一、基于神经网络自适应控制技术的发动机仿真（论文文献综述）
张弛,齐义文,邢宁[1]（2022）在《航空发动机自适应动态规划转速控制研究》文中研究说明针对航空发动机传统控制方法适应性与自整定能力有限等问题,提出了一种自适应动态规划转速控制方法。本文探索了面向控制的Actor网络设计、面向学习的Critic网络设计、面向性能的效用函数设计、网络单步更新时间序列设计、归一化参数配置、面向模型的交互与更新设计等关键技术。通过模拟仿真使控制器积累大量控制经验,自发探索、主动交互、自我学习,逐步修正和完善控制策略,实现较高水平控制性能的发挥。最后,基于某航空发动机仿真平台,验证了所设计的自适应动态规划转速控制器的合理性与有效性。
陶鑫瑞,高春艳,陈璇,潘政[2]（2021）在《气动机械手稳定运动的控制策略综述》文中进行了进一步梳理气动机械手由于具有驱动介质来源方便、成本低、工作环境要求低等优点,已经在自动搬运、自动上下料等场合中有着广泛的应用;但是由于自身非线性特性,其工作速度稳定性较差。从模糊控制、神经网络控制以及鲁棒控制3个方向分析了气动机械手稳定运动控制策略的研究及应用,发现模糊控制和神经网络控制发展较为迅速,与其他控制理论融合的效果良好且实际应用比较成熟,而鲁棒控制发展较为缓慢且应用较少。根据现有研究成果推测,气动机械手稳定运动控制策略在未来将继续沿着控制理论融合与补充的趋势发展,为气动机械手在复杂动态环境的应用提供更精准、更稳定的控制方案。
陶倩文,闫祥海,仝一锟,闫宇翔,徐立友[3]（2021）在《拖拉机室内台架试验技术现状与展望》文中研究表明作为拖拉机研发的重要验证手段,拖拉机室内台架试验可方便高效地为拖拉机模拟各种工况下的性能表现。首先探究动力总成控制技术、负载模拟技术、试验数据处理技术和试验结果评价技术4种拖拉机室内台架试验关键技术,结合试验技术的最新研究进展,对4种技术进行详细的阐述和分析。接着从动力总成控制算法、负载模拟算法、试验数据处理方法、试验结果评价指标体系4个方面对拖拉机室内台架试验技术进行讨论与展望。最后得出对动力总成算法进行优化、提高动态负载模拟精度、保持试验数据处理方法的前沿性、对试验结果综合客观评价是拖拉机室内台架试验技术的发展趋势,以期为我国拖拉机室内台架试验技术的发展提供参考。
闫斌斌[4]（2021）在《基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究》文中研究说明叶片是燃气轮机的重要部件,长时间在较高的转速、温度、压力和负荷条件下工作,受空气中的杂质污染和腐蚀,发生故障的概率极高,故障模式如结垢、磨损、腐蚀和打伤等。叶片故障严重影响燃气轮机运行的稳定性、经济性和安全性。因此,开展燃机叶片故障诊断研究十分必要。本文主要从气路性能诊断方法出发,研究基于混合模型的燃气轮机叶片故障预警及诊断中的若干关键问题:1)同型号不同燃气轮机个性化差异对气路性能机理模型仿真精度存在影响;2)仅凭机理的建模方式难以适应燃气轮机气路性能的残余个性化差异;3)采用单一参数和固定阈值的燃气轮机叶片故障预警存在误警率和漏警率较高的问题;4)叶片故障诊断过程中存在模型精度有限和寻优算法易陷入局部最优等问题。开展的主要工作如下:建立了燃气轮机个性化气路性能机理模型。针对同型号不同燃气轮机部件特性图的个性化差异,改进了现有的部件通用解析解,同时提出基于粒子群算法的性能自适应方法,通过定义的更新因子实现了部件特性曲线形状的靶向控制,进而实现了部件解析解与实际部件特性的精准匹配。针对燃气轮机循环设计点与循环参考点之间的个性化差异,提出基于逆向迭代和遗传算法的循环参考点整定方法,实现了循环参考点的精准整定,提高了气路性能机理模型的准确性。部件特性曲线和循环参考点的自适应调整,明显降低了燃气轮机实际性能与气路性能机理模型之间的个性化差异。通过燃气轮机现场实测数据验证了该方法的有效性。提出了两类燃气轮机气路性能混合驱动模型构建方法。针对某些燃气轮机循环参考点和部件特性曲线难以获取的问题,提出一种结合燃气轮机机理的气路性能混合模型构建方法,并定义为第一类混合模型。该方法面向燃气轮机部件单元体构建混合模型,其中神经网络结构、神经元数量和激活函数的选定分别参考燃气轮机模块化划分、截面热力参数数量以及部件非线性程度。