一、过程数据的无模型在线校正（论文文献综述）
孙杰[1]（2021）在《直拉硅单晶批次过程建模与直径控制研究》文中提出随着集成电路、通信和航空航天等领域的快速发展,半导体硅片尺寸逐步增大,制程工艺越来越先进,这对硅单晶的制造提出了更高的要求。直拉法是生长硅单晶的主要方法,主要包括化料、引晶、放肩、等径和收尾等阶段,其中等径阶段的晶体直径控制是最重要的控制环节,直接决定了晶体能否高质量生长。然而硅单晶生长是一种典型的批次过程,具有批量化、多品种、技术密集、生长过程复杂等特点,需要在硅单晶批次生产过程中进行精准控制。因此,为了实现大尺寸、高品质半导体硅单晶批次生长控制,满足晶体生长工艺要求,研究Cz硅单晶批次过程的建模与直径控制具有非常重要的意义和实际价值。本文基于数据驱动和即时学习建模思想,建立了以提拉速度和加热器功率为输入,熔体温度和晶体直径为输出的晶体生长过程模型。首先,为了减少即时学习建模时间,本文提出了基于模糊c均值聚类的数据搜索策略,保证了建模的快速性,同时,引入了模型保留与更新机制,提高了模型的利用率。其次,考虑到传感器采集的数据可能存在异常,引入了异常值处理机制,以增强模型的鲁棒性。然后,为了准确描述工业数据中的非线性特性,采用极限学习机实现局部在线建模,用于提高模型的辨识精度。最后,仿真结果表明,所建立的模型相较于其他模型具有更高的精度。基于上述晶体生长过程模型,为了实现硅单晶批次生长过程中晶体直径的控制要求,本文首先采用了迭代学习控制策略。针对迭代学习控制严格重复性的要求以及难以处理时间轴上的干扰问题,引入了时间轴上的模型预测控制方法,提出了一种硅单晶批次过程晶体直径迭代学习预测控制方案。其中,基于改进的即时学习建模的模型预测控制用于处理时间轴上的干扰和约束问题,采用无模型自适应迭代学习控制修正批次间晶体直径的重复性误差,在批次轴上确保晶体直径达到精准控制。仿真结果表明,所提出的硅单晶批次过程控制方法能够很好的实现晶体直径的精准控制。
高雅文[2]（2021）在《数据驱动的PID控制性能优化》文中研究表明控制器的性能优劣不仅决定控制系统能否达到期望目标,而且也直接影响整个工业过程的稳定与安全。当前,各类工业企业的计算机控制系统逐步完善,这给存储大量控制系统运行数据提供了条件。这些数据中包含着与设备特征、过程动态、系统工况以及控制器性能等相关的各类信息。如何充分利用这些数据,实现对在运行控制器的性能优化一直是过程控制领域的研究热点之一。课题针对实际中应用最广泛的PID控制器,研究基于数据驱动的不同结构的PID控制系统的性能优化方法,主要内容包括:（1）提出了一种基于数据的PID控制器参数校正方法。该方法通过采集系统闭环工作数据,构造当前时刻的“数据向量”,并以特定格式存储于数据库;再利用相似性度量算法获得PID控制器的初始预测参数;若控制回路性能不理想,则使用优化方法校正控制器参数。然后将优化后的参数补充到数据库中,以开始新的迭代优化。最后,将该算法应用于典型非线性过程p H值控制问题中,实验结果证明了所提算法的有效性。（2）对虚拟参考迭代整定（FRIT）方法进行了改进,并在此基础上提出了两种串级系统的PID控制参数优化策略。改进后的FRIT方法在迭代过程中加入了对准则函数的监测,并依据准则函数的变化调整迭代步长,加快了控制器参数寻优算法的收敛速度。所提第一种串级系统的控制器参数优化策略首先处理副回路,然后将主副控制回路作为整体,使用改进的FRIT方法校正主回路的控制参数。所提第二种策略是基于最小方差性能指标的控制器在线优化方法。通过在一个动态时间窗内采集控制系统闭环数据,估计最小方差性能指标,再与设定的性能指标阈值比较,性能不满足期望时则使用虚拟参考迭代整定算法对串级控制器参数进行校正。（3）引入虚拟参考反馈整定（VRFT）,并在其应用于单回路控制器参数优化的基础上,研究了多输入多输出控制系统的PID控制器参数优化问题。采集系统输入输出数据,并据此计算出控制器的虚拟输入输出矩阵。设计多输入多输出系统的准则函数,然后通过最小二乘算法同时辨识出使得准则函数最小的不同回路的控制器参数。最后,将该方法应用于蒸馏塔的控制中,分别采集系统的闭环数据和开环数据来整定多回路PID控制器参数。
胡钦涛[3]（2021）在《基于深度神经网络的光电系统检测与跟踪算法研究》文中研究说明光电跟踪系统广泛应用于侦查、通信、测量等领域,其工作状态包括了搜索、捕获和跟踪阶段,对应了计算机视觉的目标检测以及目标跟踪任务。然而,光电跟踪系统因为应用场景的不同,经常面临复杂背景干扰、相似目标干扰、相机运动模糊、光线不佳以及运动目标机动性强等各类问题与挑战。因此,为了提高光电跟踪系统的整体性能,本文针对光电跟踪系统所涉及的目标检测和目标跟踪任务进行研究,主要内容如下:首先,研究光电跟踪系统工作状态与计算机视觉任务关系,建立工作状态的计算机视觉任务模型,讨论光电跟踪系统中的搜索与捕获状态对应了计算机视觉的目标检测任务,而跟踪任务则对应了计算机视觉的单目标跟踪任务,分析了所面临的挑战,并针对光电跟踪系统的目标检测任务,提出了无人机检测数据集用于检测低空无人机设备,为后续的工作开展奠定了基础。其次,针对目标检测任务提出了对角线网络和峰值响应正则化技术,对角线网络可以对无人机数据进行有效检测,峰值响应正则化方法对深度神经网络中的特征值进行正则化,将其即插即用的与常用的目标检测任务结合,可以有效提高目标检测算法的效果并基本不增加计算量,并在公开数据集和无人机数据集上进行了验证,同时也将其应用于人体姿态检测、图像分类任务取得了不错的结果。接着,针对光电跟踪系统中面临的目标跟踪任务的挑战,提出了亚峰值抑制跟踪器。从目标跟踪的理论模型出发,提出了亚峰值池化和边界响应截断两个操作用于抑制跟踪响应图中的亚峰值,提升主峰值,避免造成跟踪漂移,加入在线学习动态学习目标变化。最后在相关跟踪数据集上对算法进行验证并获得了显着的增益。然后,对目标跟踪任务中引入的在线学习算法进行分析,发现其在提升性能的同时也造成了速度下降,并有可能因为学习到错误样本而造成算法漂移,受到滤波算法的启发,对目标跟踪在线学习过程进行算法建模,并将滤波算法用于目标跟踪在线学习算法中对训练样本进行处理,在相关数据集进行实验,提升基于相关滤波算法和深度学习的跟踪算法性能。更进一步,针对目标检测任务中在线学习效率问题,还提出了改进的自适应随机并行梯度下降算法,用于提升目标检测中在线学习模块的学习效率和光电跟踪系统中光学问题的优化速度,同时提高了算法对随机扰动参数的鲁棒性,最后在光纤耦合任务的仿真和实验平台中都对算法进行了验证。综上所述,本文针对光电跟踪系统的一系列关键问题进行了研究,1、对于光电跟踪系统的搜索和捕获任务提出了对角线网络和峰值响应正则化模块应用于目标检测任务;2、提出了无人机检测数据集;3、对于光电跟踪系统的目标跟踪任务,提出了亚峰值抑制跟踪器用来解决跟踪过程中的相似目标干扰、背景干扰等困难;4、对于跟踪任务提出了基于滤波器的在线学习算法用于解决学习过程中的学习样本的滤波问题,减少噪声样本,提升跟踪算法跟踪精度和速度;5、针对跟踪任务中在线学习效率不高以及光电跟踪系统中其他的光学问题,提出了自适应并行梯度下降算法。通过大量的仿真和实验证明,以上方法均能有效提升光电跟踪系统在跟踪任务上的性能。
