国内外发展现状 |
| 1.3 存在问题 |
| 1.4 论文的主要工作 |
| 2 连续过程控制工艺分析及控制策略 |
| 2.1 连续过程控制工艺描述 |
| 2.1.1 工艺过程分析 |
| 2.1.2 控制要求 |
| 2.1.3 被控变量特性分析 |
| 2.2 具有回收工艺的连续过程控制策略 |
| 2.2.1 具有回收工艺的液位及原料A、B串级-比值控制回路 |
| 2.2.2 催化剂C流量单闭环比值控制回路 |
| 2.2.3 反应器液位控制回路 |
| 2.2.4 反应器温度控制回路 |
| 2.2.5 闪蒸罐液位控制回路 |
| 2.2.6 闪蒸罐压力串级控制回路 |
| 2.2.7 冷凝器出口物料温度控制回路 |
| 2.2.8 冷凝罐液位控制回路 |
| 2.3 控制策略总体设计 |
| 2.3.1 确定控制器正反作用 |
| 2.3.2 控制规律选择 |
| 2.3.3 控制策略设计汇总 |
| 2.4 本章小结 |
| 3 具有回收工艺的连续过程控制策略的实现 |
| 3.1 控制系统及硬件描述 |
| 3.2 SMPT-1000实验装置I/O模块变量说明 |
| 3.3 硬件组态 |
| 3.3.1 建立项目文件 |
| 3.3.2 AS组态 |
| 3.3.3 OS组态 |
| 3.3.4 网络组态 |
| 3.3.5 站组态 |
| 3.4 控制策略CFC组态 |
| 3.4.1 单回路PID控制CFC组态 |
| 3.4.2 单闭环比值控制CFC组态 |
| 3.4.3 闪蒸罐压力串级PID控制CFC组态 |
| 3.4.4 具有回收工艺的CFC组态及参数配置 |
| 3.5 并行SFC组态设计 |
| 3.6 参数整定及结果分析 |
| 3.6.1 单回路PID控制参数整定 |
| 3.6.2 串级PID控制参数整定 |
| 3.6.3 具有回收工艺的串级-比值控制参数整定 |
| 3.6.4 具有回收工艺的连续过程控制策略实验分析 |
| 3.7 本章小结 |
| 4 单神经元自适应PSD控制器及其在连续过程控制系统中的应用 |
| 4.1 单神经元自适应PID控制原理 |
| 4.1.1 常规PID控制算法及局限 |
| 4.1.2 单神经元自适应PID控制算法 |
| 4.2 单神经元自适应PSD控制仿真 |
| 4.2.1 单神经元自适应PSD控制算法 |
| 4.2.2 单神经元PSD控制器参数整定规则 |
| 4.2.3 仿真与结果分析 |
| 4.3 单神经元自适应PSD控制器在连续过程控制系统中的应用 |
| 4.3.1 基于SCL语言实现PSD控制器 |
| 4.3.2 PSD复合串级控制器的CFC组态 |
| 4.4 PSD控制器调试与运行结果 |
| 4.4.1 PSD控制器程序调试 |
| 4.4.2 实验结果分析及对比 |
| 4.5 本章小结 |
| 5 上位机组态实现 |
| 5.1 系统监控主界面 |
| 5.2 超限报警及停止画面 |
| 5.2.1 超限紧急停止 |
| 5.2.2 报警记录画面 |
| 5.2.3 实时趋势画面 |
| 5.3 控制器监控画面 |
| 5.3.1 SFC监控 |
| 5.3.2 PID控制器监控 |
| 5.4 回收累积产量监控设计 |
| 5.4.1 基于TotalL实现回收产量累积 |
| 5.4.2 TotalL控制器监控画面 |
| 5.4.3 回收产量实时曲线显示 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录A 基于SCL语言的单神经元自适应PSD控制器代码 |
| 致谢 |
| 作者简介以及读研期间主要科研成果 |
（7）板球系统的PID控制器参数智能优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 板球系统的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究存在的主要问题 |
| 1.4 文章主要工作及各章节主要内容 |
