一、基于动态递归网的智能PID自适应控制算法（论文文献综述）
江涛[1]（2020）在《地面低速机器人协同编队的控制系统研究与应用》文中研究指明随着科技的进步,单机器人由于自身的局限性在很多方面已经无法满足需求,对机器人的研究逐渐向多机器人系统方向发展,但多机器人编队的协同控制一直是一个难点问题。论文以地面低速机器人为研究对象,研究室内环境下多机器人协同编队问题。其主要研究内容包括:（1）搭建了基于麦克纳姆轮的全向移动机器人作为实验平台,控制系统采用上下位机分布式控制架构,设计了下位机系统中的单片机和电机驱动模块,并对上位机系统的硬件进行选型。机器人搭载工控机和激光雷达,采用Cartographer算法完成了室内地图构建,使用自适应蒙特卡罗定位算法实现了自主定位,作为后续路径规划与协同编队的基础。（2）针对遗传算法规划的路径不平滑以及收敛速度慢的问题对适应度函数进行优化并加入精英保留策略,通过对比仿真验证了改进遗传算法收敛速度更快且路径更加平滑,适合机器人运动,并将其用于全局路径规划;为了躲避导航过程中随机出现的动态障碍物,采用动态窗口法进行局部路径规划,并仿真验证了算法的有效性。（3）针对领航跟随法未考虑跟随者避障的问题,通过引入虚拟领航者对算法进行改进,领航者根据自身位姿以及设定的队形实时计算虚拟领航者的位姿发送给跟随者,由虚拟领航者引导跟随者运动;并设计了PID控制器实现跟随者对虚拟领航者的位姿跟踪;为了躲避编队过程中可能遇到的动态障碍物,设计了多机器人协同避障策略,并通过仿真验证了改进领航跟随法的有效性。（4）完成了真实环境实验。首先进行全局路径规划实验和局部避障实验,验证了单个机器人在真实环境中能够使用改进遗传算法规划出最优路径到达目标点,并且能够躲避动态障碍物;然后进行无障碍环境中多机器人协同编队实验,验证了PID控制器有效性;最后进行了障碍物环境中的避障实验,验证了改进领航跟随法和避障策略的有效性。
王宇[2]（2019）在《基于车联网的智能车辆节能诱导策略研究》文中进行了进一步梳理随着新一代网络通信技术的发展,车联网作为一个多领域多行业广泛参与的多信息融合技术,可以有效地提高车辆安全性能,减少能源消耗。本文针对城市道路工况车联网环境下的智能车辆节能诱导策略问题,开展了整车动力学建模、节能诱导全局优化策略开发、节能诱导策略在跟车工况的应用以及道路试验等方面的研究工作,具有重要的学术意义和实践价值。本文在文献调研的基础上,利用动力学仿真软件IPG Carmaker搭建了整车动力学模型。依据试验场地真实道路,在软件中搭建了道路环境模型。根据实车性能参数,对模型中的参数修订,保证了模型的性能。验证表明,无论是驾驶员驾驶车辆行驶,还是车辆按照一定的速度曲线自动行驶,在软件中仿真得到的车速、电机扭矩、瞬时电耗等结果都能很好地吻合,平均百公里电耗相对误差均不超过5%,验证了车辆-道路模型的有效性。以节能为目标开展了基于动态规划的智能车辆节能诱导策略研究。构建了基于动态规划的节能诱导策略,得到了固定道路上行驶的节能诱导速度曲线。当平均速度为24km/h时,全程耗时318s,全局能耗最优,平均百公里能耗为9.343kW h,比未优化时的平均百公里电耗节省了27.43%。又以平均速度为约束条件,得到了不同平均速度下的节能诱导结果;对节能诱导策略在跟车工况下的应用进行了仿真及分析。分析了跟车工况下前车可能出现的动作状态,基于MATLAB/Simulink和IPG Carmaker搭建了联合仿真模型,设计了节能诱导策略的决策层和控制层,开发了跟车控制策略。对典型跟车工况进行了仿真及分析,对前车NEDC循环工况进行了仿真及分析。仿真结果表明,两种工况下的累积电耗均优于用线性二次型优化算法优化得到的累积电耗。搭建了道路试验硬件平台,并对基于车联网的智能车辆节能诱导全局优化策略进行了道路试验。验证了平均车速分别为20km/h、30km/h、40km/h时的节能诱导策略。试验结果表明:和人类驾驶员相比,本文构建的节能诱导全局优化策略具有良好的节能效果。
韩嘉豪[3]（2019）在《基于预测控制的炉-机-网协调控制方法研究》文中认为新能源的入网比例逐渐增大使得传统火电机组面临机遇和挑战。超临界机组在网源协调面临矛盾的背景下需要提高其运行效率和经济性。本文针对超临界机组设计了有别于传统控制方法的智能预测控制方法,既延长了机组的寿命,又提高了机组参与调频的能力,并建立了综合评价指标体系对其进行定量评价。首先,建立用于研究炉-机-网协调的超临界机组模型。基于超临界直流锅炉的燃烧、给水、减温水系统,建立了直流锅炉模型;基于一、二次调频控制机理,建立了凝汽式汽轮机模型。其次,基于机炉控制系统设计机炉协调超前控制策略。在定性对比不同的超前控制回路机理的基础上,本文定量分析锅炉、机组能量状态,提出了机炉协调智能超前控制策略,针对不同的状态在燃烧率指令处给出不同的修正量,从而有效抑制了超临界机组主蒸汽压力的波动,提高了机组的负荷跟随特性。接着,基于模型预测控制,本文通过给区域控制偏差中添加额外修正量来在线预测、调整区域频率参考值,从而提高了超临界机组的调频效果。最后,定量研究本文提出的控制方法在机炉侧和网侧对于炉-机-网协调的贡献。在机炉侧,定量研究了新的控制方法对超临界机组主要设备寿命和应力的影响;在网侧,定量研究了新的控制方法对CPS和SCPS指标的改善。并基于向量夹角余弦法建立了炉-机-网协调综合评价指标体系,计算了各个参数在评价体系中的权重,得到了全面在线评价新的控制方法对超临界机组的整体贡献。仿真结果表明,新的控制方法可以有效提升超临界机组的设备应力和调频能力,对于机组的性能有了全面的提升。
