一种改进的线性最优半主动控制方法技术

本发明专利技术涉及一种改进的线性最优半主动控制方法，由于MR阻尼器具有强非线性，需要通过调节其控制电流或电压实现对阻尼力的控制。为此，该控制方法由改进的线性最优控制器（LQR)和自适应神经模糊推理系统（ANFIS）逆向模型这两级控制器组成。首先，采用乌鸦搜索算法（CSA)对LQR控制器进行优化设计；然后利用优化后的LQR控制器计算减振所需的理想控制力；最后，将理想控制力作为ANFIS逆向模型的输入，并采用基于帝国竞争算法(ICA)的混合训练算法对ANFIS进行改进，使其精确输出磁流变阻尼器的控制信号。本发明专利技术可以提高MR阻尼器的电流预测精度，可以弥补现有的线性最优半主动控制的控制效果不足的缺陷，从而增强MR阻尼器的减振效果。

An improved linear optimal semi-active control method

【技术实现步骤摘要】
一种改进的线性最优半主动控制方法
本专利技术涉及人工智能、半主动控制领域，特别是一种改进的线性最优半主动控制方法。
技术介绍
磁流变阻尼器是一种智能的半主动控制装置，它具有失效安全性高、响应快、出力大、能耗低等诸多优点。但是，由于其阻尼力具有明显的滞回特性和复杂的非线性，因此只能通过控制阻尼器的电流或电压才能间接地控制阻尼力。针对基于磁流变阻尼器的建筑结构减震需求，为了使磁流变阻尼器的优良减震特性得到充分发挥，需要对基于磁流变阻尼器的半主动控制算法进行深入研究。线性二次型最优控制(LQR)是一种适用性很强的最优控制，已被广泛运用于振动控制中，也常用作基于磁流变阻尼器的半主动控制系统中的主动控制器，又称第一级控制器，它负责计算理想控制力。但LQR的设计关键在于LQR加权矩阵Q和R的确定，如果加权矩阵选取不当，会造成控制装置无法发挥最优性能，从而影响振动控制效果，甚至对受控系统产生不利的影响。但是，目前在基于磁流变阻尼器的LQR控制中，加权矩阵的设计过程大多依赖人工经验和领域专家的先验知识，这种人工设计效率很低且不能保证获得理想的控制效果。此外，在半主动控制系统中，逆向模型是常见的阻尼器控制器，又称第二级控制器，其作用是根据理想控制力计算磁流变阻尼器的控制信号，使阻尼力尽可能逼近理想控制力。参数化逆向建模方法虽然操作简单，但是往往忽略了磁流变阻尼器的滞环非线性因素，建模精度很有限。作为一种非参数化智能建模策略，ANFIS虽然兼具了神经网络和模糊系统的优点，且建模精度优于参数化建模，但标准ANFIS建模技术存在算法上的缺陷，即其自带的混合训练算法容易陷入局部最优解，影响了模型精度和系统泛化能力的提高。因此，为了建立更精确的磁流变阻尼器逆向模型，亟待对标准ANFIS进行改进。目前，利用进化算法对LQR和ANFIS进行改进已成为一项研究热点。有人为了控制电流源型STATCOM具有良好的动态性能，提出采用遗传算法调节LQR的加权矩阵(例如参见欧洲专利CN106707752A)。有人提出利用遗传算法优化用于预测电能能耗的ANFIS模型(例如参见欧洲专利EP20110382260)。但是遗传算法是一种全局优化算法，容易陷入局部最优解。
技术实现思路
有鉴于此，本专利技术的目的是提出一种改进的线性最优半主动控制方法，将乌鸦搜索算法和帝国竞争算法引入半主动控制器设计中，使得LQR控制器和ANFIS逆向模型的参数得到优化，能有效解决主动控制器的加权函数难以确定的问题，并克服ANFIS逆向模型的原始训练算法的缺陷，从而提高基于磁流变阻尼器的结构减振的效果。本专利技术采用以下方案实现：一种改进的线性最优半主动控制方法，具体包括以下步骤：步骤S1：针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程，推导其状态空间方程，并将结构响应作为LQR控制器的输入；步骤S2：设计适当的优化目标函数，利用乌鸦搜索算法设计LQR控制器，求解理想控制力；步骤S3：确定ANFIS的结构，从而确定待优化的ANFIS的隶属函数参数和模糊规则参数的数量；步骤S4：准备训练数据，其中通过磁流变阻尼器的Bouc-Wen正向模型获得阻尼力；步骤S5：采用帝国竞争算法对ANFIS的训练算法进行改进，得到最优的ANFIS逆向模型；步骤S6：基于步骤S2的理想控制力，利用最优的ANFIS逆向模型计算控制电流i(k)；步骤S7：将控制电流i(k)作为磁流变阻尼器的输入，使其输出阻尼力，实现对建筑结构的半主动控制。