| 第二章 板球系统的动力学分析及数学建模 |
| 2.1 GPB2001 型板球系统的结构与原理 |
| 2.1.1 机械部分 |
| 2.1.2 视觉及运动控制部分 |
| 2.2 板球系统动力学分析 |
| 2.3 板球系统建模及模型简化 |
| 2.4 板球系统数学模型选定 |
| 2.4.1 角加速度控制量模型 |
| 2.4.2 角度控制量模型 |
| 2.5 数学模型线性化及解耦 |
| 2.6 本章小结 |
| 第三章 板球系统控制器设计及仿真实验 |
| 3.1 板球系统的PID控制算法 |
| 3.2 板球系统的RBF-PID控制算法 |
| 3.2.1 RBF神经网络 |
| 3.2.2 板球系统RBF-PID控制器设计 |
| 3.3 基于粒子群算法优化的RBF-PID控制算法 |
| 3.3.1 粒子群算法参数设定 |
| 3.3.2 板球系统PSO优化RBF神经网络的策略 |
| 3.4 基于遗传算法优化的RBF-PID控制算法 |
| 3.4.1 遗传算法参数设定 |
| 3.4.2 基于遗传算法的PID参数初始值优化步骤 |
| 3.4.3 板球系统的遗传神经自适应PID参数优化策略 |
| 3.5 板球系统仿真实验 |
| 3.5.1 板球系统仿真模块建立 |
| 3.5.2 板球系统仿真结果分析 |
| 3.6 本章小结 |
| 第四章 板球系统实物控制实验 |
| 4.1 控制评价指标 |
| 4.2 PID、RBF-PID及改进RBF-PID定点位置控制 |
| 4.2.1 单次定点位置控制结果对比 |
| 4.2.2 多次定点位置控制结果对比 |
| 4.3 RBF-PID及改进RBF-PID跟踪方形轨迹 |
| 4.3.1 边长50mm的正方形轨迹跟踪 |
| 4.3.2 边长80mm的正方形轨迹跟踪 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A (攻读硕士学位期间学术成果) |
| 附录B (攻读硕士学位期间参与的项目) |
（8）固液两相磨粒流喷嘴研抛机床计算机控制系统的研制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 磨粒流加工技术研究现状 |
| 1.2.1 磨粒流加工技术的国外研究现状 |
| 1.2.2 磨粒流加工技术的国内研究现状 |
| 1.3 计算机控制系统的研究现状 |
| 1.3.1 计算机控制系统的国外研究现状 |
| 1.3.2 计算机控制系统的国内研究现状 |
| 1.4 课题来源及主要研究内容 |
| 1.4.1 课题来源 |
| 1.4.2 主要研究内容 |
| 1.5 本章小结 |
| 第2章 固液两相磨粒流喷嘴研抛机床控制系统模型的建立 |
| 2.1 固液两相磨粒流喷嘴研抛机床加工原理及组成结构 |
| 2.2 磨粒流机床控制系统各部分模型传递函数的建立 |
| 2.2.1 比例溢流阀传递函数的建立 |
| 2.2.2 液压缸传递函数的建立 |
| 2.2.3 比例放大器传递函数的建立 |
| 2.2.4 压力传感器传递函数的建立 |
| 2.2.5 固液两相磨粒流喷嘴研抛机床控制系统总传递函数的建立 |
| 2.3 固液两相磨粒流喷嘴研抛机床控制系统稳定性分析 |
| 2.4 本章小结 |
| 第3章 固液两相磨粒流喷嘴研抛机床控制系统算法的优化设计 |
| 3.1 经典PID控制算法及基本原理 |
| 3.1.1 位置式PID控制算法及基本原理 |
| 3.1.2 增量式PID控制算法及基本原理 |
| 3.2 神经网络基本结构及学习规则 |
| 3.2.1 神经网络简介 |
| 3.2.2 神经元模型及基本结构 |
| 3.2.3 神经网络的学习方式及规则 |
| 3.3 自整定单神经元PID控制器的设计 |
| 3.4 模糊控制理论 |
| 3.4.1 模糊PID控制器的组成 |
| 3.4.2 量化因子的选用及确定 |
| 3.4.3 系统输入量的模糊化过程 |
| 3.4.4 模糊控制规则的建立 |
