一、遗传小波神经网络在飞机加油管路设计中的应用（论文文献综述）
高学伟[1]（2021）在《数字孪生建模方法及其在热力系统优化运行中的应用研究》文中研究表明随着社会经济的飞速发展,我国产业结构优化调整和转型升级进程的深入,要实现未来“碳达峰,碳中和”的目标,需要建设清洁低碳、安全高效的现代能源体系。以风电和太阳能发电为代表的可再生能源替代作用日益突显,而火电机组在未来很长一段时间内仍将处于主导地位。亟需解决火电和可再生能源的协同发展问题,大型火电机组更多需要担负起高效节能、低碳环保、深度调频调峰的任务。实施电能替代供热对于推动能源消费革命、减少碳排放、促进能源清洁化意义重大。利用电锅炉储热供暖还可以降低电网调节压力,增加供热能力,有效解决可再生能源的消纳问题。火电机组热力系统和电锅炉储热供暖热力系统都属于典型的非线性、多参数、强耦合的复杂热力系统。本文通过研究流体网络机理建模和数据驱动建模相融合的数字孪生建模方法,为热力系统建模工作提供了新的思路和途径,为热力系统安全、环保和经济运行提供理论支撑。论文围绕数字孪生建模方法及其在热力系统优化运行中的应用,主要研究内容和成果包括以下几个方面:（1）对数字孪生理论、热力系统建模理论以及大数据处理等基本理论进行了研究。比较了数字孪生与仿真技术及信息物理系统的异同;以火力发电厂为例,研究了流体网络机理建模及求解方法;对Hadoop系统的MapReduce与Spark计算进行了对比分析,对实时数据处理Spark Streaming与Storm进行了对比分析,并搭建了适用于数字孪生及大数据在热力系统建模领域应用的大数据分布式集群平台;在该集群上实现了大数据的存储管理,以及大数据分布式计算,研究了基于大数据平台的数据驱动建模理论,包括支持向量回归建模、极限学习机建模、智能辨识优化算法以及即时学习等基本理论。（2）针对数据驱动建模方法的研究,提出一套基于改进即时学习策略的自适应数据驱动建模方法。采用“主成分+互信息”的方法获得输入和输出变量之间的相关程度,确定权重因子,然后利用“欧式距离+角度”定义一种加权综合相似度度量函数。在离线状态下,利用改进遗传模拟退火模糊聚类方法进行工况划分;进行工况预测时,采用一种多层次综合相似度度量的相似工况快速识别方法构建相似工况训练集,即根据两级搜索的策略实现了在线快速识别:初级识别是确定预测工况在历史工况库中所属的类别提取预测类工况,次级识别是采取基于综合相似度度量函数的相似工况识别方法,在历史数据库中针对预测类工况的快速识别;局部模型建模方法是在Spark计算框架下,对SparkSVMHPSO算法、Spark ELM算法以及基于SparkHPSO的多参数辨识等数据驱动建模方法进行研究。然后以SCR脱硝系统出口 NOx预测、电锅炉储热供热系统源侧及荷测负荷预测为案例,验证了所提出的建模方法有效性。为热力系统数字孪生模型建模及系统工况优化提供了理论支撑。（3）针对数据孪生建模的研究,提出一套改进即时学习策略的自适应数据驱动与机理模型多参数辨识协同融合的数字孪生建模方法。在建立热力系统机理模型的基础上,关键的设备模型参数利用多参数多工况拟合的离线智能辨识方法,得到可以模拟实际系统全工况下动态变化趋势的离线智能参数辨识模型;以离线智能参数孪生模型为主,根据相似度阈值进行判断,采用自适应模型参数更新策略,实现数字孪生模型的在线协同;为进一步提升孪生模型预测的精度和鲁棒性,采用移动窗格信息熵的多模型输出在线融合方法,提升关键工况以及动态变化过程的逼近程度。基于这一理论构建的数字孪生模型,能够基于系统运行数据持续进行自我修正,在线跟踪设备运行特性,从而具有自适应、自演进的智能化特点,能够全面反映系统的运行状态和性能,为系统工况迭代优化提供可靠的模型输入和结果校验工具。以燃煤电站SCR脱硝系统和电锅炉储热供热系统为研究对象,建立其热力系统数字孪生模型。（4）最后,基于数字孪生模型的实时跟踪能力,提出一种基于负荷分配和工况寻优的热力系统智能工况动态寻优策略。并以电锅炉储热供热系统为研究对象,根据能耗成本分析和负荷分配策略,利用数字孪生模型系统,对电网负荷、电锅炉系统、储热系统进行预测计算,模拟不同运行方案、不同工况下系统动态运行,得出最优的供热调节和负荷分配方案。以火力发电厂SCR脱硝系统为例,根据建立的自适应、自演进的智能化SCR脱硝系统数字孪生模型,将该模型应用于模型预测控制算法中。结果表明,利用基于数字孪生模型的自适应预测控制算法比传统的PID控制效果更精确,运行更稳定。证明了所提建模方法的有效性,具有重要的工程实用意义和行业示范价值。
牟煜明[2]（2021）在《飞行前故障检测系统的设计与实现》文中研究说明飞机起飞前巡检是飞机安全保障必要程序,快速完成飞机飞行前的飞控系统健康检查,是提高飞机放飞架次的重要因素,然而飞机飞控系统越来越复杂,飞控系统健康的定位越来越难和排故时间越来越长。对飞机飞行前的故障检测方法的研究,提高飞机故障检测准确率和检测效率,有着重要意义。针对飞机飞控系统的飞行前故障检测技术,本文开展了飞控系统健康管理相关理论研究与应用系统工程实现。本文具体的研究及工作内容如下:（1）针对传统故障排算法不能区分故障的特征重要度,和故障检测准确率,提出了改进的支持向量机故障检测算法。通过改进传统的支持向量机故障检测模型,设计了针对飞机飞控系统故障检测模型,并仿真验证了算法模型性能。（2）针对飞行参数据特征排序问题,研究了梯度提升树故障检测算法。对飞行前故障检测数据样本集进行数据编码,特征排序和特征选择的模型设计。结合提取出的特征,构建基于梯度提升树支持向量机故障检测模型,并开展了模型的仿真验证。（3）研究了人工智能开发工具,完成了飞机飞行前故障检测系统的设计与实现。本文基于Python语言、软件工程技术和设计模式,开展了某飞机飞行前飞控系统故障检测系统的设计与仿真测试验证。本文利用提出的算法模型,开展具体工程中的仿真验证,其故障检测准确度达到88.42%,高于传统判故能力。本系统已应用于某飞机的故障专家诊断系统中,取得了良好的应用效果。
