CN114253308B - 一种空间框架结构振动的主动控制方法和设备 - Google Patents
一种空间框架结构振动的主动控制方法和设备 Download PDFInfo
- Publication number
- CN114253308B CN114253308B CN202010992812.4A CN202010992812A CN114253308B CN 114253308 B CN114253308 B CN 114253308B CN 202010992812 A CN202010992812 A CN 202010992812A CN 114253308 B CN114253308 B CN 114253308B
- Authority
- CN
- China
- Prior art keywords
- frame structure
- space frame
- vibration
- determining
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000001133 acceleration Effects 0.000 claims abstract description 118
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 230000000306 recurrent effect Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 238000005457 optimization Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005096 rolling process Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 11
- 238000002922 simulated annealing Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000003989 dielectric material Substances 0.000 description 6
- 238000002955 isolation Methods 0.000 description 6
- 230000003750 conditioning effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D19/00—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase
- G05D19/02—Control of mechanical oscillations, e.g. of amplitude, of frequency, of phase characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Vibration Prevention Devices (AREA)
Abstract
本发明公开了一种空间框架结构振动的主动控制方法和设备,该方法包括:通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;根据参考轨迹和所述预测作动参数确定最优作动参数;通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制,从而提高了振动主动控制时的模型控制力和控制精度,获得较强的鲁棒性。
Description
技术领域
本申请涉及振动控制领域,更具体地,涉及一种空间框架结构振动的主动控制方法和设备。
背景技术
框架结构是由许多梁和柱共同组成的框架来承受房屋全部荷载的结构。高层的民用建筑和多层的工业厂房,砖墙承重已不能适应荷重较大的要求,往往采用框架作为承重结构。大型空间框架结构是一种柔性的结构体系,对风荷载和地震等动力作用比较敏感,容易产生较大的动力响应。建筑物本身摆动频率一般在10-100Hz,这就要求所设计的隔振***不仅对中高频扰力具有良好的隔振效果,而且对低频也能进行有效的隔离。然而,由于被动隔振装置的固有频率不能无限制地降低,采用传统的被动隔振技术很难有效地隔离超低频振动信号。
现有技术中有采用主动控制进行振动控制的方式,利用外界能源产生控制振动所需的作用力,具有较强的抗复合干扰能力。同被动隔振技术相比,其振动控制效果要好得多,尤其在隔离超低频振动方面的优势更加明显,因而得到了广泛的应用。
然而,现有技术中的大多数主动控制进行振动控制时需要建立被控对象与外激励的精确数学模型和模型不确定因素的变化界限,如果实际***与模型描述有某些差距,则达不到控制效果,甚至使控制对象性能恶化,并且由于模型的控制能力不强,造成振动控制时响应速度慢,控制精度不高,鲁棒性差。
发明内容