| 3.5 自适应模糊PID控制器的设计 |
| 3.6 本章小结 |
| 第4章 固液两相磨粒流喷嘴研抛机床控制系统的仿真及分析 |
| 4.1 自适应模糊PID控制器对加工压力的仿真 |
| 4.2 自整定单神经元PID控制器与自适应模糊PID控制器对比仿真 |
| 4.3 自整定单神经元PID控制器对加工流量的仿真 |
| 4.4 自适应模糊PID控制器与自整定单神经元PID控制器对比仿真 |
| 4.5 本章小结 |
| 第5章 固液两相磨粒流喷嘴研抛机床控制系统的试验研究 |
| 5.1 固液两相磨粒流喷嘴研抛机床控制系统程序设计 |
| 5.2 固液两相磨粒流喷嘴研抛机床控制系统组态功能设计 |
| 5.2.1 组态软件的系统构成及其分类 |
| 5.2.2 固液两相磨粒流喷嘴研抛机床组态功能设计要求 |
| 5.2.3 固液两相磨粒流喷嘴研抛机床组态功能画面的创建 |
| 5.2.4 固液两相磨粒流喷嘴研抛机床组态软件与PLC通讯连接 |
| 5.3 固液两相磨粒流喷嘴研抛机床硬件设备选择 |
| 5.4 固液两相磨粒流喷嘴研抛机床控制系统的电气设计 |
| 5.5 固液两相磨粒流喷嘴研抛机床加工试验与分析 |
| 5.5.1 固液两相磨粒流喷嘴研抛机床流量加工试验及分析 |
| 5.5.2 固液两相磨粒流喷嘴研抛机床压力加工试验及分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表论文与研究成果 |
| 致谢 |
（9）基于RBF辨识的单神经元PID电液比例位置控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 电液比例技术概况 |
| 1.2.1 电液比例技术的发展现状 |
| 1.2.2 电液比例技术面临的难题 |
| 1.3 神经网络控制技术的发展和现状 |
| 1.3.1 神经网络控制技术的发展概况 |
| 1.3.2 神经网络控制技术的现状 |
| 1.4 论文研究的主要内容 |
| 第2章 实验系统搭建与软件设计 |
| 2.1 实验系统搭建 |
| 2.1.1 比例阀控缸系统的组成 |
| 2.1.2 实验系统硬件选型 |
| 2.2 系统电气设计 |
| 2.2.1 控制器芯片选择 |
| 2.2.2 信号调理电路设计 |
| 2.3 系统软件设计 |
| 2.3.1 网络通信设计 |
| 2.3.2 上位机界面设计 |
| 2.4 本章小节 |
| 第3章 比例阀控液压缸系统建模 |
| 3.1 比例阀控缸系统组成与工作原理 |
| 3.1.1 比例阀控缸系统组成 |
| 3.1.2 比例阀控缸系统工作原理 |
| 3.2 系统中各个模块的数学模型 |
| 3.2.1 位移传感器数学模型 |
| 3.2.2 比例放大器的数学模型 |
| 3.2.3 比例流量阀数学模型 |
| 3.2.4 液压缸的数学模型 |
| 3.3 系统建模 |
| 3.4 本章小结 |
| 第4章 比例阀控液压缸控制策略设计 |
| 4.1 系统的动态分析 |
| 4.2 系统的非线性因素分析 |
| 4.2.1 比例阀的死区特性 |
| 4.2.2 液压缸的非对称性 |
| 4.2.3 液压缸的摩擦力 |
| 4.3 死区及摩擦力补偿算法设计 |
| 4.3.1 死区补偿 |
| 4.3.2 摩擦力补偿 |
| 4.4 基于RBF网络辨识的单神经元PID控制器设计 |
| 4.4.1 单神经元网络 |
| 4.4.2 RBF神经网络 |
| 4.4.3 RBFNNI单神经元控制器设计 |
| 4.5 改进的RBF网络辨识的单神经元PID控制器 |
| 4.5.1 RBFNNI单神经元控制器仿真模型的搭建 |
| 4.5.2 RBFNNI单神经元PID中各参数的影响仿真实验 |
| 4.5.3 改进的RBFNNI的单神经元PID控制算法 |
| 4.6 本章小结 |
| 第5章 比例阀控缸位置控制系统实验研究 |
| 5.1 控制算法研究 |
| 5.1.1 基于RBF网络辨识的单神经元PID算法实验研究 |