杨名硕[4]（2021）在《基于数据驱动的机械臂人机共融控制方法》文中研究表明随着全球制造工艺和技术的不断进步和发展,机械臂逐渐成为了现代工业化生产中必不可缺少的元素之一,也是企业不断提高竞争力、向智能化转型升级的核心动力。机械臂是目前在制造业中最为常见的一种工业装置,被广泛地应用于切割、装配、码垛、喷涂等场合,并且在医疗手术、航天探测、军事侦查等领域也有涉及。与此同时,伴随着第四次工业革命的发展,全球制造业在未来一段时间内将迎来转型升级的巨大变革,基于大数据驱动和人工智能的制造技术将会引领未来发展,新一代智能机械臂技术也成为人们研究的重中之重。本文以六自由度协作机械臂为研究对象,分别对人机共融控制中的环境感知和柔顺控制进行研究。首先概述机械臂运动控制方法的整体框架,对其避障规划方法进行改进,然后提出了一种基于数据驱动的轨迹跟踪控制方法,并在此基础上研究了人机共融控制策略,从而实现机械臂的智能柔顺控制。首先,基于机械臂的运动学对轨迹规划方法进行分析,然后对协作机械臂在工作空间内的避障运动规划展开研究,提出了一种自适应步长的扩展随机树算法,改进了节点的扩展方法,增强了规划算法的导向性,优化了算法的规划速度,最后通过三次B样条曲线拟合得到平滑的规划路径。其次,考虑到多自由度机械臂存在强耦合、非线性的特点,提出了一种基于数据驱动的轨迹跟踪控制方法。这种方法不需要建立精确的机械臂动力学模型,利用泰勒展开的方法对动力学方程进行离散化和线性化,进而得到机械臂系统的状态空间模型,并将其应用到预测控制中。同时,为了提高系统的准确性,将智能优化算法引入到控制器的设计中,利用粒子群优化算法计算最优控制序列。最后,针对机械臂的人机共融控制方法展开研究,提出了一种人机共融的主动柔顺控制方法,将基于数据驱动的预测控制作为内环,自适应阻抗控制作为外环,使机械臂同时完成位置跟踪和力跟踪,并通过MATLAB仿真验证了此方法的可行性。
江绍波[5]（2021）在《基于数据驱动的蒸汽发生器液位控制系统性能优化方法研究》文中进行了进一步梳理蒸汽发生器是核电机组的重要组成部分,其正常运行对核电机组的安全具有重大意义。其中蒸汽发生器的液位是运行过程中重要的控制参数,液位过高过低都会影响核电机组运行的安全性。因此,核电机组的蒸汽发生器液位控制对核电机组的运行安全至关重要。在蒸汽发生器液位控制过程中,采用控制器对液位进行控制,大多数控制器都需要对其参数进行整定。参数的选定影响着液位控制系统的性能,因此,为获取稳定的控制性能,需要确定其最优的控制参数。传统控制参数整定可分为三类,试凑法、经验公式法、基于模型的优化方法。其中经验公式法主要用于PID控制参数整定。传统整定方法存在高成本、低效和过多依赖经验的缺陷。为解决上述问题,提高整定效率和减少实验成本,本文从数据驱动优化思想出发,提出了一系列基于数据驱动的蒸汽发生器液位控制系统性能优化方法,并形成了一种系统性的液位控制系统性能优化架构。主要研究工作如下:1.在对核电厂蒸汽发生器特性分析基础上,建立蒸汽发生器液位机理模型,并在此基础上实现串级三冲量液位控制方案,对上述模型及控制系统设计进行验证,为控制系统性能优化方法研究奠定基础;2.在对蒸汽发生器液位控制系统性能优化问题加以提炼的基础上,提出一种系统性的基于数据驱动的优化框架;设计了一种基于滚动迭代终止因子的迭代终止控制机制,实现了优化进程的智能化、自主式控制;3.对数据驱动优化方法的思想、指引及融合机制进行总结,并在此基础上,提出了三种基于不同指引机制的并行摄动随机优化方法,分别形成三种数据驱动型蒸汽发生器液位控制系统性能优化方法,并对三种方法的优化性能进行测试分析;4.设计实现一种蒸汽发生器液位MPC控制系统,形成基于数据驱动的蒸汽发生器MPC控制系统性能优化框架,将三种数据驱动优化方法应用于MPC控制系统性能优化并对其性能进行测试分析。最后通过总结分析,提出了蒸汽发生器液位控制系统性能优化方向的展望。
许振兴[6]（2020）在《基于深度强化学习的自适应光学波前控制研究》文中研究表明自适应光学（Adaptive Optics,AO）技术通过改变波前校正器相位来补偿入射畸变波前,从而改善光学系统的性能,被广泛应用于天文观测、激光通信系统、视网膜成像、激光光束净化等光学系统。AO系统作为有效的主动补偿技术,虽然在各领域取得了很好的校正效果,但传统闭环控制方法将AO控制系统视为线性时不变系统,这使得传统控制方法无法处理各类误差带来的不确定性,无法发挥系统潜力获得最优性能。本文从传统AO控制方法与深度强化学习找到结合点并做探索性研究,建立自学习智能控制模型。深度学习与强化学习的结合将感知环境和系统控制无缝连接,使AO能够自动感知不确定的环境状态并完成自适应控制。该AO智能控制模型具有通用性,不依赖于建立准确模型,只需与环境互动学习,利用从外界反馈的回报信号和采集的环境状态不断调整控制策略,使其在线自学习最优控制策略或次优控制策略,可根据系统状态保持或逼近最佳性能。具体来说,传统基于离线建模的线性时不变控制方法无法处理以下三种情形:（1）AO控制平台在长时间运行过程中,受机械平台振动等时变因素的影响,波前校正器与波前传感器的相对位置发生偏移导致对准误差,使得系统参数发生异变无法自适应对准误差。（2）哈特曼传感器缺光引起的斜率信息缺失或噪声引起的斜率测量误差。这类误差直接耦合控制模型,斜率测量误差的传递造成控制性能下降或不稳定。（3）AO系统中时滞普遍存在,时滞校正误差对系统的性能影响很大,因此具有静态控制策略的控制方法无法实现自适应预测控制。本文围绕上述三种情形,展开理论分析和实验研究,建立线性和非线性两种针对AO的智能控制模型。该模型根据当前AO的环境特性进行在线策略优化,始终满足性能约束指标,为解决传统控制手段难以处理误差带来的控制性能下降,以及难以建立准确的系统模型和湍流模型提供了新思路。