本专利技术考虑到磁流变阻尼器具有强非线性，其控制电流往往难以精确确定的问题，提出了由改进的线性最优控制器(LQR)和自适应神经模糊推理系统(ANFIS)逆向模型这两级控制器组成半主动控制算法。首先，采用乌鸦搜索算法(CSA)对LQR控制器进行优化设计；然后利用优化后的LQR控制器计算减振所需的理想控制力；最后，将理想控制力作为ANFIS逆向模型的输入，并采用基于帝国竞争算法(ICA)的混合训练算法对ANFIS进行改进，使其精确输出磁流变阻尼器的控制信号。本专利技术可以提高MR阻尼器的电流预测精度，可以弥补现有的线性最优半主动控制的控制效果不足的缺陷，从而增强MR阻尼器的减振效果。进一步地，步骤S2具体包括以下步骤：步骤S21：确定优化目标函数Obj和适应度函数F，其中所述多目标函数如下所示：Obj＝w1×J1+w2×J2+w3×J3；其中，式中，xi(t)、xdi(t)和分别是受控时第i层的相对位移、层间位移和绝对加速度；xunc、xd,unc和分别是无控时的最大相对位移、最大层间位移以及最大绝对加速度；J1、J2和J3是分别使最大相对位移、最大层间位移和最大绝对加速度最小化的单目标函数，w1、w2以及w3是反映相对重要性的权重系数；在乌鸦搜索算法中，将该多目标函数作为适应度函数F；由于这是求最小解的问题，因此在优化过程中适应度越小越好；步骤S22：根据受控对象的属性和控制目标，经过推导计算，确定LQR控制器中加权矩阵Q和R的结构、矩阵中待优化参数的数量和取值范围；步骤S23：初始化乌鸦搜索算法的参数，包括种群大小N、迭代次数K、感知率AP、飞行距离FL，并随机产生初始种群X(0)＝(X1,X2,...,XN)，并令其为初始M(0)＝(M1,M2,...,MN)；令i＝1，cycle＝1；步骤S24：依次计算最优反馈矩阵G、控制力和适应度函数值f(Xi)，若控制力超出磁流变阻尼器的最大量程，则令f(Xi)＝1；步骤S25：进行解Xi的更新操作，判断其有效性，并在重复步骤S24的操作后进入步骤S26；步骤S26：判断f(Xi)是否有改善，若是，则用Xi更新其记忆Mi，否则令Mi保持原值；步骤S27：如果i＜N，则令i＝i+1，并重复步骤S25至步骤S26，直至i＝N时记录本轮迭代最优解，并进入步骤S28；步骤S28：如果cycle＜K，则令cycle＝cycle+1，并重复步骤S25至步骤S27，直至cycle＝K，输出最优解，即得到加权矩阵Q和R的优化参数，并求解理想控制力。进一步地，步骤S3具体为：所述ANFIS结构中的逆向模型是一个四输入单输出的系统，其中输入包括当前时刻的位移x(k)、速度阻尼力f(k)以及上一时刻的电流i(k-1)，输出为预测电流较佳的，每个输入参量的隶属函数的数量为3，根据预设的ANFIS结构，待优化的ANFIS的隶属函数参数和模糊规则参数的数量分别为36和320。进一步地，步骤S4具体为：将位移x(k)、速度和目标控制电流i(k)作为Bouc-Wen正向模型的输入，使其输出目标阻尼力f(k)；训练数据包括五个组成要素，即位移x(k)、速度阻尼力f(k)、上一时刻的电流i(k-1)以及预测电流较佳的，采用幅值-12mm-12mm、频率0-3Hz的限宽高斯白噪声信号产生训练数据的位移，速度信号通过对位移信号差分获得；控制电流由幅值为0-2A、频率为0-2.5Hz的限宽高斯白噪声信号生成。较佳的，在将位移、速度和控制电流作为磁流变阻尼器的Bouc-Wen正向模型的输入之前，用包括Matlab的Simulink的数字过滤器设计器、比例器以及饱和器在内的工具箱对其进行信号处理。进一步地，步骤S5具体包括以下步骤：步骤S51：将ANFIS的参数选择问本文档来自技高网...

