基于自抗扰控制技术的某坦克炮控系统应用研究

论文摘要

目前,我国坦克炮控系统性能与西方发达国家相比还有一定差距。因此,研制高性能的坦克炮控系统,意义重大。本文以某新型坦克火炮的研制工作为背景,对该火炮控制系统的模型辨识与控制策略进行了研究。本文首先介绍了该坦克火炮的总体设计：水平向和高低向均采用交流永磁同步电动机,交流全电式控制系统。接着阐述了该炮控系统半实物仿真实验平台的设计,并在此基础上,获取系统建模所需的相关数据。然后,讨论了该炮控系统的建模方法。文中仔细研究了前馈型神经网络(BP网络)和遗传算法的实现方式。针对BP算法易陷入局部极小点且收敛速度较慢等缺陷,首先提出利用遗传算法来优化BP网络,而后又考虑到模型的辨识应包括结构确定和参数辨识两部分,故进一步提出基于递阶遗传算法(HGA)优化BP网络学习算法的方案,可以同时优化网络的结构和参数。实验结果验证了该方法的有效性。最后,对于该坦克炮控系统,提出了一种采用遗传算法优化的自抗扰控制器(ADRC)。该方法通过自抗扰控制的鲁棒性来抑制扰动,利用遗传算法的全局寻优能力来优化控制器参数。文中给出了该算法的实现机理,并进行了大量与经典PID控制器的对比实验研究。结果表明,所设计的自抗扰控制器对各种典型测试信号具有良好的控制效果,可以使系统的动静态性能指标满足相关要求,能够实现对坦克火炮的精确控制。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景
• 1.2 国内外研究现状及分析
• 1.2.1 坦克炮控系统结构
• 1.2.2 坦克炮控系统建模方法
• 1.2.3 坦克炮控系统控制方法
• 1.3 本文的主要工作及研究内容
• 2 系统半实物仿真实验平台综述
• 2.1 引言
• 2.2 半实物仿真实验平台的设计
• 2.2.1 测试装置的功能及技术指标
• 2.2.2 半实物仿真实验平台的工作原理
• 2.2.3 半实物仿真实验平台的搭建
• 2.2.4 系统软件设计
• 2.3 本章小结
• 3 神经网络与遗传算法
• 3.1 神经网络基础知识
• 3.1.1 神经元模型
• 3.1.2 神经网络的拓扑结构
• 3.1.3 神经网络的学习
• 3.1.4 神经网络的特点及应用
• 3.2 BP神经网络
• 3.2.1 BP神经网络概述
• 3.2.2 BP网络学习算法的特点与改进
• 3.3 遗传算法
• 3.3.1 遗传算法的基本思想
• 3.3.2 遗传算法的特点
• 3.3.3 遗传算法的流程
• 3.3.4 递阶遗传算法简述
• 3.4 本章小结
• 4 基于HGA-BP算法的系统辨识
• 4.1 系统辨识的基础
• 4.1.1 基础理论分析
• 4.1.2 辨识的方式
• 4.1.3 辨识的一般步骤
• 4.2 系统辨识数据的获取及处理
• 4.2.1 输入信号的选取
• 4.2.2 辨识数据的获取
• 4.2.3 辨识数据的处理
• 4.3 BP神经网络辨识
• 4.3.1 BP神经网络算法实现
• 4.3.2 BP网络辨识的实现步骤及流程
• 4.4 HGA-BP算法
• 4.4.1 遗传算法优化BP神经网络
• 4.4.2 HGA-BP算法的原理
• 4.4.3 HGA-BP算法的设计
• 4.4.4 HGA-BP算法的实现步骤及流程
• 4.5 仿真验证
• 4.6 本章小结
• 5 基于遗传算法优化的自抗扰控制器设计
• 5.1 自抗扰控制器的发展
• 5.1.1 概述
• 5.1.2 经典PID的结构及其优缺点
• 5.1.3 经典PID控制器参数整定
• 5.1.4 反馈系统中的线性与非线性
• 5.2 自抗扰控制器的设计
• 5.2.1 跟踪微分器
• 5.2.2 扩张状态观测器
• 5.2.3 非线性误差反馈控制律
• 5.3 参数整定
• 5.3.1 常规参数整定方法
• 5.3.2 二阶ADRC参数整定
• 5.3.3 遗传算法在参数整定中的应用
• 5.4 自抗扰控制器的MATLAB实现
• 5.5 仿真验证
• 5.5.1 测试信号的选择
• 5.5.2 仿真实验及结果分析
• 5.5.3 实验结论
• 5.6 本章小结
• 结论
• 致谢
• 参考文献
• 附录