一、一种神经网络自适应PID控制器（论文文献综述）
朱其新,王嘉祺,谢广明[1]（2021）在《伺服系统复合自适应控制研究综述》文中提出传统的自适应控制存在调节参数多、依赖精确数学模型、收敛速度慢、易受未知干扰影响等问题,因此通过结合更多控制方法改进自适应控制是十分必要的。以伺服系统为对象,分析了自适应控制与神经网络、滑模控制、模糊控制等多种控制方法相结合之后的复合自适应控制算法的基本原理,以及各种算法在伺服系统中的应用。最后总结了现阶段伺服系统复合自适应控制存在的主要不足以及未来改进和发展的方向。
闫敬,李文飚,杨晛,李兴龙,罗小元[2]（2021）在《融合Q学习与PID控制器的AUV跟踪控制》文中提出为进一步提升自主水下航行器（AUV）跟踪控制性能,文中设计了一种融合Q学习与比例-积分-微分（PID）控制器的AUV跟踪控制算法。首先,根据AUV的跟踪误差构建基于PID控制器的跟踪控制算法。为提升跟踪的静态与动态性能,将PID控制器参数的自适应调整描述为一种Q学习问题。然后采用动作更新的形式对不同状态下的Q值进行迭代优化,直到每个状态-动作所对应Q值保持不变。相比于传统的PID控制器,该算法不仅可以保持PID简单实用的特点,还可根据环境信息的变化进行参数自适应调整。仿真与试验结果均验证了所提算法的有效性。
孙伟杰[3]（2021）在《四旋翼巡线无人机控制器研究》文中研究表明
周伟豪[4]（2021）在《基于参数辨识的异步电机效率优化》文中进行了进一步梳理异步电动机因其成本低、简单可靠,广泛运用于风机泵类负载拖动,矢量控制使得异步电动机的性能得到进一步提升,使其拓展到更多高性能驱动领域,成为工业用电领域的绝对主力军。但在很多应用场合,异步电动机长期工作在空载或轻载状态,这时电机效率降低很大。为了解决这一问题,一些工业变频器中已经根据实际工况设置了（低于满载的）磁通设置值,用以提高异步电机效率,但是这些弱磁磁通通常根据电机的理论参数进行计算得到,运行过程中电机参数会发生变化,此时电机的效率有进一步提高的空间。针对以上问题,本文提出电机参数辨识的异步电动机效率优化算法,并通过仿真和实验对异步电动机参数辨识算法和效率优化算法进行了验证本文的主要工作如下:第一,对效率优化控制和参数辨识的国内外研究进展进行总结分析。分析了异步电机产生损耗的原因,并明确了电机损耗的影响因素。第二,针对目前考虑铁损的三相电机数学模型结构复杂,阶次较高,不便于后续仿真研究的问题,推导了考虑铁损异步电机的六阶数学模型。第三,推导了考虑铁损的转子磁链计算公式,在Matlab/Simulink环境下对控制系统进行了仿真分析。对损耗模型法效率优化的原理进行了分析,通过异步电机稳态数学模型推导出损耗最小化磁通给定表达式,设计了基于最佳磁链控制的效率优化算法。第四,针对传统辨识算法存在的计算量大、实现困难,且易受环境因素干扰,辨识精度低等问题,提出了基于模型参考自适应的参数辨识方法。该方法实现简单,不需要复杂的迭代和计算过程,计算过程具有鲁棒性,计算精度高。在Matlab/Simulink环境下对系统进行了仿真验证,得到的辨识结果误差小于0.5%。证明了提出的在线辨识方法有效性和可行性。同时,针对MRAS方法中,自适应率的PI控制器参数难以调节的问题,利用具有自学习能力的单神经元PID控制器取代了传统PI控制,对传统MRAS进行了改进。经过仿真验证,改进方法相比传统方法辨识来说,辨识精度更为高效,同时辨识系统的快速性也有一定程度提高。第五,将参数辨识结果与效率优化相结合,利用辨识的结果在线修正最佳磁链来实现更为高效的效率优化控制。与传统的固定设定磁链相比,改算法可以使得大幅提高电机的运行效率。第六,利用搭建的实验电路。实验验证了基于模型参考自适应的参数辨识方法及基于参数辨识的效率优化算法的有效性。
焦珊珊[5]（2021）在《气动位置伺服系统神经网络控制方法研究》文中研究指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。
刘冠华,肖威,韩林洁[6]（2021）在《基于RBF系统辨识与PID控制的收卷机张力控制系统研究》文中进行了进一步梳理薄膜拉伸生产线的核心是张力控制,它直接决定了所生产薄膜的质量、收取膜卷的表面平整程度和端面是否整齐。本文将传统PID控制与基于RBF神经网络的系统辨识相结合,并运用于薄膜收卷机张力控制系统。仿真和实验结果表明,该系统具有良好的自学习以及自调整能力,提高了收卷质量。
