一种智能减震结构的在线实时控制方法技术

本发明专利技术公开了一种智能减震结构的在线实时控制方法，包括如下步骤：通过神经网络实时预测智能减震结构在下一时刻的位移响应和速度响应，并将位移响应输入到模糊控制器；模糊控制器根据实测的地震加速度激励以及预测的位移响应实时选择磁流变阻尼器的控制电流；根据速度响应和磁流变阻尼器的控制电流，计算得到磁流变阻尼器的控制力；测量智能减震结构的实际地震响应和地震加速度激励，所述地震响应包括位移响应和速度响应。本发明专利技术解决传统的控制策略在选择磁流变阻尼器控制电流的过程中存在的固有时滞以及参数瞬时确定的问题，准确及时的选择控制电流，从而使得磁流变阻尼器在控制结构振动中发挥更加有效的作用。

【技术实现步骤摘要】

本专利技术属于智能结构振动控制领域，具体涉及，确定磁流变阻尼器的控制电流。
技术介绍
磁流变阻尼器是一种优秀的减小结构地震响应的半主动控制装置，其本身具有出力大，稳定性好的特点。在结构由于振动而发生变形时，安装在结构当中的磁流变阻尼器会根据相应的控制策略调整特征参数，从而吸收振动的能量，到达减震的目的。这种阻尼器具有出力大、输入能量小等优点，克服了主动控制阻尼器的能量输入问题，是一种结合了主动控制阻尼器和被动控制阻尼器优点的阻尼器，在结构振动控制领域具有非常广阔的应用前旦 -5^ O对于安装了磁流变阻尼器的智能结构来说，一个基本的问题就是如何实时的根据地震激励和结构特性准确及时的选择磁流变阻尼器的控制电流，这直接决定了磁流变阻尼器能否有效地工作，更好地减小结构的振动响应。对于半主动控制的阻尼器来讲，传统典型的控制策略包括通过时程分析循环计算确定控制电流、双态控制策略和LQR，LQG等控制算法。通过时程分析循环计算确定控制电流，是对加入了半主动控制装置的结构进行时程分析，通过循环计算确定半主动控制装置的参数，这种方法理论上可以达到很高的精度，但是循环计算需要很长的时间，这在极短的地震时间步长内很难实现。双态控制即当结构远离平衡位置的时候，就输出阻尼器的控制电流，输出最大控制力；结构回到平衡位置的时候，就关闭电流的输出，输出最小控制力。这种双态控制策略比较容易实现，但却存在输出延迟和控制精度差的问题。不能有效发挥阻尼器的作用，对结构的振动响应的控制效果不是非常理想。而对于LQR，LQG等主动控制算法来讲，很重要的一个假定是认为结构在地震发生的过程当中其动力特性是保持不变的，实际上随着地震发生时间的推进，结构会逐渐的进入塑性状态，结构的动力特性与初始时的状态会发生很大的变化。
技术实现思路
专利技术目的针对上述现有技术存在的问题和不足，本专利技术的目的是提供，解决传统的控制策略在选择磁流变阻尼器控制电流的过程中存在的固有时滞以及参数瞬时确定的问题，准确及时的选择控制电流，从而使得磁流变阻尼器在控制结构振动中发挥更加有效的作用。技术方案为实现上述专利技术目的，本专利技术采用的技术方案为，包括如下步骤(I)通过神经网络实时预测智能减震结构在下一时刻的位移响应和速度响应，并将位移响应输入到模糊控制器；(2)模糊控制器根据实测的地震加速度激励以及预测的位移响应实时选择磁流变阻尼器的控制电流；(3)根据速度响应和磁流变阻尼器的控制电流，计算得到磁流变阻尼器的控制力；(4)测量智能减震结构的实际地震响应和地震加速度激励,所述地震响应包括位移响应和速度响应；(5)将计算得到的控制力、实际地震响应和地震加速度激励作为输入数据输入到神经网络中，神经网络将根据这些输入数据预测智能减震结构下一时刻的地震响应。进一步的，所述神经网络为前馈神经网络；将实测的智能减震结构的位移响应和速度响应与预测的智能减震结构在相同时刻的位移响应和速度响应作为训练数据对实时训练神经网络基于第一算法修正神经网络的连接权。更进一步的，所述第一算法为Levenberg-Marquardt算法。经过训练的神经网络的输入层读入所述智能减震结构已经发生的位移响应和速度响应、磁流变阻尼器的控制力以及地震加速度激励，输出智能减震结构在下一时刻的位移响应和速度响应。所述神经网络在地震过程中，实时抛弃旧的训练数据对，采用新采集的数据训练对，实时跟踪智能减震结构在地震过程中的动力特性。进一步的，所述模糊控制器的隶属度函数采用三角形隶属度函数和梯形隶属度函数相结合的模式当地震加速度激励和位移响应非常大或非常小的时候，选择梯形隶属度函数；否则选用三角形隶属度函数。