一、基于RBF神经网络的模糊自适应控制（论文文献综述）
焦珊珊[1]（2021）在《气动位置伺服系统神经网络控制方法研究》文中研究说明气动位置伺服系统采用空气作为介质,其结构简单、安全可靠、反应迅速等突出优点使它得到广泛关注,从汽车、地铁的开关门到人工呼吸器再到气动机器人,气动位置伺服系统在自动化各行业有着举足轻重的地位。由于气体存在可压缩,性的特点且气动位置伺服系统受到非线性的阀口流动及气缸存在摩擦力等因素的影响,给创建气动伺服系统的精确模型带来了重重困难,这给依靠模型的传统控制方法设计带来了困难。同时,气动系统时变的工作点和未知的外部扰动等因素的影响,导致气动系统的轨迹跟踪控制更加复杂。因此,研究如何实现气动位置伺服系统高性能跟踪控制对于拓展气动位置伺服系统的运用有重要的意义。在允分考虑气动位置伺服系统实际约束的情况下设计控制器,期望能够提高系统跟踪控制性能。本文以Festo公司的气动位置伺服实验系统为对象,分别设计控制器如下:（1）针对气动位置伺服系统模型未知问题,利用神经网络的逼近能力实现对未知光滑函数的处理。本课题分别采用小波神经网络（WNN）、径向基函数（RBF）神经网络、模糊神经网络（FNN）对气动系统模型中的未知函数进行辨识。结合Nussbaum函数解决气动位置伺服系统控制方向未知的问题,将不精确的比例阀零点也作为一种不确定性,结合反步设汁法设计了自适应神经网络控制器,利用 Lyapunov理论进行了稳定性分析,确保了整个系统的稳定性。根据实验结果可以得出:采用本课题所设汁的各种神经网络控制器在气动位置伺服系统控制方向未知情况下均可以实现对于参考信号的轨迹跟踪。（2）考虑到气动系统存在实际状态受限,忽略系统状态受限所设汁的控制器可能会导致设备损坏或预期性能下降。因此,在考虑气动系统未知模型、未知比例阀零点、未知控制方向的情向的情况后,本课题综合考虑系统状态受限来设计控制器以提高系统跟踪精度。控制器采用径向基函数网络辨识系统未知模型、未知扰动、未知阀零点,采用Nussbaum函数处理控制方向未知问题,采用障碍李亚普诺夫函数（BLF）处理系统状态受限的问题。最后结合Lyapunov理论和杨氏不等式证明了被控系统的稳定性。最终,对比其它实验结果可以看出系统的性能有显着提高。（3.）在考虑未知模型、未知阀零点、未知扰动、未知控制方向和状态受限的基础上,本课题进一步考虑系 饱和 线性特性、电磁阀的滞回特性等在以往气动伺服系统设汁时通常被忽略的非线性特性设计自适应神经网络控制器,并进行了实验研究,对比实验结果可以看出,考虑不同的非线性特性和约束条件对气动位置伺服系统的跟踪控制性能的影响不同,充分考虑各种约束和特性的情况下,可以获得更好的气动位置伺服系统的跟踪性能。通过本文实验研究工作表明:滞回特性对系统跟踪性能影响最大,输入饱和特性次之,状态受限第三。本文研究工作通过实验验证了各种非线性特性和约束条件对跟踪性能的影响,这个工作在能够查到的文献中未进行系统研究。本文将气动位置伺服控制系统作为应用平台,充分考虑实际系统的未知因素和约束,设计了基于神经网络的轨迹跟踪控制器,控制器在复杂度不大幅增加的情况下,能够考虑更多约束条件和未知因素获得更好的跟踪控制效果,为扩展气动伺服系统应用奠定了良好基础。
宋蕊[2]（2021）在《无接触型机器手悬浮抓取控制》文中研究指明针对传统机器抓手搬运产品过程极易导致触摸式损伤和污染的问题,本文将磁悬浮支撑技术引入至机器手抓取系统,以磁悬浮绕组取代传统机械抓手,提出一种通过悬浮吸力抓取、搬运及放置物体的无接触型传输方法。本文主要从无接触型机器手悬浮抓取机制、两自由度模型构建、抓取搬运约束、悬浮抓取控制策略以及仿真、实验等方面开展研究。深入分析了无接触型机器手悬浮抓取系统两自由度运行机制,考虑到轴向、水平两维运动所受风阻,构建了两自由度悬浮抓取模型,并将水平方向的干扰统一归结为主动轴向控制的气隙调整,针对机器手抓取极易导致物体偏离中心稳定区,甚至震荡、跌落的问题,提出了基于搬运工速的悬浮气隙优化设定方法,以提升悬浮抓取稳定性。针对无接触型机器手悬浮抓取运行工况多变,以及悬浮系统本身的非线性、强干扰、不稳定的问题,本文首先提出了机器手悬浮抓取系统的模型参考自适应控制（MRAC）。先对两维悬浮抓取系统模型进行转化,将非匹配性干扰转化为匹配性干扰,构建了含气隙、速度、加速度的三阶模型。基于此,设计了悬浮抓取系统的期望模型,引入了以期望模型逼近误差为基础的虚拟变量,以此自适应调整控制器参数,并采用Lyapunov函数验证了系统稳定性。接着,针对模型参考自适应中存在自适应参数相对较多,存在逼近误差所致的控制精度不高的问题。提出了基于RBF神经网络（RBFNN）的模型参考自适应悬浮抓取控制,借助RBF的强逼近能力,迫使悬浮抓取系统无限逼近期望模型的动态,极大的提升了悬浮抓取的稳定性与快速性。搭建了无接触型机器手悬浮抓取系统的仿真平台和小型模拟实验平台,分别进行了传统PID控制、滑模状态观测和跟踪控制（SMOCT）以及本文所提两种控制策略的仿真性能对比。实验结果表明,本文所提模型参考自适应控制在系统稳态性能方面明显优于PID控制及滑模状态观测和跟踪控制,而基于RBFNN的模型参考自适应控制由于RBFNN的强逼近能力,在应对工况变化和抗干扰性能方面具有明显的优势,同时可以满足无接触型机器手多种工况运行的要求。另外小型模拟实验平台的实验结果表明,本文所提模型参考自适应明显优于传统PID控制,在跟踪和优化气隙调整方面具有显着效果。一定程度上验证了本文所提模型参考自适应比传统PID控制在稳态以及变气隙参考方面具有显着优势。
高建锋[3]（2021）在《液压系统的改进滑模无模型控制策略研究》文中指出电液控制系统拥有输出功率大、调速范围广等功能,且具有较强的抗负载刚性、较大的功率质量比以及较快的响应速度等优点,广泛应用在现代化工业动力系统中。现代化工业迅速发展,对电液控制系统的控制精度和响应速度提出了更高的要求。电液控制系统存在粘滞摩擦系数的不确定性、液压油弹性体积模量、液压缸油液泄漏、外部扰动等复杂非线性问题,增加了液压系统精确建模的难度,进而制约控制精度的进一步提高。因此,不依赖高精度数学模型的无模型控制,是提高液压系统控制精度的重要研究方向。本文针对电液控制系统的复杂非线性问题,以无模型控制算法展开研究。本课题的主要研究内容如下:（1）改进滑模无模型控制为了提高电液控制系统的精度和响应速度,基于无模型控制方法,将仿人智能控制的核心思想,误差与误差变化率的乘积引入到滑模控制中,设计一种改进滑模无模型控制,使无模型控制方法中拥有了误差与误差变化率相乘的控制量,从而将液压动态过程中新姿态信息融入控制器中,提高了液压系统的响应速度和稳态精度,改善系统的控制性能。通过仿真,验证了改进滑模无模型控制的有效性。（2）基于RBF神经网络的改进滑模无模型控制针对改进滑模无模型控制中参数调整困难的问题,以液压系统的误差、误差的积分和误差的变化率为输入,控制器参数为输出,建立神经网络模型,实现控制器参数在线自适应调整,进一步提高了系统的稳态精度。通过仿真,验证了改进控制方法的有效性。在电液控制综合实验台上,对无模型控制、无模型滑模控制、改进滑模无模型控制等方案进行实验验证,对实验结果进行分析,比较不同控制方案的控制性能,验证了所设计的液压系统控制方法的有效性,其响应速度和稳态精度均有较大的提升。
