一、网络控制系统的自整定鲁棒数字PID控制（论文文献综述）
姜珊[1]（2021）在《无人机光电系统视轴稳定方法研究》文中研究说明无人机对地面目标进行侦察、瞄准时,机上光电跟踪系统通常会受到载体姿态变化和平台自身运动部件等内外力矩的干扰,引起视轴抖动,造成目标图像晃动和不清晰。为了保证光电系统视轴稳定平台在惯性空间指向稳定并隔离扰动,需要采取有效的控制方法来提高系统的稳定性能。本文围绕无人机光电系统视轴稳定平台控制方法开展研究,着重对经典PID控制器参数的阶次及经典PID控制器参数自整定方法进行深入分析,分别设计分数阶PID控制器和BP神经网络PID控制器,并将控制性能较优的控制算法进行硬件性能实现及硬件系统测试。研究主要内容如下:（1）对光电系统视轴稳定平台的结构、运动学和动力学进行了分析和系统建模。依据光电系统视轴稳定平台的性能要求,选取两轴两框架稳定结构,建立基座、俯仰框架和方位框架间的坐标系,推导坐标系间的变换矩阵;通过对稳定平台结构的运动学分析,建立平台轴系间角速度、角加速度、转动惯量和力矩间的动力学模型;通过对视轴稳定回路的分析,计算回路各环节传递函数的数学模型,为视轴稳定控制器的设计奠定了基础。（2）光电系统视轴稳定平台分数阶PID控制算法研究。对经典PID控制器参数中微分和积分项的阶次进行了深入分析和研究,依据分数阶微积分理论,采用Oustaloop近似滤波法设计了分数阶PID控制器。通过仿真实验,验证了分数阶PID控制器相比较于经典PID控制器控制性能更显着。针对外部扰动,将基于速率的扰动观测器（VDOB）引入到视轴稳定回路中,设计了分数阶PID与VDOB的复合控制方法。通过仿真实验验证了引入VDOB能够有效隔离低频信号对视轴稳定回路的扰动,提高系统的控制性能。（3）视轴稳定平台BP神经网络PID控制算法研究。对经典PID控制器参数自整定的方法进行深入分析和研究,将目前主流的BP神经网络算法的输出值作为PID控制器的参数值,设计了 BP神经网络PID控制器。通过搭建仿真实验平台进行仿真实验,验证了BP神经网络PID控制器相比较于经典PID控制器实现了参数在线自动调整的同时,提高了系统的动态性能。最后通过隔离度对分数阶PID控制器和BP神经网络PID控制器的控制性能进行对比,得到了分数阶PID控制器的性能优于BP神经网络PID控制器。（4）视轴稳定分数阶PID控制算法的FPGA实现及系统的实验验证。对控制性能优良的分数阶PID控制算法进行了算法简化,并在FPGA上实现了算法性能。最后对所设计的视轴稳定平台分别从硬件实验测试、启停实验测试、摇摆实验测试和稳定精度实验测试进行了实验验证,实验结果表明,所设计的分数阶PID控制方法的稳定精度为46.1μrad,满足系统指标要求,有效提高了视轴稳定系统的控制性能。
李帅[2]（2020）在《用于光机的高稳定度温度控制技术研究》文中认为空间相机是实现对地观测、大气和海洋探测及宇宙探测等应用的主要有效载荷,根据不同的探测要求,相机观测精度和成像质量也有不同要求。高精度相机其光机温度对成像质量的影响受到广泛关注,当温度发生变化时,镜片表面的曲率半径、透镜的厚度、光学材料的折射率均会发生改变,这会造成焦距偏离和系统失准,导致相机成像模糊,严重时甚至出现成像失败的情况。随着空间相机在具有宽视场及高分辨率的要求的场合越来越多,光机对控温稳定度提出了更高的要求。针对这些问题,本文对空间光机的温度控制技术进行了以下几个方面的研究:首先,本文应用传热学理论对某空间光机中采用主动热控措施进行精密温控的光机结构（镜框）进行了数学建模。由于建立的镜框温控系统数学模型随环境温度的变化而变化,使得最优的PID控制器参数会随之而变化。针对这一现象,本文将PID参数整定方法与空间光机的数学模型相结合,提出了一种基于空间光机热模型的自适应PID控温方法,使PID控温算法的参数自整定更加简洁。然后,将基于光机热模型的自适应PID控温方法应用于镜框的温度控制,求得最佳动态响应的PID参数与遮光罩及镜框温度的关系,使遮光罩温度发生周期性变化,通过仿真验证该控温方法的性能。最后,将基于光机热模型的自适应PID控温方法应用于镜框的温度控制并进行实验验证,结果显示该控温方法能够实现镜框温度控温稳定度为±0.1℃,表明该自适应PID控温方法对由于环境温度变化导致的数学模型参数改变具有良好的适应性和控温稳定性。最后,对全文进行了总结,对存在的不足之处提出了改进方向。
曾振华[3]（2020）在《多旋翼无人机精准降落的控制系统研究》文中研究指明多旋翼无人机具有结构简单、机动灵活等特点,因此在电力巡检领域得到了广泛应用。但多旋翼无人机在经典控制系统方式下降落时,因GPS信号定位精度有限以及“地面效应”的气流影响,导致无人机准确降落在靶标的误差比较大。为此,本文将视觉定位技术融合到无人机现有的经典控制系统中,对无人机自主降落控制系统进行了研究,在无人机机载端的嵌入式平台设计了一种融合视觉定位的精准降落控制系统。本文得到了广州市科技计划项目“智慧无人机电力巡检应用示范项目（项目编号:202007040004）”的资助。本文的研究工作主要包括以下内容:1.视觉图像中降落区域靶标的获取。机载摄像机在采集视觉图像的过程中,会受到诸如降落点背景过于复杂、光照不均匀等环境因素的干扰,导致图像采集的效果不理想。为此,本文首先对降落区域靶标图像进行了灰度均匀化、图像增强及滤波等预处理操作,然后采用OTSU算法对图像中降落区域靶标进行分割处理,再通过绘制靶标的轮廓最小外接矩形,计算得到靶标的中心点坐标,并结合无人机自身的位置坐标,经坐标转换后求得地理坐标系下无人机相对降落区域靶标的位置偏差。2.精准降落控制系统的设计。多旋翼无人机的经典控制系统采用了“外环位置+内环姿态”的控制方式,但存在降落误差较大的问题。为此,本文提出了一种融合视觉定位的控制方式,通过视觉获取无人机相对降落区域靶标的位置偏差,然后在外环位置控制模块的输出端增加一个速度控制环节,该环节由速度分段模块和速度控制器两部分组成,从而构成无人机的精准降落控制系统。本文设计了一种速度分段模块,根据无人机相对靶标的位置偏差以及飞行速度上限来确定无人机的速度设定值;并设计了P型、PI型、PD型以及PID型速度控制器进行实验对比,以选择其中控制效果较好的速度控制器,控制无人机达到速度分段模块输出的设定速度。3.速度控制器参数的自整定。根据四种类型速度控制器的对比实验,本文选定了速度PD控制器,并在此基础上,设计了一个模糊推理机,实现控制器参数的自动在线调整,以提高参数整定的效率。4.实验与结果分析。本文以六旋翼无人机为研究对象,首先进行了无人机的视觉图像处理实验,然后进行了六组模拟仿真实验和两组实物测试实验。实验结果表明:（1）当无人机采用经典控制系统自主降落时,存在较大的超调量和稳态误差,且减速过程出现了严重的振荡现象,过渡过程时间达到了10s。（2）当无人机采用精准降落控制系统自主降落时,能够有效降低系统的超调量和稳态误差,并消除振荡现象。（3）在设计的四种类型速度控制器中,当精准降落控制系统采用位置控制+速度PD控制器的方式时,无人机降落的控制效果较好;且当采用位置控制+参数自整定速度PD控制器的方式时能够在一定程度上进一步改善系统的稳定性,提高控制精度,实现无人机的更优控制。（4）当六旋翼无人机在经典控制系统作用下自主降落时,降落的平均误差为0.74m,而在位置控制+速度PD控制器的作用下自主降落时,降落的平均误差为0.25m。（5）当六旋翼无人机在位置控制+参数自整定速度PD控制器的作用下自主降落时,降落的平均误差为0.17m,且控制器参数整定的时间由原来的1200s以上减为90s。可见,本文设计的融合视觉定位的精准降落控制系统能够在一定程度上提高无人机的降落精度,并降低控制器参数整定的时间,对无人机在电力巡检领域的应用具有重要价值。
