电液伺服系统建模与控制策略研究

论文摘要

电液伺服系统是一种典型的非线性时变系统,在控制精度要求高、干扰较多的场合,使用传统的控制方法难以获得满意的控制效果。自适应控制能够根据系统运行状态自动调整控制参数,保证良好的控制效果,具有很强的鲁棒性；神经网络对于非线性函数具有良好的映射能力和自学习能力。神经网络自适应控制是将两者的优点相结合,用神经网络结构充当自适应控制中的辨识器和控制调节器,可以方便快速调节控制器参数,因此,在对非线性系统控制中往往能取得较好的控制效果。本文以某武器系统扫雷犁电液伺服系统作为研究对象,对电液伺服系统的智能控制策略进行探究。首先在分析系统工作原理及性能的基础上,采用径向基(radial basis function, RBF)网络对系统进行辨识产生神经网络模型,在此基础上,设计神经网络自校正控制系统,并在AMESim与Matlab/Simulink联合仿真平台上验证控制系统的性能。仿真结果表明该控制策略能够降低系统定深误差,对扰动具有一定的自适应和抗干扰能力,达到系统的控制要求。

论文目录

• 摘要
• Abstract
• 目录
• 1 绪论
• 1.1 课题背景
• 1.2 国内外研究现状及趋势
• 1.2.1 电液伺服系统特点
• 1.2.2 智能控制发展及国内外现状
• 1.3 本文主要研究内容
• 2 扫雷犁电液伺服系统综述
• 2.1 系统描述
• 2.2 扫雷犁系统硬件构成
• 2.3 电液伺服系统的组成及工作原理
• 2.4 建模数据的采集
• 2.4.1 激励信号
• 2.4.2 建模数据生成及预处理
• 2.5 本章小结
• 3 基于AMESim的电液伺服系统建模
• 3.1 AMESim软件简介及联合仿真技术
• 3.1.1 AMESim软件简介
• 3.1.2 AMESim与Matlab/Simulink联合仿真技术
• 3.1.3 AMESim与Matlab/Simulink联合仿真注意事项
• 3.2 基于AMESIM软件扫雷犁电液伺服系统建模
• 3.2.1 系统模型化说明
• 3.2.2 建立系统模型
• 3.3 本章小结
• 4 人工神经网络简介
• 4.1 人工神经网络概述
• 4.1.1 人工神经元模型
• 4.1.2 神经网络的结构
• 4.1.3 神经网络学习方式
• 4.2 径向基神经网络结构
• 4.3 RBF神经网络算法
• 4.4 本章小结
• 5 扫雷犁电液伺服系统辨识
• 5.1 系统辨识原理及步骤
• 5.1.1 系统辨识原理
• 5.1.2 系统辨识步骤
• 5.2 基于神经网络辨识及其基本结构
• 5.2.1 神经网络辨识结构
• 5.3 基于RBF神经网络的电液伺服系统辨识
• 5.3.1 辨识数据处理
• 5.3.2 神经网络结构辨识
• 5.3.3 RBF神经网络改进算法及参数辨识
• 5.3.4 模型检验及分析
• 5.4 本章小结
• 6 神经网络自适应控制器设计
• 6.1 自适应控制
• 6.1.1 自适应控制原理
• 6.1.2 自适应控制系统结构
• 6.2 神经网络自适应控制
• 6.2.1 神经网络模型参考自适应控制
• 6.2.2 神经网络自校正控制
• 6.3 神经网络控制器设计
• 6.3.1 建立自校正控制结构
• 6.3.2 RBF网络自校正控制算法
• 6.4 Matlab/Simulink与AMESim联合控制模型
• 6.5 控制效果验证及分析
• 6.6 本章小结
• 结论
• 致谢
• 参考文献
• 附录