【技术保护点】
1.一种改进的线性最优半主动控制方法，其特征在于：包括以下步骤：步骤S1：针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程，推导其状态空间方程，并将结构响应作为LQR控制器的输入；步骤S2：设计适当的优化目标函数，利用乌鸦搜索算法设计LQR控制器，求解理想控制力；步骤S3：确定ANFIS的结构，从而确定待优化的ANFIS的隶属函数参数和模糊规则参数的数量；步骤S4：准备训练数据，其中通过磁流变阻尼器的Bouc‑Wen正向模型获得阻尼力；步骤S5：采用帝国竞争算法对ANFIS的训练算法进行改进，得到最优的ANFIS逆向模型；步骤S6：基于步骤S2的理想控制力，利用最优的ANFIS逆向模型计算控制电流i(k)；步骤S7：将控制电流i(k)作为磁流变阻尼器的输入，使其输出阻尼力，实现对建筑结构的半主动控制。

【技术特征摘要】
1.一种改进的线性最优半主动控制方法，其特征在于：包括以下步骤：步骤S1：针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程，推导其状态空间方程，并将结构响应作为LQR控制器的输入；步骤S2：设计适当的优化目标函数，利用乌鸦搜索算法设计LQR控制器，求解理想控制力；步骤S3：确定ANFIS的结构，从而确定待优化的ANFIS的隶属函数参数和模糊规则参数的数量；步骤S4：准备训练数据，其中通过磁流变阻尼器的Bouc-Wen正向模型获得阻尼力；步骤S5：采用帝国竞争算法对ANFIS的训练算法进行改进，得到最优的ANFIS逆向模型；步骤S6：基于步骤S2的理想控制力，利用最优的ANFIS逆向模型计算控制电流i(k)；步骤S7：将控制电流i(k)作为磁流变阻尼器的输入，使其输出阻尼力，实现对建筑结构的半主动控制。2.根据权利要求1所述的一种改进的线性最优半主动控制方法，其特征在于：步骤S2具体包括以下步骤：步骤S21：确定优化目标函数Obj和适应度函数F，其中所述多目标函数如下所示：Obj＝w1×J1+w2×J2+w3×J3；其中，式中，xi(t)、xdi(t)和分别是受控时第i层的相对位移、层间位移和绝对加速度；xunc、xd,unc和分别是无控时的最大相对位移、最大层间位移以及最大绝对加速度；J1、J2和J3是分别使最大相对位移、最大层间位移和最大绝对加速度最小化的单目标函数，w1、w2以及w3是反映相对重要性的权重系数；在乌鸦搜索算法中，将该多目标函数作为适应度函数F；由于这是求最小解的问题，因此在优化过程中适应度越小越好；步骤S22：根据受控对象的属性和控制目标，经过推导计算，确定LQR控制器中加权矩阵Q和R的结构、矩阵中待优化参数的数量和取值范围；步骤S23：初始化乌鸦搜索算法的参数，包括种群大小N、迭代次数K、感知率AP、飞行距离FL，并随机产生初始种群X(0)＝(X1,X2,...,XN)，并令其为初始M(0)＝(M1,M2,...,MN)；令i＝1，cycle＝1；步骤S24：依次计算最优反馈矩阵G、控制力和适应度f(Xi)，若控制力超出磁流变阻尼器的最大量程，则令f(Xi)＝1；步骤S25：进行解Xi的更新操作，判断其有效性，并在重复步骤S24的操作后进入步骤S26；步骤S26：判断f(Xi)是否有改善，若是，则用Xi更新其记忆Mi，否则令Mi保持原值；步骤S27：如果i＜N，则令i＝i+1，并重复步骤S25至步骤S26，直至i＝N时记录本轮迭代最优解，并进入步骤S28；步骤S28：如果cycle＜K，则令cycle＝cycle+1，并重复步骤S25至步骤S27，直至cycle＝K，输出最优解，即得到加权矩阵Q和R的优化参数，并求解理想控制力。3.根据权利要求1所述的一种改进的线性最优半主动控制方法，其特征在于：步骤S3具体为：所述ANFIS结构中的逆向模型是一个四输入单输出的系统，其中输入包括当前时刻的位移x(k)、速度阻尼力f(k)以及上一时刻的电流i(k-1)，输出为预测电流4.根据权利要求3所述的一种改进的线性最优半主动控制方法，其特征在于：每个输入参量的隶属函数的数量为3，根据预设的ANFIS结构，待优化的ANFIS的隶属函数参数和模糊规则参数的数量分别为36和320。5.根据权利要求1所述的一种改进的线性最优半主动控制方法，其特征在于...

【专利技术属性】
技术研发人员：林秀芳，
申请(专利权)人：闽江学院，
类型：发明
国别省市：福建,35