赵宏凯[4]（2020）在《电磁轴承耦合性分析及控制优化设计》文中研究指明电磁轴承是一种利用电磁力来实现转子无接触悬浮支承的新型高性能机电一体化轴承。相较于传统滚动轴承和滑动轴承,它具有无摩擦、低损耗、无需润滑以及高转速高精度等一系列优点,因此电磁轴承在航空航天、高速真空旋转机械、高效加工储能以及清洁能源交通等领域拥有广阔的应用前景。由于电磁轴承结构复杂,组成部件繁多,且电磁轴承控制系统本身具有非线性和耦合性,使得在电磁轴承的研究中,控制器性能的好坏成为衡量电磁轴承系统能否稳定悬浮的重要标准之一。本文基于电磁轴承的非线性和耦合特性分析,主要从电磁轴承控制系统优化设计和非线性解耦振动控制这两个方面展开研究。首先,从电磁轴承的基本工作原理和组成部分入手,理论计算了电磁轴承的电磁力,并介绍了电磁轴承常用的差动控制结构,着重分析研究了单自由度电磁轴承和多自由度电磁轴承的动力学数学模型,引出了电磁轴承存在的非线性和耦合性问题。其次,针对电磁轴承的耦合问题。基于8极C型磁铁的结构模型,理论分析了电磁轴承的电磁力耦合和力矩耦合,以多自由度电磁轴承-转子系统的动力学方程为基础,分析研究了电磁轴承存在的机械耦合和交叉耦合。同时,设计了采用常规型和改进型PID控制策略的电磁轴承控制系统,通过仿真分析研究了不同PID参数对于控制性能的影响。除此之外,还详细介绍了神经网络模型,设计了基于神经网络的电磁轴承控制系统,对比分析了不同控制算法的控制效果,并对神经网络的结构和优化学习算法进行了仿真对比,分析了不同神经网络结构对控制效果的影响。然后,搭建了基于dSPACE的半实物实时仿真平台,并在MATLAB/Simulink仿真软件上建模,通过RTW模块,实现了模型与dSPACE数字控制平台的在线连接,大大简化了电磁轴承控制系统的操作流程,加快了运行效率,并且可以借助Control Desk图形化界面,进行对控制参数的实时修改,使电磁轴承控制系统的调试与实验变得尤为方便。最后,提出了一种基于神经网络逆系统的电磁轴承-转子解耦控制方法。通过将电磁轴承的逆系统与原系统级联,采用BP神经网络对输入输出信号进行非线性映射,实现了轴承转子平动和转动的解耦控制。详细介绍了该算法的理论计算、设计和实现过程,并通过实验实现了电磁轴承-转子系统的解耦控制。另外针对移动载体上电磁轴承的基础激励引起的转子振动问题,提出了一种基于RBF神经网络的PID控制方法,通过神经网络实时整定PID控制参数,提高了电磁轴承转子系统在非随机和随机激励干扰下悬浮的稳定性。
胡芳芳[5]（2020）在《基于神经网络的城轨列车精确停车控制方法》文中认为城市轨道交通作为公共交通体系的重要组成部分,是立体城市建设的主体成分,是解决城市交通拥堵的有效措施。对城轨列车运行时分的精准控制保障了列车运行的安全性、准点性与高效性,有助于更好地执行行车调度计划,进而提高城轨交通服务水平,改善城轨交通网络的运行效率。列车的运行过程具有不确定性,传统的PID（Proportional、Integral and Differential）控制存在自身的局限性,对于变化的工况不能及时作出适应性调整,单一的控制算法难以应对复杂的运行环境。针对传统列车停车控制方法的弊端,本文以城轨列车的精确停车需求为出发点,将数理统计、理论与模型仿真相结合,提出了一种基于神经网络的城轨列车精确停车控制方法。论文首先根据不同的运行线路情况与列车运行工况,详细地分析了运行过程中列车所受的牵引力、制动力与阻力,揭示了列车的运行规律,构建了列车的动力学模型,为论文提供了理论依据与数据支撑。其次,论文在现有的PID控制基础上进行优化改进,将神经网络与PID控制相结合,提出了一种新的控制方法;从系统辨识的角度出发,将列车制动模型转化为抽象数学模型,利用MATLAB/Simulink进行模型仿真,仿真结果表明,相对于现有的PID控制算法,基于BP（Back Propagation）神经网络的PID精确停车控制算法具备自学习、自适应的能力,增强了控制系统的抗干扰性,提高了列车运行的实时控制精度。论文针对列车运行控制系统中的不确定性,基于灰色预测理论,与神经网络PID控制方法结合,提出了一种调节预测误差的自适应预测控制方法,建立了灰色预测神经网络PID控制仿真模型,仿真结果表明灰色预测神经网络PID控制方法能够实现较好的精确停车控制,对列车运行策略的确定具有良好的支撑与借鉴作用。
薛秉鑫[6]（2019）在《移动机器人自主导航和目标抓取关键技术研究》文中进行了进一步梳理移动机器人作为机器人领域的重要组成部分,其理论和应用研究一直是研究热点课题并受到广泛关注。与工业机器人所处的结构化环境不同,移动机器人的应用环境具有复杂性、动态性和不确定性的特征,移动机器人的自主导航问题成为亟需解决的首要问题。另一方面,机器人抓取操作是机器人操作任务中的基本任务,机器人目标抓取研究也引起了众多学者的密切关注。因此,本研究以移动机器人为研究对象,从路径规划、路径跟踪以及目标物识别和抓取位置检测三个方面完成了对移动机器人自主导航和目标抓取的关键技术研究。（1）鉴于基本蝙蝠算法在平衡寻优精度和收敛速度方面存在困难从而限制了其解决全局路径规划的效率,提出了蝙蝠算法与强化学习相结合的混合蝙蝠算法对全局路径规划进行研究。蝙蝠算法的寻优性能由两个参数决定:响度衰减系数和脉冲发射率增强系数。在所提混合蝙蝠算法中,在训练阶段采用Q学习算法学习蝙蝠种群中每个个体的最优参数值,然后在执行阶段应用这些训练好的最优参数值完成全局路径规划任务,从而改善蝙蝠算法的寻优精度和收敛速度。在三种不同的仿真环境中将所提算法与蝙蝠算法和粒子群算法进行了对比分析。仿真结果表明,混合蝙蝠算法具有令人满意的全局路径规划效果,可以作为处理全局路径规划问题的重要选择。（2）在获得规划好的全局最优路径后,需要解决路径跟踪问题,其中,路径跟踪控制性能的好坏将直接决定移动机器人自主导航问题是否可以有效解决。首先建立了两轮差速驱动移动机器人的运动学及动力学模型,并采用反步法设计了移动机器人路径跟踪控制规律,以此来计算控制量的期望值;然后提出了基于灰狼算法优化的PID控制,采用灰狼优化算法对PID控制参数进行自整定以提高控制系统的动态性能;最后仿真和实验结果表明,利用提出的控制算法能够有效稳定地控制移动机器人完成路径跟踪任务。（3）将深度学习方法应用于移动机器人抓取操作任务中,提出了一种多任务卷积神经网络。该网络可以深度挖掘图像中与机器人抓取操作相关的视觉特征,能够同时完成目标物的识别和抓取位置检测任务。实验结果显示,目标物的识别和抓取位置检测两任务之间存在一定的内在联系,多任务网络相比单一任务网络具有更加优越的性能。将多任务卷积神经网络应用于实际移动机器人实验平台,该网络能够成功地对目标物进行识别和抓取位置检测并用以指导移动机器人完成目标抓取操作。