张乐[3]（2020）在《基于深度强化学习的航空发动机管路敷设优化方法》文中研究表明管路敷设是航空发动机管路系统设计的一个重要研究领域,实现管路敷设的智能化具有重要研究意义。管路敷设是指在具有约束的环境中,规划一条从起点到目标点满足约束条件的最优路径。传统敷设方法主要基于专家经验进行手工设计,难以保证设计质量和效率。计算机技术和人工智能技术的发展为管路敷设实现智能化提供了可行途径。本文探索将人工智能方法应用于发动机管路敷设问题中,基于深度强化学习设计了航空发动机管路敷设方法,应用Python等平台实现算法,并通过敷设算例验证了可行性。本文主要工作如下:（1）设计了基于强化学习的航空发动机管路敷设方法。在介绍强化学习理论的基础上,对强化学习中探索与利用的平衡问题进行研究,设计了适用于管路敷设问题的奖励函数,提出在敷设环境复杂度提高时强化学习方法的缺陷。（2）设计了基于深度强化学习的航空发动机管路敷设方法。将深度学习的感知能力与强化学习的决策能力相融合,使用神经网络模型代替强化学习的价值函数,解决了“维数灾难”问题。利用经验重放机制提高了神经网络训练数据的利用率。（3）通过敷设算例验证了方法可行性。本文使用Python语言下的Tensor Flow框架对算法进行编写,使用Simense NX11.0对管路敷设仿真环境进行可视化。通过仿真结果对比,证明了深度强化学习相比于强化学习在管路敷设问题上具有更强大的学习能力和环境适应能力。
王帆[4]（2020）在《机载星跟踪器稳定跟踪技术研究》文中研究指明星跟踪器主要应用于飞机的惯导/天文全天时组合导航系统,作用是通过计算飞机与恒星的相对位置关系,并依靠双星或多星切换的方式来补偿惯导的累计误差。由于飞机在飞行过程中姿态不断变化且机身会因为发动机和气流等原因产生抖动,星跟踪器需要具备载体扰动隔离能力以保证星图质量和完成对目标恒星的持续跟踪。因此,从功能上来看,星跟踪器可以视为一个需要不断切换跟踪目标的光电稳定平台。其中,星跟踪器的跟踪性能由视轴稳定性能和目标跟踪性能决定,而其切换和搜索目标的效率则取决于视轴稳定性能和位置控制精度。本文将分别对星跟踪器的视轴稳定、位置控制和目标跟踪等三个方面进行深入研究,并通过改进控制结构的方式来提高星跟踪器系统的性能。首先将对星跟踪器的系统组成及结构进行介绍,并在此基础上分析扰动耦合原理和目标相对位置与脱靶量之间的关系,为相关传感器的利用提供理论支撑。建立星跟踪器平台模型,并分析载体扰动隔离原理;根据星跟踪器的功能需求,分别提出用于稳像和目标切换的双闭环控制回路,为后文的控制结构优化打下基础。在视轴稳定方面,本文提出两种设计方案:1)对星跟踪器采用的间接稳定方案原理进行阐述,提出间接稳定控制所需解决的三个主要问题:匹配滤波、微分测速噪声和扰动抑制,在此基础上提出自抗扰控制加低通滤波器的设计方案,并通过仿真说明这一方案会降低系统鲁棒性,而这种鲁棒性的降低不但会恶化系统的跟踪性能,还会限制控制增益的提高。为了防止这种鲁棒性损失,提出一种基于扰动观测原理的噪声观测器,并与自抗扰控制相结合。噪声观测器具有三个特点:一是噪声观测器不需要精确的模型对象,可以通过参数整定进行调谐;二是噪声观测器的滤波作用可等效为一个低通滤波器,因此可以替代低通滤波器完成高频噪声滤除和匹配滤波任务;三是在系统中加入噪声观测器不会降低系统的鲁棒性。采用自抗扰控制加噪声观测器方案使星跟踪器视轴稳定精度提升了约1倍,跟踪性能提升了约40%。2)由于添加噪声观测器会降低自抗扰控制的扰动抑制能力,且算法复杂度较高,因此提出一种鲁棒降阶自抗扰控制方案。鲁棒降阶自抗扰控制由降阶自抗扰控制加改进降噪扰动观测器组成,前者的主要作用是提高自抗扰控制的扰动抑制能力,后者主要用于改善降阶自抗扰控制的鲁棒性和噪声抑制能力,并同时完成匹配滤波功能。此外,通过理论分析说明了改进降噪扰动观测器提高降阶系统鲁棒性的机理。与噪声观测器方案和经典自抗扰控制相比,鲁棒降阶自抗扰控制的视轴稳定精度提升了1倍以上。针对星跟踪器需要高效切换和搜索目标的问题,提出带有滑模组件的自抗扰位置控制方案。首先,针对扩张状态观测器对于时变扰动存在扰动估计误差较大的问题,提出基于总和扰动估计微分的改进方法,将低频扰动的估计精度提升了约12dB。针对由于模型参数摄动及建模误差引起的控制增益估计不准导致的扰动抑制能力和鲁棒性损失问题,提出带有滑模组件的反馈在控制率,并利用扰动估计微分替代扰动估计来设计时变滑动增益以避免由于较大扰动引起的系统抖震。实验结果表明,改进扩张状态观测器具有更强的扰动估计能力,且所设计滑模组件相比前人设计更不易引起抖震,添加滑模组件后系统的鲁棒性显着提升,扰动抑制能力和正弦跟踪精度提升了约1倍,且换向误差显着减小。针对星跟踪器跟踪回路的扰动抑制和脱靶量延时问题,提出基于预测结构扩张状态观测器的跟踪控制方案。在总结前人提出的状态预测算法的基础上,结合系统的扩张模型,提出扩张状态预测算法,并与扩张状态观测器相结合组成预测结构扩张状态观测器。理论分析和实验结果均表明,扩张状态预测算法能使系统状态收敛于更小的误差界内,预测结构扩张状态观测器能有效提升跟踪精度。
俞利明[5]（2011）在《粒子群RBF网络在飞机燃油系统故障诊断中的应用研究》文中认为飞机是典型的复杂系统,由于人为失误、材料缺陷、制造误差及使用环境波动等因素的影响以及疲劳、磨损和老化等效应的存在,使飞机在使用过程中不可避免地会发生各种故障,而飞机故障可能会带来灾难性的后果,因此及时准确地对飞机系统故障进行诊断,给出排故策略,提高维修效率,保证其安全正常地运营十分重要。本文针对飞机故障类型复杂的特点,以波音737飞机的燃油系统作为研究对象,对其故障诊断过程进行分析,运用改进的粒子群算法优化RBF神经网络方法对飞机燃油系统进行故障诊断,以实现飞机设备故障的快速与精确诊断,从而缩短飞机排除故障停场时间,提高航空公司的经济效益。本文主要的研究内容包括:以民航飞机维修手册、维修大纲以及可靠性报告作为故障诊断的知识来源,将三种信息综合考虑,建立民航飞机故障诊断知识复合模型,对飞机燃油系统进行故障分析,整理得到神经网络的训练样本;设计基于粒子群RBF网络的故障诊断模型,采用减聚类算法确定RBF网络隐单元中心的数量,利用粒子群算法优化RBF网络,再以最小二乘法得到相应的中心宽度值,并在Matlab上实现模型仿真,对基于粒子群RBF网络的故障诊断方法进行验证。结果表明该方法可有效地提高故障诊断效率,从而减少因排故导致的航班延误,具有实际应用价值。