本文的主要研究内容如下:1.基于哈特曼传感器的AO系统其误差传递过程不可避免,误差传递将影响系统的校正性能,最大程度的补偿或抑制误差传递可显着提高系统的校正性能。AO主要误差来源分为五类:（1）H-S透镜阵列对波前的有限分割采样带来的空间采样误差;（2）斜率测量过程中噪声因素引入的斜率测量误差;（3）强闪烁条件下H-S子孔径斜率探测不理想或信息缺失;（4）H-S与变形镜的空间失配导致对准误差;（5）系统时滞因素导致的时滞校正误差。通过对上述五类误差进行分析,将其转化为组合目标函数的优化问题,推导出了利用组合目标函数的梯度信息作为误差补偿手段,为后续基于梯度信息的在线学习模型提供了理论基础。2.提出了AO系统的线性学习模型,该模型将远场性能指标和估计误差平方和的线性组合作为目标函数,能够自适应系统参数变化,不依赖于建立准确的系统模型。为使得学习模型保持良好的跟踪特性,引入了梯度动量项,动量项累积了之前迭代时的梯度信息,逐步弱化了历史梯度信息对当前模型训练的影响,提高了当前梯度信息的影响,动量项的引入避免了在线样本存储。同时还给出了模型的并行异步优化方法以及模型参数的初始化策略。最后,搭建了AO实验平台来验证线性学习模型的性能,实验结果表明该模型兼顾了斜率信息缺失补偿和自适应抑噪能力,显着提高了系统控制精度。数值分析表明,在不需要重新测量响应矩阵的情况下,实现了对准误差下的自适应性。该模型简单高效,具有一定的工程意义,但由于线性模型学习能力有限,当存在多对一映射关系时其学习过程容易产生线性偏移。3.针对线性学习模型存在的学习能力有限问题以及对湍流扰动的预测控制问题进行建模。提出了基于深度强化学习理论的非线性动态学习模型,该模型采用神经网络的泛映射性拟合策略函数,并通过强化学习的确定性策略梯度方法实现在线滚动优化策略。但是在实际在线策略优化时,若模型目标函数的梯度矩阵测量不准确或突增,则可能导致梯度爆炸使得学习模型不能正常工作。为避免梯度爆炸,保证网络模型稳定收敛,在该梯度反向传入网络模型之前,将梯度矩阵投影至较小的尺寸上,进行裁剪和约束。同时为了避免学习速率衰减过快,能够对每个网络参数自适应不同的学习速率,采用三点解决方案:一是使用历史窗口;二是对参数梯度动量项的历史窗口序列（不包括当前）使用均值;三是最终梯度项为历史窗口序列均值与当前梯度动量项的加权平均。最后,通过搭建AO实验系统来验证非线性动态学习模型对静态像差以及动态像差的校正能力,实验中引入了HT200热风式大气湍流模拟器来产生不同强度的大气湍流。实验结果表明,非线性动态学习模型具有建模方便以及过程描述可在线获得的特点,能及时弥补由于模型失配、畸变、干扰等因素引起的不确定性,模型通过在线误差补偿和噪声抑制提高了系统的控制精度,其自适应性提高了系统的稳定性。由于模型可在线学习湍流统计特性,无需离线建立湍流模型,实现了自适应预测控制模型,具有明显的工程和理论意义。
董锡康[7]（2020）在《单相AC/DC变换器功率解耦技术研究》文中指出单相功率因数校正（Power Factor Correction,PFC）AC/DC变换器中,其交流输入侧瞬时脉动功率流至直流侧,由并联在直流侧的电解电容缓冲吸收。但变换器直流侧存在二次纹波电压,而且电解电容使用寿命短暂,直接影响系统的运行可靠性。为了进一步降低直流侧纹波电压且提高系统可靠性,基于薄膜电容的功率解耦技术已获得了研究关注与若干应用。为此,论文将重点研究单相PFC AC/DC变换器的功率解耦电路的控制技术,旨在提升功率解耦系统的稳态精度和鲁棒性,其研究成果兼具理论研究意义和工程应用价值。论文采用并联于单相升压型功率因数校正（Boost PFC）变换器直流侧的全桥型功率解耦电路,首先对全桥型解耦电路的工作原理进行分析;其次,依据功率解耦电路传递函数设计比例谐振（Proportional-resonant,PR）控制器,并通过根轨迹法整定PR控制器参数,进而再设计出可补偿延时的改进PR离散控制器。设计和研制集成全桥功率解耦电路的单相Boost PFC变换器样机,经由系统仿真与实验研究,证实所建议的PR控制方案的合理有效性。鉴于PR控制依赖于功率解耦电路参数,且其控制性能易受参数变化及未知扰动的影响。利用代数辨识技术建立全桥功率解耦电路的二阶超局部模型,且设计无模型无差拍预测控制器,实时生成占空比信号,控制功率解耦电路开关管的导通与关断。经由系统仿真与实验研究,与PR控制的对比研究,证实所提出的无模型无差拍预测控制所拥有的良好控制性能和强鲁棒性的技术优势。考虑到依据计算公式开环生成的解耦电容电压参考值,其准确度易受参数变化的影响,论文提出基于无模型控制器设计的闭环参考值生成方案。其实现思路是分析PFC变换器直流侧输出电压中的二次纹波与二倍频输入功率之间的关系,再建立相应的一阶超局部模型,设计无模型控制器,根据直流侧电压纹波生成直流侧剩余的脉动功率,确定出解耦电容电压参考值。最后,经由系统仿真与实验研究,以及与开环参考值生成方案的对比分析,证实所建议的闭环参考值生成方案的技术优势。
陈跃[8]（2020）在《永磁同步电机失磁故障的模型预测容错控制研究》文中认为永磁同步电机因其结构简单、稳定性强、转子不耗能等显着优势,在交通运输、工业生产等领域得到了广泛应用,面临着各种复杂多变的环境与运行工况,其永磁体易发生失磁问题,由此极大的影响永磁同步电机的性能。本文在考虑电机发生失磁故障的情况下,以滑模观测器为基础,研究了永磁同步电机有限集模型预测控制。本文的主要研究内容如下:针对永磁同步电机在复杂牵引工况下转子永磁体容易发生失磁故障的问题,提出一种基于磁链在线监测的有限集模型预测容错控制方法。首先,分析了永磁体失磁的特点,建立了失磁故障的永磁同步电机数学模型。其次,设计了永磁体磁链滑模观测器实时观测转子永磁体磁链,并对滑模观测器的稳定性进行了证明。最后,提出了基于有限集模型预测的容错控制算法,并把观测的磁链信息反馈到有限集预测容错控制器,使预测模型中的电机参数数值与电机实际参数数值保持一致,以减小永磁体失磁故障对永磁同步电机的控制性能的影响,从而实现了失磁故障的有限集模型预测容错控制。仿真及实验结果表明,与传统PI控制相比,有限集模型预测容错控制方法的容错能力和鲁棒性更强。针对永磁同步电机在复杂牵引工况下转子永磁体容易发生失磁故障的问题,对上述所提出的控制方法进行改进,提出一种基于磁链在线监测的双矢量有限集模型预测控制。首先,用超螺旋滑模观测器来替换原控制方法中的传统一阶滑模观测器,使得观测的磁链信息更加精确,同时消除了传统滑模观测器的抖振;其次,用双矢量有限集模型预测控制替代传统的单矢量有限集预测控制,且在预测模型的获取中,采用精度更高的二阶欧拉离散法替代传统一阶前向离散法,使其预测模型更加精确。最后,通过仿真验证表明,相比前述所提出的控制算法和传统PI控制方法,所提出的基于磁链在线监测的双矢量有限集模型预测控制算法,能适应控制精度要求更高的控制环境,进一步提高了永磁同步电机的控制性能。