唐梦奇[7]（2021）在《基于模糊PID的水质采样无人机系统设计》文中指出近年来,我国水资源污染愈加严重,对水质检测采样技术提出了更严格的要求。传统的人工采样方式已不适用于高频次、高效率的作业,尤其是对于人力无法到达的采样点或应急状况,其存在着安全性差、效率低下、不够便捷等问题。本设计以六旋翼无人机为载体,设计一款水质采样系统,可以提高水质采样的效率与便捷性,同时通过自适应控制算法设计,使之能够对抗水流等引起的无人机不稳定,提高采样系统的稳定性与采样精度。本设计主要分为硬件设计、控制算法设计、软件设计及实验四个部分:（1）在硬件方面,系统选用六旋翼无人机以提高系统的负载能力,选型设计环境感知模块、动力模块、电源模块及无线通信模块共同保证无人机的飞行安全与稳定,在满足中国环境保护行业标准的前提下,结合当前水质采样的问题,设计专用的水质采样装置,保证采样精度与效率;（2）在控制算法方面,针对采样无人机在作业过程中受到外力和自身载荷变化引起位置姿态的不稳定,本设计对系统的受力进行建模,应用模糊自适应PID算法对采样无人机的位置姿态进行控制,使无人机的采样作业更加稳定、精确;（3）在软件方面,采样无人机控制软件移植了嵌入式实时操作系统,以提高系统的实时性与可靠性,同时设计了陆地控制系统对采样无人机的飞行、采样进行控制、监测;（4）最后,组装采样无人机样机,对其各项功能进行检验,同时,验证系统在定点悬停及内河、夹江水域水质采样时采样无人机的鲁棒性与控制精度。水质采样无人机系统旨在凭借其操作简易、反应快速及安全便携的特点,完成安全、高效、精确的水质样本采集工作,具备实际应用价值。
严乐[8]（2021）在《基于奇异摄动方法的小型水下机器人稳定性优化设计》文中提出目前,随着“海洋牧场”的快速建设和海洋资源的深入探索,水下机器人（Unmanned Underwater Vehicle,UUV）正广泛运用于海洋矿产、渔业等资源的开发。针对水下机器人小型化、大众化过程中出现的操作难、易受干扰、易损坏等问题,本文以自主设计的“Aquaman V3”小型水下机器人为基础,通过优化硬件和控制算法,提高小型水下机器人的稳定性与控制精度,使之能够对抗海流、碰撞等外界扰动,降低事故率。首先,在硬件方面,选择开架式结构并利用计算流体动力学（Computational Fluid Dynamics,CFD）仿真验证结构的抗冲击能力。采用双芯片结构的同时,设计舱内干燥器保证电路稳定。选取温湿度、深度和MPU9250姿态传感器,多角度测量机器人控制所需信息。选型并设计动力桨、外置相机、机械手等部件,丰富小型水下机器人功能。使用电池、远程供电系统配合供电,保障能源供应。其次,在控制算法方面,使用动量定理与动力矩定理配合双坐标系统获得并简化小型水下机器人的数学模型。使用时标分解法降低简化模型的耦合度,获得小型水下机器人的奇异摄动模型。分别采用CFD仿真法与互补滤波算法,测定解算模型的水动力参数与位置姿态信息,使模型更为精确。基于奇异摄动模型设计串-并联PID控制器,使用一类非线性方法整定PID参数,提高水下机器人的控制精度,减少控制误差。最后,组装小型水下机器人样机,通过压力模拟装置检测硬件性能。使用Matlab/Simulink对串-并联PID控制进行仿真并与经典PID控制对比,验证串-并联PID控制对抗外界扰动时的高稳定性。设计拖曳测试、抗干扰测试与抓取测试,检验水动力参数是否准确,验证小型水下机器人的稳定性能与控制精度是否符合设计指标。
郭凯[9]（2021）在《基于模糊RBF神经元网络PID控制对FDM成型中温度控制的研究》文中提出FDM 3D打印过程中熔料温度会影响工件精度,同时熔料温度又受热床温度、成型室温度、喷嘴温度和室温影响,为降低温度对工件精度的影响,提出了一种基于模糊RBF神经网络自适应PID的控制策略。该策略是通过神经网络自学习能力在温度控制中在线调整PID控制器的参数,结合了神经网络对非线性自适应强和普通PID控制结构简单易实现等特点,进而提高了对FDM打印过程中熔料温度的控制和整体过程的稳定性和准确性。