本发明提供一种空间框架结构振动的主动控制方法,用以解决现有技术中模型控制力差,造成对振动进行主动控制时响应速度慢,控制精度不高,鲁棒性差的技术问题,该方法包括:
通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;
根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;
根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹;
通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制。
优选的,根据参考轨迹和所述预测作动参数确定最优作动参数,具体为:
根据同一时刻下所述参考轨迹上的期望输出参数和所述预测作动参数的差值确定所述一步预测模型的预测误差;
判断所述预测误差是否小于预设阈值;
若是,将所述预测作动参数作为所述最优作动参数;
若否,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数。
优选的,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数,具体为:
基于迭代算法对所述预测作动参数进行在线滚动优化;
当迭代精度达到预设精度,或,当迭代次数达到预设次数时,确定所述最优作动参数。
优选的,在根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数之前,还包括:
利用所述加速度传感器获取所述空间框架结构的振动数据;
基于对所述空间框架结构的振动实验获取与所述振动数据对应的作动力数据;
根据所述振动数据和所述作动力数据训练所述一步预测模型;
当所述一步预测模型的网络精度达到预设精度阈值时,确定所述一步预测模型的模型结构和模型预测误差;
基于迭代算法对所述一步预测模型的预测结果进行在线优化;
基于所述模型预测误差对所述一步预测模型进行校正。
优选的,在根据参考轨迹和所述预测作动参数确定最优作动参数之后,还包括:
基于遗传算法对所述最优作动参数进行整定。
优选的,所述加速度传感器具体为压电式加速度传感器,所述作动器具体为压电堆作动器,在通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息之前,还包括:
基于所述空间框架结构建立有限元模型;
根据所述有限元模型的模态置信矩阵确定优化目标函数;
基于遗传算法和模拟退火算法对所述优化目标函数的寻优结果确定所述加速度传感器和所述作动器的数量和位置;
根据可控性格拉姆矩阵与可观测性格拉姆矩阵确定优化配置准则;
根据优化配置准则将所述加速度传感器和所述作动器按照所述数量安装在所述位置,各所述作动器之间采用并联方式连接。
优选的,通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,具体为:
确定所述加速度传感器输出的传感器加速度;
确定所述加速度传感器在所述空间框架结构上的坐标;
根据所述传感器加速度和所述坐标确定所述加速度信息。
相应地,本发明还提出了一种空间框架结构振动的主动控制设备,所述设备包括:
获取模块,用于通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;
第一确定模块,用于根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;
第二确定模块,用于根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹;
控制模块,用于通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制。
相应地,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上所述的空间框架结构振动的主动控制方法。
相应地,本发明还提出了一种计算机程序产品,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行如上所述的空间框架结构振动的主动控制方法。
与现有技术对比,本发明具备以下有益效果:
本发明公开了一种空间框架结构振动的主动控制方法和设备,该方法包括:通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;根据参考轨迹和所述预测作动参数确定最优作动参数;通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制,从而通过参考轨迹和利用对角递归神经网络一步预测模型确定的预测作动参数确定最优作动参数,基于最优作动参数使作动器产生作动力对空间框架结构的振动进行控制,从而提高了模型控制力和控制精度,获得较强的鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提出的一种空间框架结构振动的主动控制方法的流程示意图;