于蒙[4]（2021）在《基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究》文中研究指明本文致力于研究针对特种精细化学品间歇生产过程的智能优化控制方法。特种精细化学品生产控制属于间歇过程控制,生产过程具有强非线性和批次重复特性,目前生产中采用的控制策略是经典PID控制,这种控制方式的特点是控制结构具有较高的可靠性,并且对控制器的维护较为简单,但是难以满足复杂工艺过程高精度控制的要求,历次特种化学品生产产品质量和运行过程均出现过不稳定的情况。如何对现有的PID控制策略进行改进,并充分利用批次生产的重复特性,针对无法用精确数学模型描述的被控对象,通过利用控制过程的在线或离线数据并开发智能控制算法,对复杂被控对象施以控制,为本文的研究重点。针对特种化学品间歇生产过程,如Chylla Haase间歇反应过程,本文采用一种复合控制方式,将间歇过程控制划分为批次内控制和批次间控制两个维度,设计复合控制策略,将批次内的智能自整定PID控制和批次间的迭代学习控制结合,充分利用批次间重复特性,并在批次内和批次间实现控制的自适应改进。在批次内控制中,采用PID控制架构,通过LM优化算法实现PID控制参数的自整定,利用RBF神经网络辨识优化过程产生的Jacobian信息,使用一种改进的差分进化算法优化PID自整定参数的初值以及径向基神经网络基函数的中心、宽度以及神经元连接权值的初值。批次内的控制策略不要求获得被控对象的数学模型,仅以过程数据为控制来源,具有较高实际应用价值。在批次间控制中,针对需要抑制的重复性干扰,采用具有实际应用价值的P型迭代学习控制,为实现这种控制方式数据驱动的自适应改进,设计限定参数集的去伪控制策略。这种控制策略既实现了抑制批次间重复扰动的功能,又具备实用性的自适应调整能力,取得优于固定参数迭代学习控制方法的效果。特种化学品D1的生产过程,对转馏分点的预测和控制十分重要。该间歇蒸馏过程存在反应蒸馏过程复杂多样的特性,需要进行分离处理的物质多种多样并且成分不断变化,而上升气温度可以对蒸馏过程需分离的物质有较高程度的反映,准确判断转馏分点是特种化学品D1生产的关键。从实际出发,建立一种数据驱动的LSTM预测模型,对转馏分点实施预测。LSTM结构复杂,需要进行参数优化,设计贝叶斯优化算法实现了参数的优选。针对D1生产过程,纯度数据作为关键指标只在生产终点时检测的情况,设计了一种基于BP神经网络的终点质量迭代学习控制算法,首先利用BP神经网络建立生产过程变量与终点产品纯度的预测模型,以神经网络预测模型为基础,实施终点纯度的迭代学习控制,实现了对具有批次重复特性的间歇蒸馏过程的质量控制。
黄泊珉[5]（2021）在《永磁同步直线电机神经网络滑模控制研究》文中认为随着自动化控制技术和工业物联网不断发展,永磁同步直线电机（permanent magnet linear synchronous motor,PMLSM）以其结构简单、可靠性高、高效率的特点在现代工业应用中具有广泛的前景。但永磁同步直线电机简单的机械结构,也导致其性能极易受到影响,当发生内部的参数变化、外界突加负载、电机推力脉动等情况时,永磁同步直线电机的稳定性能就会急剧下降。目前,传统的控制算法对于提升直线电机动态性能的效果并不理想,使得直线电机驱动系统的性能、效率无法得到完全的发挥。因此,设计一个合适的控制器是保证直线电机控制系统动态性能的关键。本文以提高PMLSM的位置跟踪性能为目的,搭建了永磁同步直线电机的数学模型。由于直线电机模型非线性、强耦合的特点,为了方便分析以及简化计算,选择在d、q坐标系下建立电机的数学模型。结合直线电机的高速、高精度的实际应用需要,选用矢量控制作为直线电机系统的控制方法。针对永磁同步直线电机容易受到参数变化以及外部干扰的问题,利用径向基函数神经网络（radial basis function neural network,RBF NN）局部逼近的特性,为永磁同步直线电机系统设计一个径向基函数神经网络自适应反推控制器。通过观测系统中的未知扰动以及参数变化,提高系统的位置跟踪性能和抗干扰能力。然后,在Matlab/Simulink中建立模型进行仿真实验,验证控制器的有效性。为了提升系统的位置跟踪性能和抗干扰能力,在神经网络反推控制的基础上引入终端滑模控制方法,设计一个神经网络自适应的终端滑模控制器。利用滑模控制鲁棒性强,受到外加干扰时的稳定性高,系统参数变化不敏感的特点,保证了永磁同步直线电机控制系统的跟踪性能以及抗干扰性能。同时将神经网络观测器和滑模控制相结合,在保持滑模控制优点的同时,通过神经网络观测扰动,抑制滑模控制器的抖振现象。Matlab/Simulink仿真结果表明了神经网络自适应终端滑模控制不仅响应速度快,而且抗干扰能力强。最后,为了验证算法的实际应用效果,基于dSPACE仿真系统搭建一个永磁同步直线电机实验平台,对于算法的位置跟踪性能进行实验研究。通过与传统的滑模控制、自适应控制等进行比较,验证了本文算法在永磁同步直线电机控制系统中的可行性和有效性。
田增武[6]（2021）在《基于扰动和输入饱和限制的无人机自适应轨迹跟踪控制》文中研究指明四旋翼无人机是一种欠驱动强耦合的非线性系统,具有结构简单、成本低、操作性强等优点。无人机广泛的应用在军事、农业、探测等领域,发挥了非常重要的作用。然而四旋翼无人机的高精度控制仍然是一个难题。目前商用无人机多采用线性控制方法,但线性控制无法满足无人机高精度的要求。同时无人机容易受到内外扰动的影响从而导致控制性能下降。在一些情况下,无人机还会出现输入饱和限制问题导致无人机系统不稳定。因此本文针对存在无人机存在扰动和输入饱和的情况下,设计非线性自适应控制器实现高精度的控制。具体研究工作如下:（1）建立了无人机动力学模型。首先介绍了无人机的基本组成,阐述了无人机的飞行原理。建立地面坐标系和机体坐标系,确定两坐标系之间的相互关系。分析了无人机产生内部扰动的主要因素为无人机存在物理误差和参数时变,而无人机的外部扰动主要因素为风扰,近一步对风的扰动进行动力学建模。将内部扰动和外部扰动合并为总扰动,并根据刚体运动定理推导了基于扰动的无人机动力学模型。（2）针对无人机存在扰动下的控制问题,设计了积分反步法控制器。设计了串级控制方案实现位置环和姿态环的解耦。在常规反步法的基础上增加了误差积分项,设计了积分反步法控制器。对控制器的控制参数进行了选取和优化研究。搭建了相应的仿真模型,并设计了PD、LQR和传统反步法控制器进行对比实验。根据实验结果证明了设计的积分反步法控制器具有良好的轨迹跟踪能力和抗干扰能力。（3）针对无人机同时存在扰动和输入饱和限制的控制问题,设计了基于RBF神经网络和抗饱和策略的自适应控制算法。在串级控制方案的基础上,推导了动态面控制算法,并引入RBF神经网络对扰动进行估计和补偿,进一步设计抗饱和策略实现对输入饱和的修正。基于李雅普诺夫稳定性理论,通过数学推导证明了控制方案的稳定性,并给出了控制参数的稳定区间。进一步搭建了仿真模型,通过与PD、LQR和传统反步法控制器进行比较,证明了设计的复合控制算法具有良好的轨迹跟踪能力、抗干扰能力和抗饱和能力。