董杰,马壮,吴云,李嘉林[6]（2002）在《遗传小波神经网络在飞机加油管路设计中的应用》文中提出基于给出的飞机地面压力加油管路模型 ,分析并找到了解决大容量、多吨位、多功能加油系统常用吨位加油和最大吨位加油所需时间之间矛盾的方法。针对传统遗传算法易陷入早熟收敛的缺点 ,将遗传算法全局优化搜索和小波分析的时 -频局部性相结合 ,使用一种基于遗传算法学习的小波神经网络—遗传小波神经网络 （GAWNN）得到了各管路优化的节流孔尺寸。试验结果证明 ,该算法大大提高了飞机地面压力加油管路设计的效率
刘嘉诚[7]（2020）在《基于机器学习算法的IGBT寿命预测研究》文中研究指明绝缘栅极双极型晶体管（Insulate-Gate Bipolar Transistor,IGBT）具有驱动功率小、开关损耗低、工作频率高、热稳定性好等优点,因此在新能源发电、航空航天、智能电网、高压柔性直流输电系统、通信和便携式设备等场景广泛应用,IGBT模块的可靠性对整个电力系统都有重要的影响。由于IGBT模块种类繁多且使用场景复杂,传统的寿命预测模型已经达不到精度要求,因此,本文进行了基于机器学习算法的IGBT的寿命预测模型研究。主要研究内容包括:（1）从IGBT的失效机理分析和寿命评估方法出发,选取栅极-发射极关断电压尖峰VGE-np以及集电极-发射极关断电压尖峰VCE-p作为IGBT寿命预估的特征参数,对美国国家航天局（NASA）PCo E研究中心公开的IGBT加速老化数据进行特征提取,获取本文选取的失效特征后采用基于最小二乘法拟合的数据平滑算法对特征数据平滑处理;（2）利用ANSYS Simplorer软件建立型号为IRG4BC30KD的IGBT动态模型,仿真模型的动态过程,并与美国国家航天局（NASA）PCo E研究中心公开的IGBT加速老化数据进行验证与对比;（3）分别将人工神经网络和支持向量机应用于IGBT的寿命预测领域,并对其进行优化后建立IGBT寿命预测模型,利用NASA公开的老化实验数据进行IGBT寿命预测,分析与对比模型的预测准确性;预测结果表明,对样本数据平滑处理能够提高模型的预测精度,在小容量样本情况下,使用支持向量机能够取得更好的预测精度,而大容量样本下,使用人工神经网络预测IGBT寿命更加准确。综上所述,本文建立了基于机器学习算法的IGBT寿命预测模型,并对型号为IRG4BC30KD的IGBT进行寿命预测,预测结果表明本文所提出的方法能够运用于IGBT的寿命评估,具有一定的工程应用价值。
王成文[8]（2020）在《考虑执行器退化的控制系统寿命预测与延寿方法研究》文中指出随着智能制造技术的不断发展,控制系统在将新一代传感和信息技术有机融合的过程中,其复杂化、智能化程度也不断提高,这为系统寿命预测与健康维护（Prognostic and Health Management,PHM）在新技术背景下赋予了新内涵。系统的安全性、耐用性、可靠性受到空前的高度重视,其性能和相关设备的安全管理已然成为企业关注的焦点。尽管目前对单一元部件或设备的PHM技术已有了不少的成果,但反馈控制系统的寿命预测与健康维护相关研究还相对缺乏。基于此,本文从构建反馈控制系统寿命预测与延寿控制框架入手,并在此框架下展开以隐含执行器退化建模、反馈控制系统失效阈值确定和剩余寿命预测、系统在线延寿自主维护为主的相关研究。其主要工作包括:1)执行器隐含退化下反馈控制系统寿命预测与延寿控制框架的构建考虑反馈控制系统中执行器隐含退化与系统退化之间的联系与区别,本文在剖析现存退化建模、寿命预测、视情维护等方面成果本征特质的基础上,构建了反馈控制系统寿命预测与延寿控制框架。该框架较为直观地呈现了执行器退化与控制系统的关联性,建立了更为完整的系统失效阈值判断准则,分析了可调节控制器参数缓解执行器压力的机理,为开展反馈控制系统寿命预测和延寿控制奠定了基础。2)基于Gamma过程的反馈控制系统寿命预测与延寿研究考虑到Gamma过程对描述严格单调正则的退化过程有一定优势,首先以其为基础,探讨了实际退化数据存在测量误差和随机冲击影响的执行器退化乃至控制系统退化的三种建模方法;其次,基于执行器隐含退化和系统失效阈值判断准则,给出了反馈控制系统剩余寿命预测方法;进而依据系统剩余寿命的实时预测来调整LQR控制器参数,通过延缓执行器的退化延长系统寿命。最后,利用单容水箱系统进行仿真实验,结果表明:随机冲击与磨损退化共同作用的复合退化模型更符合实际退化过程,据其得到的系统寿命预测结果在延寿控制中可较好地平衡控制作用与系统性能,有效延长了系统寿命。3)基于Wiener过程的反馈控制系统寿命预测与延寿研究考虑执行器退化过程可能不尽严格单调,本文又以Wiener过程为基础,探讨了退化数据存在测量误差和随机冲击影响下控制系统退化的三类建模方法,并依据性能约束集判断准则得到反馈控制系统寿命分布的解析解;同时,针对控制器参数调整与执行器有效执行能力缺乏关联的问题,提出了基于执行器实时退化状态的自适应延寿策略（Adaptive Extending Life Control Strategy based on On-Line Degradation State of Actuator,AELCS-ODSA）,经双容水箱系统仿真实验发现,多因素影响的执行器退化建模方法下寿命预测更符合工程实际,且AELCS-ODSA将退化程度与控制器参数调节相关联,缓解执行器压力更具针对性,也能更有效延长系统运行时间。
