基于压电纤维驱动减振的神经网络智能控制方法及系统技术方案

本发明专利技术提供基于压电纤维驱动减振的神经网络智能控制方法及系统，所述方法包括以下步骤：采用LQR算法获取MFC响应信号以及控制力，并作为训练数据将CNN

【技术实现步骤摘要】
基于压电纤维驱动减振的神经网络智能控制方法及系统


[0001]本专利技术涉及结构工程以及结构振动控制
，具体而言，涉及一种基于压电纤维驱动减振的神经网络智能控制方法及系统。

技术介绍

[0002]随着生产生活中机械化的普及与发展，工业和运输业中广泛采用机器作原动力，机械振动的危害越发严重，振动控制要求日益迫切。
[0003]汽轮机、水轮机和电机等动力机械，汽车、火车、船舶和飞机等交通运输工具，以及工作母机、矿山机械和工程机械等，都沿着高速重载方向发展，因此振动也日益强烈。强烈的振动也会对机械、设备、结构甚至建筑物造成严重的破坏。
[0004]而在当前，随着航空航天事业的迅猛发展，为了满足飞机、导弹等飞行器速度更快、适应性更广、隐蔽性更强和使用寿命更长等需求，人们对振动的控制提出了更高的期望。优良的振动控制能够有效解决抖振引起的结构疲劳问题，延长飞行器寿命，提高乘客体验。因此，研究振动控制具有重要的理论意义和工程实用价值。
[0005]在近半个世纪的时间里，隔震、耗能减震和主动、半主动控制理论与技术均获得了长足的发展，并不断应用于实际工程中。但针对复杂结构，控制效果仍旧有限，且由于结构参数众多、难以获取的原因，阻碍了以上控制技术的进步。

技术实现思路

[0006]鉴于此，本专利技术的目的在于将CNN与LSTM结合，构造一种可同时降低时间、空间两个维度，并且可将获取信息可视化的集中控制策略，以达到提高集中控制系统运行速率和稳定性，同时保证计算精度的目的。
[0007]MFC压电纤维复合材料是以压电陶瓷为功能相，以环氧树脂为基体，并结合叉指电极按照一定的空间结构复合形成的，不仅具有优异的压电性能，同时拥有聚合物良好的柔韧性，确保MFC在振动弯曲过程中不会因纤维断裂而损坏。因压电陶瓷产生的电响应具有高电压、低电流特性，实际功率小的特点，在振动控制领域具有广阔的应用前景。
[0008]智能控制综合传统控制算法和人工智能的优点，且无需建立精确的结构模型，因此成为近年来的研究热点。
[0009]本专利技术采用LQR算法获取被控结构的MFC所在位置的位移、速度、加速度响应以及控制力训练数据，并采用所述训练数据将CNN
‑
LSTM神经网络训练成熟；将训练成熟的CNN
‑
LSTM神经网络用于神经网络智能控制模块，根据信号采集模块输出的加速度信号、速度信号和位移信号直接映射出电流控制器所需的控制电流信号，并将控制电流信号传递给电流控制器，电流控制器产生对应电流，通过高压放大器放大后驱动MFC作动器，MFC产生相应的控制力抑制待控被控结构的振动，从而达到实时减小结构振动响应的效果。
[0010]本专利技术提供一种基于压电纤维驱动减振的神经网络智能控制方法，包括以下步骤：
[0011]S1：采用LQR算法计算获取布置在被控结构上的MFC作动器所在位置的MFC响应信号以及控制力，并作为训练数据将CNN
‑
LSTM神经网络训练成熟；
[0012]S2：将训练成熟的CNN
‑
LSTM神经网络应用于神经网络智能控制模块(智能控制器)，根据信号采集模块输出的加速度信号、速度信号和位移信号直接映射出电流控制器所需的控制电流信号；
[0013]S3：将所述控制电流信号传递给电流控制器，所述电流控制器产生对应电流，通过高压放大器放大后驱动所述MFC作动器；
[0014]S4：所述MFC作动器产生控制力抑制所述被控结构的振动，实时减小被控结构的振动响应。
[0015]进一步地，所述S1步骤的获取MFC作动器所在位置的位移、速度、加速度响应的方法包括：
[0016]通过加速度传感器1获取所述MFC作动器6的加速度信号，通过信号采集模块对加速度信号进行滤波、调理，通过积分获得速度信号和位移信号。
[0017]进一步地，所述CNN
‑
LSTM神经网络的训练方法包括：
[0018]将MFC响应信号以及外部激励作为所述CNN
‑
LSTM神经网络的输入值，将MFC作动器6下一时刻的控制力作为CNN
‑
LSTM神经网络的输出值，对CNN
‑
LSTM神经网络的深度学习网络框架进行训练并通过测试得到成熟的CNN
‑
LSTM神经网络。
[0019]进一步地，所述CNN
‑
LSTM神经网络的深度学习网络框架的验证方法包括：
[0020]通过向训练成熟的CNN
‑
LSTM神经网络输入外部激励，得到CNN
‑
LSTM神经网络的输出值，并与理论计算的控制力进行比较，验证CNN
‑
LSTM神经网络的深度学习网络框架的有效性，预测过程损失函数用均方误差MSE表示为：
[0021][0022]式中：MSE指均方差，N为数据库大小；y
i
，分别为i时刻的实测值及预测值。
[0023]进一步地，CNN
‑
LSTM神经网络的深度学习网络框架包括：序列输入层、序列折叠层、卷积层(Conv1)、批量归一化层、丢弃层(Dropout1)、激活层(Relu1)、最大池化层(Pool1)、卷积层(Conv2)、丢弃层(Dropout2)、激活层(Relu2)、最大池化层(Pool2)、序列展开层、压平层、Lstm层(Lstm1)、丢弃层(Dropout3)、Lstm层(Lstm2)、丢弃层(Dropout4)、全连接层和回归层；
[0024]本专利技术采用两层卷积神经网络与两层最大池化层交替连接构成，将二维时频域特征的维度缩小，其中并加入丢弃层，以防止过拟合；之后输入到两层连续的双向长短时记忆网络进行处理，输出时域中间特征；连接层为序列折叠层
‑
序列展开层，前者为序列折叠层，放置于CNN前，可将序列进行折叠处理，在各时间步进行独立卷积运算；后者为序列展开层，放置于LSTM前，可恢复序列折叠后输入数据的序列结构。
[0025]进一步地，所述MFC响应信号包括：
[0026]加速度信号、速度信号以及位移信号的一种或多种的组合。
[0027]本专利技术还提供基于压电纤维驱动减振的神经网络智能控制系统，执行如上述所述的基于压电纤维驱动减振的神经网络智能控制方法，包括：加速度传感器1、信号采集模块
2、神经网络智能控制模块3、电流控制器4、高压放大器5、MFC作动器6、被控结构7；
[0028]其中，所述加速度传感器1、所述MFC作动器6均设置在所述被控结构7的表面，所述加速度传感器1用于获取所述MFC作动器6的加速度信号，加速度传感器1与信号采集模块2电性连接，传递给所述信号采集模块2加速度信号；
[0029]优选地，所述MFC作动器6粘贴于被控结构7的表面采用的粘贴剂为环氧树脂；
[0030]进一步地，所述被控结构7同时设置有多个加速度传感器1。
...