赵雅涵[7]（2019）在《基于PTZ摄像机的运动目标滤波与跟踪控制研究》文中研究表明随着计算机技术的飞速发展,智能视频监控系统越来越多的被应用到人们的日常生活当中。主动摄像机转台伺服跟踪作为智能视频监控系统的一大重要组成部分,是系统得以成功应用的重要前提。而PTZ摄像机转台伺服跟踪一般具有目标轨迹含噪声和机动性、转台控制量不连续、控制命令响应滞后等特点,这些都对转台伺服控制策略的研究带来了巨大挑战。加之之前的控制策略主要以PID等传统算法为主,较少考虑系统自身的滞后特性以及模型不确定性,同时对如何有效跟踪复杂的目标运动轨迹也很少讨论,跟踪过程往往存在状态滞后、噪声难以滤除等问题,严重影响跟踪效果。针对上述问题,本文主要研究了机动目标轨迹平滑滤波和转台伺服跟踪控制器设计。首先,采用机理建模与最小二乘法辨识建模相结合的方式,建立了 PTZ摄像机水平轴和垂直轴的转台数学模型,为后续控制器设计打下良好基础。其次,针对PTZ摄像机转台跟踪的目标轨迹含有噪声成分和机动性的特点,设计了基于希尔伯特黄变换的滤波器。该滤波器不仅能够可以较好的保留轨迹的机动性,而且可以有效滤除轨迹中的噪声信号以平滑轨迹,从而进一步减少跟踪过程中PTZ摄像机的抖动,保护设备。接着,基于SONY公司生产的型号为BRC-Z330的PTZ摄像机,分别设计了一种改进的串级PID控制器和滑模预测控制器,并在BRC-Z330平台上进行了实验。实验结果表明,设计的两种控制器均能够达到PTZ摄像机转台伺服跟踪的快速性和平稳性要求,且跟踪精度较高。最后,为了方便算法的实际工程应用,进行了转台伺服跟踪控制器软件模块的设计。模块设计基于封装和接口抽象原则,既考虑了外部使用接口的简明性,同时也考虑了模块的灵活可配置性和可拓展性,从而尽可能地适应更多复杂的应用场景,保证了软件模块的可重用率。
刘德智[8]（2019）在《基于BP-PID的电子三轴手持稳定器控制优化研究》文中指出随着经济社会的发展,单反相机的价格也越来越低,其既能拍照也能摄像,也因此走进了更多家庭的生活中,但随之而来的是摄影者因为手的抖动而导致照片或者影像不清晰。在专业级别上的防抖设备有斯坦尼康等,但这些设备都需要专业的训练才能使用,并不适合大众日常使用,这几年来迅速发展的电子三轴稳定器是一种民用级的防抖设备,也是本文的研究对象,但目前的稳定器响应速度慢,动态性能不足仍是其主要问题。本文根据电子三轴手持稳定器的不足,提出了使用BP神经网络运用在PID控制器中,即BP-PID控制器,以实现参数的在线整定与自适应,并使用人工蜂群算法（Artificial Bee Colony Algorithm,ABC）和天牛须搜索（Beetle Antennae Search algorithm,BAS）优化BP神经网络（Back Propagation）的初始权值和阀值,以提高电子三轴手持稳定器的PID控制器参数自整定和自适应能力,提高系统响应的快速性动态性能和稳态性能。本文主要的研究工作如下:（1）本文针对电子三轴手持稳定器的PID控制系统的反应速度慢,动态性能不足的,提出使用BP神经网络运用在PID控制器的参数选择中,以实现PID控制器的参数自整定。首先根据项目的要求设计合理的电子三轴视频稳定器PID控制系统模型,并阐述了BP神经网络PID控制,针对Sigmoid函数梯度容易丢失、均方误差函数对异常值处理权重偏大的问题,对BP神经网络的误差函数和激活函数进行改进,使神经网络能摆脱平坦区域,避免陷入局部最优。仿真结果证明,改进后的BP-PID控制有着更好动态性能。（2）为了进一步的提升控制系统的动态性能,利用人工蜂群算法和天牛须搜索这两种启发式算法（heuristic algorithm）对BP-PID控制器的网络权值和阀值进行初始化值寻优。其中天牛须搜索算法作为新算法不需要函数的具体形式,无须梯度信息,其跳出局部最优能力较强,天牛须单个体收敛速度快,能够降低网络的复杂性,降低网络耦合性。测试了基于ABC优化的BP-PID控制系统以及BAS优化的BPPID控制系统,比较了这两个算法优化的情况和BP-PID控制系统的阶跃响应。仿真结果证明,BAS训练的BP-PID控制系统与ABC算法训练的BP-PID控制系统各有优劣。本文使用MATLAB语言实现了BAS和ABC两种算法,然后分别测出了BAS和ABC对目标函数寻优历程、最后测出BAS-BP-PID的阶跃响应以及ABC-BP-PID的阶跃响应,并对结果进行分析比较。结果表明,BAS优化BP-PID控制系统的动态性能好于ABC的优化。
李孜伟[9]（2019）在《工业过程的二自由度PID控制算法研究》文中认为在自动控制领域中,由于比例-积分-微分（PID）控制器具有较多的优点而被广泛应用。但是,实际生产过程中被控对象存在大时滞,使得控制器的调节变得复杂。单纯的PID控制策略不再能满足控制要求,面临着巨大的挑战。工业过程控制中,一般的控制器在控制性能方面总是只能顾此失彼,从而想实现现代化的高精度控制效果往往不尽如人意。而二自由度控制的控制目标是通过不同的控制器进行独立设计从而使系统的设定点跟踪和抗干扰抑制性能都能够单独进行控制,这样主要的两个性能指标都能同时得到优化,实现所需要的控制效果。目前所提出的二自由度控制方法在控制器结构、控制器参数整定以及控制性能等方面还存在很多待解决的问题。基于这样的背景,需要通过改进的二自由度控制方法来解决上述的问题以达到理想的控制目标。本文针对工业控制领域中具有代表性的过程控制对象,研究了二自由度PID控制器的解析设计方法,设计的控制器结构简单、参数整定方便,通过对两个可调参数的整定,可以使得系统同时具有良好的设定点跟踪和干扰抑制特性,仿真研究证明了本文算法的有效性。具体的工作可分为三部分:第一部分研究了一种二自由度内模PID控制器的设计。针对稳定的时滞过程,将控制回路间相互作用的影响视为对回路的干扰,采用二自由度结构结合内模控制IMC)理论设计控制器,同时,采用全极点逼近对时滞项进行逼近,针对不同的过程采取不同的参数整定方法,以减小计算量,仿真结果证明了该方法能够同时兼顾设定点跟踪性能和抗干扰抑制性能;第二部分是针对化工过程中具有代表性的不稳定一阶时滞过程,设计了一种统一的二自由度控制结构,它由内部镇定控制器、设定值前馈控制器和反馈控制器组成,结构相对简单,保证了在不稳定过程情况下依然能够保持良好的控制性能;第三部分是通过将Smith控制结构进行改进,并结合了内模控制理论思想,研究了一种二自由度Smith预估控制方法,把系统的设定值跟踪特性和干扰抑制特性解耦,通过控制器的设计,使系统具有良好的控制性能,控制算法简单,参数整定方便。
