基于神经网络算法的建筑结构振动分散控制研究

针对地震作用下建筑结构振动分散控制问题,引入神经网络算法,研究结构振动分散神经网络控制策略,来解决分散控制中各子系统的耦合问题和神经网络算法的训练成本问题.利用径向基函数RBF(Radical Basis Function)神经网络模型并基于newrb函数构建了RBF神经网络控制器,对某20层Benchmark结构模型分别进行集中控制和多工况子系统划分分散控制的数值模拟分析,结果表明,提出的各子系统耦合的分散RBF神经网络振动控制策略考虑了子系统间的信息共享,可有效控制结构的振动响应,且子系统达到理想训练结果所需的训练次数与BP网络相比显著降低.     

NEURAL NETWORK MODEL OF MAGNETORHEOLOGICAL DAMPER FOR VIBRATION ISOLATION PLATFORM OF WHOLE-SPACECRAFT

为改善星箭界面振动环境,设计六杆隔振平台,采用磁流变阻尼器作为半主动控制元件,替代原有锥壳过渡支架.对整星隔振平台用磁流变阻尼器进行性能测试,得到反映磁流变阻尼器阻尼特性的实验数据.建立具有两个隐含层的反向传播神经网络对阻尼器进行建模,用于预测磁流变阻尼器阻尼特性以及控制系统设计.提出一种串行算法优化网络结构、权值和阈值,保证网络具有较好的泛化能力和稳定性.仿真结果表明,与参数化模型相比,提出的神经网络模型具有较小的训练误差和较强的泛化能力,能够很好地预测阻尼器的阻尼特性.     

地震作用下高层建筑结构的分散神经网络振动控制研究

针对地震作用下高层建筑振动神经网络控制问题,将神经网络理论与分散控制理论相结合,提出分散神经网络振动控制方案,并应用于高层结构地震反应振动控制中。利用多层前馈神经网络建立结构模型,预测结构的振动响应。基于NARMA-L2的神经自校正控制系统设计BP神经网络控制器,研究分散神经网络振动控制效果,并与神经网络集中控制进行比较。对某20层Benchmark结构模型进行数值模拟分析,结果表明,本文提出的分散神经网络振动控制方法简化了神经网络的结构,可有效控制结构振动和消除时滞;同时,相对于集中控制的单一失效,本文方法的可靠性更强且可以保证振动控制系统的实时响应。     

模糊—神经网络控制算法及其在离心力—振动复合环境试验系统中的应用

针对离心－振动复合环境试验系统所存在的耦合性、非线性和不确定性提出了一种模糊－神经网络控制算法,利用被控对象输入输出信息离线、在线相结合学习系统的动态特性,对时变、非线性系统进行跟踪控制,并研究了该算法在系统中的实现方法。实现表明了控制系统具有良好的跟踪能力。该算法也适用于快速变化这类系统的实时控制。     

改进的小损伤结构动力学有限元建模方法

在遗传算法或神经网络方法识别结构损伤位置和程度时,都是基于少量的在线测量的损伤结构振动响应数据和大量的模型仿真数据来实现的,因而建立高效和精确的损伤结构动力学有限元模型,以便仿真获得损伤结构的大量动力学响应数据是十分重要的基础前提工作。本文针对ANSYS结构分析软件在建立结构小损伤有限元动力学模型存在两个关键问题,结构损伤处直接网格划分的计算结果误差和网格节省问题,以结构损伤振动检测的实际需要为出发点,提出了建立含小损伤结构的ANSYS动力学建模技术,研究了结构局部小损伤及其位置与所在处单元刚度矩阵变化的数量关系。     

航天支架结构的被动振动控制

重点研究了航天支架结构的被动振动控制问题。在约束阻尼层有限元模型理论分析的基础上，对未附加约束阻尼层的支架计算模态和试验模态进行了相关性分析，制定出被动振动控制策略；通过分析附加约束阻层后支架计算模态和试验模态相关性，建立了有效的支架有限元模型，进一步用于各种情况的动态响应计算和分析。计算了实验结果表明，该控制策略取得了很好的减振效果，为同类结构振动控制问题提供了一个良好的模型参考。     