王宁[4]（2016）在《线控转向汽车路感模拟及主动转向控制策略研究》文中指出汽车线控转向系统取消了方向盘和转向车轮之间机械连接,能够更加容易实现主动转向控制。伴随着机械连接的消失,车辆的实时路感也无法传递给驾驶员。有鉴于此,本文基于线控转向系统的劣势设计了路感模拟的算法,基于线控转向系统的优势研究了新的主动转向控制策略。具体研究内容分为以下几个方面:（1）线控转向汽车建模。对线控转向系统的结构及原理进行分析,将其分为方向盘模块、路感模拟模块、转向执行模块、齿轮齿条模块和左、右转向前轮模块六个部分,采用降解法建立系统数学模型,应用Matalab/Simulink软件和CarSim软件,建立线控转向汽车模型。（2）线控转向系统路感模拟算法研究。论文提出了直接测量转向电机电流来获取转向过程转向电机所产生的电机力矩的路感模拟算法,并采取中心区转向仿真试验工况和方向盘角正弦输入仿真试验工况对所研究算法进行验证,验证结果表明算法能够根据驾驶员操纵和汽车实际状态产生良好路感。（3）主动转向控制策略研究。设计出以实际、理想横摆角速度和实际、理想质心侧偏角的偏差为输入的自适应模糊PI控制器,在失稳工况下,通过对前轮转角修正提高汽车行驶稳定性,并通过仿真试验对控制策略有效性进行了试验验证。（4）驾驶模拟器硬件在环试验验证。应用辽宁工业大学汽车驾驶模拟器硬件在环试验台,设计试验工况,对所研究的路感模拟算法和主动转向控制策略进行硬件在环试验验证。
姜琳[5]（2010）在《过程控制优化中的智能方法研究》文中研究指明随着控制需求的提高,计算机技术已经逐步深入地渗透到控制领域,其中尤为突出的包括以模糊神经网络等智能技术解决控制中的非线性模型辨识和自适应控制问题。对用于大型构件高效精确制造的巨型重载操作装备,其单机控制和双机协调控制具有高度的非线性,且其操作过程具有很强的面对时间有序特性。本文针对面向时间有序的操作装备过程辨识和控制问题,对计算机智能方法进行了研究,设计出用于过程辨识的模糊神经网络方法、基于动态规化的控制优化和基于决策树的双机协调控制方法,为此类工程问题提供了有效的解决方案。本文具体研究内容和主要贡献包括:（1）系统地分析了应用在过程辨识与控制方面的智能方法通过对国内外相关理论与文献的研究学习,系统地分析总结了应用在非线性模型辨识及控制方面的智能方法,包括:针对本文所研究对象的模型特点,分析了模糊神经网络在非线性辨识和自适应控制方面的应用,如操作机目前在控制中的方法及其所存在的问题;系统研究了用于最优化问题的动态规划,、机械结构顺应控制的方法及特点,现有双机械结构协调控制的方法与特点,以及数据挖掘中的分类方法决策树。（2）构建对象的相似模型并对其工作过程特点进行了分析为了提高锻造操作机的工作性能,针对某一型号的锻造操作机设计了相似机构,并采用几何方法建立了该机构的正运动学和逆运动学模型,分析了其工作空间,采用雅克比矩阵的方法分析了奇异性,给出了钳杆在不同姿态角时奇异点的轨迹;基于正向雅克比矩阵分析了各自由度之间的运动学耦合性。分析表明,机构在工作空间内无奇异,钳杆做小幅度锻压运动时,各自由度之间的运动学耦合性可以忽略不计,这很大程度上简化了机构的运动学控制。采用虚功原理方法建立了其逆动力学模型。为减小机构动力学非线性对响应性能的影响,采用动力学前馈方法将钳杆按期望轨迹运动时所需的驱动力分配给各液压缸驱动单元,并以液压缸驱动单元位置动态性能的提高来改善钳杆的位姿跟踪性能。为此,考虑液压系统的非线性,利用反馈线性化方法将液压缸驱动单元转化为一个二阶线性系统,通过四个参数的设定来确定液压缸驱动单元的自然频率及阻尼比、以及改善系统的动态响应过程。仿真结果表明了这种控制方法的有效性。然后对该操作机对象的工作条件、原理及控制问题进行了分析,以便设计适当的智能方法解决此类过程控制问题。（3）提出了一种面向时间有序的模糊神经网络过程辨识方法操作过程分成不同的有序阶段,根据载荷的不同在每个阶段呈现出不同的非线性特点,而一般的模糊神经网络只具有无序的非线性映射能力,在处理这类针对时间有序的过程辨识时,通过提出一个对操作过程有序分段的算法、一个对相应段的判断函数和一个层内神经元的激活函数,来构建一种层内神经元之间带有向链接的特殊的模糊神经网络,从而实现对对象的过程辨识。其中有序分段算法按照震荡或者平稳对整个过程进行有序划分,过程判断函数判断某个采样时间的变量输入属于哪个阶段并使该段的神经元激活,激活函数实现将其相邻段的神经元激活,通过该模糊神经网络得到输出后,利用边界调整算法和误差反传的思想对网络进行修整学习。仿真实验结果表明,得到的网络可充分描述装备在整个操作过程中不同阶段输入的力的输出情况,解决了无法对对象进行数学建模的问题。（4）提出了一种基于动态规划与模糊神经网络的控制优化方法为了保证巨型重载操作装备在运动过程中操作杆输出速度的平稳,通过构造一种新型层内神经元之间带有向链接的适用于过程辨识的模糊神经网络,来辨识操作机的对象模型,为动态规划提供非线性关系模型,然后设计一种具有优化比例因子的动态规划算法对操作杆液压缸的速度与力进行寻优,解决了动态规划算法很难在互相耦合的约束条件间寻优的问题,继而通过液压缸的闭环速度控制完成操作杆的主动顺应过程,使其实际速度得到控制优化。