针对循环参考点和部件特性曲线可用,但气路性能机理模型和燃气轮机实际性能之间仍存在残余个性化差异的情况,提出了一种基于径向基神经网络误差补偿的混合模型,并定义为第二类混合模型。该方法以机理模型为基础,通过径向基神经网络补偿残余个性化差异造成的误差。通过在役燃气轮机实测数据验证了该方法的有效性。建立了基于宽频振动和混合模型的燃气轮机叶片故障预警方法。由于采用单一参数和固定阈值的叶片故障预警易出现误报率和漏报率较高的问题,故提出了一种基于多参数的燃气轮机叶片故障变工况预警方法。首先基于宽频振动信号提取偏离特征参数,同时基于气路性能信号提取降级特征参数;其次研究特征参数的阈值设定方法,考虑变工况对阈值设定的影响,建立了叶片故障的3级预警规则。最后通过燃气轮机实际故障案例验证了该方法的有效性。研究了基于混合模型的燃气轮机叶片故障诊断方法。针对非线性气路故障诊断的优化算法易陷入局部最优的问题,建立了基于改进粒子群算法和混合模型的非线性叶片故障诊断模型。以实测数据为目标,通过气路性能混合模型的自适应调整确定部件性能降级量,进而识别燃气轮机叶片的故障模式。针对燃气轮机部件特性曲线和循环参考点难以获取的场合,基于测量参数进行叶片故障诊断,而该方法仅对叶片单一故障的诊断精度较高,对于多种叶片故障同时发生的场合诊断精度较低,因此研究了基于SVM和第一类混合模型的叶片单一故障诊断方法。在上述模型基础上,提出了基于改进相似度算法的叶片自动诊断方法,可自动识别叶片故障类型。通过燃气轮机叶片故障实测数据验证了该方法的有效性。本文的研究成果可以补充和拓展目前的叶片故障预警和诊断理论,同时为相关理论在工程实践中的应用提供参考。
曾繁琦,袁晓静,王旭平,张泽[5]（2021）在《军用混合动力系统能量管理策略研究综述》文中指出混合动力系统是军用车辆具备优越性能的基础,合理的能量管理策略是改善军用车辆性能、提高军用车辆信息化水平和控制水平的关键。论述了目前能量管理策略的研究现状,分析了各种策略的优缺点及其在军用车辆中应用存在的问题。对能量管理策略研究的发展趋势进行了分析,对提升军用车辆动力性、经济性等性能具有重要意义,为深入研究军用混合动力技术提供参考。
马艳如,石晓荣,刘华华,梁小辉,王青[6]（2021）在《运载火箭姿态系统自适应神经网络容错控制》文中指出针对运载火箭姿态系统跟踪问题,考虑干扰、执行器故障和模型不确定因素的影响,设计了一种基于自适应神经网络的非线性容错控制律。该控制算法结合了连续的终端滑模控制,径向基神经网络和自适应控制方法。首先,基于滑模控制理论,设计了一种快速终端滑模面,保证系统跟踪误差能够在有限时间收敛至零。然后,在终端滑模面基础上,提出了一种基于自适应径向基神经网络估计的终端滑模控制律。利用自适应参数的神经网络逼近系统参数并提高抗干扰性能,采用平滑连续控制策略消除了终端滑模中的颤动现象。通过李雅普诺夫的分析方法证明了闭环系统的收敛性和全局稳定性。采用数值仿真,验证了提出的基于自适应径向基神经网络的终端滑模控制律具有较好的跟踪性能和精度。
房善想[7]（2021）在《面向航空叶片表面超声强化的机器人运动规划与柔顺控制研究》文中认为航空发动机叶片的表面强化对提高发动机使用寿命和工作效率、提升飞机飞行安全具有重要意义。由于叶片的材料钛合金具有比强度高的特点,对其进行超声强化需要大振幅稳定输出的超声换能器。另外,为了提高超声强化的自动化水平和实现叶片表面的高精度强化加工,需要应用工业机器人装载强化装置以自动完成工艺过程,并且工业机器人工作时需要进行特定的运动规划以及接触力的柔顺控制。本文的研究内容包括四个部分。（1）可提供大振幅稳定输出的超声表面强化换能器研制。对于TC4钛合金的超声强化,需要换能器提供持续稳定的大振幅输出。采用稀土超磁致伸缩材料代替压电陶瓷来研制超声换能器,以Terfenol-D棒为核心元件设计复合振子,提高前后振速比与振动稳定性。通过复合振子模态分析,得到振型良好的固有频率,获得大振幅输出,同时稀土超磁致伸缩换能器的整体有限元磁场分析验证了其整体磁场封闭并且分布合理。经测试,所研制的换能器在方波20 k Hz的条件下,输出振幅可达11.3μm,测试材料强化区域的表面质量分布均匀良好,体现出换能器能够保持有效振幅的持续稳定输出。（2）基于超声表面强化动力响应的机器人运动规划。