【技术保护点】

【技术特征摘要】
1.基于压电纤维驱动减振的神经网络智能控制方法，其特征在于，包括以下步骤：S1：采用LQR算法计算获取布置在被控结构上的MFC作动器所在位置的MFC响应信号以及控制力，并作为训练数据将CNN
‑
LSTM神经网络训练成熟；S2：将训练成熟的CNN
‑
LSTM神经网络应用于神经网络智能控制模块，根据信号采集模块输出的加速度信号、速度信号和位移信号直接映射出电流控制器所需的控制电流信号；S3：将所述控制电流信号传递给电流控制器，所述电流控制器产生对应电流，通过高压放大器放大后驱动所述MFC作动器；S4：所述MFC作动器产生控制力抑制所述被控结构的振动，实时减小被控结构的振动响应。2.根据权利要求1所述的基于压电纤维驱动减振的神经网络智能控制方法，其特征在于，所述S1步骤的获取MFC作动器所在位置的位移、速度、加速度响应的方法包括：通过加速度传感器1获取所述MFC作动器6的加速度信号，通过信号采集模块对加速度信号进行滤波、调理，通过积分获得速度信号和位移信号。3.根据权利要求1所述的基于压电纤维驱动减振的神经网络智能控制方法，其特征在于，所述CNN
‑
LSTM神经网络的训练方法包括：将MFC响应信号以及外部激励作为所述CNN
‑
LSTM神经网络的输入值，将MFC作动器6下一时刻的控制力作为CNN
‑
LSTM神经网络的输出值，对CNN
‑
LSTM神经网络的深度学习网络框架进行训练并通过测试得到成熟的CNN
‑
LSTM神经网络。4.根据权利要求3所述的基于压电纤维驱动减振的神经网络智能控制方法，其特征在于，所述CNN
‑
LSTM神经网络的深度学习网络框架的验证方法包括：通过向训练成熟的CNN
‑
LSTM神经网络输入外部激励，得到CNN
‑
LSTM神经网络的输出值，并与理论计算的控制力进行比较，验证CNN
‑
LSTM神经网络的深度学习网络框架的有效性，预测过程损失函数用均方误差MSE表示为：式中：MSE指均方差，N为数据库大小；y
i
，分别为i时刻的实测值及预测值。5.根据权利要求4所述的基于压电纤维驱动减振的神经网络智能控制方法，其特征在于，所述CNN
‑
LSTM神经网络的深度学习网络框架包括：...

【专利技术属性】
技术研发人员：涂建维，罗凯成，阮泽聪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：