| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究课题的背景和意义 | 第11-12页 |
| 1.2 液压泵分类 | 第12页 |
| 1.3 变量泵变量机构及其控制方法 | 第12-16页 |
| 1.4 液压泵数字控制发展现状 | 第16-18页 |
| 1.5 高速开关阀的发展现状 | 第18-19页 |
| 1.6 论文主要研究内容 | 第19页 |
| 1.7 本章小结 | 第19-21页 |
| 第二章 基于高速开关阀控叶片泵变量控制系统设计 | 第21-35页 |
| 2.1 变量叶片泵及控制特性 | 第21-25页 |
| 2.1.1 变量叶片泵的组成及工作原理 | 第21-22页 |
| 2.1.2 变量叶片泵的控制特性 | 第22-25页 |
| 2.2 高速开关阀及控制分析 | 第25-28页 |
| 2.2.1 高速开关阀及工作原理 | 第25-26页 |
| 2.2.2 高速开关阀控制分析 | 第26-28页 |
| 2.3 叶片泵变量控制方案设计 | 第28-29页 |
| 2.4 叶片泵变量控制系统元件选型 | 第29-32页 |
| 2.4.1 限压式变量叶片泵选型 | 第29-31页 |
| 2.4.2 高速开关阀选型 | 第31-32页 |
| 2.5 本章小结 | 第32-35页 |
| 第三章 叶片泵变量控制系统建模与仿真 | 第35-51页 |
| 3.1 叶片泵变量控制系统流量方程 | 第35-41页 |
| 3.1.1 高速开关阀的开关特性 | 第35-38页 |
| 3.1.2 系统控制油路的流量方程 | 第38-41页 |
| 3.2 PID控制算法的仿真分析 | 第41-50页 |
| 3.2.1 PID控制算法原理 | 第41-44页 |
| 3.2.2 PID控制仿真分析 | 第44-50页 |
| 3.3 本章小结 | 第50-51页 |
| 第四章 基于RBF神经网络的PID复合控制 | 第51-65页 |
| 4.1 神经网络概述 | 第51-54页 |
| 4.1.1 神经元模型 | 第51-52页 |
| 4.1.2 神经元结构 | 第52-54页 |
| 4.2 RBF神经网络 | 第54-57页 |
| 4.2.1 RBF神经网络结构模型 | 第54-55页 |
| 4.2.2 RBF神经网络学习算法 | 第55-57页 |
| 4.3 RBF与PID复合控制 | 第57-64页 |
| 4.3.1 RBF与PID复合控制设计 | 第57-59页 |
| 4.3.2 RBF与PID复合控制实现 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于神经网络的自适应PID控制 | 第65-87页 |
| 5.1 基于单神经元自适应的PID控制 | 第65-75页 |
| 5.1.1 单神经元自适应PID控制设计 | 第65-67页 |
| 5.1.2 无监督Hebb学习规则的PID控制实现 | 第67-69页 |
| 5.1.3 有监督Delta学习规则的PID控制实现 | 第69-72页 |
| 5.1.4 有监督Hebb学习规则的PID控制实现 | 第72-75页 |
| 5.2 基于RBF神经网络辨识的自适应PID控制 | 第75-86页 |
| 5.2.1 神经网络系统辨识简介 | 第75-76页 |
| 5.2.2 RBF神经网络辨识自适应PID控制设计 | 第76-79页 |
| 5.2.3 RBF神经网络辨识自适应PID控制实现 | 第79-86页 |
| 5.3 本章小结 | 第86-87页 |
| 第六章 结论与展望 | 第87-89页 |
| 6.1 结论 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 致谢 | 第89-91页 |
| 参考文献 | 第91-95页 |
| 附录A 攻读硕士论文期间发表的论文 | 第95页 |