侯明冬[9]（2020）在《基于动态线性化数据模型的离散滑模控制研究》文中研究说明论文基于动态线性化数据模型,针对一般非线性离散时间系统存在扰动、时滞、误差受限、执行器饱和以及系统耦合等问题,研究动态线性化数据模型和离散滑模控制方法相互融合的控制技术。研究中,将动态线性化技术、离散积分终端滑模控制、扰动估计技术、预测控制、预定性能控制及离散扩张观测器等技术有机结合,提出几种基于动态线性化数据模型的离散滑模控制方法。主要的创新性工作总结如下:（1）针对一般非线性离散时间SISO系统的紧格式动态线性化数据模型中存在未知扰动的问题,提出一种基于扰动估计技术的数据驱动离散积分终端滑模控制算法,并将该方法推广应用至偏格式和全格式动态线性化数据模型。为了进一步提高跟踪精度,在所提出算法的基础上,结合预测控制原理,提出了一种基于紧格式动态线性化数据模型的离散积分终端滑模预测控制策略。理论分析证明了所提出算法的稳定性,通过仿真比较研究和双容水箱液位控制实验研究表明了所提出方法的有效性。（2）针对一般非线性离散时间SISO滞后系统,基于紧格式动态线性化数据模型,结合离散积分滑模控制方法,提出了一种适用于非线性滞后系统的数据驱动离散积分滑模控制算法。该算法的主要创新点在于:1)考虑系统存在滞后的情况下,实现紧格式动态线性化数据模型中滞后项的隐性表达;2)基于无明显时间延迟的等效动态线性化数据模型,结合离散积分滑模控制方法进行控制系统设计,即在新的预测状态而不是原始状态下进行控制系统设计。（3）提出了一种抗饱和数据驱动积分终端滑模控制方案。该方案基于紧格式动态线性化数据模型,在离散积分终端滑模控制器设计过程中,引入动态抗饱和补偿器,解决了系统轨迹跟踪过程中执行器饱和问题。为更为清晰的表明所提出方法及其应用,以有输入饱和约束的轮式移动机器人的轨迹跟踪问题为例,阐述所提出方法的理论问题及实际应用。所提出控制算法,主要包括在线数据驱动模型辨识算法,积分终端滑模控制算法和动态抗饱和补偿算法。此外,给出了所提出方法的闭环系统稳定性分析。（4）基于包含扰动的紧格式动态线性化数据模型,提出了一种具有跟踪误差约束的数据驱动终端滑模控制方法。通过引入预定性能函数,将对系统输出误差存在约束的跟踪问题转化为无约束的镇定问题。并通过设计离散终端滑模控制器,进一步加快滑模运动趋于滑模面的速度,且能够确保系统跟踪误差收敛到预定义的区域。（5）针对一类包含未知外部扰动的离散非线性MIMO系统,提出一种新的数据驱动离散积分滑模解耦控制算法。所提出算法基于紧格式动态线性化数据模型,通过离散扩张观测器对数据驱动模型的未建模动态、未知扰动以及系统间各变量之间耦合作用进行在线估计,采用离散积分滑模控制策略,实现包含扰动的离散非线性MIMO系统的离散积分滑模解耦控制。为了使控制系统性能（包括过冲,瞬态响应和稳态误差）得到进一步改善。提出了一种新的数据驱动误差受限离散终端滑模解耦控制算法。该算法在紧格式动态线性化数据模型解耦的基础上,通过在滑模控制器设计过程中引入预定性能函数,使得解耦后各环路的误差能够收敛到预定的区域,提升了系统解耦后的控制性能。理论分析和仿真实验表明,在干扰和系统不确定性的影响下,基于预定性能的数据驱动滑模解耦控制器能够实现对离散非线性MIMO系统的渐近跟踪控制。
郭媛[10]（2020）在《四旋翼飞行器的无模型自适应预测控制方法研究》文中研究表明四旋翼飞行器因其控制原理简单,飞行方式多样,机动灵活,安全性高等优点,在民用和军事领域均有广阔的应用前景。同时,四旋翼飞行器是具有强耦合性、多变量、非线性等特征的复杂系统,其中四旋翼飞行器姿态控制部分是一个具有四输入、三输出的过驱动系统,这些特征均为四旋翼的姿势调节带来难点。本文将四旋翼飞行仿真器作为研究对象,将无模型自适应预测控制算法（Model Free Adaptive Predictive Control,MFAPC）应用于四旋翼飞行仿真器的姿态调整问题中,并进行了系列仿真实验,主要内容如下:（1）考虑到预测控制能够引入未来的输入输出信息,且具有较强的鲁棒性,将预测控制的思想与传统的无模型自适应控制结合,提出基于MIMO非线性系统的无模型自适应预测控制算法,该算法仅利用被控系统的输入和输出信息来设计控制器,不需要任何模型信息;并通过严谨的理论分析,证明算法的收敛性。（2）针对四旋翼飞行器姿态控制是典型二阶系统的这一特性,将上述提出的MFAPC算法进行改进,增加了对跟踪误差变化率和跟踪误差变化率的改变值的限制;并在MATLAB/Simulink环境对基于MFAPC算法的四旋翼姿态调节控制器进行建模,用于后续的仿真实验研究。（3）进行系列仿真实验验证算法跟踪性能。对传统二输入二输出系统进行一系列数值仿真实验,证明MFAPC算法因控制律中考虑到未来输入输出信息,能够在一段时间内做出较好的控制决策,因此具有更好的跟踪性能,且算法能够实现对系统的解耦。对四旋翼飞行器系统的姿态调节环节进行仿真实验,研究MFAPC算法与MFAC算法在无扰动、受外部扰动、受内部扰动三种情况下的仿真分析比较。仿真结果表明,相较于MFAC算法,MFAPC算法具有更强的抗干扰能力和跟踪能力。
二、过程数据的无模型在线校正（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、过程数据的无模型在线校正（论文提纲范文）
（1）直拉硅单晶批次过程建模与直径控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 直拉硅单晶生长工艺流程 |
| 1.3 硅单晶批次过程 |
| 1.4 硅单晶批次过程建模与直径控制研究现状 |
| 1.4.1 晶体生长过程建模研究现状 |
| 1.4.2 晶体生长过程控制研究现状 |
| 1.5 论文主要内容和章节安排 |
| 2 直拉硅单晶生长控制系统 |
| 2.1 硅单晶生长过程关键变量分析 |
| 2.1.1 加热器功率对晶体直径的影响 |