图2示出了本发明实施例中空间框架结构振动主动控制***整体设计框图;
图3示出了本发明一实施例中空间框架结构振动的主动控制方法的流程示意图;
图4示出了本发明另一实施例中空间框架结构振动主动控制方法流程示意图;
图5示出了本发明实施例中神经网络预测控制器的设计流程示意图;
图6示出了本发明实施例中加速度传感器和作动器在空间框架结构上的安装位置示意图;
图7示出了本发明实施例中提出的一种空间框架结构振动的主动控制设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如背景技术所述,现有技术中在进行主动控制时模型控制力不强,造成振动控制时响应速度慢,控制精度不高,鲁棒性差。
为解决上述问题,本申请实施例提出了一种空间框架结构振动的主动控制方法,通过参考轨迹和利用对角递归神经网络一步预测模型确定的预测作动参数确定最优作动参数,基于最优作动参数使作动器产生作动力对空间框架结构的振动进行控制,从而提高了模型控制力和控制精度,获得较强的鲁棒性。
如图1所示本发明实施例提出的一种空间框架结构振动的主动控制方法的流程示意图,该方法包括以下步骤:
步骤S101,通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的。
如上所述,当空间框架结构在受到外部激励时会产生振动,外部激励可以是风力、地震等动力作用,空间框架结构上的加速度传感器监测到振动后会输出传感器加速度,通过该传感器加速度即可确定空间框架结构的加速度信息。
为获得可靠的振动主动控制效果,需要将加速度传感器和作动器按照合适的数量安装在空间框架结构的合适位置上,在本申请的优选实施例中,所述加速度传感器具体为压电式加速度传感器,所述作动器具体为压电堆作动器,在通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息之前,还包括:
基于所述空间框架结构建立有限元模型;
根据所述有限元模型的模态置信矩阵确定优化目标函数;
基于遗传算法和模拟退火算法对所述优化目标函数的寻优结果确定所述加速度传感器和所述作动器的数量和位置;
根据可控性格拉姆矩阵与可观测性格拉姆矩阵确定优化配置准则;
根据优化配置准则将所述加速度传感器和所述作动器按照所述数量安装在所述位置,各所述作动器之间采用并联方式连接。
如上所述,本实施例采用压电式加速度传感器和压电堆作动器,压电材料可以因机械变形产生电场,也可以因电场作用产生机械变形,这种固有的机-电耦合效应使得压电材料在工程中得到了广泛的应用。
有限元模型是运用有限元分析方法时候建立的模型,是一组仅在节点处连接、仅靠节点传力、仅在节点处受约束的单元组合体,首先,根据空间框架结构建立的有限元模型模态置信矩阵确定优化目标函数,模态置信矩阵用于评价模态振型向量空间(几何)上的相关性,然后,根据传算法的全局搜索和模拟退火的局部寻优结合,选择初始种群中经遗传算法确定的部分优良个体进入模拟退火算法中进行寻优,根据寻优结果确定所述加速度传感器和所述作动器的数量和位置,再根据可控性格拉姆矩阵与可观测性格拉姆矩阵确定优化配置准则,优化配置准则可以确定空间框架结构上振动变形最大的地方,最后,根据优化配置准则将所述加速度传感器和所述作动器按照所述数量安装在所述位置。各所述作动器之间采用并联方式连接,相比单一压电堆能够产生较大的作动力,另外,由于压电堆的输出位移为微米级,可以实现对空间架构的精准振动控制。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,本领域技术人员可根据实际需要采用其他的安装方式,这并不影响本申请的保护范围。
为获得准确的加速度信息,在本申请的优选实施例中,通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,具体为:
确定所述加速度传感器输出的传感器加速度;
确定所述加速度传感器在所述空间框架结构上的坐标;
根据所述传感器加速度和所述坐标确定所述加速度信息。
具体的,在本申请的具体应用场景中,传感器输出的加速度{a}经坐标变换转换为框架结构的加速度,转换公式为q=[R]{a},传递矩阵R是根据传感器的坐标位置确定的。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息的方式均属于本申请的保护范围。
步骤S102,根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数。
具体的,因为神经网络有很强的非线性建模能力和预测能力,故采用DRNN(Diagonal Recurrent Neural Network,对角递归神经网络)完成对***的模型建立,将步骤S101中的加速度信息输入DRNN一步预测模型后,可使DRNN一步预测模型输出预测作动参数。
为获取与受控空间框架结构相应的预测作动参数,需要确定DRNN一步预测模型的网络结构并进行优化以及校正,在本申请优选的实施例中,在根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数之前,还包括:
利用所述加速度传感器获取所述空间框架结构的振动数据;
基于对所述空间框架结构的振动实验获取与所述振动数据对应的作动力数据;
根据所述振动数据和所述作动力数据训练所述一步预测模型;
当所述一步预测模型的网络精度达到预设精度阈值时,确定所述一步预测模型的模型结构和模型预测误差;
基于迭代算法对所述一步预测模型的预测结果进行在线优化;
基于所述模型预测误差对所述一步预测模型进行校正。
如上所述,首先获取空间框架结构振动的数据,利用所述加速度传感器获取所述空间框架结构的振动数据,基于对所述空间框架结构的振动实验获取与所述振动数据对应的作动力数据,然后根据振动数据和作动力数据训练DRNN一步预测模型,初始化相应参数,参数包括有网络结构参数(网络层数,每一层的神经元个数,激励函数的类型)、初始权值、学习速率等,当一步预测模型的网络精度达到预设精度阈值时,确定模型结构和模型预测误差,再根据迭代算法对一步预测模型的预测结果进行在线优化,在本申请的具体应用场景中,迭代算法可以为牛顿迭代算法,最后,根据模型预测误差对所述一步预测模型进行校正。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他确定对角递归神经网络一步预测模型的方式均属于本申请的保护范围。
步骤S103,根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹。
具体的,参考轨迹为DRNN一步预测模型的期望输出的轨迹,期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹,可通过柔化系数α确定该预设速率,根据参考轨迹和预测作动参数可确定最优作动参数。
为获得准确的最优作动参数,在本申请的优选实施例中,根据参考轨迹和所述预测作动参数确定最优作动参数,具体为:
根据同一时刻下所述参考轨迹上的期望输出参数和所述预测作动参数的差值确定所述一步预测模型的预测误差;
判断所述预测误差是否小于预设阈值;
若是,将所述预测作动参数作为所述最优作动参数;
若否,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数。
如上所述,根据同一时刻下所述参考轨迹上的期望输出参数和所述预测作动参数的差值可确定一步预测模型的预测误差,预测误差直接影响控制精度,因此控制预测误差可实现对控制精度的优化,当预测误差小于预设阈值时将预测作动参数作为最优作动参数,当预测误差不小于预设阈值时基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他根据参考轨迹和所述预测作动参数确定最优作动参数的方式均属于本申请的保护范围。
为了满足主动控制的实时性要求,在本申请的优选实施例中,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数,具体为:
基于迭代算法对所述预测作动参数进行在线滚动优化;
当迭代精度达到预设精度,或,当迭代次数达到预设次数时,确定所述最优作动参数。
如上所述,在滚动优化时设置最大迭代步数,也可提前设置好迭代的精度要求,当迭代精度达到预设精度,或当迭代次数达到预设次数时即可输出最优控制量,确定最优作动参数。
需要说明的是,以上优选实施例的方案仅为本申请所提出的一种具体实现方案,其他基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数的方式均属于本申请的保护范围。
为了进一步对作动参数进行优化,在本申请的优选实施例中,在根据参考轨迹和所述预测作动参数确定最优作动参数之后,还包括:
基于遗传算法对所述最优作动参数进行整定。
通过基于遗传算法对最优作动参数进行整定后,进一步对作动参数进行了优化,提高了控制的准确度,本领域技术人员可采用其他方式对作动参数进一步优化,这并不影响本申请的保护范围。
通过应用以上技术方案,基于空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;根据参考轨迹和所述预测作动参数确定最优作动参数;通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制,从而通过参考轨迹和利用对角递归神经网络一步预测模型确定的预测作动参数确定最优作动参数,基于最优作动参数使作动器产生作动力对空间框架结构的振动进行控制,从而提高了模型控制力和控制精度,获得较强的鲁棒性。
为了进一步阐述本发明的技术思想,现结合具体的应用场景,对本发明的技术方案进行说明。
本发明实施例提出了一种空间框架结构振动的主动控制方法,通过将DRNN一步预测模型用于空间框架结构的主动控制,并构建出NNPC(Neural Network PredictiveControl,神经网络预测控制)控制器,提高了振动的控制精度,可快速消除空间框架的振动,并具有较强的鲁棒性。
如图2所示为本发明实施例中空间框架结构振动主动控制***整体设计框图,具体流程如下:
(1)外部激励信号作用于受控结构上时,压电式加速度传感器会感知到结构的振动,经加速度传感器的振动信号经过信号调理单元变为模拟的电压信号作用于A/D转换模块,转换后的数字信号进入主动控制***。
(2)主动控制***对进入的数字信号进行数据存储,然后通过预先设计好的振动主动控制算法进行运算,得到数字控制量,并可对数字控制量进行显示及图形输出,数字控制量经过D/A转换后得到模拟控制信号,模拟控制信号输入压电驱动单元,压电驱动单元会产生电压信号并进行放大得到可以驱动压电堆作动器的作动参数。
(3)压电堆作动器在作动参数的作用下产生一定的作动力施加于受控结构上,使得振动得到抑制。
如图3所示为本发明一实施例中空间框架结构振动的主动控制方法的流程示意图,包括:
步骤S301,确定传感器输出的加速度。
当空间框架结构在受到外部激励时产生振动时,加速度传感器会感知振动并输出加速度信息。
步骤S302,确定框架结构的加速度。
传感器输出的加速度{a}经坐标变换转换为框架结构的加速度,转换公式为q=[R]{a},传递矩阵R是根据传感器的坐标位置确定的。
步骤S303,存入数据缓存。
将框架结构的加速度存入数据缓存,以便神经网络预测控制器调用数据。
步骤S304,神经网络预测控制器输出数字信号。
神经网络预测控制器调用数据缓存中的加速度数据,并输出对应的数字信号。
步骤S305,确定作动参数。
根据步骤S304中的数字信号确定作动器的作动参数。
步骤S306,确定控制电压。
将作动参数输入作动器驱动单元产生控制电压,以使压电堆作动器产生作动力对框架结构的振动进行抑制。
如图4所示为本发明另一实施例中空间框架结构振动主动控制方法流程示意图,包括以下步骤:
步骤S401,初始化。
步骤S402,采集获取振动加速度信息。
当空间框架结构在受到外部激励时产生振动时,加速度传感器会感知振动并采集获取振动加速度信息。
步骤S403,DRNN一步预测模型输出预测作动参数。
DRNN一步预测模型根据获取的加速度信息输出预测作动参数。
步骤S404,根据参考轨迹和预测作动参数确定预测误差。
参考轨迹为DRNN一步预测模型的期望输出的轨迹,期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹,可通过柔化系数α确定该预设速率。根据同一时刻下参考轨迹上的期望输出参数和预测作动参数的差值可确定一步预测模型的预测误差。
步骤S405,判断预测误差是否小于预设阈值,若是,执行步骤S406,若否,执行步骤S408。
步骤S406,利用遗传算法对作动参数进一步整定。
遗传算法的基本运算过程如下:
a)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0)。
b)个体评价:计算群体P(t)中各个个体的适应度。
c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
d)交叉运算:将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。
e)变异运算:将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
步骤S407,得到最优作动参数激励受控结构。
通过最优作动参数使压电堆作动器产生作动力作用于受控空间框架结构,使振动得到抑制。
步骤S408,基于迭代算法进行在线滚动优化。
当预测误差不小于预设阈值时,需要进行在线滚动优化,基于神经网络在线优化器利用上述模型和优化算法迭代计算最优控制量u*(k)并付诸实施。具体过程如下:
优化目标函数为J=(yr(k+1)-ym(k+1))2+λu(k)2,yr(k+1)为k+1时刻期望输出,ym(k+1)为k+1时刻DRNN的预测输出值,其中yr(k+1)=αyr(k)+(1-α)r(k),α为所述柔化系数。
采用牛顿迭代算法进行滚动优化,迭代公式为:
上式中:u(k)j+1,u(k)j分别表示第j+1次和第j次迭代的控制量,右边最后一项的分子表示目标函数J对控制量u(k)的一阶偏导数在u(k)=u(k)j时的取值,分母表示目标函数J对控制量u(k)的二阶偏导数在u(k)=u(k)j时的取值。k=0时,初始值u(0)由遗传算法获得,滚动优化的过程是反复在线进行的,直到性能指标J(k)达到最小,这时的u(k)便可以作为最优实时控制量u*(k)作用给受控结构。
步骤S409,迭代精度是否达到预设精度,或迭代次数是否达到预设次数,若是执行步骤S403,若否,执行步骤S408。
为了满足控制***的实时性要求,可以在滚动优化时设置最大迭代步数iter,也可提前设置好迭代的精度要求,即uj+1(k)-uj(k)<β,β一个较小的正数,当迭代精度达到预设精度,或,当迭代次数达到预设次数时即可输出最优控制量u*(k)。