许琛[10]（2018）在《基于Fuzzy-PID参数自整定的高精度激光晶体温度控制系统的优化与实现》文中研究说明激光晶体温度控制是激光技术的研究热点,晶体工作温度不稳定会严重影响激光器的输出波长、输出功率及使用寿命。因此,为了保证激光晶体能够在高稳定的温度环境中工作,发挥更大的科研和应用价值,本文以提高温控系统的控制精度和稳定性,加快温度响应速度,减少系统成本为目标,通过对传统模拟PID、传统数字PID以及模糊控制三种控制算法进行研究与分析,提出了一种基于Fuzzy-PID参数自整定的高精度温度控制系统优化设计。论文研究的主要内容如下:首先,本文在传统PID温控设计的基础上,重点从激光晶体温度控制系统的模型、温度采集模块以及控制算法三个方面进行优化。采用系统辨识的方法确定了激光晶体温控装置最优数学模型,通过研究PID控制理论在温度控制系统中的应用,引入了模糊控制思想,设计了Fuzzy-PID控制器,并通过Matlab Simulink库搭建系统平台,对传统PID和Fuzzy-PID参数自整定控制进行了在线仿真比较。其次,对本文控制系统的软硬件进行设计。重点在优化系统中,以传统模拟PID控制系统为设计基础,以飞思卡尔K60单片机作为核心控制器,将模糊控制理论与传统数字PID相结合,采用模块化的设计思想编写了温控系统的控制程序,实现了PID参数在线实时调控。硬件方面,对温度传感器NTC热敏电阻和温度执行元件半导体制冷器（TEC）进行研究选取,设计了整个温度控制电路,包括温度测控电路、电源电路、TEC驱动电路以及通讯电路等;软件方面,对温度控制系统程序进行编写,包括中断服务、温度采集、数字滤波、Fuzzy-PID温度控制算法整定及通讯等程序。最后,制作了系统实物,并进行了相应实验测试。实验表明:本文设计的Fuzzy-PID参数自整定温度控制系统在10℃-60℃范围内温控精度能够长期稳定性小于±0.005℃。优化系统相比于传统模拟PID和数字PID控制系统在控温精度与稳定性方面都获得了更好的控制效果,具有升温速度快、超调小、控制精度及稳定性高等优点,达到了预期优化效果,基本验证了本文所提出优化温度控制系统的正确性与可行性。
二、网络控制系统的自整定鲁棒数字PID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、网络控制系统的自整定鲁棒数字PID控制（论文提纲范文）
（1）无人机光电系统视轴稳定方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光电系统视轴稳定平台国内外研究现状 |
| 1.2.2 视轴稳定控制方法国内外研究现状 |
| 1.3 主要研究内容 |
| 1.4 主要章节安排 |
| 2 光电系统视轴稳定平台分析和建模 |
| 2.1 光电稳定平台系统组成 |
| 2.1.1 光电系统视轴稳定平台结构分析 |
| 2.1.2 两轴两框架视轴稳定平台系统组成 |
| 2.1.3 光电系统视轴稳定平台性能评价方法 |
| 2.2 视轴稳定平台运动学分析和动力学建模 |
| 2.2.1 空间坐标系定义 |
| 2.2.2 视轴稳定平台运动学分析 |
| 2.2.3 视轴稳定平台动力学建模 |
| 2.3 影响平台性能的扰动因素分析 |
| 2.3.1 力矩扰动 |
| 2.3.2 速率扰动 |
| 2.4 视轴稳定平台系统设计 |
| 2.4.1 视轴稳定控制系统原理 |
| 2.4.2 视轴稳定系统传递函数模型 |
| 2.5 本章小结 |
| 3 视轴稳定系统分数阶PID控制方法研究 |
| 3.1 分数阶微积分理论 |
| 3.1.1 基本函数 |
| 3.1.2 分数阶微积分定义及性质 |
| 3.1.3 分数阶控制系统描述 |
| 3.2 视轴稳定系统分数阶PID控制器设计 |
| 3.2.1 分数阶PID控制器描述 |
| 3.2.2 分数阶PID控制器模型微积分算子近似解及离散化 |
| 3.2.3 分数阶微积分环节s~(±(?))的频域性质 |
| 3.3 分数阶PID控制系统仿真平台的搭建及性能分析 |
| 3.3.1 分数阶PID控制器微积分模块 |
| 3.3.2 分数阶PID控制系统仿真平台 |
| 3.3.3 分数阶PID控制系统参数整定 |
| 3.3.4 分数阶PID控制器仿真分析 |
| 3.4 基于扰动观测器的分数阶PID控制器设计及分析 |
| 3.4.1 基于速率的扰动观测器 |
| 3.4.2 引入VDOB的分数阶PID控制系统仿真研究 |
| 3.5 本章小结 |
| 4 BP神经网络PID控制方法研究 |
| 4.1 神经元 |
| 4.1.1 单神经元模型 |
| 4.1.2 激活函数 |
| 4.1.3 神经元的连接拓扑 |
| 4.1.4 神经元网络学习方式 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络结构 |
| 4.2.2 BP神经网络学习算法 |
| 4.2.3 BP神经网络的特点 |
| 4.3 BP神经网络PID控制器设计 |
| 4.3.1 数字PID控制 |
| 4.3.2 BP神经网络PID控制原理 |
| 4.3.3 BP神经网络PID控制算法流程 |
| 4.4 BP神经网络PID控制系统仿真平台设计及分析 |
| 4.4.1 S函数 |
| 4.4.2 BP神经网络PID控制器仿真分析 |
| 4.5 本章小结 |
| 5 视轴稳定控制器FPGA实现及系统实验验证 |
| 5.1 分数阶PID控制算法离散化及简化 |
| 5.1.1 分数阶PID控制算法的离散化 |
| 5.1.2 分数阶PID控制算法的简化 |
| 5.2 分数阶PID控制算法硬件架构设计 |
| 5.2.1 寄存器模块 |
| 5.2.2 查找表模块 |
| 5.2.3 计算矩阵A模块 |
| 5.2.4 控制模块 |
| 5.3 分数阶PID控制算法仿真及时序分析 |
| 5.3.1 仿真分析 |
| 5.3.2 时序分析 |
| 5.4 视轴稳定控制系统实验验证 |
| 5.4.1 硬件电路测试实验 |
| 5.4.2 启停特性实验 |
| 5.4.3 摇摆实验 |
| 5.4.4 视轴稳定控制器参数测试 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（2）用于光机的高稳定度温度控制技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号表 |
| 第一章 绪论 |
| 1.1 课题的背景与意义 |
| 1.2 国内外发展现状 |
| 1.2.1 研究进展 |
| 1.2.2 研究现状分析总结 |
| 1.3 主要研究内容、创新点及章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文创新点 |
| 1.3.3 本文脉络及章节安排 |
| 1.4 本章小结 |
| 第二章 光机热特性分析及系统建模 |
| 2.1 温度对光机的影响分析 |
| 2.1.1 温度变化对材料折射率的影响 |
| 2.1.2 温度对光学系统焦距的影响 |
