鉴于家用电铲的电子节能控制系统相对落后，提出了一种模糊神经网络的液压挖掘机节能控制系统。于标准模型的模糊神经网络用作控制器。接传播算法（BP算法）用作学习算法。
真结果表明，该控制系统具有良好的稳定性和稳定性，使可变的泵转矩始终跟随发动机转矩并稳定发动机转速，从而达到节能的目的。糊控制是一种不依赖于受控对象的数学模型的人类控制技术。使用了该领域专家的先验知识进行粗略推理，并且神经网络具有了解环境变化的强大能力。过将两者有机地结合并相互学习，便形成了具有模糊推理能力和强大学习能力的模糊神经网络（FNN）。糊神经网络结合了模糊逻辑和神经网络的优点，不仅可以表示定性知识，而且具有自学习和定量数据处理的能力，具有逻辑和逻辑的特点。明，提高学习能力和整个系统的表达能力。力，并且可以轻松地使用已知专家的知识来确定网络的初始参数，因此模糊神经网络已在系统控制领域得到了广泛的应用[1]。文将模糊神经网络引入到挖掘机的节能控制系统中。
据自适应可变泵功率的原理，采用FNN控制器调整可变泵的流量，使其与电动机和可变泵的功率相对应，以达到节能的目的。量。能型液压挖掘机主要使用对工况条件的控制[5]。作时，恒温阀芯在发动机调节的条件下，通过调节可变泵的排量，可以使电动机的输出功率最佳地适应可变泵的吸收功率，从而使发动机转速稳定，减少油耗，节约能源。
：：发动机输出功率（KW）;：发动机扭矩（N·m）;：发动机转速（r / min）;：泵吸收功率（KW）;：泵输出压力（ bar）;:泵输出流量（L）/ min）;:泵排量（mL / r）;:泵速（r / min）;:泵吸收扭矩。此，电机和泵直接连接。果不考虑机械传动的效率，则如果电动机的输出功率等于泵的吸收功率，则系统不会损失功率（即说出最佳功率匹配）。掘机在运行时，负载变化很大，并取决于负载。此，如果不及时控制泵的排量，则会降低发动机转速，或者泵将无法完全吸收发动机的输出功率，这将导致功率损失。等式（2）可以看出，当负载变化时，即实时调节泵的排量，使泵的吸收扭矩与电机输出转矩，保持电机平稳，从而获得电机和泵之间的功率匹配[5]。能控制系统主要解决了挖掘机电动机和变量泵的动力调整问题[3]，其控制思想如下：挖掘机采用对工况的控制。作。义工作条件。运行过程中，负载变化会导致发动机转速发生变化。据速度和变化率的变化，了解操作期间铲土阻力的变化。
糊神经网络的节能控制器控制算法对泵流量进行在线调节，以稳定发动机转速，使发动机始终在定义的最佳工作点运行，在降低油耗和运行效率的同时，还降低了液压系统的压力和流量损失[4]。制系统的结构框图如图1所示。能控制系统采用闭环控制来设置给定的速度值，电动机的实际速度由速度传感器测量得出偏差。计的模糊神经网络用于控制比例阀，比例阀控制液压泵的运动以改变液压。的排量允许可变泵吸收扭矩，以便始终跟随发动机的输出扭矩并稳定发动机转速，从而达到节能的目的。糊神经网络节能控制器选择电动机速度误差和误差变化率作为输入语言变量，基本模糊集取8个变量{NB，NM ，NS，NO，PO，PS，PM，PB}，量化后让我们取{-6，-5，-4，-3，-2，-1，-0， 0，1，2，3 ，4，5，6}，量化因子。本模糊集采用7个变量{NB，NM，NS，0，PS，PM，PB}，而语音的量化范围采用{-6，-5，-4，-3，-2，- 1.0、1，2，3，4，5，6}，量化系数。得56条模糊规则；将控制变量泵的斜盘斜盘电量的变化用作输出语言变量，并且在7种语言变量级别（相同级别划分）中也将其模糊。果考虑到发动机转速误差和误差变化率，则结数为2。二层是模糊层。公式中，和分别代表隶属函数的中心和宽度。三层是规则层。一层有56个神经元。个神经元代表从挖掘机操作员的经验得出的控制规则（请参见表1），这是挖掘机节能控制系统的关键。层的作用是匹配模糊规则的先例，计算每个规则的适用性，代表模糊规则的规则强度，并将这些力传递给下一层。四层是标准化处理。五层是输出层。中，最后一层的权重可以通过学习算法进行调整。系统的每个条目的模糊划分的数目是预定的，并且要学习的参数是最后一层的连接权重以及模糊层的隶属函数的中心值和宽度。上参数是使用BP算法[1，2]进行调整的。中，学习样本的数量，受控对象的预期输出和实际输出。了验证基于该模糊神经网络的挖掘机节能控制器的合理性，根据由泵和电动机组成的系统的数学模型，使用MATLAB7.4对其进行了仿真。
先，对基于标准模型的模糊神经网络控制器进行离线训练。用的样本是根据表1中显示的模糊控制规则从模糊控制查询表中得出的。就是说，将模糊命令查找表中的每组匹配项转换为一组神经网络输入和输出样本，总共14×13 = 182个样本。
经网络最后一层的权重是[-1， 1]之间的随机值，采用高斯函数中心的初始值，宽度始终取为4，并且网络的学习参数被采取。目标学习误差为0.01时，停止学习，此时记录高斯函数的权重和参数，并根据上述模糊神经网络的结构，编制训练后的参数通过matlab语言[7]在S功能模块中使用。模块还表示要设计的模糊神经网络控制器，它连接到simlink系统（如图1所示），输出单元的阶跃响应曲线如图3所示。（图3）和（图4）之间的比较表明，可变模糊神经网络控制泵具有更快的响应速度，更少的过冲，并且系统稳定性优于传统的PID控制。负载突然变化且发动机转速发生变化时，模糊神经网络节能控制器可以快速改变泵的排量，从而使可变的泵吸收扭矩始终遵循发动机输出扭矩，稳定发动机转速，最终实现节能。
于基于神经网络的模糊控制主要使用神经网络将模糊规则存储在模糊控制表中，因此无需搜索表并节省内存空间。时，神经网络具有学习和关联功能，因此在控制铲子的节能过程中，当误差及其变化率对应于采样点时。控制器直接复制存储的“原理”；当与样品不匹配时，控制该设备使用联想提供的类似“原理”处理对系统执行连续的模糊控制。糊神经网络被应用于挖掘机的节能控制系统中，大大提高了控制系统的智能水平。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com