具体地说，首先通过神经网络预测智能减震结构(简称“结构”)下一时刻的位移响应和速度响应。将实测的结构地震响应(包括位移响应和速度响应)和预测的结构在相同时刻地震响应作为训练数据对实时训练神经网络，同时基于Levenberg-Marquardt算法不断的修正神经网络的连接权，这样可以保证神经网络预测的结构地震响应能跟踪结构实际的动力特性的变化，使预测的结构位移响应和速度响应能够满足既定的精度要求。然后将神经网络预测的位移响应输入到模糊控制器中，模糊控制器将根据神经网络预测的结构位移响应和实测的加速度地震激励瞬时的选择控制电流。模糊控制器的隶属度函数采用了三角形隶属度函数和梯形隶属度函数相结合的模式当地震加速度激励和位移响应非常大或非常小的时候，选择梯形的隶属度函数以保证其稳定性，避免了三角形隶属度函数过于灵敏，而造成结构响应(主要是结构的加速度响应)的抖动；其余的隶属度函数则选用三角形隶属度函数，这样可使磁流变阻尼器的控制电流对加速度激励和位移响应保持敏感性。在选择控制电流的过程中采用五 十段式控制，并且根据经验制定了选择控制电流的模糊规则，控制电流的大小随着加速度激励和位移响应的大小而改变，当加速度激励和位移响应比较大的时候就增大电流，反之就减小电流。有益效果(I)本专利技术发挥了模糊控制和神经网络技术各自的优势，将两者结合，解决了磁流变阻尼器智能控制中的固有时滞以及电流瞬时确定的问题；(2)神经网络实时训练，能够实时捕捉地震过程中结构特性的变化，从而更加精确地确定磁流变阻尼器的控制电流及有效地发挥磁流变阻尼器的耗能减震效果，具有较好的鲁棒性和稳定性；(3)采用模糊控制器瞬时的选择控制电流，通过选择不同的隶属度函数实现了对地震响应的有效控制。附图说明图1为本专利技术智能减震结构的在线实时控制方法的流程图。具体实施例方式下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。本专利技术将神经网络技术和模糊控制器有效地结合起来首先将传感器采集得到的数据输入到神经网络中，利用神经网络可以自主学习和数据归纳的能力预测结构下一时刻的动力响应，解决半主动阻尼器的固有时滞问题；在选择控制电流时，采用模糊控制器来实现电流的瞬时选择，其输入数据采用神经网络预测的位移响应和实测加速度激励，可以实现准确及时的选择控制电流。下面将参照图1对本专利技术进行说明，本专利技术具体实施方式分为四个部分。第一部分是训练前馈式神经网络。神经网络必须要经过训练才能够预测结构的地 震响应，训练时将实测的结构地震响应(包括位移响应和速度响应)与通过神经网络预测的结构地震响应对比，两者的差值将会被反馈到神经网络中，神经网络将会根据这个差值来实时更新连接权，准确地跟踪结构的动力特性在地震发生过程中的变化，这样神经网络预测的地震响应可以更加接近实际的地震响应。为了能有效的修正连接权,引入了 Levenberg-Marquardt算法,具体修正公式是 3Ewi+1 = W1- -1—^ LdwlBw1其中i是循环指数，功能函数F-mf =L为输出层神经元的数目，只O力输出层第I个神经元的输出量(本专利技术为预测的位移响应和速度响应)，y(l)为输出量的期望值(本专利技术为实测的相同时刻的位移响应和速度响应)，eiS输出层第I个神经元的输出量与其期望值的误差(图1中为e)。$为功能函数E对连接权矩阵Wi的梯度，μ彡O是学习因子，I是单位矩阵。经过训练的神经网本文档来自技高网...

【技术保护点】
一种智能减震结构的在线实时控制方法，包括如下步骤：(1)通过神经网络实时预测智能减震结构在下一时刻的位移响应和速度响应，并将位移响应输入到模糊控制器；(2)模糊控制器根据实测的地震加速度激励以及预测的位移响应实时选择磁流变阻尼器的控制电流；(3)根据速度响应和磁流变阻尼器的控制电流，计算得到磁流变阻尼器的控制力；(4)测量智能减震结构的实际地震响应和地震加速度激励，所述地震响应包括位移响应和速度响应；(5)将计算得到的控制力、实际地震响应和地震加速度激励作为输入数据输入到神经网络中，神经网络将根据这些输入数据预测智能减震结构下一时刻的地震响应。

【技术特征摘要】

【专利技术属性】
技术研发人员：徐赵东，郭迎庆，袁杰，
申请(专利权)人：东南大学，
类型：发明
国别省市：