Nonlinear vibration semi-active control of automotive steering using magneto-rheological damper

Traffic accidents are often caused by vibration of automotive steering because the vibration can make a vehicle run like a snake. A?novel semi-active vibration control strategy of automotive steering with magneto-rheological (MR) damper is proposed in this paper. An adaptive RBF neural sliding mode controller is designed for the vibration system. It is showed that an equivalent dynamic model for the vibration system is established by using Lagrange method, and then treats it as actual system partially. A?feedback control law is designed to make this nominal model stable. Uncertain part of system and outside disturbance are estimated using RBF neural network, and their upper boundary is obtained automatically. By constructing reasonable switch function, state variables can arrive at origin asymptotically along the sliding mode. Strong robust character of control system is proved by stability analysis and a numerical simulation example is performed to support this control scheme.     

基于虚拟力概念的柔性臂空间机器人模糊退步自适应控制算法设计

讨论了漂浮基柔性臂空间机器人系统的动力学模拟、运动轨迹跟踪控制算法设计及柔性振动主动抑制。采用多体动力学建模方法并结合假设模态法,建立了漂浮基柔性臂空间机器人的系统动力学模型。基于该模型,针对系统惯性参数未知情况,提出了刚性运动基于模糊基函数网络自适应调节的退步控制算法,以完成柔性臂空间机器人载体姿态及机械臂各关节铰的协调运动。然后,为了主动抑制系统柔性振动,运用虚拟力的概念,构造了同时反映柔性模态和刚性运动轨迹的混合期望轨迹,通过改造原有的控制算法,提出了基于虚拟力概念的模糊退步自适应控制算法;这样不但保证了之前刚性运动控制方案对模型不确定的鲁棒性,而且能主动抑制柔性振动,从而提高了轨迹跟踪性能。理论分析及数值仿真算例均表明了控制方法的可行性。     

基于前向线性预测算法的光纤陀螺零漂的神经网络建模

在详细分析光纤陀螺零漂的基础上,提出了先用滤波算法对光纤陀螺信号进行预处理,然后采用RBF神经网络对滤波后的信号进行建模的方法。针对光纤陀螺信号特点分别采用FLP算法、小波滤波算法、解相关变步长LMS自适应滤波算法对其进行了预处理,比较三种滤波方法,小波滤波算法效果优于其它两种预处理方法,但针对基于预处理后的陀螺信号采用RBF神经网络进行建模时,小波滤波预处理后的信号在建模精度上却是最差的,而对FLP算法滤波后的信号进行RBF建模,建模精度提高了两个数量级。结果表明:基于FLP算法的RBF神经网络在光纤陀螺中的建模是有效的,可大大提高建模的精度。     

基于ED-LSTM的智能汽车神经网络横向动力学建模与控制

车辆动力学建模过程中通常会进行简化和假设, 导致模型在某些工况下无法准确反映车辆的实际动态特性, 影响控制精度甚至安全性. 鉴于此, 该文提出了一种基于数据驱动的非线性建模与控制方法, 建立了新型神经网络车辆横向动力学多步预测模型, 实现了智能汽车对参考轨迹的跟踪控制. 首先, 在分析车辆单轨模型并考虑轮胎非线性和纵向负载转移的基础上, 基于编码器?解码器结构设计神经网络横向动力学模型. 其中, 使用串行排列来扩展微分方程描述不完全的动力学信息, 隐藏层神经元学习车辆的高度非线性和强耦合特性, 进而提高模型全局计算精度. 利用所构建的数据集进行模型训练和测试, 结果表明, 相比于物理模型, 所提出的模型在不同路面附着系数条件下均具有更高的建模精度, 具有隐式预测路面摩擦条件能力. 其次, 利用提出的模型设计轨迹跟踪控制算法, 根据车辆稳态转向假设, 计算所需的前轮转向角和稳态质心侧偏角, 将稳态质心侧偏角纳入基于路径误差的转向反馈中, 实现参考轨迹跟踪控制. 最后, 使用CarSim/Simulink联合仿真及HIL实验测试进行不同工况试验的对比分析, 对所提出的基于神经网络模型的控制算法进行评价, 结果表明, 该模型能够实现智能汽车在高速下精确的跟踪控制效果, 并具有良好的横向稳定性.      