石求军[7]（2021）在《基于车辆状态参数估计的商用车气压电子制动主动安全控制策略研究》文中研究说明随着经济的飞速发展,中国的商用车行业也在蓬勃发展。商用车具有质量大、质心高、体积大等特点,在紧急行驶工况下,车辆容易发生失稳,对车辆的行驶安全性带来巨大的隐患。气压电子制动主动安全控制系统,可以在紧急行驶工况下有效的改善车辆的行驶状态,提高车辆的行驶安全性。因此,基于商用车气压电子制动系统（EBS,Electronic Braking System）对商用车主动安全制动控制进行研究具有重要意义。本文依托国家重点研发计划子课题“面向紧急自动和再生制动的插电式混合动力客车线控制动技术研究”（编号:2018YFB0105905-02）。改进设计了一种商用车气压EBS构型方案,对气压EBS及其关键部件双通道轴调节器的压力响应特性进行AMESim仿真研究。在此基础上设计基于车辆状态参数估计的商用车气压电子制动主动安全控制策略。根据改进设计的商用车气压EBS构型方案搭建了气压EBS主动安全控制硬件在环试验台,并通过该试验台在不同工况下,对基于车辆状态参数估计的商用车气压电子制动主动安全控制策略进行试验研究。本文进行的具体研究工作如下:（1）改进设计一种商用车气压EBS构型方案。通过测试、拆解对该构型方案关键部件双通道轴调节器的内部结构、工作原理及运动学方程进行研究。基于AEMSim仿真软件建立双通道轴调节器和气压EBS的仿真模型,并在此基础上,先研究分析了双通道轴调节器和气压EBS开环压力响应特性;再研究分析了系统关键参数对双通道轴调节器和气压EBS压力响应特性的影响。（2）针对商用车气压电子制动主动安全控制,在估算纵向车速和质心侧偏角时存在估计精度不高、车辆系统非线强耦合、传感器噪声时变未知等问题,设计了改进的强跟踪自适应容积卡尔曼滤波估计器。该估计器以估算精度高的容积卡尔曼滤波算法为基准,然后分别对具有强鲁棒性的改进强跟踪滤波算法和具有自适应估计传感器噪声的Sage-Husa估计器进行融和。最后在不同工况下对改进的强跟踪自适应容积卡尔曼滤波估计器的有效性进行仿真验证。（3）针对车辆模型参数摄动及外界扰动对商用车气压电子制动主动安全控制性能产生影响的问题,以滑模控制理论和非线性扰动观测器理论为主线,分别结合改进的自适应滑模趋近律技术、二阶滑模技术、RBF自适应神经网络技术,设计了商用车气压电子制动主动安全控制的ABS、ESC、RSC控制策略。并在此基础上,根据车辆失稳危险等级程度和侧翻极限阈值,再结合ABS控制策略,设计了商用车气压电子主动安全控制的联合控制策略。（4）在MATLAB/Simulink、Truck Sim、AMESim中,搭建基于车辆状态参数估计的商用车气压电子制动主动安全控制策略联合仿真平台。以MATLAB/Simulink软件为主仿真环境,搭建上述控制策略模型。车辆动力学模型和气压电子制动系统模型分别在Truck Sim和AMESim仿真软件中搭建。最后在不同的仿真工况下,对基于车辆状态参数估计的商用车电子制动主动安全控制策略的可行性和控制精度进行仿真研究分析。仿真研究显示,上述控制策略控制效果较好,能够有效提高车辆行驶安全性。（5）根据商用车气压EBS和实时系统,搭建气压EBS主动安全控制硬件在环试验台。并通过该试验台,在不同工况下对基于车辆状态参数估计的商用车气压电子制动主动安全控制策略进行硬件在环试验研究。硬件在环试验结果更进一步证明了上述控制策略的有效性。
宋鹏翔[8]（2021）在《插电式混合动力公交车工况预测与智能能量管理策略研究》文中认为在全球能源短缺和环境污染日益严峻的背景下,新能源汽车领域关键技术不断发展,大力推进插电式混合动力汽车的发展是通往全面普及纯电动汽车的必由之路。插电式混合动力系统是一种非线性、多变量且时变的复杂系统,由于其特殊的能量分配结构,对发动机、电机等动力源的控制与传统混合动力系统相比更为复杂,能量管理策略作为混合动力系统的关键技术之一,如何在满足车辆行驶需求和驾驶员动力需求的前提下对各动力源进行优化控制,实现各动力源高效合理地工作,进一步挖掘其节能潜力从而提高整车的燃油经济性是当前插电式混合动力系统研究的关键,同时也是新能源汽车产业发展的迫切需求。本文以双电机同轴混联插电式混合动力公交车为研究对象,开展了行驶工况构建方法、混合动力系统建模、未来工况预测方法、预测能量管理策略、智能能量管理策略以及硬件在环试验研究,完成了插电式混合动力车辆系统建模,仿真分析,能量管理策略验证的工作流程。本文依托国家重点研发计划“插电/增程式混合动力系统动态建模优化与动态控制方法”项目,主要研究内容包括以下六个方面:1)插电式混合动力公交车行驶工况构建。选定某城市具有代表性的公交线路,对其线路特征进行分析并完成车辆原始行驶工况数据的采集工作,采用小波变换方法对原始数据进行滤波降噪处理,然后将原始行驶工况数据划分为独立的短行程片段,选取可充分体现行驶工况数据特点的特征参数,筛选前四个主成分并采用自组织映射神经网络算法对所有的短行程工况样本根据特征参数的相似程度进行聚类分析,得出聚类结果后将其组合得到所构建的某公交线路行驶工况,并通过与原始工况数据特征参数的对比验证所构建工况的合理性。2)整车纵向动力学建模与能量管理策略构建。首先对双电机同轴混联插电式混合动力公交车的构型特点以及不同工作模式下的能量流展开了详细分析,并在仿真环境Matlab/Simulink下按照正向建模的思路建立了包含发动机、驱动电机和ISG电机以及动力电池组的插电式混合动力系统整车纵向动力学模型,同时基于所构建的行驶工况,建立了在工程实际上常用的基于规则的能量管理策略以及可保证全局最优的基于动态规划的能量管理策略模型,对两种基准策略进行合理性验证,并为后续能量管理策略的研究进一步提供了参考评价标准。3)建立基于数据驱动预测方法的车辆未来行驶车速预测模型。首先建立基于马尔可夫链的车速预测模型,采用贝叶斯估计求解初始转移概率矩阵,并基于所构建的循环工况,针对不同预测时域对车速进行多次预测,然后结合驾驶意图序列和历史车速序列建立基于RBF神经网络车速预测模型,在对所构建神经网络进行合理性验证的基础上对未来车速进行预测,对比分析了RBF神经网络预测模型和马尔可夫链预测模型在预测精度方面的差异,并验证了引入驾驶意图序列在RBF神经网络车速预测模型中的有效性。4)提出了一种分层预测能量管理策略。将庞特里亚金最小化原理与模型预测控制相结合,提出了基于PMP-MPC的插电式混合动力系统分层预测能量管理策略,上层控制器主要接收车速预测模型所预测的未来车速序列,并根据车辆状态采用PMP算法求解预测时域内的最优控制序列,下层控制器根据上层控制器的计算结果最终将控制指令输出给整车模型。并对基于PMP-MPC的能量管理策略进行仿真试验,分析了预测时域对控制效果的影响,并将PMP-MPC策略与结合动态规划算法和模型预测控制的DP-MPC能量管理策略进行对比分析,验证了PMP-MPC策略在燃油经济性和计算效率方面的优势。