某武器检测装置的控制系统设计

论文摘要

武器随动系统检测装置是用于对武器随动系统的各项指标进行测试的装置。如何提高装置中负载模拟器的加载精度是随动系统检测装置中的关键问题。由于加载电机需要在被动跟踪随动系统的同时对其进行加载,而不可避免的存在被动式系统的所共有的多余力矩问题。多余力矩作为一种强干扰,其存在严重影响了系统的加载精度及动态响应性能,传统的基于精确数学模型的控制策略在控制精度和抗干扰能力方面都很难满足要求。论文针对电动加载系统的多余力矩问题,提出一种基于RBF神经网络的逆模型控制策略,利用RBF网络极强的非线性逼近能力,实时辨识系统逆模型,并将其拷贝作为逆模型前馈补偿控制器串入系统的前向通道,在理想情况下,系统前向通道传递函数近似为1,可实现转矩输出精确跟踪给定。以实际工程为背景,研究了随动系统检测装置控制系统设计问题,主要内容安排如下:首先研究了依据此装置的原理,建立了系统的数学模型,并对模型进行了简化。分析了控制系统的关键问题,即多余力矩问题产生的机理及其对系统性能的影响。其次针对所建立的数学模型,利用传统的前馈控制方法设计系统的控制律,并通过仿真分析了前馈控制方法在控制效果的不足和实际使用中的诸多限制问题。然后结合电动加载系统实际运行特点,提出一种改进的基于RBF神经网络的逆控制策略。该控制策略采用离线建模、在线调整的策略,在充分利用已有先验知识的同时,实现网络的局部优化,有效的控制网络的规模。并且尽量优化并且简化辨识算法,提高了辨识精度,加快了系统辨识速度,使本控制算法更具有实用性。最后论文利用Matlab/Simulink仿真环境,对本文提出的逆控制策略进行仿真验证,结果表明该控制策略在不同的加载频率和加载梯度下均能有效的抑制多余力矩,同时提高了系统的动态特性及加载精度。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 伺服加载技术概述
• 1.2.1 伺服加载系统构成
• 1.2.2 伺服加载系统分类
• 1.2.3 负载模拟器技术难点
• 1.3 控制策略选取
• 1.4 论文研究内容
• 第2章 随动系统检测装置建模
• 2.1 随动系统检测装置原理及结构
• 2.2 随动系统检测装置的数学模型
• 2.2.1 加载电机模型及其参数确定
• 2.2.2 扭矩传感器的数学模型及其参数确定
• 2.2.3 加载部件模型及其参数确定
• 2.2.4 随动系统检测装置完整的数学模型
• 2.3 本章小结
• 第3章 基于前馈的校正补偿策略
• 3.1 前馈补偿原理概述
• 3.2 随动系统检测装置特性分析
• 3.2.1 随动系统检测装置幅频特性分析
• 3.2.2 多余力矩分析
• 3.3 直接前馈方法及其仿真结果
• 3.4 本章小节
• 第4章 基于RBF神经网络控制策略
• 4.1 人工神经网络概述
• 4.2 RBF（径向基）神经网络
• 4.2.1 RBF神经网络原理
• 4.2.2 RBF神经网络常用的学习方法
• 4.3 改进的RBF网络构建方法
• 4.4 本章小结
• 第5章 控制系统设计及仿真分析
• 5.1 RBF网络逆控制器设计
• 5.1.1 系统逆模型辨识结构
• 5.1.2 RBF网络逆控制器结构
• 5.2 系统仿真与分析
• 5.2.1 系统辨识过程仿真
• 5.2.2 控制系统仿真分析
• 5.3 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