| 2.1.2 提拉速度对晶体直径的影响 |
| 2.3 硅单晶直径控制结构 |
| 2.3.1 传统晶体直径控制结构 |
| 2.3.2 恒拉速晶体直径控制结构 |
| 2.4 硅单晶批次过程模型辨识与控制策略 |
| 2.5 本章小结 |
| 3 改进的即时学习非线性系统建模方法 |
| 3.1 传统的即时学习算法 |
| 3.2 改进的即时学习算法 |
| 3.2.1 异常值处理机制 |
| 3.2.2 基于模糊c均值的数据搜索策略 |
| 3.2.3 ELM模型 |
| 3.2.4 模型保留与更新机制 |
| 3.3 仿真结果与分析 |
| 3.4 本章小结 |
| 4 硅单晶生长过程数据驱动建模 |
| 4.1 数据获取与预处理 |
| 4.1.1 辨识数据来源 |
| 4.1.2 数据预处理 |
| 4.2 晶体生长模型辨识 |
| 4.2.1 模型结构确定 |
| 4.2.2 模型输入输出阶次确定 |
| 4.3 基于模糊c均值的过程数据聚类 |
| 4.4 基于改进的即时学习晶体生长过程建模策略 |
| 4.5 实验结果与分析 |
| 4.5.1 无异常值仿真实验 |
| 4.5.2 有异常值仿真实验 |
| 4.6 本章小结 |
| 5 硅单晶批次生长过程晶体直径控制 |
| 5.1 迭代学习控制简介 |
| 5.2 晶体直径迭代学习控制 |
| 5.2.1 基于CFDL的无模型自适应迭代学习控制算法 |
| 5.2.2 仿真实验 |
| 5.3 晶体直径迭代学习预测控制 |
| 5.3.1 预测控制原理 |
| 5.3.2 迭代学习预测控制策略 |
| 5.3.3 仿真实验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）数据驱动的PID控制性能优化（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 控制器性能优化 |
| 1.2.1 传统控制器性能优化方法 |
| 1.2.2 数据驱动的控制器性能优化方法 |
| 1.3 课题主要内容 |
| 第二章 基于数据的PID控制器参数校正 |
| 2.1 引言 |
| 2.2 对象描述 |
| 2.3 数据驱动的PID参数校正策略 |
| 2.3.1 数据库构建 |
| 2.3.2 数据相似性度量 |
| 2.3.3 PID参数校正 |
| 2.3.4 算法步骤 |
| 2.4 仿真研究 |
| 2.5 本章小结 |
| 第三章 基于FRIT的串级控制回路性能优化 |
| 3.1 引言 |
| 3.2 串级系统描述 |
| 3.3 虚拟参考迭代整定算法 |
| 3.4 串级回路控制器参数优化 |
| 3.5 仿真研究 |
| 3.6 本章小结 |
| 第四章 MV指标驱动的串级控制性能在线优化 |
| 4.1 引言 |
| 4.2 串级系统的最小方差控制器设计 |
| 4.3 串级系统控制性能评估 |
| 4.4 串级系统控制性能在线优化算法 |
| 4.5 仿真研究 |
| 4.5.1 数值仿真 |
| 4.5.2 工业实例 |
| 4.6 本章小结 |
| 第五章 基于VRFT的多回路控制系统性能优化 |
| 5.1 引言 |
| 5.2 多回路控制系统描述 |
| 5.3 虚拟参考反馈整定算法 |
| 5.4 多回路控制器参数优化 |
| 5.5 仿真研究 |
| 5.5.1 数据准备 |
| 5.5.2 控制器性能优化 |
| 5.6 本章小结 |
| 第六章 主要结论与展望 |
| 6.1 主要结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（3）基于深度神经网络的光电系统检测与跟踪算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景以及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测 |
| 1.2.2 目标跟踪 |
| 1.2.3 针对无人机的目标检测和跟踪算法 |
| 1.3 本课题的研究难点 |
| 1.3.1 目标检测难点分析 |
| 1.3.2 目标跟踪难点分析 |
| 1.4 本文的内容安排 |
| 1.5 小结 |
| 第2章 目标检测和跟踪数据集 |
| 2.1 MS-COCO数据集 |
| 2.2 无人机数据集 |
| 2.3 目标跟踪数据集 |
| 2.3.1 OTB数据集 |
| 2.3.2 VOT数据集 |
| 2.3.3 NFS数据集 |
| 2.4 小结 |
| 第3章 光电跟踪系统目标检测算法 |
| 3.1 引言 |
| 3.2 无人机对角线目标检测算法 |
| 3.3 无人机峰值响应正则化目标检测算法 |
| 3.3.1 峰值响应正则化 |
| 3.3.2 目标检测网络 |
| 3.4 实验验证 |
| 3.4.1 COCO数据集 |
| 3.4.2 无人机数据集 |
| 3.4.3 任务扩展 |
| 3.5 小结 |
| 第4章 亚峰值抑制目标跟踪 |
| 4.1 引言 |
| 4.2 跟踪理论分析 |
| 4.2.1 跟踪响应预测 |
| 4.2.2 亚峰值抑制 |
| 4.2.3 峰值响应池化 |
| 4.2.4 边界响应截断 |
| 4.2.5 亚峰值抑制跟踪器 |
| 4.3 实验验证 |
| 4.3.1 消融实验 |
| 4.3.2 OTB实验 |
| 4.3.3 VOT实验 |
| 4.3.4 NFS实验 |
| 4.4 小结 |
| 第5章 目标跟踪在线学习样本滤波算法 |
| 5.1 引言 |
| 5.2 在线学习理论分析 |
| 5.3 在线学习样本滤波策略 |
| 5.4 实验验证 |
| 5.4.1 消融实验 |
| 5.4.2 VOT数据集 |
| 5.5 小结 |
| 第6章 自适应随机并行梯度算法 |
| 6.1 引言 |
| 6.2 算法提出 |
| 6.3 仿真验证 |
| 6.3.1 SMF耦合效率 |
| 6.3.2 仿真分析 |
| 6.4 实验 |
| 6.5 小结 |
| 第7章 总结与展望 |
| 7.1 论文主要工作 |
| 7.2 论文的特色和创新点 |
| 7.3 算法局限性 |