5)提出了基于深度强化学习的智能能量管理策略。结合深度学习的结构和强化学习的思想,探索了一种基于深度强化学习的插电式混合动力系统能量管理策略架构,基于双深度Q网络和深度确定性策略梯度两种深度强化学习算法分别开发了对应的能量管理策略,并对两种策略进行了仿真试验。与本文所提出的PMP-MPC能量管理策略进行对比分析,结果表明在随机行驶工况下基于深度强化学习的智能能量管理策略更具适应环境变化这种不确定性的能力,所受到环境的随机变化对整车经济性的影响较小,为插电式混合动力系统在随机行驶环境下的鲁棒性问题提供了新的思路和解决方案。6)对预测能量管理策略和智能能量管理策略进行硬件在环仿真试验。通过搭建硬件在环试验平台,将本文所提出的两种类型能量管理策略分别下载到真实控制器中,在实时仿真环境下对能量管理策略的控制效果进行了验证,由硬件在环试验结果表明所提出的两种类型能量管理策略均具有较好的实时性,且取得了良好的控制效果。
黄文杰[9]（2021）在《基于RBF的板球系统控制与参数优化研究》文中认为板球系统在经典控制对象球杆系统的基础上进行了扩展,是一个多变量、强耦合、非线性控制对象。本文主要以提高系统响应速度和板球系统小球轨迹控制精度为目的,在径向基函数RBF（Radial Basis Function）神经网络自适应改进PID控制的基础上,从算法优化的角度入手,设计并提出几种板球系统优化方案。首先,本文对固高板球系统的基本组成和工作原理进行了介绍,对于电机控制球盘倾角,使小球受力产生运动的过程从动力学和能量守恒的角度进行分析,结合拉格朗日法在建立数学模型方面的优点,完成板球系统模型的定性分析。由于板球系统多变性、强耦合性的特点,在忽略光线对摄像头图像采集的影响及球板之间摩擦带来的能量损耗等不确定因素的影响的前提下,角度控制量模型相比于角加速度控制量模型具有更高的控制精度,因此可以将板球系统X轴方向和Y轴方向的运动分解为两个独立的子系统进行分析。其次,针对传统PID控制在板球系统实验中表现出控制时间长、小球轨迹精度低等问题,将RBF神经网络算法与PID控制相结合,以实现对板球系统控制能力的优化。又根据RBF神经网络具有良好的在线寻优能力和非线性映射的特点,基于建立的数学模型,引入加速率（Accelerate Rate）提高系统响应速度;为提高RBF-PID控制精度,引入卡尔曼滤波算法（Kalman Filtering）并设计卡尔曼自适应PID控制器;为优化RBF-PID控制算法的轨迹跟踪能力,利用LM（LevenbergMarquardt）算法优化板球系统RBF-PID控制器,并在MATLAB环境下验证改进后的算法在提高系统参数自整定的能力和加强系统鲁棒性方面的可行性。设计控制器后本文利用固高板球系统作为实验平台,分别设置单次和多次的定点跟踪控制实验和方形轨迹跟踪实验,通过对优化前后的算法进行仿真模拟和实验验证,结果表明,与原算法相比,改进后的控制算法相比于原算法的收敛性和稳定性都有所提高,可以降低强耦合系统的不确定因素造成的不良影响,其中AR＿RBF-PID提高系统响应速度的能力最好;KF＿RBF-PID算法能够有效去除过程噪声和测量噪声;LM＿RBF-PID控制算法在实物平台轨迹跟踪控制中的总体性能最好。
詹云志[10]（2021）在《下肢柔性助力服控制策略研究》文中研究说明目前下肢助力服可以包括柔性助力服与刚性助力服,下肢刚性助力服多为刚性连杆构成,存在结构复杂、重量大、运行功耗大等众多缺点。下肢柔性助力服以柔性材料驱动实现助力,拥有穿戴方便,重量轻等众多优点。因此,研究下肢柔性助力服的控制策略对各个关节实现高效助力有着重要研究意义。本论文对下肢柔性助力服的控制策略进行研究,主要研究机主人辅运动下的控制策略、人主机辅随动控制下的控制策略以及随动控制参数优化。建立下肢柔性助力服动力学方程。正确的动力学模型是控制策略研究的基础,下肢柔性助力服的助力关节主要分为髋关节、膝关节与踝关节,通过分析人体运动步特点,确定髋关节与膝关节实现助力,介绍下肢柔性助力服人机一体简化模型。通过拉格朗日方程建立系统的动力学模型,并分析电机输出力矩与关节运动力矩关系,进行Matlab与ADAMS联合仿真。研究机主人辅运动控制策略。设计模糊PID控制器与计算力矩补偿的PD反馈控制器实现髋关节与膝关节的助力力矩控制,通过对比两种控制策略发现,模糊PID控制能够根据环境调节控制参数,该控制策略与计算力矩补偿的PD反馈控制在扰动环境下有较好的鲁棒性,且这两种控制策略完整步态周期内最大轨迹跟踪误差相差非常小,都具有更好的控制效果。人主机辅随动控制下需要考虑控制系统的柔顺性。通过比较基于力的阻抗控制与基于位置的阻抗控制,选择基于位置的阻抗控制作为人主机辅随动控制策略,将上述计算力矩补偿的PD反馈控制器作为基于位置的阻抗控制位置内环控制器,同时对位置内环优化,添加RBF神经网络补偿器,控制系统最终能够拥有较好的控制效果,在扰动环境中控制系统有较好的鲁棒性。随动控制参数优化方面分为离线优化与在线优化。通过分析阻抗控制的阻抗参数变化对控制系统的影响,通过变权重变异粒子群优化算法实现阻抗参数的离线优化,在优化算法的目标函数中添加力反馈峰值抑制噪声干扰,与随机阻抗参数下的控制相比拥有更好的控制精度。最后通过PI2增强学习算法实现阻抗参数的实时在线优化,在一定的迭代次数内控制系统可以更好适应复杂环境,提高控制系统的控制效果与鲁棒性。
二、基于RBF神经网络的模糊自适应控制（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RBF神经网络的模糊自适应控制（论文提纲范文）
（1）气动位置伺服系统神经网络控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 气动位置伺服系统概述 |
| 1.3 国内外研究现状 |
| 1.4 本文研究对象 |
| 1.4.1 气动位置伺服系统硬件组成及工作原理 |
| 1.4.2 气动位置伺服系统数学模型 |
| 1.5 本文研究内容 |
| 2 控制方向未知时的自适应神经网络控制 |
| 2.1 气动位置伺服系统控制方向未知问题描述 |
| 2.2 Nussbaum函数简介 |
| 2.3 神经网络理论 |
| 2.3.1 RBF 神经网络概述 |
| 2.3.2 小波神经网络概述 |
| 2.3.3 模糊神经网络概述 |
| 2.4 自适应神经网络控制的设计 |
| 2.5 稳定性分析 |
| 2.6 实验结果及分析 |
| 2.7 本章小结 |
| 3 考虑控制方向未知和输入饱和的自适应神经网络控制 |
| 3.1 气动位置伺服系统饱和非线性的描述 |
| 3.2 考虑饱和非线性时的自适应神经网络控制 |
| 3.2.1 控制器的设计 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 考虑控制方向未知和状态受限的自适应神经网络控制 |
