PID电机控制目录第1章数字PID控制1.1PID控制原理1.2连续系统的模拟PID仿真1.3数字PID控制1.3.1位置式PID控制算法1.3.2连续系统的数字PID控制仿真1.3.3离散系统的数字PID控制仿真1.3.4增量式PID控制算法及仿真1.3.5积分分离PID控制算法及仿真1.3.6抗积分饱和PID控制算法及仿真1.3.7梯形积分PID控制算法1.3.8变速积分PID算法及仿真1.3.9带滤波器的PID控制仿真1.3.10不完全微分PID控制算法及仿真1.3.11微分先行PID控制算法及仿真1.3.12带死区的PID控制算法及仿真1.3.13基于前馈补偿的PID控制算法及仿真1.3.14步进式PID控制算法及仿真第2章常用的PID控制系统2.1单回路PID控制系统2.2串级PID控制2.2.1串级PID控制原理2.2.2仿真程序及分析2.3纯滞后系统的大林控制算法2.3.1大林控制算法原理2.3.2仿真程序及分析2.4纯滞后系统的Smith控制算法2.4.1连续Smith预估控制2.4.2仿真程序及分析2.4.3数字Smith预估控制2.4.4仿真程序及分析第3章专家PID控制和模糊PID控制3.1专家PID控制3.1.1专家PID控制原理3.1.2仿真程序及分析3.2模糊自适应整定PID控制3.2.1模糊自适应整定PID控制原理3.2.2仿真程序及分析3.3模糊免疫PID控制算法3.3.1模糊免疫PID控制算法原理3.3.2仿真程序及分析第4章神经PID控制4.1基于单神经元网络的PID智能控制4.1.1几种典型的学习规则4.1.2单神经元自适应PID控制4.1.3改进的单神经元自适应PID控制4.1.4仿真程序及分析4.1.5基于二次型性能指标学习算法的单神经元自适应PID控制4.1.6仿真程序及分析4.2基于BP神经网络整定的PID控制4.2.1基于BP神经网络的PID整定原理4.2.2仿真程序及分析4.3基于RBF神经网络整定的PID控制4.3.1RBF神经网络模型4.3.2RBF网络PID整定原理4.3.3仿真程序及分析4.4基于RBF神经网络辨识的单神经元PID模型参考自适应控制4.4.1神经网络模型参考自适应控制原理4.4.2仿真程序及分析4.5基于CMAC（神经网络）与PID的并行控制4.5.1CMAC概述4.5.2CMAC与PID复合控制算法4.5.3仿真程序及分析4.6CMAC与PID并行控制的Simulink仿真4.6.1Simulink仿真方法4.6.2仿真程序及分析第5章基于遗传算法整定的PID控制5.1遗传算法的基本原理5.2遗传算法的优化设计5.2.1遗传算法的构成要素5.2.2遗传算法的应用步骤5.3遗传算法求函数极大值5.3.1遗传算法求函数极大值实例5.3.2仿真程序5.4基于遗传算法的PID整定5.4.1基于遗传算法的PID整定原理5.4.2基于实数编码遗传算法的PID整定5.4.3仿真程序5.4.4基于二进制编码遗传算法的PID整定5.4.5仿真程序5.5基于遗传算法摩擦模型参数辨识的PID控制5.5.1仿真实例5.5.2仿真程序第6章先进PID多变量解耦控制6.1PID多变量解耦控制6.1.1PID解耦控制原理6.1.2仿真程序及分析6.2单神经元PID解耦控制6.2.1单神经元PID解耦控制原理6.2.2仿真程序及分析6.3基于DRNN神经网络整定的PID解耦控制6.3.1基于DRNN神经网络参数自学习PID解耦控制原理6.3.2DRNN神经网络的Jacobian信息辨识6.3.3仿真程序及分析第7章几种先进PID控制方法7.1基于干扰观测器的PID控制7.1.1干扰观测器设计原理7.1.2连续系统的控制仿真7.1.3离散系统的控制仿真7.2非线性系统的PID鲁棒控制7.2.1基于NCD优化的非线性优化PID控制7.2.2基于NCD与优化函数结合的非线性优化PID控制7.3一类非线性PID控制器设计7.3.1非线性控制器设计原理7.3.2仿真程序及分析7.4基于重复控制补偿的高精