一方面构建关于TC4钛合金超声表面强化动力响应模型,获取强化过程中的工具头运动状态及压深信息。另一方面基于此响应模型对航空叶片表面超声强化路径点进行合理提取,使整体路径分布可根据叶片表面曲率自适应调整,在保证强化质量的同时提高效率。为描述超声强化工具头在机器人任务空间的位姿,建立机器人与末端超声强化装置的联合运动学模型,基于四元数球面立体插值法进行平滑的工具头姿态轨迹规划。通过算法仿真验证,得到适用于叶片表面超声强化的机器人运动规划方法。（3）机器人超声表面强化接触力柔顺控制。将机器人的位置控制和力控制进行解耦,采用智能控制方法对柔顺力控制装置的输出力进行控制,解决航空叶片表面超声强化作业过程中在多冲击与震荡工况环境下的接触力恒定控制问题。通过时域测定法对柔顺力控制装置系统进行参数辨识,获得其实验测定模型。将模糊PID控制器与RBF神经网络相结合进行柔顺力控制装置的输出接触力恒定控制,使控制器具有自适应性和智能性,改善系统的响应性能和跟随鲁棒性。该柔顺控制策略实现了对柔顺力控制装置系统的控制优化,有效提升柔顺控制器的静态特性和动态特性。（4）航空叶片的机器人超声表面强化实验。通过分析柔顺力控制系统的响应性能、控制精度与跟随鲁棒性,验证采用模糊RBF神经网络PID控制方法可以有效提高柔顺力控制装置输出力的响应性能,提高系统动态特性,实现系统的快速调节。设计响应曲面实验法,研究机器人超声强化加工主要工艺因素对强化后的表面粗糙度以及表面硬度的交互影响规律,并获取最优的加工参数组合。钛合金叶片表面经机器人超声强化后形成规则均匀的条纹状强化纹理,表面粗糙度由Ra2.7μm降低到Ra 0.8μm左右,表面硬度从585 HL提高到672 HL左右,表面残余压应力最大可达841 MPa,压应力层深度接近1.2 mm,从而为面向航空叶片表面超声强化的机器人运动规划及柔顺控制技术的实际应用提供可行性参考。
李依彤,刘晓东,张惠平,王晓东[8]（2021）在《基于智能PID和扩张状态观测器的姿态控制方法》文中研究指明针对在实际工程中人工设计飞行器姿态控制参数造成工作量大的问题,提出一种基于模型参考自适应控制的神经网络姿态控制方法。首先在模型参考自适应控制的基本框架下,利用BP神经网络的自学习特性,实现PID控制参数的自适应整定。随后设计了两阶线性扩张状态观测器以对控制量进行补偿,并对观测器进行了误差分析。仿真结果表明通过神经网络训练得到的控制参数变化规律和工程实际较为相似,姿态角指令跟踪误差在允许范围内,幅值裕度和相角裕度均符合要求。通过分别在常值干扰和正弦变化干扰下的两阶线性扩张状态观测器和三阶线性扩张状态观测器的仿真对比,发现两阶的观测器更能够降低外界扰动对系统的影响。
陈琪[9]（2020）在《基于智能算法的车内路噪多通道主动控制技术研究》文中研究说明随着汽车品质的提升,汽车车内噪声成为用户评价汽车乘坐舒适性的重要指标。目前,随着汽车振动噪声技术的发展,发动机和传动系统噪声已经得到有效控制,汽车行驶时轮胎与路面相互作用产生的噪声（以下简称“路噪”）在整车噪声的影响程度在扩大,降低车内路噪,是汽车行业发展的重要趋势。路噪主要是低频率宽频带的随机噪声,目前主流的被动降噪技术,如吸声、隔声等,难以对其进行抑制,因此能有效降低低频噪声的噪声主动控制技术引发了广大汽车科技工作者的关注。同时,为了满足车内多个位置的降噪需求就需要研究噪声的多通道主动控制技术。本文通过研究噪声多通道主动控制技术的基本原理、系统结构和算法实现,并对车内路噪的噪声特性进行分析,结合现有的车内路噪主动控制方法提出了一种新的基于神经网络技术的车内路噪多通道主动控制策略:采用对时间序列信号具有较好辨识能力的神经网络方法,经过离线训练后通过悬架和车身连接点的振动加速度信号对车内路噪信号进行辨识,然后利用多通道噪声主动控制算法对车内路噪进行主动降噪,并围绕提出的控制策略,主要完成了以下研究工作:首先,通过比较各类算法特点后确定了车内多通道噪声主动控制系统的控制方案,采用基于随机梯度的LMS算法及多通道FxLMS算法分别完成多通道噪声主动控制系统的次级声通道辨识和主动降噪。其次,基于试验采集的汽车匀速行驶工况下悬架和车身连接点的振动加速度信号以及车内驾驶员与后排乘员耳旁噪声信号进行了低频特性与多重相关性分析,建立了车内路噪辨识的Elman神经网络模型。