混合专家系统及其在有限元模型化中的应用

本文结合传统专家系统和人工神经网络的优势建立了混合专家系统模型，并在此基础上建立了“飞机结构机身框有限元模型化专家系统”，能够自动地实现机身框一类结构的有限元模型化，本文采用人工神经网络解决结构类型的分类和识别、采用知识系统解决单元自动选取都取得了良好的效果。     

基于提升小波与灰色神经网络的光纤陀螺振动误差建模

光纤陀螺在振动环境下的输出具有噪声大、漂移强的特性,必须建立合理的振动误差模型,以便使用精确的算法进行补偿,从而提高光纤陀螺的输出精度。文中首先使用Allan方差分析法分析了某型号的数字闭环光纤陀螺在振动环境下的输出信号,随后利用提升小波分离出了光纤陀螺误差模型中的白噪声及漂移误差,并提出了基于灰色理论和RBF神经网络的漂移误差建模方法。仿真结果表明,相较于传统的RBF神经网络模型,基于提升小波的灰色RBF神经网络的漂移误差建模方法能有效滤除白噪声,并将漂移误差模型的建模精度提高了一倍左右。该方法能够有效提高光纤陀螺在振动环境下的输出精度,对光纤陀螺在振动环境下的误差研究具有重要指导意义。     

涡激响应尾流双振子模型的参数反演方法

尾流双振子模型是研究圆柱结构涡激振动响应的重要模型,模型参数的准确确定对悬浮隧道设计理论具有重要意义.首先通过降阶法将多变量二阶非线性常微分方程组的尾流双振子模型变换为一阶方程组.然后给出一种新型的圆柱结构水槽试验设计方案,其中试验模型的刚度能够较好反映悬浮隧道等实际工程结构的刚度,基于相机动态捕捉和视频识别计算机程序,获取圆柱结构在水平和竖直方向的位移试验数据.基于试验结果和龙格-库塔方法求解一阶方程组,采用BP神经网络智能算法对模型参数进行反演,同时利用遗传算法对神经元的初始权值和阈值进行优化,所得结果平均误差仅为5.50％,优于遗传算法和未优化的BP神经网络模型.结果表明,基于遗传算法优化的BP神经网络智能算法能够精确实现尾流双振子模型的参数确定,为圆柱结构涡激振动响应分析提供理论基础.     

基于RBF网络的有源噪声控制

提出一种神经自适应噪声有源控制（ANC）的方法。应用RBF（Radial Basis Function)网络对噪声进行有源控制。针对RBF的网络特点,使用递阶遗传算法确定网络参数（连接权、隐节点中心和宽度），同时解决了网络拓扑结构的优化训练。利用RBF网络的有源噪声控制系统用于三维空间传播的宽频带空调噪声的降噪获得了良好的效果。     

结构试验机的神经网络内模自适应跟踪控制系统

针对结构试验系统的非线性和不确定性特性，研究了一种基于神经网络的非线性内模自适应加载控制方法。引入的神经网络内模可跟踪学习对象的时变动力学，控制器的设计较少依赖于对象的先验知识，控制参数的调整是基于被控过程的测量信息，利用导出的神经网络算法来实现的。实验结果证明该系统具有良好的控制效果。     

The Application of Advanced Signal Processing Techniques to Induction Motor Bearing Condition Diagnosis

Four approaches based on bispectral and wavelet analysis of vibration signals are investigated as signal processing techniques for application in the diagnosis of a number of induction motor rolling element bearing faults. The bearing conditions considered are a normal bearing and bearings with cage and inner and outer race faults. The vibration analysis methods investigated are based on the bispectrum, the bispectrum diagonal slice, the summed bispectrum and wavelets. Singular value decomposition (SVD) is used to extract the most significant features from the vibration signatures and the features are used as inputs to an artificial neural network trained to identify the bearing faults. The results obtained show that the diagnostic system using a supervised multi-layer perceptron type neural network is capable of classifying bearing condition with high success rate, particularly when applied to summed bispectrum signatures.     