仿真实验结果表明,该方法有效消除了控制优化前实际输出的震荡,并在增大受力的必然约束下寻找到了一个优化控制解,为重载操作装备的双机协调控制提供了单机基础。（5）提出了一种基于决策树与模糊神经网络的双机协调控制方法将双机协调控制过程整体设计为决策和执行两层,其中决策层通过构建有序的模糊决策树生成对双机的协调策略;执行层则用模糊神经网络控制结构来完成协调后的单机自适应控制执行过程。首先用适应于过程辨识的模糊神经网络为决策树提供对象模型,然后设计了分类结果为模糊隶属度的针对时间有序的决策树,为双机提供上层协调策略,并为单机控制器提供了输入,最后由模糊神经网络控制器对决策树的分类决策执行单机的自适应控制,从而完成整个双机的协调自适应控制过程,并通过仿真实验验证了其有效性。本文以上的研究内容与成果丰富了模糊神经网络、动态规划及数据挖掘中分类方法决策树等方向的研究工作,有效解决了面向时间有序的模型辨识和控制问题,提供了解决这类问题的一套整体方案,扩展了计算机领域中的智能方法在控制领域中的应用,具有一定的理论意义和应用价值。
张少华[6]（2009）在《铁矿石热态性能测控系统的设计》文中研究说明针对目前铁矿石热态性能测定系统相对落后的现状,研究开发基于工业以太网的集散控制监控系统,用于铁矿石热态性能的综合测试和过程控制,为炉料配比提供科学依据,对高炉生产具有重要的现实意义。在全面分析系统功能的基础上,本课题研究了基于工控机、PLC、智能仪表的三级控制系统,将智能仪表应用到铁矿石热态性能测控系统中,使其具有良好的信号检测、控制的高精度与可靠性。采用Delphi7.0编程环境开发了上位机监控软件,实现对试验过程的实时控制、数据显示、数据管理、实时特性曲线绘制、试验结果报表打印及信息调度等功能。为满足系统数据采集部分的实时性、高可靠性等要求,系统通过工业以太网完成智能仪表、PLC和上位机之间的通信。还原气体的成分是影响铁矿石热态性能测定试验精度的关键因素。根据还原气体产生的机理,本文提出通过控制煤气发生炉温度来实现还原气体成分的控制。由于煤气发生炉具有大时滞、非线性、难以建立精确数学模型等特点,利用传统的控制策略对其进行控制,难以取得理想的控制效果。本文针对还原气体生产的具体情况,进行了煤气发生炉温度模糊专家控制系统的研究和设计。通过总结专家经验,构建了一个温度设定专家知识库,根据工艺参数的变化情况,适时调整炉温控制设定值;研究与设计了温度模糊自适应整定PID控制器,并基于STEP 7和SIMATIC S7-200 PLC实现了模糊自适应整定PID控制策略。仿真结果验证了该控制算法的可行性。系统投入现场运行,取得了良好的效果。
刘霞[7]（2008）在《一般化学习网络在非线性系统辨识及预测控制中的应用研究》文中提出智能预测控制是针对复杂的受控系统,采用某种智能模型与典型的预测控制算法相结合构成的一类智能型预测控制系统,它弥补了传统预测控制算法精度不高、仅适用于线性系统、缺乏自学习和自组织功能、鲁棒性不强的缺陷。智能预测控制可以处理非线性、多目标、约束条件等异常情况。因此,智能预测控制是当前预测控制研究的热点之一。本文主要研究一种新型神经网络即一般化学习网络（Universal Learning Network）在非线性系统辨识以及预测控制中的应用。一般化学习网络具有节点之间有多重分支、任意两个节点互连且节点之间可具有任意的时间延迟的特点,因此能够应用在高度非线性复杂系统的辨识中。本文首先详细介绍了一般化学习网络的结构以及学习算法后,将该网络应用于对机器人手臂的实测信号进行系统辨识,通过系统仿真验证了具有多重分支的一般化学习网络优于单分支的神经网络。然后分别用一般化学习网络和常规的递归神经网络Elman对多变量连续釜式反应器（CSTR）进行系统辨识比较,仿真结果进一步验证了一般化学习网络结构比递归神经网络Elman的辨识精度更高,且网络结构更简洁紧凑。基于一般化学习网络对复杂系统良好的辨识能力,本文提出了将一般化学习网络应用于非线性系统预测控制中,利用一般化学习网络构建一个一般化学习网络预测模型（ULNP）来预测模型未来时刻的输出值,然后利用BP神经网络控制器（NNC）实现基于模型的预测控制。本文详细描述了一般化学习网络预测模型和神经网络预测控制器模型及其在线学习的推导过程。仿真结果证实了所提出算法能够提供满意的跟踪性能。
刘洲峰,孙红艳,安菲[8]（2007）在《基于Matlab的智能控制系统仿真》文中认为智能控制系统是一种具有学习功能、适应功能、容错功能和实时功能的复杂系统。介绍了PID控制原理,对一些典型控制算法,选用典型控制对象进行了基于Matlab的仿真。并引进了一些智能控制的方法,与传统PID控制方法进行了性能对比,仿真结果表明智能控制具有控制效果好、抗干扰能力强等优点。
