计算机控制系统AD实验报告,计算机控制系统实验报告-幽兰芷香.docx

实验一模拟式小功率随动系统的实验调试 实验二AD/DA接口的使用和数据采集 实验三 米样系统的构成及中断使用 实验四 计算机控制系统的实验调试

计算机控制系统

实验报告

目录

TOC \o "1-5" \h \z \o "Current Document" 实验一模拟式小功率随动系统的实验调试 3

\o "Current Document" 一实验目的:3

\o "Current Document" 二实验内容:3

\o "Current Document" 三实验设备:3

\o "Current Document" 四实验原理及步骤 3

\o "Current Document" 五?实验数据记录 5

\o "Current Document" 思考题: 8

\o "Current Document" 实验感想 8

\o "Current Document" 实验二A/D接口的使用和数据采集 9

\o "Current Document" 一、实验目的: 9

\o "Current Document" 二、实验内容:9

\o "Current Document" 三、实验设备 9

\o "Current Document" 四、试验流程图 9

\o "Current Document" 五、A/D实验中输入电压与偏移二进制码对应关系: 10

\o "Current Document" 六、A/D接口实验结果分析 11

\o "Current Document" 七、思考题11

\o "Current Document" 八、实验感想 11

\o "Current Document" 实验三 中断及采样周期的调试 12

\o "Current Document" 一、实验目的 12

\o "Current Document" 二、实验内容12

\o "Current Document" 三、实验设备12

\o "Current Document" 四、实验步骤12

\o "Current Document" 五、实验数据12

\o "Current Document" 六、思考题 13

\o "Current Document" 七实验感想13

\o "Current Document" 实验四计算机控制系统的实验调试 14

\o "Current Document" 一、实验目的 14

\o "Current Document" 二、实验设备14

\o "Current Document" 三、实验内容14

\o "Current Document" 四、实验原理及步骤 14

\o "Current Document" 五、实验数据及处理 16

\o "Current Document" 六、实验现象记录及分析 21

\o "Current Document" 六、思考题 23

\o "Current Document" 七、实验感想 24

\o "Current Document" 实验总结24

量子粒子群优化算法整定手臂各转动副PID参数24

\o "Current Document" 最终程序27

实验一模拟式小功率随动系统的实验调试

一实验目的:

熟悉反馈控制系统的结构和工作原理,进一步了解位置随动系统的特点。

掌握判别闭环系统的反馈极性的方法。

了解开环放大倍数对稳定性的影响及对系统动态特性的影响,对静态误差

的影响。

二实验内容:

连接元件构成位置随动系统;

利用计算机内的采样及显示程序,显示并分析输出的响应结果;

反复调试达到设计要求.

三实验设备:

XSJ-3小功率直流随动系统学习机一台

DH1718双路直流稳压电源一台

4 1/2 数字多用表一台

四实验原理及步骤

模拟式小功率随动系统结构如图所示

伺服系统结构框图

调试步骤如下:

零位调整。为了保证精度,同时判断运放是否好用,在连接成闭环系统之前进行零 位的调整。首先,把三个运放负相端输入电阻接地,并使其增益为1(利用电阻调整), 再利用运放上方的调零旋钮,使输出端输出为 0;然后将电位计两端接上土 10V电压 后,用数字电压表测其电刷输出,旋转之,使其电刷输出为 0,并同时调整刻度盘零 点于0点。

开环工作状态:断开反馈电为计,加入给定电压,使电压从小到大,当信号大时, 电机转速高,信号反极性时,电机反转。

反馈极性判断。 首先判断测速机反馈极性。在一级运放处加一电压(正或负),记 住电机转

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值