然后,建立了多通道噪声主动控制系统模型,并将其与多参考LMS算法合成车内路噪模型和Elman神经网络车内路噪辨识模型分别整合,搭建了现有的车内路噪主动控制模型与基于神经网络的车内路噪多通道主动控制模型,对比验证提出的车内路噪多通道主动控制策略的有效性和可行性。基于试验采集的振动与噪声数据分别对两组模型进行了仿真分析。结果表明,在路噪频率范围内,两组模型均取得了良好的降噪效果,可以实现多点的同时降噪。现有的车内路噪主动控制模型降噪量主要分布在10dB以内,峰值的降噪量可以达到约20dB。基于神经网络辨识的车内路噪主动控制系统降噪效果不逊于现有的车内路噪多通道主动控制策略,甚至在0-50Hz范围内的峰值噪声降噪效果更佳,可以达到约25dB。最后,基于所建立的车内路噪多通道主动控制Simulink模型及其控制策略,搭建车内路噪多通道主动控制系统的硬件在环仿真平台,并以实车试验采集的数据为基础对所建系统进行硬件在环仿真试验,结果表明基于神经网络的车内路噪多通道主动控制系统在20-100Hz频率范围内具有较好的降噪效果,并且可以实现多点的同时降噪,降噪量主要分布在2-8dB,噪声峰值处的降噪效果更佳。
惠易佳[10]（2020）在《基于神经网络自适应滑模的智能汽车纵向动力学控制研究》文中认为智能汽车是一个集环境感知、规划决策以及运动控制等功能于一体的高新技术载体,其可在不同道路环境下实现自主驾驶,代表了汽车未来发展的重要方向。运动控制是实现智能汽车自主驾驶的关键环节之一,其中,纵向动力学控制对于实时调节汽车纵向运动状态、保证智能汽车行驶安全具有重要意义。作为具有高度非线性以及参数不确定性等特点的非完整运动约束系统,智能汽车纵向动力学控制策略设计面临较高挑战。本文为进一步提升智能汽车纵向运动控制精度,采用RBF神经网络自适应滑模控制策略进行智能汽车纵向动力学控制研究,主要研究内容如下:首先,构建了智能汽车纵向动力学模型。借助已有的试验数据,系统地建立了包括发动机、变速器以及整车等在内的智能汽车纵向动力学模型,掌握了节气门执行器与制动执行器的运行规律。在此基础上,建立了汽车纵向动力学逆模型,制定了节气门与制动器的合理切换逻辑,为后续智能汽车纵向动力学控制设计奠定了模型基础。其次,设计了智能汽车纵向动力学非奇异终端滑模控制策略。在充分掌握滑模变结构控制原理的基础上,通过设置合适的系统输入量和输出量,完成了系统控制算法的优化设计,基于MATLAB/Simulink平台搭建了智能汽车纵向动力学滑模控制仿真模型。仿真结果表明,相较于PID控制策略,非奇异终端滑模控制算法使得智能汽车纵向速度平均跟踪误差降低了50%以上,有效提高了智能汽车纵向速度控制精度。再次,进行了基于RBF神经网络自适应滑模的智能汽车纵向动力学控制策略研究。针对滑模控制存在的“抖振”现象,结合RBF神经网络特有的逼近特性,对非奇异终端滑模控制的切换增益进行神经网络自适应调节。仿真结果表明,RBF神经网络算法有效改善了传统滑模控制产生的抖振现象,显着提升了智能汽车纵向运动控制品质。最后,基于D2P平台完成了智能汽车纵向动力学控制性能实车试验验证。通过将所设计的RBF神经网络自适应滑模控制算法刷写进D2P快速控制原型系统,结合试验车辆,完成了智能汽车纵向动力学控制实车试验。实车试验结果表明,所设计的神经网络自适应滑模控制算法在实际应用过程中具有较好的控制精度,验证了本文所提出控制策略的有效性,为智能汽车纵向动力学控制设计及应用提供了丰富的经验和借鉴。
二、基于神经网络自适应控制技术的发动机仿真（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、基于神经网络自适应控制技术的发动机仿真（论文提纲范文）
（2）气动机械手稳定运动的控制策略综述（论文提纲范文）
| 引言 |
| 1 气动机械手运动控制的难点 |
| 2 基于模糊控制的控制策略 |
| 2.1 模糊自整定PID控制 |
| 2.2 自适应模糊控制 |
| 2.3 神经模糊控制 |
| 2.4 对模糊控制的评价 |
| 3 基于神经网络的控制策略 |
| 3.1 前馈神经网络控制 |
| 3.2 递归神经网络 |
| 3.3 基于神经网络的其他研究 |
| 3.4 对神经网络控制的评价 |
| 4 基于鲁棒控制的控制策略 |
| 5 结论 |
