摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-21页 |
1.1 论文研究的课题来源 | 第10页 |
1.2 课题的背景及研究意义 | 第10-12页 |
1.2.1 挖泥船的发展趋势 | 第10-11页 |
1.2.2 国内挖泥船自动化水平低 | 第11-12页 |
1.3 国内外关键技术研究现状 | 第12-19页 |
1.3.1 抓斗平挖的运动学研究 | 第12-14页 |
1.3.2 模糊神经网络PID控制器的研究 | 第14-17页 |
1.3.3 Adams与Simulink联合仿真技术研究 | 第17-19页 |
1.4 论文的主要研究内容 | 第19-21页 |
第2章 挖泥船控制器基础控制理论 | 第21-33页 |
2.1 控制器的模糊控制理论 | 第21-25页 |
2.1.1 模糊控制原理 | 第21-22页 |
2.1.2 模糊集合及隶属度函数 | 第22-23页 |
2.1.3 模糊规则及判决方法 | 第23-25页 |
2.2 控制器的神经网络理论 | 第25-29页 |
2.2.1 神经网络简介 | 第25-26页 |
2.2.2 神经网络结构的选择 | 第26-27页 |
2.2.3 前向型网络算法比较 | 第27-29页 |
2.3 模糊控制与RBF网络结构的融合 | 第29-32页 |
2.3.1 模糊系统与神经网络的比较 | 第29-30页 |
2.3.2 模糊神经网络结构的选取 | 第30-32页 |
2.4 本章小结 | 第32-33页 |
第3章 挖泥船控制器模糊神经网络的设计 | 第33-45页 |
3.1 挖泥船智能控制器的控制策略 | 第33-34页 |
3.1.1 挖泥船抓斗平挖特性 | 第33页 |
3.1.2 挖泥船平挖控制器设计要求 | 第33-34页 |
3.1.3 挖泥船平挖控制器的控制方法 | 第34页 |
3.2 挖泥船平挖控制器模糊系统参数的确定 | 第34-40页 |
3.2.1 模糊神经网络输入输出的确定 | 第34-36页 |
3.2.2 输入输出变量的语言值域及相关隶属度函数的确定 | 第36-38页 |
3.2.3 建立模糊控制规则库 | 第38-40页 |
3.3 模糊神经网络的网络结构与学习算法 | 第40-44页 |
3.3.1 FANN控制器的结构 | 第40-42页 |
3.3.2 RBF自学习算法 | 第42-44页 |
3.4 本章小结 | 第44-45页 |
第4章 挖泥船平挖控制器的设计与MATLAB仿真 | 第45-55页 |
4.1 模糊神经网络控制器的训练 | 第45-49页 |
4.1.1 模糊神经网络的自学习算法编程 | 第45页 |
4.1.2 模糊神经网络参数的整定 | 第45-49页 |
4.2 抓斗平挖运动的数学模型 | 第49-51页 |
4.2.1 试验台抓斗模型 | 第49-50页 |
4.2.2 运动学方程的建立 | 第50-51页 |
4.3 平挖智能控制器的Simulink模型 | 第51-54页 |
4.3.1 Simulink简介 | 第51页 |
4.3.2 智能控制器在Simulink中的仿真 | 第51-54页 |
4.4 本章小结 | 第54-55页 |
第5章 MATLAB和ADAMS的抓斗运动联合仿真 | 第55-69页 |
5.1 联合仿真模型建立 | 第55-59页 |
5.1.1 软件介绍 | 第55-56页 |
5.1.2 抓斗ADAMS动力模型的建立 | 第56-59页 |
5.1.3 抓斗的Simulink控制模块的建立 | 第59页 |
5.2 MATLAB和ADAMS联合仿真 | 第59-64页 |
5.2.1 确定模型间的输入输出状态变量 | 第59-61页 |
5.2.2 建立关联并导出控制参数 | 第61-64页 |
5.3 联合仿真及结果分析 | 第64-67页 |
5.3.1 进行联合仿真 | 第64-65页 |
5.3.2 仿真结果分析 | 第65-67页 |
5.4 仿真结果与试验验证 | 第67-68页 |
5.4.1 试验方案 | 第67页 |
5.4.2 试验结果与验证 | 第67-68页 |
5.5 本章小结 | 第68-69页 |
第6章 总结与展望 | 第69-71页 |
6.1 总结 | 第69-70页 |
6.2 展望 | 第70-71页 |
致谢 | 第71-72页 |
参考文献 | 第72-75页 |
攻读硕士期间发表的论文与科研成果 | 第75-76页 |
附录 模糊神经网络算法程序 | 第76-81页 |