通过应用以上技术方案,基于空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;根据参考轨迹和所述预测作动参数确定最优作动参数;通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制,从而通过参考轨迹和利用对角递归神经网络一步预测模型确定的预测作动参数确定最优作动参数,基于最优作动参数使作动器产生作动力对空间框架结构的振动进行控制,从而提高了模型控制力和控制精度,获得较强的鲁棒性。
在步骤S403之前,还需要对神经网络预测控制器进行设计,如图5所示为神经网络预测控制器的设计流程示意图,包括以下步骤:
S501,实验数据转换。
给定输入量u(k),利用实验确定被控对象的实际输出y(k),将被控对象的输入信号u(k),u(k-1)和输出信号y(k-1),y(k-2)作为DRNN网络的输入信号。
S502,训练神经网络模型。
通过步骤S501得到的转换后的实验数据,基于该实验数据训练神经网络模型,包括:
步骤a,通过(1)式计算DRNN网络的输出ym(k);
其中,O(k)为网络的输出值,Xj(k)为第j个回归神经元的输出,Sj(k)为第j个回归神经元的输入,为输入神经元i到回归神经元j的权值,为第j个回归神经元的权值,为第j个回归神经元到输出神经元的权值。
步骤c,将e(k)代入(2)中各式计算DRNN网络各层权值的调整量;
步骤d,利用(3)中公式更新DRNN网络各层权值;
步骤e,选择(4)中公式自适应学习率:
步骤S503,测试网络精度是否达到预设精度阈值,若是,执行步骤S504,若否,执行步骤S502。
测试网络精度,判断辨识是否继续,若继续则转至S502,重复上述过程,直至辨识结束。
步骤S504,网络模型结构确立。
步骤S505,在线优化。
基于神经网络在线优化器利用上述模型和优化算法迭代计算最优控制量u*(k)。
步骤S506,反馈校正。
基于模型预测误差e(k)对DRNN的非线性预测模型进行反馈校正。
步骤S507,确定NNPC。
在步骤S401之前,还需将加速度传感器和作动器安装按合适的数量安装在合适的位置,以下对该安装过程进行说明。
某些电介质在沿一定方向上受到外力的作用而变形时,其内部会产生极化现象,同时在它的两个相对表面上出现正负相反的电荷。当外力去掉后,它又会恢复到不带电的状态,这种现象称为正压电效应。当作用力的方向改变时,电荷的极性也随之改变。相反,当在电介质的极化方向上施加电场,这些电介质也会发生变形,电场去掉后,电介质的变形随之消失,这种现象称为逆压电效应。本申请将产生压电效应的材料应用于加速度传感器和作动器,形成压电式加速度传感器和压电堆作动器,从而可以更精准快速的对空间框架结构的振动进行检测和控制。
由于空间框架结构上不同位置产生的振动强度不同,本申请对加速度传感器和作动器的安装进行了优化,包括以下步骤:
步骤a、对空间框架结构建立有限元模型并进行动力学分析,MAC(modalassurance criterion,模态置信度矩阵)作为评价模态正交性:
步骤b、根据所述有限元模型的模态置信矩阵确定优化目标函数。在n个自由度中选择m个自由度作为作动器/传感器的欲布置位置,使得模态置信度MAC矩阵的非对角元最大值尽可能达到最小,基于此建立优化目标函数,即:
步骤c、基于遗传算法和模拟退火算法对所述优化目标函数的寻优结果确定所述加速度传感器和所述作动器的数量和位置。
选用最小数目的加速度传感器和作动器达到最优的控制结果,离散搜索优化算适用于大型空间架构结构控制,本发明采用模拟退火算法来进行确定加速度传感器和作动器的数量。
基于遗传算法和模拟退火算法共同完成寻优,遗传算法的全局搜索和模拟退火的局部寻优结合,选择初始种群中经遗传算法确定的部分优良个体进入模拟退火算法中进行寻优。
步骤d、根据可控性格拉姆矩阵与可观测性格拉姆矩阵确定优化配置准则。
本发明中采用的优化配置准则是基于***可控性、可观性的准则,***的可控性和可观性可分别利用各自的格拉姆矩阵的奇异值来度量,加速度传感器和作动器分别放置在可控性量度矩阵、可观性量度矩阵的范数最大的地方,也就是空间框架结构上振动变形最大的地方。
步骤e、根据优化配置准则将所述加速度传感器和所述作动器按照所述数量安装在所述位置,各所述作动器之间采用并联方式连接。
采用多个压电堆并联的方式,相比单一压电堆能够产生较大的输出力,另外,由于压电堆的输出位移为微米级,可以实现对空间架构的精准振动控制。
通过以上安装步骤能够使作动器和加速度传感器在空间框架结构中实现最优配置,如图6所示为本发明实施例中加速度传感器和作动器在空间框架结构上的安装位置示意图。
本发明一实施例中还涉及一种空间框架结构振动的主动控制***,包括工业PC机、压电式加速度传感器、信号调理模块、D/A及A/D转换模块、输出控制模块,压电堆作动器及驱动模块。
所述工业PC机包含检测与控制软件。压电式加速度传感器与受控空间框架结构相连,用于采集结构反应的振动信息,与驱动模块、输出控制模块共同作用形成闭环的测控***完成对振动信号的测量与控制。