基于非线性状态空间辨识的气动弹性模型降阶

高维、非线性气动弹性系统的模型降阶是当前气动弹性力学与控制领域的研究热点之一.然而国内外现有的非线性模型降阶方法仍存在辨识算法复杂、精度有待提高等问题.本研究提出了一种基于非线性状态空间辨识的跨音速气动弹性模型降阶方法. 首先,该方法基于非定常空气动力的单位脉冲响应数据,采用特征系统实现算法对非线性状态空间模型的线性动力学部分进行系统辨识. 其次,引入状态和控制输入的非线性函数, 采用优化算法对非线性函数的系数矩阵进行优化,进而得到考虑非线性效应的空气动力降阶模型.为了验证该降阶模型在预测跨音速气动弹性力学行为的精确性,本文以三维机翼为研究对象,分别从基于非线性降阶模型的气动力辨识、跨声速颤振边界计算和极限环振荡预测三方面进行了算例验证,并与现有的模型降阶方法进行了对比, 进一步说明本文所提出方法的有效性.研究结果表明, 该降阶模型对上述三类问题的计算精度与直接流-固耦合方法相吻合,可用于高效预测飞行器跨声速气动弹性力学行为.      

基于BP神经网络的风电机组钢混组合式塔架结构频率预测

风电机组塔架结构固有频率设计是风力发电结构体系设计的基础。针对风电机组新型钢混组合式塔架（“混塔”）结构固有频率传统理论计算和有限元法计算的不足,提出了基于BP神经网络算法进行频率预测的新方法。首先,利用有限元计算和分析,确定了训练模型的特征量和标签;然后,利用32个有限元计算样本,基于BP神经网络算法训练了可用于混塔结构频率分析的模型。经验证,该方法对混塔的一阶频率预测误差仅约为0.1%,具有很高的准确性;利用不同的样本集训练的模型也能快速准确预测混塔一阶频率,说明算法具有高度的稳定性;该方法还可用于预测混塔的多阶频率,结果仍显示出高度的准确性。此外,与基于有限元的频率计算相比,该方法具有突出的计算效率。整体上,本文提出的基于BP神经网络的混塔结构固有频率预测新方法,具有高度的可行性、精准性和高效性,可为风力发电机组塔架结构体系设计提供重要的指导。     

压电智能结构模糊自学习控制(FSLC)

将模糊逻辑与学习控制的基本思想相结合,根据控制系统的动态输出特性,采用模糊控制对学习控制律中的参数进行实时校正,实现系统的动态学习过程,提出了一种适用于压电智能结构振动控制的模糊自学控制方法FSLC（FuzzySelf-LearningContr01）。分别采用三维8节点实体单元（Solid45）和耦合单元模拟主结构和压电致动器／传感器,基于ANSYS参数化语言编写了压电智能结构振动控制分析的有限元程序。通过数值仿真证明了模糊自学习控制方法能有效控制压电结构的振动,并提高了自学习控制的收敛速度和获得了很好的控制效果。     

结构基于独立模态空间控制的神经网络控制

在对柔性结构振动的主动控制中，独立模态空间控制是一种适合于柔性结构振动控制的方法，但如果控制器选择不好就会带来观测溢出和控制溢出．神经网络控制则具有较好的泛化作用和鲁棒性，对抑制观测溢出和控制溢出具有较好的效果．本在独立模态空间控制的基础上设计了一种神经网络控制，并对柔性梁及板进行了控制的数值仿真，取得了较好的效果．