冀尔康[9]（2006）在《基于神经网络的自适应逆控制方法研究》文中认为由B.Widrow教授提出的自适应逆控制方法经过十多年的发展,已经取得了很多成果。然而,目前针对自适应逆控制的研究,还主要以线性系统为主,针对非线性系统的研究成果还不多见,迫切需要研究者对非线性系统的自适应逆控制加以研究。当前神经网络、模糊和神经—模糊融合理论系统等的迅猛发展,给各种非线性系统的研究提供了有力的工具,本课题主要研究利用神经网络实现非线性自适应逆控制的问题,具体工作如下:首先,针对多层前向网络作为逆控制器学习收敛速度慢,易陷入局部极小的问题,研究了基于正交神经网络的直接非线性自适应逆控制,通过修改网络隐层S函数的倾斜度,加快了神经网络的学习过程,并设计了无刷直流电机直接自适应逆控制系统,实现了高性能速度控制。其次,论文研究了基于模糊RBF神经网络的系统建模、逆建模方法,并且针对热工系统纯延迟对象,设计了相应的模型参考自适应逆控制系统。被控对象能快速跟踪参考模型的输出,有效的克服扰动,适应环境及参数的变化。再次,由于动态递归神经网络相比与静态神经网络的优越性,论文讨论了输出—输入反馈Elman网络应用于非线性自适应逆控制的可行性,并设计了隐层为径向基函数的Elman网络自适应逆控制系统。针对不同的非线性对象,研究了直接逆控制及存在扰动情况下的自适应扰动消除问题。最后,针对船舶可调螺距螺旋桨控制系统中,传统PID抗干扰能力差、难以获得最佳整定效果的缺点,论文研究了基于遗传优化的非线性PID方法进行控制,引入遗传算法对系统控制器各部分参数进行优化,取得了满意的效果。
王蕾,宋文忠[10]（2004）在《PID控制》文中认为现代PID控制是将自适应控制、最优控制、预测控制、鲁棒控制和智能控制策略引入到传统PID控制中的一种新型PID控制。简要回顾了PID控制器的发展历程 ,重点介绍了基于专家系统、模糊控制和神经网的智能PID控制器的研究概况 ,并对PID控制今后的发展进行了展望
二、基于动态递归网的智能PID自适应控制算法（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、基于动态递归网的智能PID自适应控制算法（论文提纲范文）
（1）地面低速机器人协同编队的控制系统研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 多机器人编队关键技术 |
| 1.3.1 组网通信技术 |
| 1.3.2 SLAM技术 |
| 1.3.3 路径规划技术 |
| 1.3.4 编队技术 |
| 1.4 全文内容安排 |
| 2 移动机器人平台设计 |
| 2.1 移动平台结构方案设计 |
| 2.1.1 移动平台总体结构 |
| 2.1.2 移动平台运动学分析 |
| 2.2 移动平台控制系统总体设计 |
| 2.3 移动平台下位机系统设计 |
| 2.3.1 主控模块设计 |
| 2.3.2 底盘控制系统设计 |
| 2.3.3 无线通信系统设计 |
| 2.4 移动平台上位机系统设计 |
| 2.4.1 上位机平台简介 |
| 2.4.2 ROS机器人操作系统简介 |
| 2.4.3 激光雷达坐标转换 |
| 2.4.4 多计算机之间通信建立 |
| 2.5 本章小结 |
| 3 单机器人SLAM与路径规划 |
| 3.1 室内地图构建 |
| 3.1.2 Cartographer算法原理 |
| 3.1.3 建图结果 |
| 3.2 基于自适应蒙特卡罗定位的室内定位 |
| 3.2.1 算法原理 |
| 3.2.2 定位仿真 |
| 3.2.3 定位实验 |
| 3.3 基于改进遗传算法的全局路径规划 |
| 3.3.1 遗传算法概述 |
| 3.3.2 改进遗传算法 |
| 3.3.3 改进遗传算法仿真 |
| 3.4 基于动态窗口法的局部路径规划 |
| 3.4.1 动态窗口法原理 |
| 3.4.2 动态窗口法仿真 |
| 3.5 本章小结 |
| 4 多机器人系统协同编队控制 |
| 4.1 基于改进领航跟随法的多机器人编队 |
| 4.1.1 领航跟随法简介 |
| 4.1.2 改进领航跟随法 |
| 4.2 编队任务设计 |
| 4.2.1 队形生成 |
| 4.2.2 队形保持 |
| 4.2.3 队形切换 |
| 4.3 PID控制器设计 |
| 4.3.1 PID基本原理 |
| 4.3.2 机器人编队PID控制器设计 |
| 4.3.3 基于PID控制器的编队仿真 |
| 4.4 多机器人避障 |
| 4.4.1 避障策略研究 |
| 4.4.2 编队避障仿真 |
| 4.5 本章小结 |
| 5 实验 |
| 5.1 单机器人路径规划实验 |
| 5.1.1 全局路径规划实验 |
| 5.1.2 局部路径规划实验 |
| 5.2 多机器人编队实验 |
| 5.2.1 队形形成实验 |
| 5.2.2 队形保持实验 |
| 5.2.3 队形切换实验 |
| 5.3 多机器人避障实验 |
| 5.3.1 整体避障实验 |
| 5.3.2 收缩队形避障实验 |
| 5.3.3 切换队形避障实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）基于车联网的智能车辆节能诱导策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能网联汽车国内外研究现状 |
| 1.2.2 汽车节能技术国内外研究现状 |
| 1.2.3 最优控制理论国内外研究现状 |
| 1.3 本文主要研究内容 |