翟宇毅,马新愿,陈冬冬,雷静桃[10]（2021）在《柔性穿戴式上肢康复机器人关节运动控制研究》文中研究表明针对传统康复机器人重量重、穿戴不便、运动柔顺性差等不足,基于轻量化、柔顺性、易穿戴和人体工学等设计原则,设计了一种柔性穿戴式上肢康复机器人。采用弹性布作为机器人基体,气动人工肌肉驱动的类拮抗式关节,实现了肘关节屈/伸及旋前/旋后运动。基于气动人工肌肉的力学特性模型,采用拉格朗日法建立了康复机器人的动力学模型。针对气动人工肌肉驱动的柔性系统易抖振、响应滞后的控制难点,设计了基于RBF神经网络的PID控制器;针对PID控制器初始参数依靠经验取值的问题,设计了模糊PID控制器以确定PID控制器的最优初始参数;最后通过仿真和实验研究对RBF-PID控制器的性能进行了验证,并与传统PID控制器进行了对比。结果表明:RBF-PID控制器响应速度快,控制稳定性高,可实现该柔性康复机器人的稳定控制。
二、一种神经网络自适应PID控制器（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、一种神经网络自适应PID控制器（论文提纲范文）
（4）基于参数辨识的异步电机效率优化（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 异步电机效率优化控制策略 |
| 1.2.1 搜索控制法研究现状 |
| 1.2.2 基于损耗模型的效率优化研究现状 |
| 1.2.3 混合控制法的研究现状 |
| 1.3 异步电机在线参数辨识研究现状 |
| 1.3.1 直接辨识方法 |
| 1.3.2 间接辨识方法 |
| 1.3.3 智能辨识方法 |
| 1.4 本文研究内容和结构安排 |
| 2 考虑铁损的异步电机模型及矢量控制 |
| 2.1 考虑铁损异步电机的数学模型及其仿真 |
| 2.1.1 考虑铁损异步电机的数学模型 |
| 2.1.2 模型验证 |
| 2.2 基于矢量控制控制的异步电机 |
| 2.2.1 矢量控制原理 |
| 2.2.2 考虑铁损的三相异步电动机矢量控制及仿真 |
| 2.3 本章小结 |
| 3 矢量控制下的异步电机效率优化 |
| 3.1 基于损耗模型的电机效率优化 |
| 3.1.1 异步电动机损耗分析 |
| 3.1.2 最佳转子磁通的求解 |
| 3.2 损耗模型法效率优化仿真 |
| 3.3 本章小结 |
| 4 基于卡尔曼滤波算法的异步电机的参数辨识 |
| 4.1 电机参数误差对基于模型的效率优化算法的影响 |
| 4.2 基于扩展卡尔曼滤波算法的电机参数辨识 |
| 4.2.1 扩展卡尔曼滤波算法原理 |
| 4.2.2 扩展卡尔曼滤波算法估计电机转子电阻 |
| 4.3 EKF估计电机转子电阻仿真 |
| 4.4 本章小结 |
| 5 基于MRAS及其改进算法的参数辨识 |
| 5.1 模型参考自适应理论 |
| 5.1.1 模型参考自适应原理 |
| 5.1.2 自适应结构设计 |
| 5.2 基于模型参考自适应辨识电机参数 |
| 5.2.1 辨识模型选取 |
| 5.2.2 基于电流-电压模型的MRAS参数辨识 |
| 5.3 基于单神经元模型参考自适应的电机参数辨识 |
| 5.3.1 单神经元模型介绍 |
| 5.3.2 单神经元PID控制器设计 |
| 5.3.3 单神经元PID控制器学习算法设计 |
| 5.4 基于MRAS参数辨识的仿真分析 |
| 5.4.1 待辨识参数时不变工况下的仿真分析 |
| 5.4.2 待辨识参数变化工况下的仿真分析 |
| 5.4.3 基于单神经元PID的参数辨识的仿真分析 |
| 5.5 基于MRAS参数辨识的异步电机效率优化 |
| 5.5.1 基于MRAS参数辨识的最佳磁链控制策略 |
| 5.5.2 基于MRAS参数辨识的异步电机效率优化仿真分析 |
| 5.6 本章小结 |
| 6 实验及分析 |
| 6.1 硬件平台介绍 |
| 6.1.1 实验平台框架 |
| 6.1.2 主电路 |
| 6.2 实验系统软件设计 |
| 6.2.1 主程序 |
| 6.2.2 效率优化算法程序设计 |
| 6.3 实验系统平台及实验结果分析 |
| 6.3.1 实验结果及分析 |
| 6.4 本章小结 |
| 7 本文总结与未来展望 |
| 7.1 本文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间相关科研成果 |