（3）拖拉机室内台架试验技术现状与展望（论文提纲范文）
| 0 引言 |
| 1 动力总成控制技术 |
| 1.1 发动机控制技术 |
| 1.2 电机控制技术 |
| 1.3 电池及能量管理技术 |
| 2 负载模拟技术 |
| 3 试验数据处理技术 |
| 4 试验结果评价技术 |
| 5 展望 |
| 6 结论 |
（4）基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究背景与意义 |
| 1.2 国内外相关研究进展 |
| 1.2.1 气路性能机理模型研究进展 |
| 1.2.2 气路性能混合模型研究进展 |
| 1.2.3 叶片故障预警研究进展 |
| 1.2.4 叶片故障诊断研究进展 |
| 1.3 当前研究趋势及需要解决的关键问题 |
| 1.3.1 当前研究趋势 |
| 1.3.2 需要解决的关键问题 |
| 1.4 本文研究内容及结构安排 |
| 第二章 燃气轮机个性化气路性能机理模型 |
| 2.1 引言 |
| 2.2 燃气轮机通用气路性能机理模型 |
| 2.2.1 部件数学模型 |
| 2.2.2 稳态数学模型 |
| 2.2.3 动态数学模型 |
| 2.3 燃气轮机部件特性曲线自适应 |
| 2.3.1 部件特性通用解析解 |
| 2.3.2 更新因子提取及灵敏度分析 |
| 2.3.3 改进粒子群优化算法 |
| 2.3.4 通用解析解自适应方法 |
| 2.3.5 方法验证 |
| 2.4 燃气轮机循环参考点整定 |
| 2.4.1 循环参考点 |
| 2.4.2 循环参考点逆向迭代求解理论 |
| 2.4.3 循环参考点整定方法 |
| 2.4.4 验证案例描述 |
| 2.4.5 方法评估与验证分析 |
| 2.5 燃气轮机个性化气路性能机理模型应用 |
| 2.5.1 燃气轮机及其气路测试参数概述 |
| 2.5.2 个性化稳态气路性能机理模型及应用 |
| 2.5.3 个性化动态气路性能机理模型及应用 |
| 2.6 本章小结 |
| 第三章 燃气轮机气路性能混合驱动模型 |
| 3.1 引言 |
| 3.2 燃气轮机气路性能数据驱动模型 |
| 3.2.1 多层感知机理论 |
| 3.2.2 燃气轮机气路性能数据驱动模型构建方法 |
| 3.2.3 方法验证 |
| 3.3 面向单元体的燃气轮机气路性能混合模型 |
| 3.3.1 面向对象与燃气轮机气路性能仿真 |
| 3.3.2 面向单元体的气路性能混合模型构建方法 |
| 3.3.3 方法验证 |
| 3.4 基于径向基神经网络误差补偿的混合模型 |
| 3.4.1 径向基神经网络 |
| 3.4.2 基于径向基神经网络的误差补偿方法 |
| 3.4.3 方法评估与对比验证 |
| 3.5 气路性能混合模型应用实例 |
| 3.5.1 应用案例1 |
| 3.5.2 应用案例2 |
| 3.5.3 应用案例3 |
| 3.5.4 应用案例4 |
| 3.5.5 案例对比分析 |
| 3.6 本章小结 |
| 第四章 基于宽频振动和混合模型的燃气轮机叶片故障预警 |
| 4.1 引言 |
| 4.2 宽频振动信号特征提取 |
| 4.2.1 宽频振动信号测试 |
| 4.2.2 宽频振动信号特征提取方法 |
| 4.2.3 各部件宽频振动信号特征 |
| 4.3 气路性能信号特征提取 |
| 4.3.1 压气机气路性能信号特征 |
| 4.3.2 燃气涡轮气路性能信号特征 |
| 4.3.3 动力涡轮气路性能信号特征 |
| 4.4 基于宽频振动和混合模型的叶片故障预警方法 |
| 4.4.1 报警阈值 |
| 4.4.2 叶片故障特征阈值设定方法 |
| 4.4.3 叶片故障预警方法 |
| 4.5 方法应用案例 |
| 4.5.1 叶片报警阈值生成 |
| 4.5.2 预警方法验证 |
| 4.6 本章小结 |
| 第五章 基于混合模型的燃气轮机叶片故障诊断 |
| 5.1 引言 |
| 5.2 燃气轮机叶片故障 |
| 5.2.1 典型叶片故障 |
| 5.2.2 燃气轮机叶片故障判据 |
| 5.3 基于改进粒子群和混合模型的燃气轮机叶片故障诊断 |
| 5.3.1 非线性气路分析法 |
| 5.3.2 比折合参数表征的叶片健康参数 |