刘森,张书维,侯玉洁[9]（2020）在《3D打印技术专业“三教”改革探索》文中研究说明根据国家对职业教育深化改革的最新要求,解读当前"三教"改革对于职教教育紧迫性和必要性,本文以3D打印技术专业为切入点,深层次分析3D打印技术专业在教师、教材、教法（"三教"）改革时所面临的实际问题,并对"三教"改革的一些具体方案可行性和实际效果进行了探讨。
刘锋[10]（2020）在《基于多传感器数据融合的点焊焊钳检测系统》文中研究说明随着现代工业生产的飞速发展,在航空航天、汽车产业中机器人焊钳设备的应用越来越广泛,其作用举足轻重,为保证航空航天和汽车等制造业焊接工作高效、高质量的进行,实现“零次品”、“零缺陷”的产品管理目标,许多企业将注意力更多的集中到了设备性能的保障上,在确保机器人工作站安全、平稳、可靠、长周期运行的基础上,迫切需要基于过程参数的信息反馈系统以对机器人焊钳的健康状态进行评估并完成对其性能的检测,不断优化设备状态在线分析并建立基于健康指数的数学模型,利用先进技术装备和科学合理的评估方法完善设备的运行状态检测与综合性能评估系统,确保机器人焊钳设备能够稳定高效的运行并对突发性故障进行及时的处理,这不仅关系到企业的经济效益,更与工作人员的人身安全息息相关。论文首先针对机器人焊钳设备分散逐项检测中漏检、漏记、可追溯性差问题以信息技术和传感器技术为平台进行多传感器焊钳测试系统的设计与搭建,实现了测试系统的PLC控制网络组态和多传感器测试模块的设计。其次,针对检测系统中伺服焊钳跟踪控制和负载调节控制方面精度控制不足的问题,分别进行了伺服驱动器和焊接控制器的设计,设计了一种对电极头冲击力小、压力变化响应速度快以及电机压力、位移、速度可精确控制的伺服点焊系统。再次,针对焊钳测试过程中水流量和压力强耦合导致常规PID控制系统精度和快速性降低的问题,通过对流量和压力的耦合关系的分析,采用决策树的ID3算法,设计了一种以调节阀开度为流量主控制量,变频器频率为压力主控制量的模糊PID解耦控制系统,并基于流量、压力传感器对该控制系统的动静态性能进行了测试。最后,进行了上位机监控系统的开发,并依托机器人焊钳设备多角度、多通道采集的数据,采用贝叶斯决策对焊钳测试样本数据进行分类器检验,验证了机器人焊钳性能评估方法的可行性。
二、遗传小波神经网络在飞机加油管路设计中的应用（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、遗传小波神经网络在飞机加油管路设计中的应用（论文提纲范文）
（1）数字孪生建模方法及其在热力系统优化运行中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号及缩写表 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 能源电力发展背景与现状 |
| 1.1.2 智能控制优化研究现状 |
| 1.2 热力系统建模仿真及大数据技术研究现状 |
| 1.2.1 热力系统建模研究现状 |
| 1.2.2 电力大数据及其发展现状 |
| 1.2.3 热力系统仿真技术发展背景 |
| 1.3 数字孪生技术的应用现状及关键技术 |
| 1.3.1 数字孪生的应用发展现状 |
| 1.3.2 数字孪生研究的关键技术 |
| 1.3.3 数字孪生发展面临的挑战 |
| 1.4 论文的研究内容 |
| 第2章 大数据背景下的数字孪生与热力系统建模理论 |
| 2.1 数字孪生的基本理论 |
| 2.1.1 数字孪生的定义与内涵 |
| 2.1.2 数字孪生与仿真技术之间的关系 |
| 2.1.3 数字孪生与信息物理系统之间的关系 |
| 2.2 热力系统建模理论与方法 |
| 2.2.1 流体网络机理建模理论与方法 |
| 2.2.2 数据驱动建模理论与方法 |
| 2.3 大数据的基本理论 |
| 2.3.1 大数据平台框架及相关技术 |
| 2.3.2 大数据存储管理与预处理方法 |
| 2.3.3 大数据分布式集群平台构建 |
| 2.4 本章小结 |
| 第3章 基于改进即时学习策略的自适应数据驱动建模方法研究 |
| 3.1 基于改进即时学习策略的自适应数据驱动建模方法 |
| 3.1.1 建模思路 |
| 3.1.2 基于改进遗传模拟退火算法的模糊聚类工况划分 |
| 3.1.3 基于多层次综合相似度度量的相似工况识别 |
| 3.1.4 基于Spark平台的数据驱动局部模型建模 |
| 3.2 SCR脱硝系统数据驱动建模应用案例 |
| 3.2.1 建模对象及背景介绍 |
| 3.2.2 数据预处理和相似工况选取 |
| 3.2.3 局部建模过程及结果分析 |
| 3.3 电锅炉供热系统荷侧和源侧负荷预测建模应用案例 |
| 3.3.1 建模对象及背景介绍 |
| 3.3.2 荷侧供热负荷预测模型 |
| 3.3.3 源侧电负荷预测 |
| 3.4 本章小结 |
| 第4章 热力系统数字孪生建模理论及应用 |
| 4.1 热力系统数字孪生建模思路 |
| 4.1.1 数字孪生建模方法的提出 |
| 4.1.2 数字孪生模型的构建方法及流程 |
| 4.2 数字孪生机理模型的构建 |
| 4.2.1 管路模型 |
| 4.2.2 调节阀模型 |
| 4.2.3 离心水泵模型 |
| 4.2.4 换热器模型 |
| 4.3 数字孪生模型的协同与融合理论 |
| 4.3.1 数字孪生模型离线智能参数辨识 |
| 4.3.2 数字孪生模型参数在线自适应协同 |
| 4.3.3 基于移动窗格信息熵的多模型输出在线融合 |
| 4.4 数字孪生建模实例分析 |
| 4.4.1 脱硝系统数字孪生模型的建立 |
| 4.4.2 供热系统数字孪生模型的建立 |
| 4.5 本章小结 |
| 第5章 基于热力系统数字孪生模型的节能控制优化 |
| 5.1 基于数字孪生模型的智能工况动态寻优 |
| 5.1.1 热力系统智能工况动态寻优策略 |
| 5.1.2 基于数字孪生模型的供热储热系统智能工况动态寻优 |
| 5.2 基于数字孪生模型的自适应预测控制优化 |
| 5.2.1 基于数字孪生模型的预测控制算法 |