| 4.1 气动位置伺服系统状态受限问题的描述 |
| 4.2 考虑系统状态受限问题的自适应神经网络控制 |
| 4.2.1 控制器的设计 |
| 4.2.2 稳定性分析 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 5 考虑状态受限和伺服阀滞回特性的自适应神经网络控制 |
| 5.1 气动位置伺服系统滞回特性的描述 |
| 5.2 考虑滞回特性的自适应神经网络控制 |
| 5.2.1 控制器的设计 |
| 5.2.2 稳定性分析 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 考虑多种限制因素的自适应神经网络控制 |
| 6.1 考虑控制方向未知、状态受限、输入饱和的自适应神经网络控制 |
| 6.1.1 控制器的设计 |
| 6.1.2 稳定性分析 |
| 6.1.3 实验结果及分析 |
| 6.2 控制方向未知、状态受限、含滞回特性时的自适应神经网络控制 |
| 6.2.1 控制器的设计 |
| 6.2.2 稳定性证明 |
| 6.2.3 实验结果及分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）无接触型机器手悬浮抓取控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及创新点 |
| 第2章 两自由度无接触型机器手悬浮抓取系统模型 |
| 2.1 无接触型机器手悬浮抓取系统装置结构 |
| 2.2 无接触型机器手臂两自由度建模 |
| 2.2.1 无接触型机器手悬浮抓取工作过程介绍 |
| 2.2.2 无接触型机器手悬浮抓取系统建模 |
| 2.3 无接触型悬浮抓取系统安全稳定域 |
| 2.4 无接触型机器手悬浮抓取优化气隙设定 |
| 本章小结 |
| 第3章 无接触型机器手悬浮抓取系统模型参考自适应控制 |
| 3.1 模型参考自适应结构选择 |
| 3.2 无接触型悬浮抓取系统期望模型的构建 |
| 3.3 MRAC控制器设计 |
| 3.4 MARC控制系统稳定性分析 |
| 3.5 仿真实验验证 |
| 3.5.1 稳定悬浮仿真实验 |
| 3.5.2 轴向抓取上升仿真实验 |
| 3.5.3 搬运过程悬浮气隙优化设定仿真实验 |
| 本章小结 |
| 第4章 无接触悬浮抓取系统基于RBFNN的模型参考自适应控制 |
| 4.1 RBF神经网络控制介绍 |
| 4.2 基于RBFNN的模型参考自适应控制器设计 |
| 4.2.1 状态观测器设计 |
| 4.2.2 RBFNN辅助输入信号设计 |
| 4.2.3 基于RBFNN的模型参考自适应控制器设计 |
| 4.3 基于RBFNN的模型参考自适应控制系统的稳定性分析 |
| 4.4 仿真实验验证 |
| 4.4.1 稳定悬浮仿真实验 |
| 4.4.2 轴向抓取上升仿真实验 |
| 4.4.3 搬运过程悬浮气隙优化设定仿真实验 |
| 4.5 四种控制策略对比 |
| 4.5.1 轴向抓取上升仿真实验 |
| 4.5.2 搬运过程悬浮气隙优化设定仿真实验 |
| 4.5.3 轴向变气隙仿真实验 |
| 本章小结 |
| 第5章 小型模拟悬浮手平台实验验证 |
| 5.1 小型悬浮手平台硬件结构 |
| 5.2 小型悬浮手平台软件设计 |
| 5.3 无接触型机器手悬浮抓取模拟实验研究 |
| 5.3.1 稳定悬浮对比实验 |
| 5.3.2 变气隙对比实验 |
| 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（3）液压系统的改进滑模无模型控制策略研究（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 |
| §1.2 电液控制系统的研究现状 |
| §1.2.1 电液系统的组成及原理 |
| §1.2.2 电液控制系统的关键技术 |
| §1.2.3 电液系统的控制研究 |
| §1.3 课题研究的来源和内容安排 |
| 第二章 电液控制系统模型 |
| §2.1 引言 |
| §2.2 液压系统的动力学方程 |
| §2.2.1 伺服阀流量方程 |
| §2.2.2 液压缸的流量连续性方程 |
| §2.2.3 液压缸及负载力平衡方程 |
| §2.2.4 电液控制系统的模型 |
| §2.3 本章小结 |
| 第三章 改进滑模无模型控制的方法设计 |
| §3.1 引言 |
| §3.2 改进滑模无模型控制 |
| §3.2.1 无模型控制 |
| §3.2.2 离散滑模控制 |
| §3.2.3 仿人智能控制方法 |
| §3.2.4 改进滑模无模型控制设计 |
| §3.3 仿真结果与分析 |
| §3.3.1 仿真结果 |
| §3.3.2 结果分析 |
| §3.4 本章小结 |
| 第四章 基于RBF神经网络的改进滑模无模型控制的方法设计 |
| §4.1 引言 |
| §4.2 RBF神经网络 |
| §4.2.1 神经网络发展及应用 |
| §4.2.2 RBF神经网络结构及原理 |
| §4.3 基于RBF神经网络的改进滑模无模型控制方法设计 |
| §4.3.1 改进滑模无模型控制参数整定理论 |
| §4.3.2 改进滑模无模型控制的参数整定 |
| §4.4 仿真结果与分析 |
| §4.4.1 仿真结果 |
| §4.4.2 结果分析 |
| §4.5 本章小结 |
| 第五章 电液实验平台介绍及实验验证分析 |
| §5.1 引言 |
| §5.2 电液控制实验台的组成及操作 |
| §5.2.1 电液控制实验台的组成 |
| §5.2.2 电液控制实验台操作步骤 |
| §5.3 实验原理及结果分析 |
| §5.3.1 电液控制实验台实验原理 |
| §5.3.2 实验结果及分析 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 研究工作总结 |
| §6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（4）基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究（论文提纲范文）
| 缩略语表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.2 间歇化工生产过程控制的难点及常用控制策略 |
| 1.2.1 间歇化工生产过程控制难点 |
| 1.2.2 间歇生产过程的常用控制策略 |
| 1.3 数据驱动控制 |
| 1.3.1 模型驱动控制与数据驱动控制的比较 |
| 1.3.2 PID控制及自整定策略 |
| 1.3.3 迭代学习控制 |
| 1.4 间歇化工过程控制复合架构研究 |
| 1.4.1 复合架构研究的必要性 |
| 1.4.2 复合架构的形式 |
| 1.4.3 间歇化工过程中复合架构迭代学习控制的应用情况 |
