火炮发射精度优化问题分析

火炮发射精度由射击密集度和射击准确度组成,身管振动影响火炮射击密集度和准确度.但影响身管振动的因素很多,一直来很难建立符合实际的振动模型,对火炮的射击精度进行准确分析.目前火炮发射精度分析时模型较简单,考虑因素较单一,特别是缺少多因素同时作用时火炮发射时的精度问题研究.为解决上述问题,建立了起落部分的虚拟样机模型,利用ADAMS动力学仿真软件综合分析了弹丸质心偏移量、高低机齿轮啮合间隙和衬瓦身管配合间隙三种因素耦合对炮口振动的影响.分析表明多因素对炮口振动存在耦合影响,为炮口振动特性的综合分析以及对接触间隙的优化控制提供了依据.     

带有大刚度柔性梁系统的非线性控制

针对火炮身管振动影响射击准确度的问题,建立考虑身管微形变的炮塔动力学模型和状态空间模型.基于该系统模型,利用多项式平方和(SOS)方法设计非线性状态反馈控制器和非线性状态观测器,给出控制器和观测器在设计时满足分离原理的条件.数值仿真结果表明,所提出的方法可以使火炮随动系统在驱动炮台的同时有效抑制身管振动.     

PID控制器参数优化算法的仿真研究

研究PID控制器参数优化问题,现代控制对象具有复杂非线性、时变性特点,引起系统的输出品质特性差,超调大稳定性时间长,控制精度差等.传统PID控制是针对线性控制系统提出的,控制精度比较低.为了提高PID控制精度,基于神经网络提出PID控制器参数自适应优化方法.通过将系统控制偏差和PID控制器的3个参数作为神经网络的输入,最优控制性能作为优化目标,通过神经网络自身学习和加权系数调整,获得最优控制性能的PID控制器参数.仿真结果表明,神经网络的PID控制方法提高了系统控制精度,系统响应速度更快,具有很强的自适应性和鲁棒性,为优化控制系统提供了参考.     

基于BP神经网络的汽包建模及其控制器设计

针对锅炉汽包系统的强耦合性和非线性及传统的PID控制方法存在控制精度低、调节时间长等问题,提出了利用基于数据的建模方法,对汽包系统进行误差反向传播(BP)神经网络建模,并对神经网络模型进行泛化能力测试,然后利用基于BP神经网络的PID控制方法设计汽包液位优化控制器.实验仿真结果表明,基于BP神经网络建立的汽包模型具有较好的泛化能力,神经网络PID优化控制器在控制精度高、收敛速度快和鲁棒性强等方面都优于传统PID控制器.     

弹丸膛内发射全过程仿真方法研究北大核心

针对弹丸在炮膛内发射过程的非线性、高度耦合、大变形等极限状态的问题,合理确定和处理了弹丸与火炮身管的材料本构模型、摩擦和接触,建立了完全符合真实尺寸和发射状态的有限元仿真模型,实现了弹丸在火炮膛内发射全过程的仿真分析。并将仿真结果与真实的火炮射击试验结果进行了对比,验证了有限元仿真模型和仿真结果的正确性、有效性和精确性,计算结果稳定可靠,为火炮身管、炮弹的设计以及弹炮匹配性分析提供了一种有效的有限元分析方法。     

基于PID和LQR的四旋翼无人机控制系统研究

为提高四旋翼无人机的飞行稳定性、无人飞行器控制系统的鲁棒性和控制精度,以建立的四旋翼无人机飞行控制系统模型为基础,采用现代控制理论与传统控制论相结合的方法,针对姿态角速率、姿态角分别设计内环LQR(线性二次型调节器)控制器,及外环PID控制的双回路闲环控制器.充分利用PID控制器易于掌握且对模型要求精度低、LQR控制器能改善内回路的动态特性和稳态性能的特点,完成四旋翼无人机的飞行控制.通过实验遴选该双闭环控制器相关参数并进行优化,实验结果表明所设计的双回路控制器控制性能指标良好.     

火炮振动分析与多体系统模型研究

研究火炮振动对于提高射击精度有重要意义. 冲击激励的特殊性和机械系统的复杂性,使火炮振动成为长期关注的经典问题,建立逼近火炮真实运动状态的动力学模型、分析掌握各种冲击作用下的振动特性,是火炮振动的核心研究分支. 本文在发展多刚体与多柔体系统动力学理论的基础上,研究了火炮动力学的 Lagrange 方程及 Guass 变分建模方法,并由其建立了火炮振动的刚性、刚柔耦合多体系统模型; 针对案例分别研究了火炮系统的冲击响应规律及固有振动特性,获得了火炮振动与其结构参数的内在联系. 研究结果对于改善火炮的振动性能、提高射击精度,具有理论指导意义和工程应用价值.     

一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

神经网络在PID控制器参数优化中的研究

研究PID控制器参数优化问题.工业过程控制要求稳定性,跟踪特性均应实时快速.由于PID控制效果取决于比例、积分和微分3个参数取值,传统PID参数采用试凑方式进行优化,往往费时且难以满足实时控制效果,导致控制精度不高.为了提高PID控制精度,改善系统性能,提出一种神经网络的PID参数优化方法.方法将PID控制器输入作为神经网络输入,最优PID控制性能作为神经网络的输出,通过神经网络的联想记忆能力和自学习适应能力,在控制过程中动态调整PID参数(比例、积分、微分),从而实现PID控制器参数实时优化,获得最佳PID控制效果.仿真结果表明,应用神经网络的PID参数优化方法提高了PID控制精度和系统响应速度,具有较强的自适应性和鲁棒性.     

神经网络的强耦合控制系统仿真研究

研究工业控制领域的优化控制问题,工业控制对象具有强耦合特性,传统方法无法对其进行精确解耦,导致系统控制精度比较低.为提高工业控制系统的控制精度,提出一种PID控制和神经网络相融合的控制方法.利用PID优良动态控制特性和BP神经网络非线性控制特性对控制系统进行解耦,在权值调整算法式中加入增大动量项,提高网络学习效率,并采用粒子群算法优化权值初始值,提高控制精度,减少振荡产生.在MATLAB环境下,对非线性控制系统进行仿真研究,仿真结果表明,PID神经网络提高系统的抗干扰能力,提高系统控制精度,能够对系统进行精确解耦,使工业控制系统的性能得到改善.