| 7.4 后续工作及建议 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（4）基于数据驱动的机械臂人机共融控制方法（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 协作机械臂的国内外研究现状 |
| 1.2.1 协作机械臂的国外研究现状 |
| 1.2.2 协作机械臂的国内研究现状 |
| 1.3 机械臂避障路径规划算法研究现状 |
| 1.4 数据驱动技术概述 |
| 1.4.1 模型预测控制的发展历史及研究现状 |
| 1.4.2 智能优化方法概述 |
| 1.5 人机共融控制技术概述 |
| 1.5.1 人机共融的关键技术 |
| 1.5.2 机械臂柔顺控制研究概况 |
| 1.6 本文研究的主要内容 |
| 第二章 机械臂人机共融避障轨迹规划 |
| 2.1 引言 |
| 2.2 机械臂的笛卡尔空间轨迹规划 |
| 2.3 面向人机共融的机械臂避障轨迹规划方法 |
| 2.3.1 基于包围球的碰撞检测 |
| 2.3.2 基于自适应步长的RRT轨迹规划方法研究 |
| 2.3.3 基于三次B样条的路径平滑处理 |
| 2.4 机械臂的轨迹规划仿真实验 |
| 2.4.1 笛卡尔空间轨迹规划仿真 |
| 2.4.2 机械臂避障轨迹规划仿真 |
| 2.5 小结 |
| 第三章 基于数据驱动的预测控制方法 |
| 3.1 引言 |
| 3.2. 机械臂动力学建模 |
| 3.3 基于数据驱动的预测控制器设计 |
| 3.3.1 预测控制的基本原理 |
| 3.3.2 带有积分功能的机械臂预测控制器设计 |
| 3.4 基于数据驱动的预测控制器的优化设计 |
| 3.4.1 带有惯性权重的粒子群优化算法 |
| 3.4.2 基于加权因子优化的控制器设计 |
| 3.5 基于数据驱动的预测控制系统仿真 |
| 3.5.1 机械臂动力学参数获取 |
| 3.5.2 基于数据驱动的预测控制性能仿真 |
| 3.6 小结 |
| 第四章 面向人机共融的机械臂柔顺控制 |
| 4.1 引言 |
| 4.2 基于阻抗控制的人机共融控制方法 |
| 4.2.1 阻抗控制方法研究 |
| 4.2.2 基于阻抗控制的人机共融控制器设计 |
| 4.3 人机共融阻抗控制自适应调节方法 |
| 4.4 机械臂人机共融控制系统仿真 |
| 4.4.1 不同阻抗参数的影响 |
| 4.4.2 机械臂人机共融任务仿真 |
| 4.4.3 自适应阻抗控制效果仿真对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
（5）基于数据驱动的蒸汽发生器液位控制系统性能优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 蒸汽发生器液位控制研究现状 |
| 1.2.2 控制系统性能优化方法研究现状 |
| 1.3 研究动机与主要研究内容 |
| 1.3.1 研究动机 |
| 1.3.2 主要研究内容 |
| 1.4 论文框架 |
| 第二章 蒸汽发生器液位控制系统模型 |
| 2.1 蒸汽发生器的液位特性 |
| 2.1.1 核反应堆原理介绍 |
| 2.1.2 蒸汽发生器原理介绍 |
| 2.1.3 蒸汽发生器液位特性分析 |
| 2.2 蒸汽发生器液位模型机理、实现与验证 |
| 2.2.1 蒸汽发生器液位模型机理 |
| 2.2.2 蒸汽发生器液位模型实现与验证 |
| 2.3 蒸汽发生器液位控制系统设计 |
| 2.3.1 蒸汽发生器液位控制单冲量系统 |
| 2.3.2 蒸汽发生器液位控制双冲量系统 |
| 2.3.3 蒸汽发生器液位控制三冲量系统 |
| 2.3.4 蒸汽发生器液位控制双冲量、三冲量系统仿真对比 |
| 2.4 小结 |
| 第三章 基于数据驱动的控制系统性能优化方法 |
| 3.1 蒸汽发生器液位控制系统性能优化问题 |
| 3.2 控制系统性能评价指标与方法 |
| 3.2.1 主要评价指标 |
| 3.2.2 评价方法 |
| 3.3 数据驱动优化方法 |
| 3.4 迭代终止控制 |
| 3.4.1 相对最优性评估 |
| 3.4.2 迭代终止控制方法 |
| 3.4.3 滚动计算迭代因子 |
| 3.5 小结 |
| 第四章 基于数据驱动的蒸汽发生器液位PID控制系统性能优化 |
| 4.1 数据驱动的基本思想及其机制原理 |
| 4.1.1 基本思想 |
| 4.1.2 指引机制 |
| 4.1.3 融合实现机制 |
| 4.2 基于数据驱动的改进型SPSA算法研究应用 |
| 4.2.1 传统SPSA算法 |
| 4.2.2 基于数据驱动的改进型SPSA算法实现及其相应改进算法 |
| 4.2.2.1 基于相邻迭代点历史信息的改进型SPSA |
| 4.2.2.2 基于历史梯度近似的改进型SPSA |
| 4.2.2.3 基于混合型的改进型SPSA |
| 4.2.3 基于数据驱动的改进型SPSA算法性能测试 |
| 4.3 基于数据驱动的无模型优化迭代终止控制 |
| 4.3.1 基于数据驱动的无模型优化迭代终止控制准则实现 |
| 4.3.2 基于数据驱动引入迭代终止控制改进型 SPSA 算法测试 |
| 4.4 小结 |
| 第五章 基于数据驱动的蒸汽发生器液位MPC控制系统性能优化 |
| 5.1 引言 |
| 5.2 蒸汽发生器液位MPC控制系统设计 |
| 5.2.1 模型预测控制原理概述 |
| 5.2.2 蒸汽发生器液位MPC控制系统设计 |
| 5.2.3 蒸汽发生器液位MPC控制和串级PID控制仿真对比 |
| 5.3 基于数据驱动的蒸汽发生器液位MPC控制系统性能优化 |
| 5.4 蒸汽发生器液位MPC控制系统性能优化测试 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要研究成果 |
（6）基于深度强化学习的自适应光学波前控制研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 波前控制技术国内外研究历史与现状 |
| 1.2.1 有波前探测控制技术 |
| 1.2.2 无波前探测控制技术 |
| 1.3 论文结构安排 |
| 第二章 传统线性控制模型的误差传递 |
| 2.1 像差表述 |
| 2.2 哈特曼斜率计算 |
| 2.3 波前复原 |
| 2.3.1 区域法 |
| 2.3.2 模式法 |
| 2.3.3 直接斜率法 |
| 2.4 传统线性控制模型 |