电机驱动系统+磁盘驱动读取系统基本要求：（1）针对自己的兴趣自选控制系统（如磁盘驱动系统、倒立摆、弹簧系统等）确定系统的典型参数，建立系统的数学模型（状态空间表达式）；
（2）采用秩判据的方法判断系统的能控性和能观性；
（3）采用李雅普诺夫方法分析系统的状态稳定性、分析系统的输出稳定性（建议借助MATLAB进行分析，便于求出系统的极点位置）（4）设计系统的性能指标，对系统进行极点配置。
学生提交的大作业必须有包含基本要求，在完成基本要求的基础上，可以进行更加完善的设计。
在设计的过程中若使用MATLAB仿真软件，请附上程序代码。

录制一段个人自己的语音信号，画出此语音信号的时域波形和频谱图；
给定滤波器的性能指标，设计IIR和FIR滤波器，并画出滤波器的频率响应；
然后用自己设计的滤波器对采集的信号进行滤波，画出滤波后信号的时域波形和频谱，并对滤波前后的信号进行对比，分析信号的变化；
回放语音信号；
最后，设计一个信号处理系统界面。

电力电子技术和电子元器件得到极大的发展,而随着其集成技术的高度发展,使得直流电机得到了广泛的应用,比如,绞肉机、风机和空调，正是其广泛的应用使得对直流电机的控制研究成为了必要的研究，本次设计从直流电机的研究背景，数学模型,性能指标,控制方案，脉冲控制方式,速度控制，最后使用matlab软件对直流电机的进行仿真验证,其主要的工作为:整流电路,PWM驱动功率管,最后对设计系统分别进行matlab仿真验证，并分别进行转速带截止频率的单闭环、转速不带截止频率的单闭环、开环控制和转速电流双闭环控制直流电机的运行，最后得出结论双闭环控制直流电机具有较好的动静性能。

本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。
在SVM中，选择对预测性能有重要影响的参数至关重要。
提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。
SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。
受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出；
在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。
来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA-IPSO）方法在大多数实验中都是如此。
换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

nmonanalyserv54.xlsmNMONVisualizer_2020-02-29.jar

单输入单输出广义预测控制的matlab程序。
与常规的程序相比，采用了fminunc函数来求解gpc的性能指标，跳过了解析解的求解。
提高了代码的可读性

在能源、化工等多个领域中普遍存在着各类液位控制系统液。
各种控制方式在液位控制系统中也层出不穷，如较常用的浮子式、磁电式和接近开关式。
而随着我国工业自动化程度的提高，规模的扩大，在工程中液位控制的计算机控制得到越来越多的应用。
液位控制系统的检测及计算机控制已成为工业生产自动化的一个重要方面。
水箱水位控制系统属恒值调解系统，当干扰因素较多时，传统的PID控制难以保证系统的性能指标要求。
模糊控制以其优越的以模糊量实现更优控制的特点可以很好的解决这一问题。
本设计基于模糊控制理论知识实现单容水位控制系统的建模仿真设计。

对一、二级倒立摆进行数学建模，用二次型最优控制引入反馈控制率，用MATLAB编写仿真程序仿真分析得到满足性能指标的最优控制。
结合实验数据对实验结果进行分析。

THB6064H测试板是专门针对步进电机驱动芯片THB6064H量身定做的开发板。
其本身就是一款可以直接使用的步进电机驱动器，用户可以直接用来驱动步进电机，同时，还可以为使用THB6064H芯片开发步进电机驱动器的广大用户提供参考及测试平台，用户可以在其基础上设计、调试、定做出自己的驱动器产品。
其主要参数和性能指标如下：1.信号输入：采用光电隔离器件，直接采用单脉冲和方向信号译码控制模；
有CP、DIR、EN，分别为步进脉冲输入、方向信号输入、使能信号输入；
2.电流0.36A~3.45A可调；
3.电流衰减模式可调；
4.两相正弦细分步进电机驱动，细分1/2，1/8，1/10，1/16，1/20，1/32，1/40，1/64可调；
5.电压输入：功率电压DC24~42V，逻辑电压：DC5V；
6.可实现正反转控制；
7.有复位功能；
8.芯片内部有过热保护（TSD）和过流检测电路。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。