战争的发展对火炮的要求越来越高,未来的火炮必须具有机动性,快速性和准确性,能快速瞄准并准确打击目标。在射击和调转时,火炮的负载端会受到复杂且多变的力,对炮控系统的精度造成了影响。电动负载模拟器可以用来实时地模拟负载端的力矩变化,考核系统的性能,还可以缩短研制周期,降低成本。但是负载模拟器内部也存在着许多复杂的非线性环节,造成了多余力矩,对负载模拟器的控制策略进行深入研究,可提高炮控系统的精度,具有重要的理论意义与应用价值。论文主要内容如下:(1)介绍炮控系统电动负载模拟器的结构组成与工作原理并建立其数学模型;通过传递函数分析多余力矩的产生原因;研究并分析系统的非线性因素。(2)电动负载模拟器存在的不确定性以及复杂非线性因素,很难获得一个精准的模型,故采取采用逼近能力强的RBF神经网络对系统进行辨识。分别选取梯度下降法和粒子群算法作为RBF神经网络的学习算法。最后通过半实物仿真验证表明采用粒子群算法优化的RBF神经网络能获得比前者更高的精度。(3)考虑到滑模变结构控制在面对外部干扰以及参数摄动时的不变性优点,采用其对炮控系统电动负载模拟器进行控制。分别采用积分切换增益和模糊神经网络这两种方法来调节滑模的切换项,达到削弱抖振的目的。最后通过MATLAB仿真实验表明:在模糊神经网络滑模控制策略下,系统具有更高的力矩加载精度、快速性以及稳定性。(4)介绍并搭建半实物仿真平台对控制策略进行验证,得出结论:模糊神经网络滑模控制策略具有较高的控制精度,满足系统的性能要求。