| 1.5 时序预测技术与终点质量迭代学习控制 |
| 1.5.1 时序预测技术研究现状 |
| 1.5.2 终点质量迭代学习控制研究现状 |
| 1.6 研究论文的主要内容 |
| 第二章 间歇化工过程批次内时间域控制 |
| 2.1 引言 |
| 2.2 RBF神经网络及差分进化算法 |
| 2.2.1 RBF神经网络结构及学习算法 |
| 2.2.2 差分进化算法 |
| 2.3 IDE-RBF-LM-PID算法设计 |
| 2.3.1 RBF-PID控制算法 |
| 2.3.2 LM算法改进RBF-PID |
| 2.3.3 IDE算法优化RBF网络 |
| 2.4 智能自整定PID控制算法电加热控制实现 |
| 2.4.1 电热水浴装置 |
| 2.4.2 算法设计 |
| 2.4.3 仿真验证 |
| 2.5 智能自整定PID控制算法微化工过程制冷箱控制实现 |
| 2.5.1 制冷箱和控制系统设计 |
| 2.5.2 程序设计 |
| 2.5.3 控制结果 |
| 2.6 智能自整定PID控制算法Chylla Haase间歇反应釜控制实现 |
| 2.6.1 Chylla Haase间歇反应装置 |
| 2.6.2 数学模型 |
| 2.6.3 Matlab Simulink模型开发 |
| 2.6.4 算法设计 |
| 2.6.5 仿真验证 |
| 2.7 本章小结 |
| 第三章 间歇化工过程批次间迭代学习控制及复合控制实现 |
| 3.1 引言 |
| 3.2 复合结构的稳定性分析 |
| 3.2.1 系统形式 |
| 3.2.2 复合控制器结构 |
| 3.2.3 稳定性分析 |
| 3.3 批次间迭代学习控制自适应算法设计 |
| 3.3.1 去伪控制算法 |
| 3.3.2 设计批次间去伪控制算法 |
| 3.3.3 基于有限控制器参数集合的去伪控制策略自适应ILC及算法收敛性证明 |
| 3.4 自适应迭代学习控制算法应用设计 |
| 3.4.1 间歇化工过程批次间控制的难点及大小批次划分 |
| 3.4.2 大小批次划分后初始控制问题 |
| 3.5 Chylla Haase间歇反应过程复合控制实验结果及分析 |
| 3.5.1 方案设计 |
| 3.5.2 结果分析 |
| 3.6 本章小结 |
| 第四章 基于LSTM的间歇蒸馏过程转馏分点预测及终点质量迭代学习控制 |
| 4.1 引言 |
| 4.2 基于LSTM的时序预测建模 |
| 4.2.1 模型建立流程 |
| 4.2.2 数据重构 |
| 4.2.3 长短期记忆神经网络建模基础 |
| 4.2.4 模型搭建与预测 |
| 4.3 数据驱动终点质量迭代学习控制对D1 蒸馏过程纯度的控制 |
| 4.3.1 终点迭代学习控制算法设计 |
| 4.3.2 算法实现 |
| 4.4 系统GUI软件集成 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 本文主要工作 |
| 5.2 主要创新点 |
| 5.3 下一步工作展望 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 主要简历 |
| 致谢 |
（5）永磁同步直线电机神经网络滑模控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 直线电机的国内外研究现状 |
| 1.3 永磁直线电机系统的控制策略研究现状 |
| 1.3.1 传统控制策略 |
| 1.3.2 现代控制策略 |
| 1.4 本文的主要内容 |
| 第二章 PMLSM数学模型及其矢量控制 |
| 2.1 PMLSM的基本结构 |
| 2.2 PMLSM的数学模型 |
| 2.2.1 PMLSM的坐标变换 |
| 2.2.2 永磁同步直线电机数学模型搭建 |
| 2.3 永磁同步直线电机的矢量控制 |
| 2.3.1 矢量控制方法的原理 |
| 2.3.2 SVPWM调制算法 |
| 2.4 本章小结 |
| 第三章 神经网络自适应反推控制器设计 |
| 3.1 神经网络控制器研究 |
| 3.1.1 RBF神经网络控制器介绍 |
| 3.1.2 RBF神经网络的学习方法 |
| 3.2 RBF神经网络反推控制器设计 |
| 3.3 仿真结果及分析 |
| 3.4 本章小结 |
| 第四章 神经网络自适应终端滑模控制器设计 |
| 4.1 滑模控制基本原理及简介 |
| 4.1.1 传统滑模控制原理 |
| 4.1.2 滑模控制中的滑模面设计 |
| 4.1.3 滑模控制中的控制律选取 |
| 4.2 超扭终端滑模控制器设计 |
| 4.3 仿真结果及分析 |
| 4.4 本章小结 |
| 第五章 实验平台介绍与结果分析 |
| 5.1 dSPACE仿真系统 |
| 5.1.1 dSPACE简述 |
| 5.1.2 dSPACE软硬件介绍 |
| 5.2 基于DS1104的永磁同步直线电机实验平台搭建 |
| 5.3 实验结果及分析 |
| 5.4 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 |
| 附录:作者在攻读硕士学位期间所做工作 |
（6）基于扰动和输入饱和限制的无人机自适应轨迹跟踪控制（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 四旋翼无人机控制算法研究现状 |
| 1.2.1 PID控制 |
| 1.2.2 LQR控制 |
| 1.2.3 鲁棒控制 |
| 1.2.4 自抗扰控制 |
| 1.2.5 反步法控制 |
| 1.2.6 滑模控制 |
| 1.2.7 模糊控制 |
| 1.2.8 神经网络控制 |
| 1.2.9 其他控制方法 |
| 1.3 本文研究内容及框架 |
| 第2章 四旋翼无人机动力学建模 |
| 2.1 引言 |
| 2.2 无人机基本组成及飞行原理 |
| 2.2.1 无人机基本组成 |
| 2.2.3 四旋翼无人机的飞行原理 |
| 2.3 无人机干扰分析 |
| 2.4 无人机动力学建模推导 |
| 2.5 本章小节 |
| 第3章 基于积分反步法的无人机抗干扰控制设计 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 串级控制方案设计 |
| 3.4 基于积分反步法的无人机控制器设计 |
| 3.5 控制参数选取与优化 |
| 3.6 PD、LQR和常规反步法控制器设计 |
| 3.7 实验结果及分析 |
| 3.8 本章小结 |
| 第4章 基于扰动和输入饱和限制的无人机自适应控制设计 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 相关基础知识 |
| 4.3.1 RBF神经网络 |
| 4.3.2 输入饱和约束求解 |
| 4.4 复合控制器设计 |
| 4.5 稳定性分析 |
| 4.6 控制参数选取与优化 |
| 4.7 实验结果及分析 |