| 2 基于车联网的节能诱导策略总体结构设计 |
| 2.1 车联网环境 |
| 2.2 控制目标 |
| 2.3 控制方案 |
| 2.4 策略重点技术 |
| 2.5 本章小结 |
| 3 车辆-道路模型的建立及验证 |
| 3.1 仿真平台及研究对象 |
| 3.1.1 MATLAB/Simulink仿真平台 |
| 3.1.2 IPG Carmaker仿真平台 |
| 3.1.3 本文研究的纯电动汽车简介 |
| 3.2 车辆动力学模型的建立 |
| 3.2.1 车身模块 |
| 3.2.2 悬架模块 |
| 3.2.3 轮胎模块 |
| 3.2.4 制动模块 |
| 3.2.5 动力传动系模块 |
| 3.2.6 空气动力学模块 |
| 3.3 雷达传感器模型的建立 |
| 3.4 道路环境模型的建立 |
| 3.5 车辆-道路模型的有效性验证 |
| 3.6 本章小结 |
| 4 基于动态规划的节能诱导策略研究 |
| 4.1 最优控制理论基础 |
| 4.2 基于动态规划的节能诱导策略 |
| 4.2.1 系统变量的确定和问题构建 |
| 4.2.2 基于动态规划的节能诱导策略 |
| 4.2.3 动态规划数值求解 |
| 4.3 优化结果与分析 |
| 4.3.1 优化结果 |
| 4.3.2 结果分析 |
| 4.4 本章小结 |
| 5 节能诱导策略设计及应用分析 |
| 5.1 节能诱导策略的决策层设计 |
| 5.1.1 决策层的整体架构 |
| 5.1.2 决策模块的详细设计 |
| 5.1.3 决策层其他模块的详细设计 |
| 5.2 节能诱导策略的控制层设计 |
| 5.2.1 PID控制理论 |
| 5.2.2 控制层的整体架构 |
| 5.2.3 基于PID的控制层功能实现 |
| 5.3 典型工况仿真分析 |
| 5.3.1 跟车工况 |
| 5.3.2 走-停工况 |
| 5.3.3 紧急制动工况 |
| 5.4 城市循环工况仿真分析 |
| 5.5 本章小结 |
| 6 基于车联网的节能诱导策略道路试验 |
| 6.1 试验场地 |
| 6.2 硬件平台搭建 |
| 6.2.1 硬件平台设计 |
| 6.2.2 硬件平台架构 |
| 6.2.3 实车硬件平台及方案 |
| 6.2.4 基于车联网的智能车辆线控改装方案 |
| 6.2.5 差分全球定位系统搭建 |
| 6.3 全局节能诱导策略试验及分析 |
| 6.3.1 平均速度20km/h工况 |
| 6.3.2 平均速度30km/h工况 |
| 6.3.3 平均速度40km/h工况 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于预测控制的炉-机-网协调控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源及研究的目的和意义 |
| 1.1.1 能源结构的转换与大容量高参数火电机组的特点产生矛盾 |
| 1.1.2 超临界机组及超超临界机组机炉非线性耦合严重 |
| 1.1.3 网源调节矛盾面临的问题 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 机炉协调的研究现状 |
| 1.2.2 预测控制的研究现状 |
| 1.2.3 电力系统综合评价指标研究现状 |
| 1.3 本文主要研究内容 |
| 第2章 面向炉-机-网协调的超临界机组机理模型 |
| 2.1 引言 |
| 2.2 超临界机组机理模型 |
| 2.2.1 直流锅炉模型 |
| 2.2.2 凝汽式汽轮机模型 |
| 2.2.3 超临界机组整体模型 |
| 2.3 超临界机组机炉控制器机理模型 |
| 2.3.1 燃烧控制 |
| 2.3.2 给水控制及减温水控制 |
| 2.3.3 汽轮机控制 |
| 2.4 超临界机组动态特性分析 |
| 2.5 本章小结 |
| 第3章 面向超临界机组的炉-机-网协调控制策略研究 |
| 3.1 引言 |
| 3.2 锅炉主控超前控制逻辑及其智能化 |
| 3.2.1 锅炉主控超前控制典型逻辑分析 |
| 3.2.2 BIR-FF超前控制 |
| 3.2.3 PV-MW超前控制 |
| 3.2.4 面向机炉协调的锅炉智能超前控制算法 |
| 3.3 模型预测控制的概念 |
| 3.4 模型预测控制在机炉控制器中的应用研究 |
| 3.4.1 给水控制 |
| 3.4.2 燃烧控制 |
| 3.4.3 主蒸汽温度控制 |
| 3.5 模型预测控制在二次调频中的应用 |
| 3.6 本章小结 |
| 第4章 炉-机-网协调控制在线评价指标研究 |
| 4.1 引言 |
| 4.2 锅炉-汽轮机侧评价指标 |
| 4.2.1 超临界机组水冷壁评价指标 |
| 4.2.2 超临界机组过热器评价指标 |
| 4.3 电网侧评价指标 |
| 4.3.1 CPS指标 |
| 4.3.2 SCPS指标 |
| 4.3.3 算例分析 |
| 4.4 基于向量夹角余弦法的超临界机组在线评价指标体系构建 |
| 4.4.1 基于向量夹角余弦法的综合指标评价模型 |
