静态补偿电压仿真模型（Harnefors Observer）Matlab 2020b版本 该观测器来源Harnefors教授lunwen 《Synchronization at startup and stable rotation reversal of sensorless nonsalient PMSM drives》中提到的观测器 该观测器有以下优势： 1.理论上完全证明了初始角度无论误差多大都能保证最终估算角度收敛。 2.lunwen中提供的参考C代码就十行左右，原理清楚，结构简单。 3.只有一个LAMBDA参数需要调整，文章上也给出了建议范围，即略微大于2，相当于基本不需要调参，观测器通用性非常强。 4.启动及低速控制对定子电阻变化不敏感。 仿真模型特点： 1.仿真模型使用离散化模型，与真实数字化执行结果相近。 2.仿真模型使用标幺化形式，方便替电机参数观测仿真结果。 3.lunwen中分析的仅用于表贴式电机，仿真模型使用有效磁链概念拓展到表贴和内嵌电机通用。 4.M文件中提供了电机初始角度参数，可任意设定初始角度，观察观测器角度收敛情况。 实际仿真：任意初始角度都可以启动

基于MATLAB编程的无人船操纵性实验仿真研究：回转仿真与Z型实验仿真应用，采用mmg模型与KVLCC2模型，注释详尽易懂，适合新手学习与拓展的实践教程,基于MATLAB的无人船操纵性实验仿真研究：回转与Z型实验的mmg模型KVLCC2实践与详解,无人船操纵性实验仿真 包括回转仿真和Z型实验仿真 MATLAB编程实现，mmg模型 KVLCC2模型 注释很详细 适合新手学习且易扩展 联系~~~ ,无人船操纵性实验仿真; 回转仿真; Z型实验仿真; MATLAB编程实现; mmg模型; KVLCC2模型; 注释详细; 新手学习; 易扩展。,无人船操纵仿真实验：回转与Z型实验的MATLAB实现与扩展

基于FPGA的Cortex-M3 MCU系统：带AHB APB总线与UART硬件RTL源码，支持ARMGCC与SWD仿真调试，扩展功能丰富的MCU开发平台（暂不含DMA和高级定时器）,基于FPGA的Cortex-M3 MCU系统：RTL源码工程，含AHB APB总线、UART串口、四通道定时器，配套仿真与驱动，可扩展用户程序与IP调试功能（非DMA和高级定时器版本）,FPGA上实现的cortex-m3的mcu的RTL源码，加AHB APB总线以及uart的硬件RTL源代码工程 使用了cortex-m3模型的mcu系统，包含ahb和apb总线，sram，uart，四通道基本定时器，可以跑armgcc编译的程序。 带有swd的仿真模型。 可以使用vcs进行swd仿真读写指定地址或寄存器。 带有的串口uart rtl代码，使用同步设计，不带流控。 带有配套的firmware驱动，可以实现收发数据的功能。 带有的四通道基本定时器，可以实现定时中断，具有自动reload和单次两种模式。 用于反馈环路实现、freertos和lwip等时基使用。 暂时不包括架构图中的DMA，高级定时器和以太网，后期

微型燃气轮机Simulink建模下的参数分析与控制策略优化研究,100kW微型燃气轮机Simulink建模，微燃机包括压缩机模块、容积模块、回热器模块、燃烧室模块、膨胀机模块、转子模块以及控制单元模块。 考虑微燃机变工况特性下的流量、压缩绝热效率、膨胀绝热效率、压缩比、膨胀比等参数的变化，可以观察变负载情况下微燃机转速、燃料量、发电效率、排烟温度等等参数的变化情况。 控制器主要包括转速控制、温度控制和加速度控制。 每一个控制环节输出一个燃料基准，经过最小值选择器后作为燃料供给系统的输入信号。 ,核心关键词： 1. 100kW微型燃气轮机 2. Simulink建模 3. 微燃机模块 4. 变工况特性 5. 流量参数 6. 绝热效率 7. 膨胀比 8. 转速 9. 燃料量 10. 发电效率 11. 排烟温度 12. 控制器 13. 转速控制 14. 温度控制 15. 燃料基准,"基于Simulink建模的微型燃气轮机多模块协同控制研究"