| 2.1.3 温度变化对应力的影响 |
| 2.2 光机载荷的空间热环境 |
| 2.3 光机载荷的结构及温控指标 |
| 2.3.1 光机载荷的结构 |
| 2.3.2 光机载荷的温控指标 |
| 2.4 光机载荷的温控方案 |
| 2.4.1 遮光罩热设计 |
| 2.4.2 主支撑结构热设计 |
| 2.4.3 光学组件热设计 |
| 2.5 热电类比理论 |
| 2.6 建立数学模型 |
| 2.7 光机温控系统模型 |
| 2.8 本章小结 |
| 第三章 光机温控算法 |
| 3.1 PID控制算法 |
| 3.1.1 PID控制原理 |
| 3.1.2 数字PID控制算法 |
| 3.1.3 PID三个参数的调节作用 |
| 3.1.4 PID控制的局限性 |
| 3.2 自适应PID控制 |
| 3.2.1 参数自适应PID控制 |
| 3.2.2 非参数自适应PID控制 |
| 3.3 基于光机热模型的自适应PID控温方法 |
| 3.3.1 基于光机热模型的自适应PID控温原理 |
| 3.3.2 基于光机热模型的自适应PID控温方法的设计步骤 |
| 3.4 控制系统的稳定性分析方法 |
| 3.5 本章小结 |
| 第四章 光机温控系统仿真与结果分析 |
| 4.1 基于镜框数学模型的温控算法 |
| 4.2 镜框温控系统仿真验证 |
| 4.2.1 仿真工况一 |
| 4.2.2 仿真工况二 |
| 4.3 本章小结 |
| 第五章 光机温控系统具体实现 |
| 5.1 系统硬件部分设计 |
| 5.1.1 系统硬件部分总体设计 |
| 5.1.2 测温电路设计 |
| 5.1.3 时钟电路设计 |
| 5.1.4 输出控制电路 |
| 5.1.5 PCB板设计 |
| 5.2 系统软件部分设计 |
| 5.2.1 主程序流程 |
| 5.2.2 温度数据A/D转换程序 |
| 5.2.3 中位值滤波程序 |
| 5.2.4 自适应PID控制算法程序 |
| 5.2.5 PWM输出 |
| 5.3 本章小结 |
| 第六章 光机温控系统实验与结果分析 |
| 6.1 光机温控系统实验装置 |
| 6.2 实验及结果分析 |
| 6.2.1 实验工况一 |
| 6.2.2 实验工况二 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结与主要结论 |
| 7.2 研究方向展望 |
| 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 |
（3）多旋翼无人机精准降落的控制系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本课题主要研究工作及章节安排 |
| 1.4 本章小结 |
| 第二章 精准降落控制系统的架构设计 |
| 2.1 控制系统架构设计 |
| 2.2 软硬件平台及相关理论 |
| 2.2.1 Pixhawk飞控 |
| 2.2.2 PX4固件 |
| 2.2.3 无人机运动状态 |
| 2.3 基础理论 |
| 2.3.1 图像分割算法 |
| 2.3.2 PID控制算法 |
| 2.3.3 参数自整定PID控制算法 |
| 2.4 本章小结 |
| 第三章 精准降落控制系统的详细设计 |
| 3.1 无人机建模 |
| 3.1.1 无人机姿态表示方法 |
| 3.1.2 坐标系统的建立 |
| 3.1.3 无人机数学模型的建立 |
| 3.2 视觉图像中靶标的获取 |
| 3.2.1 图像预处理 |
| 3.2.2 目标分割 |
| 3.2.3 绘制轮廓最小外接矩形 |
| 3.3 速度控制环节设计 |
| 3.3.1 速度分段模块设计 |
| 3.3.2 速度控制器设计 |
| 3.3.3 速度控制器参数的自整定设计 |
| 3.4 本章小结 |
| 第四章 实验过程与结果分析 |
| 4.1 实验过程 |
| 4.1.1 实验设备 |
| 4.1.2 模拟实验环境的搭建 |
| 4.1.3 实物测试环境的搭建 |
| 4.2 实验结果与分析 |
| 4.2.1 实验方案设计 |
| 4.2.2 视觉图像处理实验 |
| 4.2.3 实验1:经典控制系统降落实验的结果与分析 |
| 4.2.4 实验2:速度P控制器降落实验的结果与分析 |
| 4.2.5 实验3:速度PI控制器降落实验的结果与分析 |
| 4.2.6 实验4:速度PD控制器降落实验的结果与分析 |
| 4.2.7 实验5:速度PID控制器降落实验的结果与分析 |
| 4.2.8 实验6:参数自整定速度PD控制器降落实验的结果与分析 |
| 4.2.9 实验7:位置控制+速度PD控制器的自主降落实验 |
| 4.2.10 实验8:位置控制+参数自整定速度PD控制器的自主降落实验 |
| 4.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文和专利 |
| 致谢 |
（4）电磁轴承耦合性分析及控制优化设计（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 电磁轴承的发展概况及主要研究内容 |
| 1.2.1 电磁轴承的发展历史与趋势 |
| 1.2.2 电磁轴承的主要研究内容 |
| 1.3 电磁轴承控制方法的研究 |
| 1.3.1 解耦控制的研究现状 |
| 1.3.2 电磁轴承的主动振动控制 |
| 1.4 论文研究工作及内容安排 |
| 1.4.1 论文研究工作 |
| 1.4.2 论文内容安排 |
| 第二章 电磁轴承的工作原理与数学建模 |
| 2.1 电磁轴承简介 |
| 2.2 电磁轴承的基本工作原理 |
| 2.2.1 电磁轴承的电磁力计算 |
| 2.2.2 电磁力的线性化 |
| 2.2.3 电磁力的差动控制结构 |
| 2.3 电磁轴承系统的数学模型 |
| 2.3.1 单自由度电磁轴承控制系统数学建模 |
| 2.3.2 多自由度电磁轴承控制系统数学建模 |
| 2.4 本章小结 |
| 第三章 电磁轴承-转子系统的耦合分析 |
| 3.1 电磁轴承中的电磁力耦合 |
| 3.2 电磁轴承-转子系统的耦合 |
| 3.2.1 径向电磁轴承-转子之间的力耦合 |
| 3.2.2 径向电磁轴承-转子之间的力矩耦合 |
| 3.3 多自由度径向电磁轴承-转子系统的交叉耦合和机械耦合 |
| 3.4 电磁轴承-转子系统的耦合性实验 |
| 3.5 本章小结 |
| 第四章 电磁轴承的控制方法与优化设计 |
| 4.1 电磁轴承的PID控制 |
| 4.1.1 PID控制算法介绍 |
| 4.1.2 电磁轴承的PID算法设计与改进 |
| 4.1.3 单自由度电磁轴承控制系统的仿真 |
| 4.1.4 PID参数对控制效果的影响 |
| 4.2 BP神经网络原理 |
| 4.2.1 BP神经网络算法介绍 |
| 4.2.2 BP神经网络的局限性 |
| 4.2.3 BP神经网络的训练优化算法 |