| 5.3.3 基于改进粒子群和混合模型的叶片故障诊断方法 |
| 5.3.4 方法验证及实际应用案例 |
| 5.4 基于SVM和混合模型的燃气轮机叶片故障诊断 |
| 5.4.1 支持向量机 |
| 5.4.2 基于混合模型的叶片故障模拟 |
| 5.4.3 基于SVM和混合模型的叶片故障诊断方法 |
| 5.4.4 方法评估及实际应用案例 |
| 5.5 燃气轮机叶片故障自动诊断方法 |
| 5.5.1 模式识别理论 |
| 5.5.2 叶片故障模式相似度分析 |
| 5.5.3 基于改进相似度的自动诊断方法 |
| 5.5.4 应用案例 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（5）军用混合动力系统能量管理策略研究综述（论文提纲范文）
| 1 引言 |
| 2 能量管理策略研究现状 |
| 2.1 基于规则的能量管理策略 |
| 2.2 基于优化的能量管理策略 |
| 2.3 基于工况自适应的能量管理策略 |
| 3 存在的问题 |
| 4 结论 |
（6）运载火箭姿态系统自适应神经网络容错控制（论文提纲范文）
| 0 引 言 |
| 1 系统动力学模型 |
| 2 运载火箭姿态系统自适应径向基神经网络容错控制 |
| 2.1 终端滑模面设计 |
| 2.2 自适应径向基神经网络控制 |
| 3 仿真校验 |
| 4 结 论 |
（7）面向航空叶片表面超声强化的机器人运动规划与柔顺控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关技术研究综述 |
| 1.2.1 航空叶片表面强化的研究现状 |
| 1.2.2 超声表面强化技术的研究现状 |
| 1.2.3 机器人自由曲面加工技术的研究现状 |
| 1.3 关键问题 |
| 1.4 研究内容 |
| 2 稀土超磁致伸缩换能器的研制 |
| 2.1 引言 |
| 2.2 面向航空叶片表面的机器人超声强化系统 |
| 2.3 稀土超磁致伸缩换能器的特性分析 |
| 2.3.1 换能器的整体结构分析 |
| 2.3.2 稀土超磁致伸缩材料特性分析 |
| 2.3.3 复合振子的振速比分析 |
| 2.4 稀土超磁致伸缩换能器的有限元分析 |
| 2.4.1 复合振子的模态分析 |
| 2.4.2 换能器的有限元磁场分析 |
| 2.5 稀土超磁致伸缩换能器的性能测试 |
| 2.5.1 换能器的电源选配 |
| 2.5.2 换能器的输出振幅测试 |
| 2.5.3 换能器的超声表面强化加工测试 |
| 2.6 本章小结 |
| 3 基于超声表面强化动力响应的机器人运动规划 |
| 3.1 引言 |
| 3.2 TC4 钛合金表面超声强化动力响应模型 |
| 3.2.1 TC4 钛合金的非线性等向强化与随动硬化本构模型 |
| 3.2.2 超声表面强化动力冲击响应 |
| 3.2.3 超声表面强化工具头运动状态仿真分析 |
| 3.3 面向航空叶片表面超声强化的机器人运动路径规划 |
| 3.3.1 超声强化工具头加工接触点规划 |
| 3.3.2 机器人超声强化路径行距规划 |
| 3.4 超声强化工具头在机器人运动空间中的位姿表达 |
| 3.4.1 机器人与末端超声强化装置的联合运动学分析 |
| 3.4.2 基于四元数球面立体插值的工具头姿态轨迹规划 |
| 3.5 叶片表面的机器人超声强化运动路径规划仿真 |
| 3.5.1 机器人超声表面强化系统坐标变换 |
| 3.5.2 机器人超声表面强化运动路径规划仿真 |
| 3.6 本章小结 |
| 4 机器人超声表面强化接触力柔顺控制研究 |
| 4.1 引言 |
| 4.2 机器人超声表面强化的力/位控制方法 |
| 4.3 柔顺力控制装置模型参数辨识 |
| 4.3.1 柔顺力控制装置传递函数模型 |
| 4.3.2 柔顺力控制装置传递函数模型参数辨识 |
| 4.4 柔顺力控制装置输出接触力的模糊PID控制 |
| 4.4.1 接触力的模糊控制 |
| 4.4.2 接触力的模糊PID控制方法 |
| 4.4.3 接触力模糊PID控制仿真研究 |
| 4.5 柔顺力控制装置输出接触力的模糊RBF神经网络PID控制 |