| 2.5 控制模型的误差传递 |
| 2.5.1 斜率测量误差 |
| 2.5.2 斜率信息缺失 |
| 2.5.3 空间采样误差 |
| 2.5.4 波前测量误差的敏感度分析 |
| 2.6 H-S与波前校正器的对准误差 |
| 2.7 本章小结 |
| 第三章 远场指标梯度抑制误差传递 |
| 3.1 远场指标梯度估计 |
| 3.2 梯度信息补偿误差传递分析 |
| 3.3 梯度信息补偿对准误差分析 |
| 3.4 本章小结 |
| 第四章 在线自学习线性控制模型 |
| 4.1 线性动态学习模型 |
| 4.2 模型的训练方法 |
| 4.3 递归最小二乘参数估计 |
| 4.4 学习模型流程及优化 |
| 4.5 模型参数初始化策略 |
| 4.6 实验与分析 |
| 4.6.1 测量噪声抑制 |
| 4.6.2 斜率信息缺失补偿 |
| 4.6.3 自适应对准误差及其数值分析 |
| 4.7 模型的线性偏移 |
| 4.8 本章小结 |
| 第五章 深度强化学习控制模型 |
| 5.1 非线性动态学习模型 |
| 5.2 神经网络基本原理 |
| 5.2.1 前馈计算 |
| 5.2.2 误差反向传播 |
| 5.3 模型的训练方法 |
| 5.4 梯度约束及其优化 |
| 5.5 强化学习理论框架 |
| 5.5.1 马尔科夫决策过程 |
| 5.5.2 值函数与最优性原理 |
| 5.5.3 TD方法与值函数逼近 |
| 5.5.4 策略梯度 |
| 5.6 策略优化流程 |
| 5.7 实验与分析 |
| 5.7.1 测量噪声抑制 |
| 5.7.2 斜率信息缺失补偿 |
| 5.7.3 动态波前预测控制 |
| 5.7.4 自适应对准误差及其数值分析 |
| 5.8 抑制线性偏移 |
| 5.9 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（7）单相AC/DC变换器功率解耦技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 功率解耦电路的拓扑 |
| 1.2.2 功率解耦控制系统 |
| 1.3 论文主要内容及章节安排 |
| 第二章 功率解耦电路的比例谐振控制 |
| 2.1 功率解耦电路的数学模型 |
| 2.1.1 解耦电路工作状态分析与建模 |
| 2.1.2 解耦电路参考值的生成 |
| 2.2 比例谐振控制器设计 |
| 2.2.1 比例谐振控制器参数分析 |
| 2.2.2 比例谐振控制器的延时及相位补偿 |
| 2.2.3 比例谐振控制器的离散化实现 |
| 2.3 系统仿真与实验研究 |
| 2.3.1 系统仿真研究 |
| 2.3.2 系统实验研究 |
| 2.4 本章小结 |
| 第三章 功率解耦电路的无模型无差拍预测控制 |
| 3.1 全桥功率解耦电路的超局部模型 |
| 3.1.1 二阶超局部模型的建立 |
| 3.1.2 代数辨识方法 |
| 3.2 无模型无差拍预测控制器设计 |
| 3.3 系统仿真与实验研究 |
| 3.3.1 系统仿真研究 |
| 3.3.2 系统实验研究 |
| 3.4 本章小结 |
| 第四章 功率解耦电路的闭环参考值生成 |
| 4.1 电压纹波与纹波功率的关系 |
| 4.2 闭环方式生成参考值的数学模型建立 |
| 4.3 一阶超局部模型的建立 |
| 4.4 无模型控制器设计 |
| 4.4.1 输出电压直流分量的提取 |
| 4.4.2 无模型控制的系统稳定性分析 |
| 4.5 系统仿真与实验研究 |
| 4.5.1 系统仿真研究 |
| 4.5.2 系统实验研究 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）永磁同步电机失磁故障的模型预测容错控制研究（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 永磁同步电机控制系统的组成及国内外研究现状 |
| 1.2.1 永磁同步电机控制系统的组成 |
| 1.2.2 永磁同步电机控制方法研究现状 |
| 1.2.3 模型预测控制研究现状 |
| 1.2.4 永磁同步电机失磁故障研究现状 |
| 1.3 本文研究的关键问题 |
| 1.4 论文主要研究工作及内容安排 |
| 第2章 永磁同步电机数学模型的建立及矢量控制 |
| 2.1 引言 |
| 2.2 永磁同步电机的基本结构 |
| 2.3 正常情况下PMSM的数学模型 |
| 2.3.1 三相静止坐标轴系下的PMSM数学模型 |
| 2.3.2 坐标变换原理 |
| 2.3.3 两相旋转坐标轴系下的PMSM数学模型 |
| 2.4 失磁故障后PMSM的数学模型 |
| 2.5 PMSM的矢量控制原理 |
| 2.5.1 PMSM矢量控制 |
| 2.5.2 两电平逆变器模型 |
| 2.5.3 空间矢量调制基本原理 |
| 2.6 本章小结 |
| 第3章 基于滑模观测器的PMSM有限集模型预测容错控制 |
| 3.1 引言 |
| 3.2 永磁同步电机失磁故障数学模型 |
| 3.3 电流环有限集模型预测容错控制策略 |
| 3.3.1 有限集模型预测控制方法原理介绍 |
| 3.3.2 永磁同步电机电流环有限集模型预测控制器的设计 |
| 3.4 失磁故障重构 |
| 3.4.1 滑模观测器原理 |
| 3.4.2 失磁故障重构 |
| 3.5 算法过程 |
| 3.6 仿真与实验验证 |
| 3.6.1 仿真结果 |
| 3.6.2 实验结果 |
| 3.7 本章小结 |
| 第4章 基于超螺旋滑模观测器的PMSM双矢量有限集模型预测容错控制 |
| 4.1 引言 |
| 4.2 电流环双矢量有限集预测容错控制器设计 |
| 4.2.1 预测模型 |
| 4.2.2 双矢量模型预测电流控制 |
| 4.2.3 电压矢量选择范围 |
| 4.3 基于超螺旋滑模观测器的失磁故障重构 |
| 4.3.1 超螺旋算法 |
| 4.3.2 磁链观测器设计 |
| 4.4 算法过程 |
| 4.5 仿真验证 |
| 4.5.1 磁链仿真结果 |
| 4.5.2 控制器仿真结果 |
| 4.6 本章小节 |
| 第5章 总结与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（9）基于动态线性化数据模型的离散滑模控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 动态线性化技术发展现状 |
