关于磁流变阻尼器神经网络模型设计分析.docVIP

关于磁流变阻尼器神经网络模型设计分析本文研究的目的在于针对MR阻尼器的高度非线性特性,采用非线性控制装置MR阻尼器的神经网络模型来模拟其逆向动特性,并设计与之相适应的神经网络(NNC)控制系统。根据输入输出数据训练的结构辨识神经网络模型,在给定MR阻尼器的位移、速度和理想的阻尼力情况下,可以预测出所需的输入电压,从而使MR阻尼器产生近似于理想的阻尼力,实现控制结构响应的目的。结合神经网络控制系统应用于结构的半主动控制。仿真分析验证了这种控制方法和建模方法的有效性。 一、神经网络半主动控制策略 半主动控制由于具有耗能少且控制效果与主动控制相当等优点而受到国内外研究者的重视,也发展了不少控制算法。但是这些算法存在一个共同的缺点,即简化模型假设,这主要是因为建筑结构本身是无限自由度体系,不可避免要进行模型简化或降阶处理才能应用于结构控制当中;这种简化模型与实际建筑结构的动力特性的相似程度将直接影响到结构振动控制性能的优劣。更重要的是,由 于结构半主动控制从本质上说是一种继电型控制,即结构状态在由控制器开关所形成的组合状态之间切换来避免与外载荷发生共振以达到控制的目的,因此其是一种强非线性运动;由非线性理论可知,轻微的挠动都会使结构的运动状态偏离平衡位置,从而极有可能造成结构控制的失稳。而且由于控制装置一般都是机械装置,其与结构在切换时不可避免存在相互作用,如果不将这些影响因素考虑在内,无疑对控制性能产生影响。 本文提出一种基于人工神经网络的结构MR阻尼器半主动控制方法。首先利用神经网络(NNI2)直接对结构建模,从根本上避免了由于建模误差以及土-结构相互作用、控制器-结构相互作用等影响因素对结构动力性能改变所造成的误差;然后设计神经网络控制器,产生每一时刻使结构响应最接近于最优主动控制效果的神经网络控制力;接着将结构的响应和神经网络控制力输入MR阻尼器逆向神经网络模型,产生的输出就是在当时的结构响应条件下,为了使MR阻尼器产生与理想控制力一致的阻尼力所需要的输入电压,该电压输入给MR 阻尼器使之产生近似于理想的控制力作用到结构上, 从而降低结构响应, 实现结构控制的目的。 在本文的神经网络控制中,采用神经网络在线实时辨识与另一个神经网络控制器共同作用的方式,构成一种间接神经网络控制结构。这种结构相当于一种内模控制,神经网络辨识的目的是为控制器权值的调整提供系统的Jacobi矩阵。在理论上,如果存在一个收敛的神经网络辨识权值WNNI和神经网络控制权值WNNC,能够保证系统均方收敛,那么当辨识网络收敛到WNNI、控制器网络收敛到WNNC时,系统控制收敛。 二、神经网络辨识器 首先训练结构神经网络辨识器,网络模型是对地震波作用下在采用LQR最优主动控制时结构的动力特性进行辨识。这里取结构在人工模拟地震波a作用下采用LQR最优主动控制时结构动力响应的前6秒数据作为神经网络的学习样本对结构进行离线辨识。 设计BP网络节点为13-9-5,输入层取为当前和前一时刻结构一层的位移、速度响应,顶层的位移、速度、加速度响应和人工模拟地震波a的加速度数值,以及下一时刻人工模拟地震波a的加速度数值;输出层取为在主动最优控制时下一时刻一层的位移、速度响应,及顶层的位移、速度、加速度响应,利用Levenberg-Marqardt算法对网络进行训练。训练时,为减少训练次数,将数据调整为同一数量级,将地震波加速度数值乘以10-3。网络训练2000步后,误差达到6×10-8。 三、神经网络控制器 神经网络辨识器训练完后接下来开始训练神经网络控制器,神经网络控制器的输入即为神经网络辨识器的输出和相应时刻的人工地震波加速度数值。设计BP网络节点为6-9-1,输入层为神经网络辨识器输出的一层的位移、速度响应,顶层的位移、速度、加速度响应,以及对应时刻的人工地震波a的加速度数值;输出层取为下一时刻以LQR最优主动控制力为目标的神经网络控制力,利用Levenberg-Marqardt算法对网络进行训练。训练时,为减少训练次数,同样将地震波加速度数值乘以10-3。网络训练2000步后,误差达到0.1。训练完成后,在实际控制中,神经网络控制器NNC根据神经网络辨识器预测输出的结构响应和输入结构的地震载荷大小,即可输出使控制效果接近于最优主动控制时的神经网络控制力。 四、半主动控制效果仿真 这时我们再将由Penzine(1975)提出的过滤白噪声的加速度功率谱密度模型生成的人工模拟地震波b作用下时由神经网NNI2输出的结构一层的位移、速度预测响应及由神经网络控制器所输出的神经网络控制力输入MR阻尼器逆向神经网络模型中,设MR阻尼器的初始电压输入为1.5 V。 在本文算例中神经网络MR阻尼器控制对顶层位移峰