| 4.5.1 模糊RBF神经网络PID控制原理 |
| 4.5.2 接触力模糊RBF神经网络PID控制器设计 |
| 4.5.3 接触力模糊RBF神经网络PID控制仿真研究 |
| 4.6 本章小结 |
| 5 航空叶片表面的机器人超声强化实验研究 |
| 5.1 引言 |
| 5.2 柔顺力控制装置软硬件控制平台的实现 |
| 5.3 接触力柔顺控制算法实验研究 |
| 5.3.1 接触力柔顺控制算法实验方案 |
| 5.3.2 接触力阶跃响应实验 |
| 5.3.3 接触力正弦跟随实验 |
| 5.4 单条路径下柔顺力控制装置输出力控制算法实验研究 |
| 5.5 机器人超声表面强化加工参数优化实验研究 |
| 5.5.1 响应曲面设计法实验方案 |
| 5.5.2 回归方程模型的建立与分析 |
| 5.5.3 表面强化质量的响应曲面分析 |
| 5.6 钛合金航空叶片的机器人超声强化质量评价 |
| 5.7 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于智能PID和扩张状态观测器的姿态控制方法（论文提纲范文）
| 0 引言 |
| 1 导弹运动模型建立 |
| 2 基于BP神经网络的PID参数调节模型设计 |
| 2.1 BP神经网络基本框架 |
| 2.2 BP神经网络权值更新率设计 |
| 3 线性扩张状态观测器设计 |
| 4 仿真实验与分析 |
| 4.1 姿态控制结果分析 |
| 4.2 加入LESO后姿态控制结果分析 |
| 5 结论 |
（9）基于智能算法的车内路噪多通道主动控制技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 车内噪声特性分析 |
| 1.3 国内外研究现状 |
| 1.3.1 车内噪声控制技术 |
| 1.3.2 车内噪声主动控制研究概况 |
| 1.3.3 车内路噪主动控制技术研究现状 |
| 1.4 本文主要研究内容 |
| 第2章 多通道噪声主动控制系统结构与算法 |
| 2.1 噪声主动控制理论基础 |
| 2.1.1 噪声主动控制声学机理 |
| 2.1.2 噪声主动控制系统结构 |
| 2.2 噪声主动控制算法 |
| 2.2.1 自适应滤波器 |
| 2.2.2 最小均方(LMS)算法 |
| 2.2.3 LMS算法性能分析 |
| 2.2.4 滤波-X LMS(FXLMS)算法 |
| 2.3 多通道噪声主动控制算法 |
| 2.3.1 多通道系统次级声通道辨识 |
| 2.3.2 多通道FXLMS算法推导 |
| 2.4 本章小结 |
| 第3章 基于试验的车内路噪特性分析 |
| 3.1 车内路噪测试试验 |
| 3.1.1 测试内容 |
| 3.1.2 测试设备及试验条件 |
| 3.1.3 传感器测点布置 |
| 3.1.4 测试步骤 |
| 3.2 试验数据分析与处理 |
| 3.2.1 数据预处理 |
| 3.2.2 车内路噪特性分析 |
| 3.3 多重相干分析 |
| 3.3.1 多重相干法基本理论 |
| 3.3.2 多重相干分析 |
| 3.4 车内路噪多通道主动控制策略 |
| 3.5 基于神经网络的车内路噪辨识 |
| 3.5.1 Elman神经网络模型的建立 |
| 3.5.2 训练Elman神经网络 |
| 3.6 本章小结 |
| 第4章 车内路噪多通道主动控制系统建模与仿真 |
| 4.1 多通道控制系统次级声通道建模与仿真 |
| 4.1.1 次级声通道辨识模型的搭建 |
| 4.1.2 控制系统参数优化仿真 |
| 4.1.3 次级声通道辨识的仿真分析 |
| 4.2 多通道噪声主动控制系统建模与仿真 |
| 4.2.1 多通道噪声主动控制系统建模 |
| 4.2.2 多通道噪声主动控制系统仿真分析 |
| 4.3 车内路噪多通道主动控制系统建模与仿真 |
| 4.3.1 车内路噪信号辨识 |
| 4.3.2 车内路噪多通道主动控制系统建模 |
| 4.3.3 车内路噪多通道主动控制系统仿真分析 |
| 4.4 本章小结 |
| 第5章 车内路噪多通道主动控制试验 |
| 5.1 硬件在环仿真平台设计与搭建 |
| 5.1.1 试验平台设计 |
| 5.1.2 试验仪器与设备 |