| 1.2.1 SISO系统动态线性化技术 |
| 1.2.2 MIMO系统动态线性化技术 |
| 1.3 数据驱动离散滑模技术发展现状 |
| 1.3.1 离散滑模技术发展现状 |
| 1.3.2 基于动态线性化技术的离散滑模控制研究现状 |
| 1.4 论文主要研究内容 |
| 第2章 基于动态线性化技术的积分终端滑模控制 |
| 2.1 引言 |
| 2.2 紧格式动态线性化离散积分终端滑模控制 |
| 2.2.1 问题描述 |
| 2.2.2 积分终端滑模控制器设计 |
| 2.2.3 稳定性分析 |
| 2.2.4 设计方法推广 |
| 2.3 基于扰动估计的离散积分终端滑模控制 |
| 2.3.1 问题描述 |
| 2.3.2 控制器设计 |
| 2.3.3 稳定性分析 |
| 2.3.4 基于扰动估计的积分终端滑模预测控制器设计 |
| 2.4 数值仿真 |
| 2.4.1 仿真示例1 |
| 2.4.2 仿真示例2 |
| 2.4.3 仿真示例3 |
| 2.4.4 双容水箱实验 |
| 2.5 本章小结 |
| 第3章 时滞系统数据驱动积分滑模控制 |
| 3.1 引言 |
| 3.2 问题描述及模型转换 |
| 3.2.1 问题描述 |
| 3.2.2 离散时间预测器 |
| 3.3 控制系统设计 |
| 3.3.1 伪偏导数估计 |
| 3.3.2 控制器设计 |
| 3.4 稳定性分析 |
| 3.5 数值仿真 |
| 3.6 本章小结 |
| 第4章 数据驱动积分终端滑模约束控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.2.1 轮式移动机器人运动学模型 |
| 4.2.2 航向角补偿算法 |
| 4.3 数据驱动建模 |
| 4.4 控制器设计 |
| 4.5 稳定性分析 |
| 4.6 数值仿真 |
| 4.6.1 直线运动轨迹跟踪 |
| 4.6.2 曲线运动轨迹跟踪 |
| 4.7 本章小结 |
| 第5章 基于预定性能的数据驱动终端滑模控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 数据模型及扰动估计 |
| 5.2.2 预定性能函数及误差转换 |
| 5.3 控制器设计 |
| 5.4 稳定性分析 |
| 5.5 数值仿真 |
| 5.6 本章小结 |
| 第6章 基于动态线性化技术的积分滑模解耦控制 |
| 6.1 引言 |
| 6.2 数据驱动离散积分滑模解耦控制算法 |
| 6.2.1 问题描述 |
| 6.2.2 控制器设计 |
| 6.2.3 稳定性分析 |
| 6.2.4 数值仿真 |
| 6.3 基于预定性能的数据驱动离散终端滑模解耦控制 |
| 6.3.1 预定性能函数及误差转换 |
| 6.3.2 控制器设计 |
| 6.3.3 稳定性分析 |
| 6.3.4 数值仿真 |
| 6.4 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（10）四旋翼飞行器的无模型自适应预测控制方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 相关领域研究现状 |
| 1.2.1 四旋翼飞行器研究现状概述 |
| 1.2.2 四旋翼飞行器的控制算法研究现状概述 |
| 1.2.3 预测控制研究现状概述 |
| 1.2.4 无模型自适应控制算法研究现状概述 |
| 1.3 论文主要工作及结构安排 |
| 2 四旋翼飞行器的动力学分析 |
| 2.1 四旋翼飞行仿真器系统介绍 |
| 2.2 四旋翼飞行仿真器的运动过程分析 |
| 2.3 四旋翼飞行仿真器的状态空间模型建立 |
| 2.4 本章小结 |
| 3 基于MIMO非线性系统的无模型自适应预测控制研究 |
| 3.1 无模型自适应预测控制算法的设计 |
| 3.1.1 基于紧格式的动态线性化技术 |
| 3.1.2 控制算法设计 |
| 3.1.3 PJM估计算法和预测算法 |
| 3.1.4 MFAPC系统控制方案 |
| 3.2 无模型自适应预测控制算法稳定性分析 |
| 3.3 无模型自适应预测控制算法数值仿真验证 |
| 3.3.1 阶跃期望信号仿真 |
| 3.3.2 时变期望信号仿真 |
| 3.3.3 MFAPC算法参数选取 |
| 3.4 本章小结 |
| 4 基于MFAPC算法的四旋翼飞行控制器设计与仿真 |
| 4.1 改进的无模型自适应预测算法 |
| 4.2 改进的MFAPC算法的Simulink建模 |
| 4.3 仿真分析 |
| 4.3.1 阶跃响应下的仿真与分析 |
| 4.3.2 抗干扰仿真与分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 总结 |
| 5.2 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 |
四、过程数据的无模型在线校正（论文参考文献）
- [1]直拉硅单晶批次过程建模与直径控制研究[D]. 孙杰. 西安理工大学, 2021(01)
- [2]数据驱动的PID控制性能优化[D]. 高雅文. 江南大学, 2021(01)
- [3]基于深度神经网络的光电系统检测与跟踪算法研究[D]. 胡钦涛. 中国科学院大学(中国科学院光电技术研究所), 2021(08)
- [4]基于数据驱动的机械臂人机共融控制方法[D]. 杨名硕. 北京邮电大学, 2021(01)
- [5]基于数据驱动的蒸汽发生器液位控制系统性能优化方法研究[D]. 江绍波. 厦门理工学院, 2021(06)
- [6]基于深度强化学习的自适应光学波前控制研究[D]. 许振兴. 电子科技大学, 2020(03)
- [7]单相AC/DC变换器功率解耦技术研究[D]. 董锡康. 合肥工业大学, 2020(02)
- [8]永磁同步电机失磁故障的模型预测容错控制研究[D]. 陈跃. 湖南工业大学, 2020
- [9]基于动态线性化数据模型的离散滑模控制研究[D]. 侯明冬. 华北电力大学(北京), 2020
- [10]四旋翼飞行器的无模型自适应预测控制方法研究[D]. 郭媛. 北京交通大学, 2020(03)