| 4.3 电磁轴承的神经网络控制 |
| 4.3.1 神经自适应控制系统设计与仿真 |
| 4.3.2 电磁轴承的NARMA-L2 控制设计与仿真 |
| 4.3.3 不同控制算法的控制效果仿真对比 |
| 4.3.4 网络结构与训练算法对控制效果的影响 |
| 4.4 本章小结 |
| 第五章 基于dSPACE的电磁轴承控制系统设计 |
| 5.1 dSPACE简介 |
| 5.2 实验条件及设备模块介绍 |
| 5.2.1 电磁轴承的系统配置 |
| 5.2.2 dSPACE的硬件与软件 |
| 5.3 dSPACE控制系统的开发流程 |
| 5.4 电磁轴承的半实物仿真实验 |
| 5.4.1 基于simulink的电磁轴承控制模型设计 |
| 5.4.2 dSPACE控制平台的输入/输出调试 |
| 5.4.3 基于dSPACE的电磁轴承-转子悬浮实验 |
| 5.5 本章小结 |
| 第六章 一种基于神经网络逆系统的磁轴承解耦控制算法 |
| 6.1 逆系统方法简介 |
| 6.1.1 逆系统方法的定义 |
| 6.1.2 伪线性系统与逆系统原理 |
| 6.2 电磁轴承-转子的逆系统构造 |
| 6.3 电磁轴承神经网络逆系统的实现方法 |
| 6.3.1 神经网络逆系统构建 |
| 6.3.2 数据采集与训练样本获得 |
| 6.3.3 神经网络模型训练 |
| 6.4 悬浮实验与结果分析 |
| 6.4.1 左右电磁轴承径向位移之间的解耦控制 |
| 6.4.2 阶跃冲击下的悬浮控制 |
| 6.4.3 同频振动控制 |
| 6.5 本章小结 |
| 第七章 电磁轴承在移动载体上的基础激励振动控制 |
| 7.1 电磁轴承系统在基础激励下的动力学建模 |
| 7.2 基础激励模型 |
| 7.3 基于RBF神经网络的PID控制器设计 |
| 7.3.1 RBF神经网络结构及原理 |
| 7.3.2 RBF神经网络控制器设计 |
| 7.4 仿真及结果分析 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 论文总结 |
| 8.2 未来展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）基于神经网络的城轨列车精确停车控制方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及技术路线 |
| 2.精确停车控制基本理论 |
| 2.1 ATO速度控制过程 |
| 2.2 精确停车影响因素 |
| 2.3 神经网络控制原理 |
| 2.3.1 BP神经网络 |
| 2.3.2 神经网络控制 |
| 2.4 灰色预测控制原理 |
| 2.4.1 灰色系统理论 |
| 2.4.2 灰色预测控制 |
| 2.5 本章小结 |
| 3.列车停车控制系统模型 |
| 3.1 概述 |
| 3.2 列车牵引模型 |
| 3.2.1 牵引力计算 |
| 3.2.2 牵引特性曲线 |
| 3.3 列车阻力模型 |
| 3.3.1 列车基本阻力 |
| 3.3.2 列车附加阻力 |
| 3.4 列车制动模型 |
| 3.4.1 电制动 |
| 3.4.2 空气制动 |
| 3.4.3 制动特性曲线 |
| 3.5 列车运动学方程 |
| 3.6 仿真实例 |
| 3.7 本章小结 |
| 4.基于神经网络PID控制方法的列车制动模型 |
| 4.1 列车制动模型结构参数辨识 |
| 4.1.1 广义抽象模型 |
| 4.1.2 制动模型转换 |
| 4.1.3 最小二乘辨识 |
| 4.2 PID控制 |
| 4.2.1 模拟PID控制 |
| 4.2.2 数字PID控制 |
| 4.3 基于BP神经网络的PID控制 |
| 4.3.1 神经网络PID控制器设计 |
| 4.3.2 算法流程 |
| 4.4 列车制动模型建立与仿真 |
| 4.4.1 列车制动过程划分 |
| 4.4.2 输入输出变量分析 |
| 4.4.3 控制模型函数确定 |
| 4.4.4 控制模型网络结构 |
| 4.4.5 制动控制算法仿真 |
| 4.5 本章小结 |
| 5.基于灰色预测的神经网络PID控制方法 |
| 5.1 灰色预测模块 |
| 5.1.1 灰色预测建模过程 |
| 5.1.2 灰色预测模块设计 |
| 5.1.3 灰色预测自适应控制 |
| 5.2 预测控制算法仿真 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间学术成果获奖情况 |
（6）移动机器人自主导航和目标抓取关键技术研究（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 机器人路径规划发展现状 |
| 1.2.1 全局路径规划 |
| 1.2.2 局部路径规划 |
| 1.3 机器人路径跟踪控制发展现状 |
| 1.4 机器人抓取规划发展现状 |
| 1.4.1 基于模型的抓取规划 |
| 1.4.2 基于数据驱动的抓取规划 |
| 1.5 课题的研究内容 |
| 1.6 本文章节结构安排 |
| 第2章 基于蝙蝠算法与强化学习的路径规划研究 |
| 2.1 蝙蝠算法 |
| 2.1.1 算法模型 |
| 2.1.2 实施步骤 |
| 2.2 强化学习 |
| 2.2.1 Q学习算法 |
| 2.2.2 动作选择策略 |
| 2.3 混合蝙蝠算法(HBA) |
| 2.3.1 HBA介绍 |
| 2.3.2 适应度函数设计 |
| 2.4 路径规划仿真研究 |
| 2.5 本章小结 |
| 第3章 基于灰狼算法优化PID的路径跟踪控制 |
| 3.1 移动机器人路径跟踪控制模型 |
| 3.2 移动机器人路径跟踪控制器设计 |
| 3.3 PID控制器原理 |
| 3.3.1 模拟PID控制器 |
| 3.3.2 数字PID控制器 |
| 3.4 灰狼算法原理 |
| 3.4.1 基本灰狼算法 |
| 3.4.2 改进灰狼算法 |
| 3.5 GWO优化PID算法设计 |
| 3.5.1 基本思想 |
| 3.5.2 适应度函数的确定 |
| 3.5.3 GWO优化PID算法流程 |
| 3.6 路径跟踪仿真研究 |
| 3.7 本章小结 |
| 第4章 基于深度学习的目标识别和抓取位置检测 |
| 4.1 抓取位置表示 |
| 4.2 卷积神经网络 |
| 4.2.1 感知器模型 |
| 4.2.2 局部连接和权值共享 |
| 4.2.3 卷积神经网络结构 |
| 4.3 残差神经网络 |
| 4.4 多任务卷积神经网络 |
| 4.5 实验验证 |
| 4.5.1 抓取数据集建立 |
| 4.5.2 模型训练 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 移动机器人自主导航和目标抓取实验 |
| 5.1 实验平台验证 |