| 5.2 车内路噪主动控制系统建模与仿真试验 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（10）基于神经网络自适应滑模的智能汽车纵向动力学控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆纵向动力学模型研究概述 |
| 1.2.2 车辆纵向动力学控制策略研究概述 |
| 1.3 目前研究存在的不足 |
| 1.4 本文主要研究内容和技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 第二章 智能汽车纵向动力学系统建模 |
| 2.1 车辆纵向动力学系统模型结构 |
| 2.2 车辆纵向动力学系统模型 |
| 2.2.1 一阶惰性简化发动机模型 |
| 2.2.2 液力变矩器及自动变速器模型 |
| 2.2.3 车辆行驶系及整车运动系统模型 |
| 2.3 车辆纵向动力学执行器模型 |
| 2.3.1 节气门执行器 |
| 2.3.2 制动执行器 |
| 2.4 车辆逆纵向动力学系统模型 |
| 2.4.1 逆发动机模型 |
| 2.4.2 逆制动系模型 |
| 2.4.3 加速/制动切换控制逻辑设计 |
| 2.5 本章小结 |
| 第三章 基于终端滑模控制的智能汽车纵向动力学控制研究 |
| 3.1 滑模变结构控制理论 |
| 3.1.1 滑模控制的定义 |
| 3.1.2 滑模变结构控制的特点 |
| 3.1.3 滑模变结构控制系统的抖振问题 |
| 3.2 终端滑模控制的原理及特点 |
| 3.3 智能汽车纵向动力学终端滑模控制设计 |
| 3.3.1 滑模控制参数的设计 |
| 3.3.2 滑模控制的实现 |
| 3.4 仿真结果分析 |
| 3.5 本章小结 |
| 第四章 基于RBF神经网络自适应滑模的智能汽车纵向动力学控制研究 |
| 4.1 RBF神经网络控制 |
| 4.1.1 神经网络系统特点 |
| 4.1.2 RBF神经网络控制的逼近特性 |
| 4.2 智能汽车纵向动力学神经网络自适应滑模控制设计 |
| 4.3 仿真结果分析 |
| 4.4 本章小结 |
| 第五章 基于D2P的智能汽车纵向动力学控制试验验证 |
| 5.1 D2P快速原型开发 |
| 5.1.1 快速原型平台介绍 |
| 5.1.2 基于D2P平台的控制策略开发 |
| 5.2 智能汽车纵向动力学控制试验 |
| 5.2.1 实车试验平台结构 |
| 5.2.2 试验结果和分析 |
| 5.3 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目及学术成果 |
四、基于神经网络自适应控制技术的发动机仿真（论文参考文献）
- [1]航空发动机自适应动态规划转速控制研究[A]. 张弛,齐义文,邢宁. 第六届空天动力联合会议暨中国航天第三专业信息网第四十二届技术交流会暨2021航空发动机技术发展高层论坛论文集（第五册）, 2022
- [2]气动机械手稳定运动的控制策略综述[J]. 陶鑫瑞,高春艳,陈璇,潘政. 液压与气动, 2021(12)
- [3]拖拉机室内台架试验技术现状与展望[J]. 陶倩文,闫祥海,仝一锟,闫宇翔,徐立友. 中国农机化学报, 2021
- [4]基于气路性能混合模型的燃气轮机叶片故障预警及诊断方法研究[D]. 闫斌斌. 北京化工大学, 2021
- [5]军用混合动力系统能量管理策略研究综述[J]. 曾繁琦,袁晓静,王旭平,张泽. 兵器装备工程学报, 2021(11)
- [6]运载火箭姿态系统自适应神经网络容错控制[J]. 马艳如,石晓荣,刘华华,梁小辉,王青. 宇航学报, 2021(10)
- [7]面向航空叶片表面超声强化的机器人运动规划与柔顺控制研究[D]. 房善想. 北京交通大学, 2021
- [8]基于智能PID和扩张状态观测器的姿态控制方法[J]. 李依彤,刘晓东,张惠平,王晓东. 航天控制, 2021(04)
- [9]基于智能算法的车内路噪多通道主动控制技术研究[D]. 陈琪. 吉林大学, 2020(01)
- [10]基于神经网络自适应滑模的智能汽车纵向动力学控制研究[D]. 惠易佳. 江苏大学, 2020(02)