| 5.2.2 基于数字孪生模型预测控制的喷氨量优化 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要研究工作及成果 |
| 6.2 论文主要创新点 |
| 6.3 后续工作展望 |
| 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 |
（2）飞行前故障检测系统的设计与实现（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 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 研究历史 |
| 1.2.2 研究现状 |
| 1.3 本文的研究目标和研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 飞行前故障检测相关技术 |
| 2.1 飞控系统介绍 |
| 2.1.1 飞控系统结构组成 |
| 2.1.2 余度机制结构 |
| 2.1.3 飞控系统故障性质 |
| 2.2 支持向量机理论基础 |
| 2.2.1 支持技术 |
| 2.2.2 最优分类面 |
| 2.2.3 支持向量机的模型 |
| 2.2.4 核方法 |
| 2.3 梯度提升树算法理论基础 |
| 2.3.1 CART分类树的生成 |
| 2.3.2 Gradient Boosting与 Gradient Boosting Trees |
| 2.4 本章小结 |
| 第三章 基于支持向量机的故障检测方法 |
| 3.1 支持向量机的故障检测模型设计 |
| 3.1.1 原始数据采集 |
| 3.1.2 数据预处理 |
| 3.1.3 特征提取 |
| 3.1.4 支持向量机模型测试 |
| 3.2 支持向量机故障检测系统构建 |
| 3.3 综合结果分析 |
| 3.3.1 数据来源 |
| 3.3.2 检测结果 |
| 3.4 本章小结 |
| 第四章 基于梯度提升树的故障检测方法 |
| 4.1 特征排序理论基础 |
| 4.1.1 排序学习 |
| 4.1.2 特征排序的评价指标 |
| 4.2 基于梯度提升树算法的特征排序与选择 |
| 4.2.1 故障样本数据编码 |
| 4.2.2 特征信息重要性排序 |
| 4.2.3 基于特征重要性的特征选择 |
| 4.3 基于梯度提升树特征提取的支持向量机模型 |
| 4.3.1 基于梯度提升树特征提取的支持向量机模型设计 |
| 4.3.2 仿真分析 |
| 4.4 故障检测结果比较分析 |
| 4.4.1 模型精度比较分析 |
| 4.4.2 特征提取比较分析 |
| 4.5 本章小结 |
| 第五章 飞行前故障检测系统设计与实现 |
| 5.1 飞行前故障检测系统设计 |
| 5.1.1 总体设计 |
| 5.1.2 方案设计 |
| 5.1.3 故障信息样本数据库模块设计 |
| 5.1.4 故障树模型训练设计 |
| 5.1.5 推理判断功能模块设计 |
| 5.1.6 自学习模块设计 |
| 5.1.7 人机界面模块的设计 |
| 5.2 飞行前故障检测系统实现 |
| 5.2.1 前端界面实现 |
| 5.2.2 特征提取实现 |
| 5.2.3 系统后台实现 |
| 5.3 系统功能与准确率测试分析 |
| 5.3.1 故障数据载入功能测试 |
| 5.3.2 系统检测功能测试 |
| 5.3.3 系统检测准确率测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（3）基于深度强化学习的航空发动机管路敷设优化方法（论文提纲范文）
| 摘要 |
| abstract |
| 1 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 经典路径规划算法 |
| 1.2.2 人工智能路径规划算法 |
| 1.3 本文主要研究内容与结构 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文结构 |
| 2 问题描述与数学模型 |
| 2.1 管路敷设问题描述 |
| 2.1.1 管路敷设工程规则 |
| 2.1.2 管路敷设目标函数 |
| 2.2 管路敷设数学模型 |
| 2.2.1 敷设空间预处理 |
| 2.2.2 障碍模型处理 |
| 3 基于强化学习的管路路径规划方法 |
| 3.1 强化学习理论 |
| 3.1.1 强化学习发展历史 |
| 3.1.2 强化学习基本原理 |
| 3.1.3 基于值函数的强化学习算法 |
| 3.2 强化学习管路路径规划方法 |
| 3.2.1 环境空间模型设计 |
| 3.2.2 奖励函数设计 |
| 3.2.3 动作策略选择方法设计 |
| 3.2.4 整体流程 |
| 3.3 仿真算例 |
| 3.3.1 仿真环境模型 |
| 3.3.2 敷设路径规划算例 |
| 4 基于深度强化学习的管路路径规划方法 |
| 4.1 深度学习理论 |
| 4.1.1 深度学习发展历史 |
| 4.1.2 BP神经网络基本原理 |
| 4.2 深度强化学习理论 |
| 4.2.1 深度强化学习发展历史 |
| 4.2.2 DQN算法基本原理 |
| 4.3 深度强化学习管路路径规划方法 |
| 4.3.1 网络结构设计 |
| 4.3.2 动作策略选择 |
| 4.3.3 经验回放的优先级采样 |
| 4.3.4 整体流程及Tensor Flow框架 |
| 4.4 仿真算例 |
| 4.4.1 算法实验平台 |
| 4.4.2 仿真算例参数 |
| 4.4.3 仿真结果 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间参与的科研项目情况 |
（4）机载星跟踪器稳定跟踪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 机载全天时天文导航系统研究现状 |