| 5.2 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表及科研情况 |
| 致谢 |
（7）基于PTZ摄像机的运动目标滤波与跟踪控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控系统发展 |
| 1.2.2 PTZ摄像机转台伺服跟踪控制策略 |
| 1.2.3 目标轨迹平滑滤波方法 |
| 1.2.4 模糊自适应PID控制 |
| 1.2.5 滑模预测控制 |
| 1.3 论文主要工作和组织结构 |
| 第二章 枪球联动伺服跟踪系统建模研究 |
| 2.1 枪球联动系统基本结构 |
| 2.1.1 枪球联动系统工作原理 |
| 2.1.2 摄像机选择 |
| 2.1.3 目标位置坐标变换 |
| 2.2 枪球联动系统伺服跟踪特点 |
| 2.2.1 噪声和机动特性 |
| 2.2.2 控制量不连续性 |
| 2.2.3 控制的纯滞后性 |
| 2.3 PTZ摄像机转台数学模型与参数辨识 |
| 2.3.1 系统辨识概念 |
| 2.3.2 PTZ摄像机转台模型机理分析 |
| 2.3.3 最小二乘法系统辨识 |
| 2.3.4 实验数据分析 |
| 2.4 本章小结 |
| 第三章 目标轨迹平滑滤波算法研究 |
| 3.1 目标运动模型 |
| 3.1.1 等速直线模型 |
| 3.1.2 等加速模型 |
| 3.1.3 等速圆周模型 |
| 3.2 滑动窗口最小二乘滤波 |
| 3.2.1 最小二乘拟合 |
| 3.3 检测自适应滤波 |
| 3.3.1 卡尔曼滤波 |
| 3.3.2 机动检测 |
| 3.3.3 截取变维法 |
| 3.4 基于希尔伯特黄变换的滤波 |
| 3.4.1 经验模态分解 |
| 3.4.2 EMD尺度滤波去噪 |
| 3.5 仿真实验及分析 |
| 3.5.1 MATLAB平台下仿真实验 |
| 3.5.2 实际场景下目标轨迹平滑滤波实验 |
| 3.6 本章小结 |
| 第四章 改进的PID控制器设计 |
| 4.1 改进的数字PID控制器 |
| 4.1.1 常规PID控制算法 |
| 4.1.2 数字PID控制改进算法 |
| 4.1.3 超前预测补偿与改进的数字PID控制 |
| 4.2 改进的串级PID控制器 |
| 4.2.1 粒子群优化算法 |
| 4.2.2 PID控制参数离线整定 |
| 4.2.3 模糊逻辑控制器 |
| 4.2.4 外环控制器设计 |
| 4.2.5 转速状态检测 |
| 4.2.6 内环控制器设计 |
| 4.3 实验结果及分析 |
| 4.3.1 改进的数字PID控制器实验 |
| 4.3.2 改进的串级PID控制器实验 |
| 4.4 本章小结 |
| 第五章 滑模预测控制器设计 |
| 5.1 滑模控制 |
| 5.1.1 连续时间系统滑模控制 |
| 5.1.2 离散时间系统滑模控制 |
| 5.1.3 滑模控制器设计 |
| 5.2 动态矩阵预测控制 |
| 5.2.1 阶跃响应模型预测 |
| 5.2.2 在线反馈校正 |
| 5.2.3 滚动优化 |
| 5.3 滑模预测控制 |
| 5.3.1 滑模预测控制器设计 |
| 5.4 实验结果及分析 |
| 5.4.1 滑模控制器实验 |
| 5.4.2 动态矩阵预测控制器实验 |
| 5.4.3 滑模预测控制器实验 |
| 5.5 本章小结 |
| 第六章 转台控制模块软件设计 |
| 6.1 模块软件设计目的 |
| 6.2 模块用户接口 |
| 6.3 模块组织框架 |
| 6.3.1 典型操作流程 |
| 6.3.2 示例代码 |
| 6.4 软件使用 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的论文和成果 |
（8）基于BP-PID的电子三轴手持稳定器控制优化研究（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 国内外研究现状 |
| 1.2.1 PID控制器的研究现状 |
| 1.2.2 神经网络的研究现状 |
| 1.2.3 启发式算法的研究现状 |
| 1.3 本文研究主要内容 |
| 1.4 论文组织结构 |
| 第2章 相关知识与技术 |
| 2.1 电子三轴手持视频稳定器控制系统建模 |
| 2.1.1 稳定器工作基本原理 |
| 2.1.2 稳定器的直流力矩电机控制系统建模 |
| 2.2 PID控制器概述 |
| 2.2.1 PID控制器介绍 |
| 2.2.2 数字PID控制器 |
| 2.3 启发式算法和人工神经网络的概述与介绍 |
| 2.3.1 启发式算法的理论基础 |
| 2.3.2 人工神经网络的理论基础 |
| 2.4 人工蜂群算法的概述与特点 |
| 2.4.1 人工蜂群算法概述 |
| 2.4.2 人工蜂群算法的特点 |
| 2.5 天牛须搜索的概述与特点 |
| 2.5.1 天牛须搜索概述 |
| 2.5.2 天牛须搜索的特点 |
| 2.6 BP神经网络的概述与特点 |
| 2.6.1 BP神经网络 |
| 2.6.2 BP神经网络的特点与不足 |
| 2.7 本章小结 |
| 第3章 基于BP神经网络的PID控制系统设计 |
| 3.1 电子三轴手持稳定器的系统建模 |
| 3.2 BP神经网络模型 |
| 3.2.1 人工神经元模型 |
| 3.2.2 BP神经网络的结构 |
| 3.2.3 BP神经网络的设计 |
| 3.3 BP神经网络PID控制器的设计 |
| 3.4 BP神经网络的改进 |
| 3.5 本章小结 |
| 第4章 基于两种启发式算法优化的BP-PID控制器的优化设计 |
| 4.1 基于人工蜂群算法的BP-PID控制器设计 |
| 4.1.1 人工蜂群算法 |
| 4.1.2 人工蜂群算法的建模 |
| 4.1.3 基于人工蜂群算法优化的BP-PID控制系统 |
| 4.2 基于天牛须搜索的BP-PID控制器设计 |
| 4.2.1 天牛须搜索 |
| 4.2.2 天牛须搜索的建模 |
| 4.2.3 基于天牛须搜索优化的BP-PID控制系统 |
| 4.3 本章小结 |
| 第5章 仿真测试与结果分析 |
| 5.1 仿真平台 |
| 5.2 仿真性能指标 |
| 5.2.1 动态性能 |
| 5.2.2 稳态性能 |
| 5.3 BP-PID控制器的控制仿真对比 |
| 5.3.1 仿真步骤 |
| 5.3.2 参数设置 |
| 5.3.3 结果分析 |
| 5.4 基于启发式算法的BP-PID控制优化仿真对比 |
| 5.4.1 人工蜂群算法和天牛须搜索的寻优历程 |
| 5.4.2 仿真步骤 |
| 5.4.3 参数设置 |
| 5.4.4 结果分析 |
| 5.5 仿真结果分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（9）工业过程的二自由度PID控制算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 课题研究现状 |