| 4.8 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于车辆状态参数估计的商用车气压电子制动主动安全控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号及缩略词说明 |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 商用车气压电子制动国内外研究现状 |
| 1.2.2 商用车车辆状态参数估计国内外研究现状 |
| 1.2.3 汽车主动安全控制策略国内外研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 商用车气压电子制动系统响应特性仿真研究 |
| 2.1 商用车气压电子制动构型方案 |
| 2.2 商用车气压电子制动系统仿真模型 |
| 2.2.1 双通道轴调节器 |
| 2.2.2 制动管路 |
| 2.2.3 制动气室 |
| 2.2.4 制动器 |
| 2.3 系统参数对气压电子制动响应特性影响分析 |
| 2.4 本章小结 |
| 第3章 商用车气压电子制动主动安全控制车辆状态参数估计 |
| 3.1 车辆状态参数估计动力学建模 |
| 3.2 基于改进强跟踪自适应容积卡尔曼滤波车辆状态参数估计 |
| 3.3 典型工况车辆状态参数估计仿真 |
| 3.3.1 不同附着系数路面制动仿真 |
| 3.3.2 双移线转向仿真 |
| 3.3.3 J-turn和鱼钩转向仿真 |
| 3.4 本章小结 |
| 第4章 商用车气压电子制动主动安全控制策略研究 |
| 4.1 气压电子制动主动安全控制策略总体架构 |
| 4.2 气压电子制动执行机构双重逻辑门限值控制策略研究 |
| 4.3 基于非线性扰动观测的主动安全滑模控制策略研究 |
| 4.3.1 制动防抱死改进型自适应滑模控制策略研究 |
| 4.3.2 横摆稳定性二阶滑模控制策略研究 |
| 4.3.3 防侧翻径向基神经网络自适应滑模控制策略研究 |
| 4.3.4 主动安全联合控制策略研究 |
| 4.4 本章小结 |
| 第5章 商用车气压电子制动主动安全控制策略仿真研究 |
| 5.1 商用车气压电子制动主动安全控制仿真平台架构 |
| 5.2 商用车气压电子制动执行机构控制策略仿真研究 |
| 5.2.1 阶跃工况仿真研究 |
| 5.2.2 正弦工况仿真研究 |
| 5.3 商用车气压电子制动主动安全控制策略仿真研究 |
| 5.3.1 制动防抱死控制策略仿真研究 |
| 5.3.2 横摆稳定性控制策略仿真研究 |
| 5.3.3 防侧翻控制策略仿真研究 |
| 5.3.4 联合控制策略仿真研究 |
| 5.4 本章小结 |
| 第6章 商用车气压电子制动主动安全控制策略台架试验研究 |
| 6.1 商用车气压电子制动主动安全硬件在环试验台 |
| 6.2 商用车气压电子制动系统执行机构响应特性试验研究 |
| 6.2.1 开环响应特性试验研究 |
| 6.2.2 闭环响应特性试验研究 |
| 6.3 商用车气压电子制动主动安全控制策略硬件在环试验研究 |
| 6.3.1 制动防抱死控制策略硬件在环试验研究 |
| 6.3.2 横摆稳定性控制策略硬件在环试验研究 |
| 6.3.3 防侧翻控制硬件在环试验研究 |
| 6.3.4 主动安全联合控制策略硬件在环试验研究 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 创新点 |
| 7.3 工作展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（8）插电式混合动力公交车工况预测与智能能量管理策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 插电式混合动力汽车研究概况及发展趋势 |
| 1.3 能量管理策略研究现状及发展趋势 |
| 1.3.1 基于规则的能量管理策略 |
| 1.3.2 基于优化的能量管理策略 |
| 1.4 存在问题与主要研究内容 |
| 第2章 基于历史数据的插电式混合动力公交车工况构建 |
| 2.1 行驶工况构建方法 |
| 2.2 原始行驶工况数据采集试验 |
| 2.2.1 行驶工况数据采集方法 |
| 2.2.2 试验线路与试验车辆选取 |
| 2.2.3 行驶工况数据采集 |
| 2.2.4 行驶工况数据预处理 |
| 2.3 原始行驶工况特征参数分析 |
| 2.3.1 短行程片段划分与特征参数计算 |
| 2.3.2 基于主成分分析的特征参数筛选 |
| 2.4 基于自组织映射神经网络的短行程样本聚类分析 |
| 2.4.1 SOM神经网络原理 |
| 2.4.2 基于SOM神经网络的聚类分析 |
| 2.5 行驶工况的合成与验证 |
| 2.6 本章小结 |
| 第3章 插电式混合动力公交车建模与能量管理策略 |
| 3.1 双电机同轴混联式构型分析 |
| 3.2 插电式混合动力公交车动力学模型建立 |
| 3.2.1 整车及部件基本参数 |
| 3.2.2 整车动力学建模 |
| 3.3 基于规则的插电式混合动力系统能量管理策略 |
| 3.3.1 EV-CD-CS能量管理策略制定 |
| 3.3.2 仿真验证及结果分析 |
| 3.4 基于动态规划算法的最优能量管理策略 |
| 3.4.1 确定性动态规划算法理论基础 |
| 3.4.2 目标问题构建及数值求解 |
| 3.4.3 仿真验证及结果分析 |
| 3.5 本章小结 |
| 第4章 基于数据驱动的工况预测方法研究 |
| 4.1 工况预测方法 |
| 4.2 基于马尔可夫链模型的车速预测方法 |
| 4.2.1 马尔可夫链基本概念 |
| 4.2.2 马尔可夫链预测模型 |
| 4.2.3 基于马尔可夫链的车速预测 |
| 4.3 基于RBF神经网络模型的车速预测方法 |
| 4.3.1 基于模糊控制的驾驶意图识别 |
| 4.3.2 RBF神经网络预测模型 |
| 4.3.3 基于RBF神经网络模型的车速预测 |
| 4.4 本章小结 |
| 第5章 基于PMP-MPC的分层预测能量管理策略研究 |
| 5.1 基于模型预测控制的能量管理策略 |
| 5.1.1 模型预测控制基本原理 |
| 5.1.2 基于模型预测控制的能量管理策略问题构建 |
| 5.2 基于PMP-MPC的分层预测能量管理策略 |
| 5.2.1 庞特里亚金最小化原理 |
| 5.2.2 基于PMP-MPC的能量管理策略设计 |
| 5.3 基于PMP-MPC的预测能量管理策略仿真验证 |
| 5.3.1 预测时域对控制效果影响分析 |
| 5.3.2 PMP-MPC与 DP能量管理策略对比分析 |
| 5.3.3 PMP-MPC与 DP-MPC能量管理策略对比分析 |
| 5.4 本章小结 |
| 第6章 基于深度强化学习的智能能量管理策略研究 |
| 6.1 强化学习基本理论 |