| 1.3 机载光电稳定平台研究现状 |
| 1.4 相关控制方法研究现状 |
| 1.4.1 惯性稳定控制方法研究现状 |
| 1.4.2 目标跟踪控制方法研究现状 |
| 1.5 论文主要研究内容及结构安排 |
| 1.5.1 论文主要研究内容 |
| 1.5.2 论文结构安排 |
| 第2章 星跟踪器系统分析 |
| 2.1 星跟踪器稳定方案选择 |
| 2.2 星跟踪器系统组成及工作原理 |
| 2.3 星跟踪器平台特性及原理分析 |
| 2.3.1 星跟踪器角运动原理 |
| 2.3.2 星跟踪器脱靶量与目标相对位置关系 |
| 2.3.3 星跟踪器动力学模型 |
| 2.3.4 星跟踪器扰动隔离分析 |
| 2.3.5 双闭环回路控制技术 |
| 2.4 本章小结 |
| 第3章 基于自抗扰控制和噪声观测器的视轴稳定技术 |
| 3.1 间接稳定性能分析 |
| 3.1.1 间接稳定原理 |
| 3.1.2 匹配滤波 |
| 3.1.3 微分测速噪声 |
| 3.2 基于自抗扰控制的视轴稳定方法 |
| 3.2.1 自抗扰控制原理 |
| 3.2.2 改进自抗扰控制 |
| 3.3 基于扰动观测原理的噪声观测器 |
| 3.3.1 自抗扰控制直接加滤波器存在的问题 |
| 3.3.2 扰动观测器原理 |
| 3.3.3 噪声观测器 |
| 3.3.4 噪声观测器控制系统的鲁棒稳定性分析 |
| 3.4 试验结果与分析 |
| 3.4.1 仿真分析 |
| 3.4.2 实验验证 |
| 3.4.3外场实验 |
| 3.5 本章小结 |
| 第4章 基于鲁棒降阶自抗扰控制的视轴稳定技术 |
| 4.1 降阶自抗扰控制的理论依据 |
| 4.2 改进降噪扰动观测器 |
| 4.3 改进降噪扰动观测器控制系统的鲁棒稳定性分析 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真分析 |
| 4.4.2 实验验证 |
| 4.5 本章小结 |
| 第5章 带有滑模组件的自抗扰位置控制技术 |
| 5.1 基于系统输出微分的扩张状态观测器 |
| 5.1.1 基于系统输出微分的扩张状态观测器的提出 |
| 5.1.2 两种扩张状态观测器的比较 |
| 5.2 基于总和扰动估计微分的扩张状态观测器 |
| 5.3 带有滑模组件的反馈控制律 |
| 5.3.1 滑模控制基本原理 |
| 5.3.2 滑模组件的设计 |
| 5.4 实验结果与分析 |
| 5.4.1 仿真分析 |
| 5.4.2 实验验证 |
| 5.5 本章小节 |
| 第6章 基于预测结构扩张状态观测器的跟踪控制技术 |
| 6.1 延时对跟踪控制性能的影响 |
| 6.2 预测结构扩张状态观测器 |
| 6.2.1 经典状态预测算法 |
| 6.2.2 改进状态预测算法 |
| 6.2.3 基于扩张状态观测器的状态预测算法 |
| 6.2.4 预测算法的分析 |
| 6.3 实验结果与分析 |
| 6.3.1 仿真分析 |
| 6.3.2 实验验证 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 论文主要创新点 |
| 7.3 现阶段存在问题及工作展望 |
| 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 |
（5）粒子群RBF网络在飞机燃油系统故障诊断中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 民航飞机的故障诊断特点及要求 |
| 1.2.1 故障诊断概述 |
| 1.2.2 飞机故障来源及特点 |
| 1.2.3 飞机故障诊断的特点 |
| 1.2.4 民航飞机一般排故流程 |
| 1.3 国内外的研究现状 |
| 1.3.1 飞机智能故障诊断技术研究现状 |
| 1.3.2 神经网络应用于故障诊断的优势与不足 |
| 1.3.3 神经网络优化研究现状 |
| 1.4 本文的所做的工作及内容安排 |
| 第二章 飞机燃油系统与故障分析 |
| 2.1 飞机燃油系统概述 |
| 2.2 飞机燃油系统的部件 |
| 2.3 飞机燃油系统的子系统 |
| 2.3.1 燃油储存系统 |
| 2.3.2 压力加油系统 |
| 2.3.3 发动机供油系统 |
| 2.3.4 APU供油系统 |
| 2.3.5 抽油系统 |
| 2.3.6 燃油量指示系统 |
| 2.3.7 燃油温度指示系统 |
| 2.4 飞机燃油系统故障分析 |
| 2.5 本章小结 |
| 第三章 基本粒子群优化算法及其改进 |
| 3.1 基本粒子群优化算法 |
| 3.1.1 算法的基本原理 |
| 3.1.2 算法流程 |
| 3.2 粒子群优化算法的改进 |
| 3.2.1 惯性权重的引入 |
| 3.2.2 收缩因子的引入 |
| 3.2.3 扰动因子的引入 |
| 3.2.4 粒子群算法的综合改进 |
| 3.3 改进前后粒子群算法的比较 |
| 3.4 本章小结 |
| 第四章 基于粒子群算法的RBF网络 |
| 4.1 径向基神经网络 |
| 4.1.1 径向基网络的结构及数学模型 |
| 4.1.2 RBF网络的参数分析 |
| 4.1.3 RBF神经网络的泛化能力分析 |
| 4.2 进化算法在神经网络优化中的应用 |
| 4.3 PSO算法应用于RBF神经网络的详细设计 |
| 4.3.1 粒子编码 |
| 4.3.2 减聚类算法确定网络中心个数 |
| 4.3.3 粒子群RBF网络的参数设置 |
| 4.3.4 最小二乘法确定网络权值 |
| 4.3.5 PSO算法优化RBF神经网络的流程 |
| 4.4 粒子群RBF网络的性能评价指标 |
| 4.5 本章小结 |
| 第五章 粒子群RBF神经网络在飞机燃油系统故障诊断中的应用 |
| 5.1 飞机燃油系统故障诊断的知识来源 |