基于MATLAB的自适应容积卡尔曼滤波(ACKF_Q)源代码：优化状态协方差Q的估计误差降低技术,【ACKF_Q】基于MATLAB的自适应ckf（容积卡尔曼滤波）源代码，通过自适应状态协方差Q来实现，得到了比传统方法更低的估计误差。 适用于Q无法获取、估计不准、变化不定的情况。 只有一个m文件，方便运行，包运行成功 ,基于MATLAB; 自适应ckf; 容积卡尔曼滤波; 自适应状态协方差Q; 估计误差; 无法获取Q; 估计不准确; 变化不定的Q情况; m文件实现。,自适应容积卡尔曼滤波(ACKF)源码：误差更低，状态协方差Q自适应调整

基于遗传算法的动态柔性作业车间调度问题：重调度策略与优化结果分析,遗传算法 动态柔性作业车间调度问题fjsp 重调度，动态调度，车间调度，优化结果良好，算法模块化python 编程，可供后期灵活修改。 基于 ga算法的柔性作业车间 机器故障重调度 右移重调度。 完全重调度 ,遗传算法; 动态柔性作业车间调度问题(FJSP); 重调度; 动态调度; 机器故障重调度; 右移重调度; 完全重调度; 算法模块化; Python编程。,"GA算法在动态柔性作业车间的重调度优化策略" 在现代制造业的车间调度领域中，动态柔性作业车间调度问题（Flexible Job Shop Scheduling Problem, FJSP）是其中最为复杂和具有挑战性的问题之一。该问题涉及在不断变化的生产环境中，对多种不同的作业进行有效的时间分配和资源分配，以期达到最优化的生产效率和最低的制造成本。随着信息技术的发展，传统的静态调度方法已经无法满足快速响应市场变化的需求，因此，动态调度和重调度策略的研究变得日益重要。 遗传算法（Genetic Algorithm, GA）作为一种模拟自然选择和遗传学机制的搜索和优化算法，因其在处理复杂问题和大规模搜索空间中的独特优势而被广泛应用于动态FJSP的求解。通过模拟生物进化过程中的选择、交叉和变异操作，遗传算法能够在多次迭代中逐渐找到问题的近似最优解。 在动态FJSP中，作业的到达时间、机器的故障、订单的取消和变更等都是经常发生的情况，这些动态变化要求调度系统能够迅速做出反应，并调整原有的调度计划，以适应新的环境。因此，重调度策略的设计变得至关重要。重调度策略可以分为几种不同的类型，包括右移重调度、完全重调度等，每种策略都有其特定的应用场景和优缺点。 右移重调度策略主要关注在不改变作业顺序的前提下，对受影响的作业进行时间上的调整。这种策略的优点在于能够保持作业顺序的稳定性，避免造成生产计划的混乱，但其缺点是可能导致部分资源的利用率下降。完全重调度则是当系统发生重大变化时，对所有作业的调度计划进行重新规划，虽然这种策略能够充分利用系统资源，但其计算代价相对较大，需要快速高效的优化算法支撑。 在优化结果方面，遗传算法在动态FJSP中能够找到质量较高的调度方案。优化结果的良好不仅表现在生产效率的提高和制造成本的降低上，还体现在算法自身的性能上，如收敛速度和解的多样性。为了进一步提升遗传算法在动态FJSP中的应用效果，算法的模块化设计和Python编程的使用成为关键。模块化设计使得算法结构清晰，便于后期的维护和修改，而Python编程则因其简洁和高效的特点，为算法的快速开发和运行提供了良好的支持。 遗传算法在动态柔性作业车间调度问题中的应用，特别是在动态调度和重调度策略方面的研究，已经成为提升制造业生产调度智能化和自动化水平的重要途径。通过不断优化算法结构和提高计算效率，可以为解决实际生产中的动态调度问题提供科学的方法论指导和技术支持。