| 1.2.1 PID控制研究现状 |
| 1.2.2 二自由度PID控制研究现状 |
| 1.3 本文的主要工作内容及安排 |
| 第二章 理论基础 |
| 2.1 基本的PID控制算法 |
| 2.2 传统的PID调节方法 |
| 2.3 二自由度控制 |
| 2.3.1 二自由度控制原理 |
| 2.3.2 二自由度控制典型结构 |
| 2.4 本章小结 |
| 第三章 稳定过程的二自由度内模PID控制器设计 |
| 3.1 引言 |
| 3.2 传统的内模控制结构 |
| 3.3 二自由度内模控制结构的设计 |
| 3.4 稳定过程的控制器整定方法 |
| 3.4.1 一阶时滞过程控制器整定 |
| 3.4.2 二阶时滞过程控制器整定 |
| 3.5 仿真研究与分析 |
| 3.5.1 一阶加时滞过程对象的仿真分析 |
| 3.5.2 二阶加时滞过程对象的仿真分析 |
| 3.6 本章小结 |
| 第四章 不稳定过程的二自由度PID控制器设计 |
| 4.1 引言 |
| 4.2 不稳定过程的二自由控制结构 |
| 4.3 控制器的设计 |
| 4.4 仿真研究 |
| 4.5 本章总结 |
| 第五章 改进的二自由度Smith预估控制 |
| 5.1 引言 |
| 5.2 常规的Smith预估算法 |
| 5.3 改进的二自由度Smith预估控制算法 |
| 5.4 控制器的设计整定方法 |
| 5.4.1 一阶时滞过程的控制器设计 |
| 5.4.2 二阶时滞过程的控制器设计 |
| 5.5 仿真研究 |
| 5.6 本章总结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于Fuzzy-PID参数自整定的高精度激光晶体温度控制系统的优化与实现（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 国内外研究现状 |
| 1.2.1 激光晶体温度控制系统研究现状 |
| 1.2.2 智能温度控制技术研究现状 |
| 1.3 论文主要内容及章节安排 |
| 第二章 高精度激光晶体温度控制系统模型优化及控制算法研究 |
| 2.1 激光晶体温度控制系统数学模型的优化 |
| 2.1.1 数学模型及建模方法 |
| 2.1.2 激光晶体温度控制系统数学模型辨识 |
| 2.1.3 激光晶体温控模型辨识结果比较 |
| 2.2 传统PID控制 |
| 2.2.1 模拟PID控制原理 |
| 2.2.2 数字PID理论及实现方法 |
| 2.2.3 传统PID参数整定及局限性 |
| 2.3 模糊控制 |
| 2.3.1 模糊控制原理 |
| 2.3.2 模糊控制器结构 |
| 2.3.3 模糊控制器设计方法 |
| 2.4 Fuzzy-PID参数自整定控制 |
| 2.5 本章小结 |
| 第三章 高精度激光晶体温度控制系统的设计及仿真实现 |
| 3.1 传统模拟PID激光晶体温度控制系统方案设计 |
| 3.2 Fuzzy-PID参数自整定激光晶体温度控制系统方案设计 |
| 3.3 Fuzzy-PID参数自整定温度控制器设计 |
| 3.3.1 输入输出模糊化 |
| 3.3.2 建立模糊规则表 |
| 3.3.3 模糊推理及解模糊 |
| 3.3.4 Fuzzy-PID控制与传统PID控制结合 |
| 3.4 MATLAB系统实验仿真及分析 |
| 3.4.1 Fuzzy-PID参数自整定控制器仿真实现 |
| 3.4.2 仿真结果比较和分析 |
| 3.5 本章小结 |
| 第四章 高精度激光晶体温度控制系统硬件设计 |
| 4.1 温度传感器研究 |
| 4.2 半导体制冷器(TEC)研究 |
| 4.3 传统模拟PID控制系统硬件电路设计 |
| 4.3.1 温度采集和预设电路 |
| 4.3.2 温度比较电路 |
| 4.3.3 模拟控制电路 |
| 4.3.4 模拟控制TEC驱动电路 |
| 4.4 Fuzzy-PID参数自整定控制系统硬件电路设计 |
| 4.4.1 电源供电电路 |
| 4.4.2 温度采集和滤波放大电路 |
| 4.4.3 显示屏与键盘输入 |
| 4.4.4 模糊控制TEC驱动电路 |
| 4.4.5 通讯电路 |
| 4.5 提高温度采集精度的措施 |
| 4.6 单片机控制系统电路 |
| 4.7 激光晶体温控装置的设计 |
| 4.8 本章小结 |
| 第五章 高精度激光晶体温度控制系统软件设计 |
| 5.1 Fuzzy-PID参数自整定优化系统软件整体设计 |
| 5.1.1 系统软件整体设计思路 |
| 5.1.2 系统主程序设计 |
| 5.2 定时器中断模块 |
| 5.3 温度采集模块 |
| 5.4 数字滤波模块 |
| 5.5 温度预设与显示模块 |
| 5.6 温度控制算法整定模块 |
| 5.7 通讯模块 |
| 5.8 本章小结 |
| 第六章 实验测试与分析 |
| 6.1 硬件电路调试 |
| 6.1.1 电源模块调试 |
| 6.1.2 温度采集及单片机模块调试 |
| 6.1.3 TEC驱动电路模块调试 |
| 6.2 激光晶体温度控制系统控制时间及超调量测试与分析 |
| 6.3 激光晶体温度控制系统整体性能测试与分析 |
| 6.3.1 温控精度测试 |
| 6.3.2 温控稳定性测试 |
| 6.3.3 实验测试结果分析 |
| 6.4 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文内容总结 |
| 7.2 不足与展望 |
| 参考文献 |
| 插图列表 |
| 表格列表 |
| 致谢 |
| 附录 |
四、网络控制系统的自整定鲁棒数字PID控制（论文参考文献）
- [1]无人机光电系统视轴稳定方法研究[D]. 姜珊. 西安工业大学, 2021(02)
- [2]用于光机的高稳定度温度控制技术研究[D]. 李帅. 中国科学院大学(中国科学院上海技术物理研究所), 2020(01)
- [3]多旋翼无人机精准降落的控制系统研究[D]. 曾振华. 广东工业大学, 2020(06)
- [4]电磁轴承耦合性分析及控制优化设计[D]. 赵宏凯. 浙江理工大学, 2020(06)
- [5]基于神经网络的城轨列车精确停车控制方法[D]. 胡芳芳. 南京理工大学, 2020(01)
- [6]移动机器人自主导航和目标抓取关键技术研究[D]. 薛秉鑫. 青岛理工大学, 2019(02)
- [7]基于PTZ摄像机的运动目标滤波与跟踪控制研究[D]. 赵雅涵. 东南大学, 2019(05)
- [8]基于BP-PID的电子三轴手持稳定器控制优化研究[D]. 刘德智. 桂林理工大学, 2019(05)
- [9]工业过程的二自由度PID控制算法研究[D]. 李孜伟. 杭州电子科技大学, 2019(01)
- [10]基于Fuzzy-PID参数自整定的高精度激光晶体温度控制系统的优化与实现[D]. 许琛. 安徽工业大学, 2018(02)