| 4.4.2 算例分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（4）线控转向汽车路感模拟及主动转向控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 线控转向系统的特点 |
| 1.3 线控转向发展概述 |
| 1.3.1 国外研究概述 |
| 1.3.2 国内研究概述 |
| 1.4 论文的主要研究内容 |
| 2 线控转向汽车建模与仿真 |
| 2.1 线控转向系统的结构和原理 |
| 2.2 线控转向系统建模方法 |
| 2.3 线控转向系统建模 |
| 2.3.1 方向盘模块建模 |
| 2.3.2 路感模拟模块建模 |
| 2.3.3 转向执行模块建模 |
| 2.3.4 齿轮齿条模块建模 |
| 2.3.5 左、右转向前轮模块建模 |
| 2.4 线控转向汽车模型的建立 |
| 2.4.1 CarSim软件介绍 |
| 2.4.2 建立SBW整车模型 |
| 2.5 线控转向汽车模型验证 |
| 2.5.1 方向盘角阶跃试验工况验证 |
| 2.5.2 双移线试验工况验证 |
| 2.6 本章小结 |
| 3 线控转向系统路感模拟算法设计 |
| 3.1 路感的产生 |
| 3.2 驾驶员喜好的路感特性 |
| 3.3 SBW系统路感模拟算法研究 |
| 3.4 路感模拟控制算法仿真验证与分析 |
| 3.4.1 中心区转向试验工况 |
| 3.4.2 不同车速下方向盘角正弦输入工况 |
| 3.5 本章小结 |
| 4 线控转向系统主动转向控制策略研究 |
| 4.1 主动转向控制策略 |
| 4.2 主动转向控制器的选择 |
| 4.2.1 PI控制器的原理以及特点 |
| 4.2.2 模糊控制器原理及特点 |
| 4.2.3 自适应模糊PI控制器的设计 |
| 4.3 主动转向控制策略仿真验证与分析 |
| 4.3.1 增幅正弦试验工况 |
| 4.3.2 鱼钩阶跃试验工况 |
| 4.4 本章小结 |
| 5 基于驾驶模拟器的线控转向系统硬件在环试验验证 |
| 5.1 驾驶模拟器介绍 |
| 5.1.1 驾驶模拟器的工作原理 |
| 5.1.2 驾驶模拟器的组成 |
| 5.1.3 线控转向系统硬件在环试验台 |
| 5.2 线控转向系统硬件在环仿真验证 |
| 5.2.1 中心区转向试验工况 |
| 5.2.2 蛇形试验工况 |
| 5.2.3 双移线试验工况 |
| 5.3 本章小结 |
| 6 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
| 附录 |
（5）过程控制优化中的智能方法研究（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 基于模糊神经网络的辨识方法 |
| 1.2.1 非线性系统辨识方法 |
| 1.2.2 基于模糊神经网络的辨识方法 |
| 1.2.3 模糊-神经网络控制研究与应用 |
| 1.2.4 面向时间有序的过程模型 |
| 1.3 基于动态规划的控制优化方法 |
| 1.3.1 动态规划 |
| 1.3.2 柔顺控制 |
| 1.3.3 操作机顺应过程 |
| 1.4 基于决策树的协调控制方法 |
| 1.4.1 双机协调控制方法 |
| 1.4.2 决策树 |
| 1.5 本文工作及组织结构 |
| 第2章 对象模型与工作过程分析 |
| 2.1 对象相似模型建模 |
| 2.1.1 对象相似模型 |
| 2.1.2 对象相似模型运动学建模 |
| 2.1.3 对象相似模型动力学建模 |
| 2.1.4 非线性控制器设计 |
| 2.2 对象操作过程分析 |
| 2.2.1 对象工作条件和原理分析 |
| 2.2.2 对象控制问题分析 |
| 2.3 本章小结 |
| 第3章 基于模糊神经网络的过程辨识方法 |
| 3.1 理论基础 |
| 3.1.1 模糊逻辑 |
| 3.1.2 模糊聚类 |
| 3.1.3 人工神经网络 |
| 3.1.4 神经网络辨识 |
| 3.2 基于模糊神经网络的过程辨识算法 |
| 3.2.1 数据的预处理 |
| 3.2.2 辨识网络的构建 |
| 3.2.3 辨识网络的学习算法 |
| 3.2.4 相似模型仿真及分析 |
| 3.3 本章小结 |
| 第4章 基于动态规划与模糊神经网络的控制优化方法 |
| 4.1 相关工作 |
| 4.2 理论基础 |
| 4.2.1 模糊控制 |
| 4.2.2 神经网络控制 |
| 4.2.3 动态规划 |
| 4.3 基于动态规划的主动柔顺控制优化方法 |
| 4.3.1 单操作机过程控制优化设计 |
| 4.3.2 基于模糊神经网络的动态规划算法 |
| 4.3.3 相似模型仿真及分析 |
| 4.3.4 实验结果及性能分析 |
| 4.4 本章小结 |
| 第5章 基于决策树与模糊神经网络的协调控制方法 |
| 5.1 相关工作 |
| 5.2 基于决策树的双机协调控制方法 |
| 5.2.1 对象协调过程控制设计 |
| 5.2.2 基于决策树的协调算法 |
| 5.2.3 基于模糊神经网络的自适应控制算法 |
| 5.2.4 相似模型仿真结果及分析 |