（5）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 |
（6）基于RBF系统辨识与PID控制的收卷机张力控制系统研究（论文提纲范文）
| 0 引言 |
| 1 增量式PID控制策略 |
| 2 RBF神经网络介绍 |
| 3 基于RBF辨识网络的自适应PID控制 |
| 3.1 RBF辨识网络 |
| 3.2 基于RBF系统辨识的自适应PID控制器原理及其步骤 |
| 4 基于RBF辨识网络的自适应PID控制策略仿真 |
| 4.1 响应及调整性能对比 |
| 4.2 跟踪性能对比 |
| 5 现场测试 |
| 6 结语 |
（7）基于模糊PID的水质采样无人机系统设计（论文提纲范文）
| 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 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水质采样无人机研究现状 |
| 1.2.2 无人机控制算法研究现状 |
| 1.3 主要研究内容 |
| 1.4 主要创新与特色 |
| 第二章 系统总体方案设计 |
| 2.1 需求分析 |
| 2.2 总体功能设计 |
| 2.3 整体技术路线 |
| 2.4 本章小结 |
| 第三章 六旋翼无人机水质采样控制算法研究 |
| 3.1 采样无人机动力学模型 |
| 3.1.1 采样无人机飞行原理及坐标系建立 |
| 3.1.2 六旋翼无人机动力学模型建立 |
| 3.2 采样过程装置作用力模型 |
| 3.3 控制算法设计 |
| 3.3.1 经典PID控制算法分析 |
| 3.3.2 模糊自适应PID控制算法设计 |
| 3.4 Matlab仿真 |
| 3.4.1 模糊自适应PID与经典PID控制器对比仿真 |
| 3.4.2 基于模糊自适应PID水质采样系统控制仿真 |
| 3.5 本章小结 |
| 第四章 采样无人机系统硬件平台设计 |
| 4.1 采样无人机样机搭建 |
| 4.1.1 无人机机架 |
| 4.1.2 连接机构设计 |
| 4.2 模块器件选型 |
| 4.2.1 电源系统 |
| 4.2.2 动力模块 |
| 4.2.3 处理器模块 |
| 4.2.4 环境感知模块 |
| 4.2.5 无线通讯模块 |
| 4.2.6 采样模块 |
| 4.3 系统硬件设计 |
| 4.3.1 采样无人机系统硬件框架 |
| 4.3.2 采样无人机系统硬件电路设计 |
| 4.3.3 采样无人机控制硬件原理图 |
| 4.4 本章小结 |
| 第五章 采样无人机系统软件平台设计 |
| 5.1 采样无人机控制软件设计 |
| 5.1.1 设备驱动程序设计 |
| 5.1.2 环境感知程序设计 |
| 5.1.3 通信程序设计 |
| 5.1.4 无人机控制程序设计 |
| 5.1.5 水质采样控制程序设计 |
| 5.2 陆地控制系统软件设计 |
| 5.2.1 功能设计 |
| 5.2.2 通信连接界面 |
| 5.2.3 飞行控制界面 |
| 5.2.4 数据监测界面 |
| 5.2.5 采样信息规划界面 |
| 5.2.6 自主导航设计 |
| 5.2.7 软件程序设计 |
| 5.3 本章小结 |
| 第六章 实验与分析 |
| 6.1 采样无人机平台搭建 |
| 6.2 功能测试 |
| 6.2.1 数据通信测试 |
| 6.2.2 手动飞行采样测试 |
| 6.2.3 远程数据监测测试 |
| 6.2.4 自动采样测试 |
| 6.3 水质采样控制稳定性验证 |
| 6.3.1 定点悬停实验 |
| 6.3.2 水质采样实验 |
| 6.4 本章小结 |
| 总结 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（8）基于奇异摄动方法的小型水下机器人稳定性优化设计（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 水下机器人研究现状 |
| 1.2.2 水下机器人控制算法研究现状 |
| 1.3 论文主要研究内容 |
| 第二章 稳定性优化设计指标 |