| 5.2 故障诊断的知识复合模型设计 |
| 5.3 飞机燃油系统故障特征向量设计 |
| 5.4 故障诊断流程框图设计 |
| 5.5 粒子群优化RBF神经网络故障诊断算法的Matlab实现 |
| 5.5.1 粒子群优化RBF神经网络的初始化 |
| 5.5.2 粒子群优化RBF神经网络的适应度值 |
| 5.5.3 粒子群优化RBF神经网络的粒子速度和位置计算 |
| 5.5.4 粒子群优化RBF神经网络的粒子适应度值更新 |
| 5.5.5 粒子群优化RBF神经网络的速度和位置更新 |
| 5.6 基于粒子群RBF网络的燃油系统故障诊断实现 |
| 5.6.1 粒子群优化RBF神经网络设计 |
| 5.6.2 RBF网络的训练及诊断结果分析 |
| 5.7 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（7）基于机器学习算法的IGBT寿命预测研究（论文提纲范文）
| 致谢 |
| 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 物理模型研究现状 |
| 1.2.2 解析模型研究现状 |
| 1.2.3 基于机器学习算法预测模型研究现状 |
| 1.3 本文的主要研究内容与章节安排 |
| 1.3.1 本文的主要研究内容 |
| 1.3.2 本文的章节安排 |
| 第二章 IGBT的失效机理 |
| 2.1 IGBT的工作原理与开关过程 |
| 2.1.1 IGBT的结构 |
| 2.1.2 IGBT的导通与关断过程 |
| 2.2 常见IGBT失效机理分析 |
| 2.2.1 与封装有关的失效 |
| 2.2.2 与芯片有关的失效 |
| 2.3 IGBT的失效特征参数 |
| 2.3.1 IGBT模块的结温获取方法 |
| 2.3.2 IGBT失效特征参数的选择 |
| 第三章 IGBT仿真模型与失效特征提取 |
| 3.1 老化数据失效特征提取 |
| 3.1.1 老化实验数据 |
| 3.1.2 失效特征提取 |
| 3.1.3 失效特征数据处理 |
| 3.2 IGBT的 ANSYS Simplorer仿真模型 |
| 3.2.1 IGBT动态模型的建立 |
| 3.2.2 动态模型的仿真结果 |
| 3.3 本章小结 |
| 第四章 基于GA-BP的 IGBT寿命预测方法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络概述 |
| 4.1.2 BP神经网络的权值与阈值 |
| 4.1.3 BP神经网络的训练方法 |
| 4.1.4 基于BP神经网络的IGBT寿命预测模型 |
| 4.2 遗传算法优化BP神经网络 |
| 4.2.1 遗传算法概述 |
| 4.2.2 遗传算法优化BP神经网络的预测原理 |
| 4.2.3 GA-BP的训练方法 |
| 4.2.4 基于GA-BP的 IGBT寿命预测模型 |
| 4.3 预测结果与分析 |
| 4.3.1 预测结果的评价指标 |
| 4.3.2 基于BP的预测模型预测结果 |
| 4.3.3 基于GA-BP的预测模型预测结果 |
| 4.4 本章小结 |
| 第五章 基于PSO-SVR的 IGBT寿命预测方法 |
| 5.1 支持向量机与粒子群算法概述 |
| 5.1.1 支持向量机概述 |
| 5.1.2 粒子群算法概述 |
| 5.1.3 PSO-SVR的预测原理 |
| 5.2 PSO-SVR的训练方法与建模 |
| 5.2.1 PSO-SVR的训练方法 |
| 5.2.2 基于PSO-SVR的 IGBT寿命预测模型 |
| 5.3 预测结果与分析 |
| 5.3.1 模型预测结果 |
| 5.3.2 PSO-SVR模型与GA-BP模型对比 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 BP神经网络Matlab代码 |
| 附录2 GA-BP神经网络Matlab代码 |
| 附录3 PSO-SVR算法Matlab代码 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）考虑执行器退化的控制系统寿命预测与延寿方法研究（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 课题相关方法的研究现状 |
| 1.2.1 退化过程建模方法研究现状 |
| 1.2.2 控制系统寿命预测方法研究现状 |
| 1.3 控制系统延寿策略研究现状 |
| 1.4 论文体系结构及章节内容安排 |
| 1.4.1 论文体系结构 |
| 1.4.2 论文章节内容安排 |
| 1.5 本章小结 |
| 第2章 执行器退化下反馈控制系统寿命预测与延寿控制概述 |
| 2.1 引言 |
| 2.2 执行器退化下反馈控制系统退化过程描述 |
| 2.2.1 执行器退化下控制系统建模 |
| 2.2.2 执行器退化过程的分段描述 |
| 2.3 反馈控制系统寿命预测思路的形成 |
| 2.3.1 控制系统随机退化阈值确定 |
| 2.3.2 控制系统寿命预测方法 |
| 2.4 基于系统寿命预测的延寿控制框架的构建 |
| 2.5 本章小结 |
| 第3章 基于Gamma过程的控制系统寿命预测与延寿控制研究 |
| 3.1 引言 |
| 3.2 基于Gamma过程的执行器退化过程建模 |
| 3.2.1 基于Gamma过程的执行器退化建模方法 |
| 3.2.2 考虑测量误差的执行器退化Gamma建模方法 |
| 3.2.3 考虑冲击影响的执行器退化Gamma建模方法 |
| 3.3 反馈控制系统剩余寿命预测与延寿控制策略 |
| 3.3.1 反馈控制系统剩余寿命预测 |
| 3.3.2 反馈控制系统三段式延寿策略 |
| 3.4 仿真实验研究与结果分析 |
| 3.4.1 仿真实验设计 |
| 3.4.2 执行器退化过程不同建模方法比较分析 |