| 5.1.2 基于RBF网络辨识的单神经元PID与传统PID对比实验 |
| 5.2 死区以及摩擦力补偿实验 |
| 5.3 非对称性实验 |
| 5.4 不确定因素对系统控制效果的影响实验 |
| 5.4.1 跟踪频率变化实验 |
| 5.4.2 温度变化实验 |
| 5.4.3 负载变化实验 |
| 5.5 本章小结 |
| 总结与展望 |
| 主要工作及结论 |
| 研究展望 |
| 参考文献 |
| 致谢 |
（10）基于dSPACE的智能PID控制方法应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的目的及意义 |
| 1.1.1 课题研究目的 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 过程控制的发展现状 |
| 1.2.2 运动控制的发展现状 |
| 1.2.3 智能控制 |
| 1.2.4 dSPACE实时仿真系统 |
| 1.3 本文的总体结构 |
| 第2章 基于dSPACE的控制系统设计 |
| 2.1 系统总体方案设计 |
| 2.2 硬件设计 |
| 2.2.1 dSPACE实时仿真硬件平台应用 |
| 2.2.2 电加热炉温度控制实验装置 |
| 2.2.3 电机调速控制实验装置 |
| 2.3 软件设计 |
| 2.3.1 dSPACE实时仿真系统软件应用 |
| 2.3.2 系统上位机设计 |
| 2.4 本章小结 |
| 第3章 智能PID控制器设计 |
| 3.1 PID控制理论 |
| 3.1.1 PID控制原理 |
| 3.1.2 数字PID控制方法 |
| 3.2 遗传算法优化PID |
| 3.2.1 遗传算法的原理 |
| 3.2.2 基于遗传算法的PID参数的优化控制 |
| 3.3 单神经元自适应PID |
| 3.3.1 神经元模型 |
| 3.3.2 单神经元自适应PID |
| 3.4 本章小结 |
| 第4章 智能PID控制方法应用研究 |
| 4.1 建立模型及下载控制方法 |
| 4.1.1 建立模型 |
| 4.1.2 下载控制方法 |
| 4.2 电加热炉温度控制的应用 |
| 4.2.1 传统PID的应用 |
| 4.2.2 遗传算法优化PID的应用 |
| 4.2.3 单神经元自适应PID的应用 |
| 4.3 永磁直流电机转速控制的应用 |
| 4.3.1 传统PID的应用 |
| 4.3.2 遗传算法优化PID的应用 |
| 4.3.3 单神经元自适应PID的应用 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
四、基于改进遗传算法的单神经元自适应PID控制器（论文参考文献）
- [1]基于参数辨识的异步电机效率优化[D]. 周伟豪. 西安理工大学, 2021(01)
- [2]交流伺服系统高性能电流环控制策略研究[D]. 张铄. 电子科技大学, 2021(01)
- [3]基于物联网的番茄温室环境智能调控系统设计与实现[D]. 傅建行. 山东农业大学, 2020(01)
- [4]基于改进单神经元PID算法的变风量空调系统三参数前馈解耦自适应PID控制策略的研究[D]. 陈宗帅. 兰州理工大学, 2020(12)
- [5]基于BP神经网络的集中供热系统二次管网节能控制研究[D]. 朱冬雪. 南京师范大学, 2020(03)
- [6]基于SMPT-1000具有回收工艺的连续过程控制策略及实现[D]. 何凯. 安徽理工大学, 2019(01)
- [7]板球系统的PID控制器参数智能优化研究[D]. 王长正. 昆明理工大学, 2019(04)
- [8]固液两相磨粒流喷嘴研抛机床计算机控制系统的研制[D]. 盛亮. 长春理工大学, 2019(01)
- [9]基于RBF辨识的单神经元PID电液比例位置控制研究[D]. 韦海利. 北京理工大学, 2018(07)
- [10]基于dSPACE的智能PID控制方法应用研究[D]. 冯薏霖. 沈阳理工大学, 2017(02)