| 2.1 引言 |
| 2.2 硬件优化设计指标 |
| 2.3 控制算法优化设计指标 |
| 2.4 本章小结 |
| 第三章 硬件优化设计 |
| 3.1 引言 |
| 3.2 载体结构选择与湍流冲击验证 |
| 3.3 控制单元优化设计 |
| 3.3.1 控制器设计 |
| 3.3.2 舱内干燥器设计 |
| 3.4 测量单元优化设计 |
| 3.5 执行单元优化设计 |
| 3.6 供能单元优化设计 |
| 3.7 主控制板设计 |
| 3.8 本章小结 |
| 第四章 小型水下机器人的奇异摄动模型 |
| 4.1 引言 |
| 4.2 坐标系的建立 |
| 4.3 动力学建模 |
| 4.4 运动学建模 |
| 4.5 模型简化 |
| 4.6 奇异摄动模型 |
| 4.7 本章小结 |
| 第五章 控制算法优化设计 |
| 5.1 引言 |
| 5.2 模型数据处理 |
| 5.2.1 姿态信息解算 |
| 5.2.2 位置信息解算 |
| 5.2.3 水动力参数获取 |
| 5.3 控制器设计 |
| 5.3.1 经典PID控制 |
| 5.3.2 基于奇异摄动模型的并联PID控制 |
| 5.3.3 串-并联PID控制 |
| 5.4 PID参数整定 |
| 5.5 本章小结 |
| 第六章 实验与分析 |
| 6.1 引言 |
| 6.2 样机组装与功能测试 |
| 6.2.1 小型水下机器人样机组装 |
| 6.2.2 小型水下机器人功能测试 |
| 6.3 算法验证 |
| 6.3.1 互补滤波算法仿真 |
| 6.3.2 控制算法仿真 |
| 6.4 水池测试 |
| 6.4.1 拖曳测试 |
| 6.4.2 抗干扰测试 |
| 6.4.3 抓取测试 |
| 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 |
| 作者简介 |
| 附录 |
（9）基于模糊RBF神经元网络PID控制对FDM成型中温度控制的研究（论文提纲范文）
| 1 模糊RBF神经网络PID控制结构原理 |
| 2 模糊RBF神经网络 |
| 3 RBF的学习算法 |
| 4 仿真过程及结果 |
| 5 结论 |
（10）柔性穿戴式上肢康复机器人关节运动控制研究（论文提纲范文）
| 1 柔性穿戴式上肢康复机器人 |
| 1.1 机器人结构设计 |
| 1.2 气动肌肉驱动方式 |
| 2 关节动力学建模 |
| 2.1 气动肌肉数学模型 |
| 2.2 肘关节屈/伸动力学建模 |
| 3 基于模糊控制器的RBF-PID控制器设计 |
| 3.1 RBF神经网络PID控制器设计 |
| 3.2 基于模糊PID最优参数的RBF-PID控制器设计 |
| 4 仿真分析 |
| 5 实验验证 |
| 5.1 实验平台 |
| 5.2 实验结果分析 |
| 6 结语 |
四、一种神经网络自适应PID控制器（论文参考文献）
- [1]伺服系统复合自适应控制研究综述[J]. 朱其新,王嘉祺,谢广明. 航空制造技术, 2021(22)
- [2]融合Q学习与PID控制器的AUV跟踪控制[J]. 闫敬,李文飚,杨晛,李兴龙,罗小元. 水下无人系统学报, 2021(05)
- [3]四旋翼巡线无人机控制器研究[D]. 孙伟杰. 江苏科技大学, 2021
- [4]基于参数辨识的异步电机效率优化[D]. 周伟豪. 西安理工大学, 2021(01)
- [5]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)
- [6]基于RBF系统辨识与PID控制的收卷机张力控制系统研究[J]. 刘冠华,肖威,韩林洁. 制造业自动化, 2021(06)
- [7]基于模糊PID的水质采样无人机系统设计[D]. 唐梦奇. 南京信息工程大学, 2021(01)
- [8]基于奇异摄动方法的小型水下机器人稳定性优化设计[D]. 严乐. 南京信息工程大学, 2021(01)
- [9]基于模糊RBF神经元网络PID控制对FDM成型中温度控制的研究[J]. 郭凯. 宿州学院学报, 2021(06)
- [10]柔性穿戴式上肢康复机器人关节运动控制研究[J]. 翟宇毅,马新愿,陈冬冬,雷静桃. 华南理工大学学报(自然科学版), 2021(06)