| 3.4.3 反馈控制系统剩余寿命预测结果分析 |
| 3.4.4 反馈控制系统延寿控制结果分析 |
| 3.5 本章小结 |
| 第4章 基于Wiener过程的反馈控制系统寿命预测与延寿控制研究 |
| 4.1 引言 |
| 4.2 基于Wiener过程的执行器退化过程建模 |
| 4.2.1 基于Wiener过程的执行器退化建模方法 |
| 4.2.2 考虑测量误差的执行器退化Wiener建模方法 |
| 4.2.3 考虑冲击影响的执行器退化Wiener建模方法 |
| 4.3 反馈控制系统剩余寿命预测与延寿控制策略 |
| 4.3.1 反馈控制系统剩余寿命预测 |
| 4.3.2 反馈控制系统延寿策略 |
| 4.4 仿真实验研究与结果分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 执行器退化过程不同建模方法比较分析 |
| 4.4.3 反馈控制系统剩余寿命预测结果分析 |
| 4.4.4 反馈控制系统延寿控制结果分析 |
| 4.5 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间发表的学术论文 |
（9）3D打印技术专业“三教”改革探索（论文提纲范文）
| 引言 |
| 1 3D打印技术专业“三教”面临的突出问题 |
| 1.1 师资团队的教学素养相对偏差 |
| 1.2 3D打印技术专业教材不成体系，资源匮乏 |
| 1.3 教法难以提升学生参与的主动性 |
| 2 3D打印技术应用专业“三教”改革措施 |
| 2.1 通过“名师引领、双元结构、分工协作”的准则塑造团队 |
| 2.1.1 依托有较强影响力的带头人，有效开发名师所具备的引领示范效果 |
| 2.1.2 邀请大师授教，提升人才的技术与技能水准 |
| 2.2 推进“学生主体、育训结合、因材施教”的教材变革 |
| 2.2.1 设计活页式3D打印教材 |
| 2.2.2 灵活使用信息化技术，形成立体化的教学 |
| 2.3 创新推行“三个课堂”教学模式，推进教法改革 |
| 2.3.1 采取线上、线下的混合式教法 |
| 2.3.2 构建与推进更具创新性的“三个课堂”模式 |
（10）基于多传感器数据融合的点焊焊钳检测系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 状态性能评估国内外研究的现状 |
| 1.2.2 点焊过程参数检测和分析方法 |
| 1.2.3 点焊多传感器信息融合技术研究现状 |
| 1.3 本文的主要工作 |
| 1.4 全文的组织与结构 |
| 第二章 机器人手工一体化焊钳检测系统设计 |
| 2.1 焊钳测试系统的设计 |
| 2.2 中频逆变电源系统和水气管理单元 |
| 2.2.1 焊接电源单元 |
| 2.2.2 水气单元 |
| 2.3 PLC控制单元 |
| 2.4 焊钳检测模块 |
| 2.5 本章小结 |
| 第三章 伺服点焊系统设计 |
| 3.1 点焊系统分析 |
| 3.1.1 点焊系统组成 |
| 3.1.2 伺服控制过程 |
| 3.2 伺服驱动系统设计 |
| 3.3 焊接控制系统设计 |
| 3.4 PLC组网控制 |
| 3.5 点焊系统调试 |
| 3.5.1 伺服焊钳运动参数配置 |
| 3.5.2 编程器配置 |
| 3.5.3 伺服点焊系统工作流程 |
| 3.6 本章小结 |
| 第四章 水流量和压力模糊PID解耦控制 |
| 4.1 水气单元水流量、压力控制要求 |
| 4.2 模糊PID快速控制策略 |
| 4.2.1 快速控制策略 |
| 4.2.2 模糊PID结构设计 |
| 4.2.3 基于ID3算法的模糊规则 |
| 4.3 对角矩阵解耦控制器 |
| 4.4 上位机监控与验证分析 |
| 4.5 本章小结 |
| 第五章 机器人焊钳性能评估 |
| 5.1 上位机监控系统 |
| 5.2 网络化数据采集系统 |
| 5.3 数据测试结果 |
| 5.4 机器人焊钳设备性能评估 |
| 5.4.1 机器人焊钳设备性能评估指标体系的建立 |
| 5.4.2 特征提取和相关分析 |
| 5.4.3 贝叶斯决策分类 |
| 5.5 机器人焊钳性能评估分析 |
| 5.5.1 分类性能验证 |
| 5.5.2 生成检测报告 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文研究总结 |
| 6.2 未来工作展望 |
| 附录A:焊钳测试报告 |
| 参考文献 |
| 攻读学位期间所取得相关科研成果 |
| 致谢 |
四、遗传小波神经网络在飞机加油管路设计中的应用（论文参考文献）
- [1]数字孪生建模方法及其在热力系统优化运行中的应用研究[D]. 高学伟. 华北电力大学(北京), 2021(01)
- [2]飞行前故障检测系统的设计与实现[D]. 牟煜明. 电子科技大学, 2021(01)
- [3]基于深度强化学习的航空发动机管路敷设优化方法[D]. 张乐. 辽宁石油化工大学, 2020(04)
- [4]机载星跟踪器稳定跟踪技术研究[D]. 王帆. 中国科学院大学(中国科学院光电技术研究所), 2020(08)
- [5]粒子群RBF网络在飞机燃油系统故障诊断中的应用研究[D]. 俞利明. 中国民航大学, 2011(03)
- [6]遗传小波神经网络在飞机加油管路设计中的应用[J]. 董杰,马壮,吴云,李嘉林. 机械科学与技术, 2002(S1)
- [7]基于机器学习算法的IGBT寿命预测研究[D]. 刘嘉诚. 合肥工业大学, 2020(02)
- [8]考虑执行器退化的控制系统寿命预测与延寿方法研究[D]. 王成文. 兰州理工大学, 2020(12)
- [9]3D打印技术专业“三教”改革探索[J]. 刘森,张书维,侯玉洁. 数码世界, 2020(04)
- [10]基于多传感器数据融合的点焊焊钳检测系统[D]. 刘锋. 河北工业大学, 2020