| 6.1.1 强化学习基本概念 |
| 6.1.2 强化学习算法分类 |
| 6.2 基于深度强化学习的能量管理策略问题构建 |
| 6.3 基于DDQN的 DRL能量管理策略 |
| 6.3.1 双深度Q网络算法 |
| 6.3.2 基于DDQN的 DRL能量管理策略设计 |
| 6.3.3 基于DDQN能量管理策略仿真分析 |
| 6.4 基于DDPG的 DRL能量管理策略 |
| 6.4.1 深度确定性策略梯度算法 |
| 6.4.2 基于DDPG的 DRL能量管理策略设计 |
| 6.4.3 基于DDPG能量管理策略仿真分析 |
| 6.5 能量管理策略对比分析 |
| 6.6 本章小结 |
| 第7章 能量管理策略硬件在环试验 |
| 7.1 硬件在环试验平台搭建 |
| 7.2 硬件在环试验结果分析 |
| 7.3 本章小结 |
| 第8章 全文总结与展望 |
| 8.1 本文主要结论 |
| 8.2 本文创新点 |
| 8.3 未来工作计划与研究展望 |
| 参考文献 |
| 攻读博士期间发表的论文及科研成果 |
| 致谢 |
（9）基于RBF的板球系统控制与参数优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 板球系统控制与优化的研究意义 |
| 1.2 板球系统的研究现状 |
| 1.3 论文内容 |
| 1.4 论文结构 |
| 第二章 板球系统的定性分析及建模 |
| 2.1 GBP2001型板球系统的组成部分 |
| 2.1.1 机械部分 |
| 2.1.2 视觉部分 |
| 2.1.3 运动控制器 |
| 2.1.4 控制软件 |
| 2.2 板球系统的模型及分析 |
| 2.2.1 以拉格朗日方程建立模型 |
| 2.2.2 板球系统的数学模型 |
| 2.3 板球系统控制模型简化 |
| 2.3.1 角加速度控制量模型 |
| 2.3.2 角度控制量模型 |
| 2.4 数学模型线性化及解耦 |
| 2.5 本章小结 |
| 第三章 板球系统控制器设计 |
| 3.1 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 改进板球系统的RBF-PID控制 |
| 3.3.1 引入加速率的改进RBF-PID控制 |
| 3.3.2 基于卡尔曼滤波算法改进RBF-PID控制 |
| 3.3.3 基于LM算法改进RBF-PID控制 |
| 3.4 板球系统仿真实验 |
| 3.4.1 搭建板球系统仿真模块 |
| 3.4.2 板球系统仿真结果分析 |
| 3.5 本章小结 |
| 第四章 实物板球系统控制实验 |
| 4.1 控制评价指标 |
| 4.2 小球定点位置控制结果 |
| 4.2.1 板球系统单次定点控制实验 |
| 4.2.2 板球系统多次定点控制实验 |
| 4.3 板球系统轨迹跟踪控制实验 |
| 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) |
（10）下肢柔性助力服控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外结构及动力学研究现状 |
| 1.2.2 国内外控制策略研究现状 |
| 1.2.3 国内外控制参数优化研究现状 |
| 1.3 本文章节内容安排 |
| 第二章 下肢柔性助力服人机模型与动力学分析 |
| 2.1 引言 |
| 2.2 下肢柔性助力服人机模型分析 |
| 2.2.1 人体下肢运动特征分析 |
| 2.2.2 下肢柔性助力服简化模型 |
| 2.3 下肢关节动力学分析 |
| 2.3.1 拉格朗日动力学分析 |
| 2.3.2 下肢关节动力学仿真分析 |
| 2.4 本章小结 |
| 第三章 下肢柔性助力服机主人辅运动控制研究 |
| 3.1 引言 |
| 3.2 下肢柔性助力服控制系统简介 |
| 3.3 模糊PID控制设计 |
| 3.3.1 传统PID控制 |
| 3.3.2 模糊PID控制器设计 |
| 3.3.3 模糊规则的建立 |
| 3.3.4 仿真分析 |
| 3.4 基于计算力矩补偿的PD反馈控制设计 |
| 3.4.1 计算力矩补偿的PD反馈控制器设计 |
| 3.4.2 系统稳定性分析 |
| 3.4.3 仿真分析 |
| 3.5 本章小结 |
| 第四章 下肢柔性助力服人主机辅随动控制研究 |
| 4.1 引言 |
| 4.2 阻抗控制的基本原理 |
| 4.3 下肢柔性助力服阻抗控制器设计 |
| 4.3.1 基于力/位置的阻抗控制 |
| 4.3.2 基于位置的阻抗控制系统设计 |
| 4.3.3 仿真分析 |
| 4.4 阻抗控制位置控制器的RBF优化 |
| 4.4.1 RBF神经网络理论基础 |
| 4.4.2 基于RBF补偿的位置内环控制器设计 |
| 4.4.3 仿真分析 |
| 4.5 本章小结 |
| 第五章 下肢柔性助力服随动控制参数优化 |
| 5.1 引言 |
| 5.2 阻抗参数对控制系统影响 |
| 5.3 变异粒子群离线优化阻抗参数 |
| 5.3.1 基本粒子群算法 |
| 5.3.2 变权重与混合变异粒子群算法设计 |
| 5.3.3 仿真分析 |
| 5.4 阻抗参数在线优化 |
| 5.4.1 增强学习理论基础 |
| 5.4.2 PI2优化算法 |
| 5.4.3 PI2算法在控制系统中的应用 |
| 5.4.4 仿真分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 论文工作展望 |
| 致谢 |
| 参考文献 |
四、基于RBF神经网络的模糊自适应控制（论文参考文献）
- [1]气动位置伺服系统神经网络控制方法研究[D]. 焦珊珊. 西安理工大学, 2021(01)
- [2]无接触型机器手悬浮抓取控制[D]. 宋蕊. 曲阜师范大学, 2021(02)
- [3]液压系统的改进滑模无模型控制策略研究[D]. 高建锋. 桂林电子科技大学, 2021
- [4]基于数据驱动的间歇化工过程批次内和批次间复合优化控制策略研究[D]. 于蒙. 军事科学院, 2021(02)
- [5]永磁同步直线电机神经网络滑模控制研究[D]. 黄泊珉. 江南大学, 2021(01)
- [6]基于扰动和输入饱和限制的无人机自适应轨迹跟踪控制[D]. 田增武. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(08)
- [7]基于车辆状态参数估计的商用车气压电子制动主动安全控制策略研究[D]. 石求军. 吉林大学, 2021(01)
- [8]插电式混合动力公交车工况预测与智能能量管理策略研究[D]. 宋鹏翔. 吉林大学, 2021(01)
- [9]基于RBF的板球系统控制与参数优化研究[D]. 黄文杰. 昆明理工大学, 2021(01)
- [10]下肢柔性助力服控制策略研究[D]. 詹云志. 电子科技大学, 2021(01)