| 5.2.5 实验结果及性能分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（6）铁矿石热态性能测控系统的设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的目的和意义 |
| 1.3 课题背景与国内外研究现状 |
| 1.4 本课题的研究内容和论文构成 |
| 1.5 本章小结 |
| 第二章 系统工艺介绍及系统总体结构研究 |
| 2.1 铁矿石热态性能测定方法 |
| 2.1.1 铁矿石还原性能的测定 |
| 2.1.2 铁矿石低温还原粉化性能的测定 |
| 2.1.3 铁矿石还原软化—熔融性能的测定 |
| 2.2 测控系统总体研究 |
| 2.2.1 系统工艺流程介绍 |
| 2.2.2 系统要求与总体框架 |
| 2.2.3 测控系统网络设计 |
| 2.2.4 监控软件需求分析 |
| 2.3 本章小结 |
| 第三章 铁矿石热态性能测控系统硬件设计 |
| 3.1 测控系统的硬件分析和设计 |
| 3.1.1 测控系统的组成 |
| 3.1.2 控制系统硬件配置及PLC电气设计 |
| 3.1.3 数据采集及智能仪表应用 |
| 3.2 煤气发生炉控制系统 |
| 3.2.1 煤气发生炉工艺简介 |
| 3.2.2 温度控制系统总体设计 |
| 3.3 本章小结 |
| 第四章 煤气发生炉温度模糊专家控制策略的研究 |
| 4.1 专家控制系统设计 |
| 4.1.1 专家控制的基本思想 |
| 4.1.2 煤气发生炉温度设定专家系统知识库 |
| 4.2 模糊自适应PID控制算法概述 |
| 4.2.1 数字PID控制算法 |
| 4.2.2 模糊控制算法 |
| 4.2.3 模糊自适应PID控制算法 |
| 4.3 温度模糊自适应PID控制器的设计 |
| 4.3.1 模糊控制器的结构设计 |
| 4.3.2 输入输出变量的量化与模糊化 |
| 4.3.3 模糊控制规则库的设计 |
| 4.3.4 模糊推理 |
| 4.3.5 模糊控制输出量的确定 |
| 4.3.6 模糊控制输出量的解模糊 |
| 4.3.7 模糊控制查询表的建立 |
| 4.4 模糊控制算法的Matlab仿真 |
| 4.4.1 Matlab仿真软件的应用介绍 |
| 4.4.2 运用Simulink实现控制算法仿真 |
| 4.5 本章小结 |
| 第五章 系统的软件设计与编程实现 |
| 5.1 上位机监控软件设计 |
| 5.1.1 上位机监控软件功能介绍 |
| 5.1.2 监控软件界面设计 |
| 5.2 下位机PLC的软件设计与编程实现 |
| 5.2.1 PLC与上位机通讯实现 |
| 5.2.2 PLC控制系统的I/O点及地址分配 |
| 5.2.3 下位机PLC主程序设计研究 |
| 5.2.4 炉温模糊专家控制算法模块程序设计 |
| 5.2.5 炉温设定值专家控制程序设计 |
| 5.2.6 输入变量模糊化算法程序设计 |
| 5.2.7 模糊PID控制查询表查询程序设计 |
| 5.2.8 PID控制器输出控制程序设计 |
| 5.3 煤气发生炉温度控制系统调试结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（7）一般化学习网络在非线性系统辨识及预测控制中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 神经网络理论 |
| 1.2.1 神经网络的历史 |
| 1.2.2 人工神经网络的应用 |
| 1.2.3 神经网络的结构与特点 |
| 1.2.4 神经网络的学习方式 |
| 1.3 预测控制理论 |
| 1.3.1 预测控制产生的原因及背景 |
| 1.3.2 预测控制的发展 |
| 1.3.3 预测控制的分类 |
| 1.3.4 预测控制的特点及有待解决的问题 |
| 1.4 神经网络预测控制在非线性系统中的应用 |
| 1.5 一般化学习网络概述 |
| 1.6 本文的选题意义及工作内容 |
| 第二章 一般化学习网络及其训练算法研究 |
| 2.1 提出背景 |
| 2.2 一般化学习网络的结构 |
| 2.3 一般化学习网络的学习算法 |
| 2.4 仿真实例 |
| 2.4.1 机器人手臂信号系统 |
| 2.4.2 仿真条件及结果 |
| 2.5 本章小结 |
| 第三章 神经网络用于非线性系统辨识 |
| 3.1 引言 |
| 3.2 神经网络辨识原理 |
| 3.3 BP前向神经网络 |
| 3.3.1 BP前向网络模型 |
| 3.3.2 BP网络学习算法及学习算法比较 |
| 3.3.3 BP网络泛化能力的提高 |
| 3.3.4 BP网络的局限性 |
| 3.4 Elman动态递归神经网络 |
| 3.4.1 Elman神经网络的结构 |
| 3.4.2 Elman神经网络的学习算法 |
| 3.5 一般化学习网络的非线性系统辨识模型 |
| 3.6 仿真结果及比较 |
| 3.6.1 仿真对象——CSTR模型 |
| 3.6.2 仿真条件比较 |
| 3.6.3 仿真结果比较 |
| 3.7 本章小结 |
| 第四章 基于一般化学习网络的非线性预测控制的研究 |
| 4.1 引言 |
