抓斗挖泥船平挖的智能控制及仿真.pdf

《抓斗挖泥船平挖的智能控制及仿真.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、抓斗挖泥船平挖的智能控制及仿真欧阳辉肖汉斌严怀余路世青武汉理工大学武汉430063摘要：设计了一种基于模糊神经网络的PID控制器，将其运用到大型抓斗挖泥船平挖控制系统中。该系统建立一个两输入三输出的模糊神经网络，并提供样本进行自学习。在Simulink中对基于模糊神经网络的PID控制系统和常规PID控制系统进行平挖运动仿真，结果表明，与常规控制相比，该网络能使系统的响应更为迅速，超调量小，鲁棒性强。关键词：抓斗挖泥船；模糊神经网络；自学习；Matlab仿真中图分类号：TP183文献标识码：A文章编号：1001—0785(2014)

2、05—0010—04Abstract：PIDcontrollerisdesignedinthisstudybasedonfuzzyneuralnetwork，whichisappliedtothecontrolsys—temoflarge—scalegrabdredgers．The2-input3-outputfuzzyneuralnetworkisbuiltinthesystem，providedwithspecimensforself-study．Thefiat—diggingmotionsimulationisperform

3、edforPIDcontrolsystembasedonfuzzyneuralnetworkandnormalPIDcontrolsysteminSimulink．Theresultshowsthatthisnetworkcanprovidefasterresponse，smallerovershoot，andstrongrobustness，comparedwiththenormalcontrolsystem．Keywords：grabdredger；fuzzyneuralnetwork；self-study；MatlabSim

4、ulation练过程中，初始训练数据不能利用已有的经验，0引言只能从随机值开始，并且收敛速度较慢，且容易我国长江和沿海港口航运事业的高速发展，形成局部极值。促使对航道疏浚的要求越来越高。迄今为止，大模糊控制和神经网络都属于智能控制系统，型水上挖泥设备几乎完全依赖进口，不但价格高，但各有优缺点，使其相互补充，融合形成模糊神维修困难，而且还不能满足国内需求，严重制约经网络控制器。该控制器对非线性系统具有良好了我国内河及海洋施工的发展。的控制效果，能够根据系统输入的变化，及时调在挖泥船作业的过程中，风力、海浪、洋流整自身参数。其控制灵活

5、，鲁棒性强，具有很高等的影响，海底地形及地质的复杂性，船体的摇的应用前景¨。晃、振动等因素，都将影响抓斗的挖掘精度。因1模糊神经网络的建立此，本文设计了一种基于模糊神经网络的智能PID控制器，通过实时控制，实现抓斗的平挖运动，1．1基于模糊神经网络的智能控制器的建立达到对挖掘精度的控制。这对于提高海洋工程的该模糊神经网络PID控制系统(见图1)中控质量有着重要意义。制器的输入为平挖偏差e和平挖偏差变化率ec，经模糊控制是将人类的工作经验总结成若干规过模糊神经网络处理后输出、、，带人PID则，然后将这些规则运用于模糊推理中。模糊控控

6、制器中经过数据处理后得到输出。通过电机调制具有较强的结构性知识表达能力，但这只是人整出绳量，从而完成对抓斗平挖精度的控制。在为的规定，由于缺乏精确的隶属度函数，其控制一定的采样周期内通过传感器不断地获取抓斗斗精度并不高，当控制对象参数发生改变时，不能尖位置的变化情况，将斗尖的位移变化反馈给输对控制规则进行有效调整。入，然后与期望值进行比较，将差值作为下次的神经网络由多个神经元经权值连接而成，具输入，重新调整控制参数，直至达到预定的挖掘有强大的自学习能力、记忆及容错能力。但在训精度国家“863”高技术研究发展计划基金(2012AAI

7、12603)一10一《起重运输机械》2014(5)训练后，训练出最优化的高斯隶属度函数均值和标准差、网络的权值，得到一个优化的模糊神经网络控制器。输入：，=D’Di=1，2，⋯，49；_，=1，2，⋯，7；k=7，8，⋯，14。输出：0：=ai=1，2，⋯，49图1智能控制器结构图(3)1．2模糊神经网络的建立式中，a为隐含层输出的激励函数，这里采用如图2所示，输人为反馈的抓斗的挖掘深度5型函数与给定输入信号的误差e以及误差的变化率ec。输=(4)出为PID控制器的3个参数。设为各层神经元的输入信号，0为其输第四层：解模糊化层。该

8、层有3个神经元节出，‘为相应各层的连接权值]。各个输入为点，采用重心法。连接权值。¨为一个3×49的／(，，⋯，；，，⋯，)矩阵，该层的输出值即为该矩阵乘以第三层的输式中：k表示层数。输出为0’=a(，表示出值。将权值矩阵的第一行与上一层对应的输出