| 4.2 预测控制的基本原理 |
| 4.2.1 预测模型 |
| 4.2.2 滚动优化 |
| 4.2.3 反馈校正 |
| 4.3 基于一般化学习网络的预测控制 |
| 4.3.1 基于ULN的预测控制结构 |
| 4.3.2 一般化学习网络预测模型(ULNP) |
| 4.3.3 神经网络预测控制器 |
| 4.3.4 实时自适应一般化学习网络预测控制策略 |
| 4.4 仿真实例 |
| 4.4.1 对象描述 |
| 4.4.2 系统辨识 |
| 4.4.3 预测控制的实现 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 附件 |
（9）基于神经网络的自适应逆控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 自适应逆控制概述 |
| 1.1.1 自适应逆控制简介 |
| 1.1.2 具有参考模型和消除扰动的自适应逆控制系统 |
| 1.1.3 自适应逆控制与自适应控制的比较 |
| 1.2 非线性自适应逆控制系统 |
| 1.2.1 非线性自适应逆控制的可行性 |
| 1.2.2 非线性自适应逆控制领域的研究进展 |
| 1.3 课题研究的目的及意义 |
| 1.4 论文的主要工作和结构安排 |
| 第2 章 非线性系统可逆性及控制器设计方法 |
| 2.1 非线性系统逆的存在性 |
| 2.1.1 可逆性定义 |
| 2.1.2 奇异性定义 |
| 2.1.3 可逆性判定定理 |
| 2.2 神经网络自适应逆控制系统设计方法 |
| 2.2.1 控制方法结构设计 |
| 2.2.2 自适应逆控制算法步骤 |
| 2.3 神经网络逆模型的训练方法 |
| 2.3.1 直接法 |
| 2.3.2 间接法 |
| 2.3.3 反馈误差法 |
| 2.4 有扰动的对象的逆建模 |
| 2.5 本章小结 |
| 第3 章 基于改进正交神经网络的自适应逆控制 |
| 3.1 引言 |
| 3.2 正交神经网络自适应逆控制器设计 |
| 3.2.1 直接自适应逆系统组成 |
| 3.2.2 正交神经网络控制器学习算法 |
| 3.3 自适应逆控制器的算法步骤 |
| 3.4 仿真研究 |
| 3.5 本章小结 |
| 第4 章 基于模糊RBF 神经网络的自适应逆控制 |
| 4.1 引言 |
| 4.2 模糊神经网络的拓扑结构 |
| 4.3 基于模糊RBF 网络的自适应辩识与控制 |
| 4.3.1 控制系统结构 |
| 4.3.2 模糊RBF 网络推理过程描述 |
| 4.3.3 模糊RBF 网络辩识(RFBFI)学习算法 |
| 4.3.4 模糊RBF 网络控制(FRBFC)学习算法 |
| 4.4 仿真研究 |
| 4.4.1 阶跃扰动的实验 |
| 4.4.2 对象发生变化时系统控制性能的鲁棒性试验 |
| 4.4.3 纯迟延对象的仿真实验 |
| 4.5 本章小结 |
| 第5 章 基于Elman 网络的非线性自适应逆控制 |
| 5.1 引言 |
| 5.2 Elman 网络结构 |
| 5.2.1 Elman 网络 |
| 5.2.2 改进的Elman 网络 |
| 5.2.3 Elman 网络隐层函数 |
| 5.3 仿真研究 |
| 5.3.1 基于Elman 神经网络的直接自适应逆控制 |
| 5.3.2 基于Elman 神经网络的扰动消除控制 |
| 5.4 本章小结 |
| 第6 章 基于遗传优化的可调螺距螺旋桨非线性PID 控制 |
| 6.1 引言 |
| 6.2 基于遗传优化的非线性PID 控制 |
| 6.2.1 非线性PID 控制 |
| 6.2.2 遗传算法整定非线性函数 |
| 6.3 船舶调距桨控制系统仿真研究 |
| 6.3.1 比例阀模型 |
| 6.3.2 液压油缸模型 |
| 6.4 仿真研究 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致 谢 |
| 作者简介 |
四、基于动态递归网的智能PID自适应控制算法（论文参考文献）
- [1]地面低速机器人协同编队的控制系统研究与应用[D]. 江涛. 南京理工大学, 2020(01)
- [2]基于车联网的智能车辆节能诱导策略研究[D]. 王宇. 北京交通大学, 2019(01)
- [3]基于预测控制的炉-机-网协调控制方法研究[D]. 韩嘉豪. 哈尔滨工业大学, 2019(02)
- [4]线控转向汽车路感模拟及主动转向控制策略研究[D]. 王宁. 辽宁工业大学, 2016(07)
- [5]过程控制优化中的智能方法研究[D]. 姜琳. 吉林大学, 2010(05)
- [6]铁矿石热态性能测控系统的设计[D]. 张少华. 中南大学, 2009(04)
- [7]一般化学习网络在非线性系统辨识及预测控制中的应用研究[D]. 刘霞. 北京化工大学, 2008(11)
- [8]基于Matlab的智能控制系统仿真[J]. 刘洲峰,孙红艳,安菲. 现代电子技术, 2007(04)
- [9]基于神经网络的自适应逆控制方法研究[D]. 冀尔康. 燕山大学, 2006(08)
- [10]PID控制[J]. 王蕾,宋文忠. 自动化仪表, 2004(04)