当外部激励信号作用于被控对象上时,压电加速度传感器会感知到结构的振动信息,再通过信号调理单元以模拟电压的形式输出振动信号作用于A/D模块,转换后的数字信号进入输出控制模块,输出控制模块对进入控制器的数字信号进行缓存,然后通过预先设计好的主动控制算法进行运算,得到数字控制量,在经过D/A模块进行数模转换后得到模拟的控制信号,由于直接获得的控制信号不足以驱动压电堆作动器,因此在D/A模块和压电堆作动器之间加入压电驱动放大单元,压电驱动单元采用电压控制驱动单元中的误差放大式电路对输出电压进行放大,得到足以驱动压电堆作动器的电压信号,压电堆作动器在驱动信号的作用下产生一定的作动力施加于受控空间框架结构上,使得振动得到一定程度的抑制,从而完成振动的主动控制。
压电堆驱动器之间采用并联的方式连接,根据作动器的优化配置准则,将作动器安装于被控对象振动最大的位置。选择压电式传感器时需注意其性能指标,传感器须不影响振动信号,且安装的位置是***振动变形最大处,彼此之间不应靠得很近。同时,传感器的位置要和作动器的位置要协调安装。
信号调理单元包含电荷放大器,和传感器配合使用,A/D模块和D/A模块采集与转换采用ADC(Analog-to-Digital Converter,模数转换器)芯片,ADC芯片的工作频率高于***,采样频率根据香农采样定律为***频率的3-10倍。
主动控制***的软件组成部分分为输出项采样显示模块、控制模块、数据处理与存储模块。
为了达到以上技术目的,本申请实施例还提出了一种空间框架结构振动的主动控制设备,如图7所示,所述设备包括:
获取模块701,用于通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;
第一确定模块702,用于根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;
第二确定模块703,用于根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹;
控制模块704,用于通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种空间框架结构振动的主动控制方法,其特征在于,所述方法包括:
通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;
根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;
根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹;
通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制。
2.如权利要求1所述的方法,其特征在于,根据参考轨迹和所述预测作动参数确定最优作动参数,具体为:
根据同一时刻下所述参考轨迹上的期望输出参数和所述预测作动参数的差值确定所述一步预测模型的预测误差;
判断所述预测误差是否小于预设阈值;
若是,将所述预测作动参数作为所述最优作动参数;
若否,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数。
3.如权利要求2所述的方法,其特征在于,基于迭代算法对所述预测作动参数进行在线滚动优化后确定所述最优作动参数,具体为:
基于迭代算法对所述预测作动参数进行在线滚动优化;
当迭代精度达到预设精度,或,当迭代次数达到预设次数时,确定所述最优作动参数。
4.如权利要求1所述的方法,其特征在于,在根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数之前,还包括:
利用所述加速度传感器获取所述空间框架结构的振动数据;
基于对所述空间框架结构的振动实验获取与所述振动数据对应的作动力数据;
根据所述振动数据和所述作动力数据训练所述一步预测模型;
当所述一步预测模型的网络精度达到预设精度阈值时,确定所述一步预测模型的模型结构和模型预测误差;
基于迭代算法对所述一步预测模型的预测结果进行在线优化;
基于所述模型预测误差对所述一步预测模型进行校正。
5.如权利要求1所述的方法,其特征在于,在根据参考轨迹和所述预测作动参数确定最优作动参数之后,还包括:
基于遗传算法对所述最优作动参数进行整定。
6.如权利要求1所述的方法,其特征在于,所述加速度传感器具体为压电式加速度传感器,所述作动器具体为压电堆作动器,在通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息之前,还包括:
基于所述空间框架结构建立有限元模型;
根据所述有限元模型的模态置信矩阵确定优化目标函数;
基于遗传算法和模拟退火算法对所述优化目标函数的寻优结果确定所述加速度传感器和所述作动器的数量和位置;
根据可控性格拉姆矩阵与可观测性格拉姆矩阵确定优化配置准则;
根据优化配置准则将所述加速度传感器和所述作动器按照所述数量安装在所述位置,各所述作动器之间采用并联方式连接。
7.如权利要求1所述的方法,其特征在于,通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,具体为:
确定所述加速度传感器输出的传感器加速度;
确定所述加速度传感器在所述空间框架结构上的坐标;
根据所述传感器加速度和所述坐标确定所述加速度信息。
8.一种空间框架结构振动的主动控制设备,其特征在于,所述设备包括:
获取模块,用于通过空间框架结构上的加速度传感器获取所述空间框架结构振动时的加速度信息,所述振动是所述空间框架结构在受到外部激励时产生的;
第一确定模块,用于根据对角递归神经网络一步预测模型和所述加速度信息确定预测作动参数;
第二确定模块,用于根据参考轨迹和所述预测作动参数确定最优作动参数,所述参考轨迹为所述一步预测模型的期望输出的轨迹,所述期望输出的轨迹按照预设速率趋近所述一步预测模型的设定输出的轨迹;
控制模块,用于通过所述最优作动参数使所述空间框架结构上的作动器向所述空间框架结构施加作动力,以对所述振动进行控制。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的空间框架结构振动的主动控制方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品在终端设备上运行时,使得所述终端设备执行如权利要求1-7任一项所述的空间框架结构振动的主动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992812.4A CN114253308B (zh) | 2020-09-21 | 2020-09-21 | 一种空间框架结构振动的主动控制方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010992812.4A CN114253308B (zh) | 2020-09-21 | 2020-09-21 | 一种空间框架结构振动的主动控制方法和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114253308A CN114253308A (zh) | 2022-03-29 |
CN114253308B true CN114253308B (zh) | 2022-08-30 |
Family
ID=80788187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010992812.4A Active CN114253308B (zh) | 2020-09-21 | 2020-09-21 | 一种空间框架结构振动的主动控制方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114253308B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN101364052A (zh) * | 2008-10-08 | 2009-02-11 | 上海微电子装备有限公司 | 主动减振***及其预见控制方法 |
JP2012112795A (ja) * | 2010-11-25 | 2012-06-14 | Ihi Corp | 振動測定システム、振動測定装置および振動測定方法 |
CN102749849A (zh) * | 2012-07-03 | 2012-10-24 | 西安交通大学 | 一种壳体结构表面变频率特性的主动控制方法 |
CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
CN103324087A (zh) * | 2013-06-19 | 2013-09-25 | 河海大学常州校区 | 基于神经网络的微陀螺仪的自适应反演控制***及方法 |
CN106168762A (zh) * | 2016-09-20 | 2016-11-30 | 北京联合大学 | 一种基于模糊聚类逆模型的残余振动抑制方法 |
WO2017032121A1 (zh) * | 2015-08-25 | 2017-03-02 | 太原理工大学 | 一种煤矿综采工作面大型装备集中控制平台的实现方法 |
CN106773716A (zh) * | 2017-01-19 | 2017-05-31 | 福州大学 | 一种用于复合材料压机变速下落的轨迹规划方法 |
WO2017203004A1 (en) * | 2016-05-24 | 2017-11-30 | Fmc Technologies Sa | Motion control device for an articulated fluid-loading arm, acquisition and calculation method and device therefor, and articulated fluid loading arm |
CN108595756A (zh) * | 2018-03-21 | 2018-09-28 | 中国科学院自动化研究所 | 大包线飞行干扰估计的方法及装置 |
CN110285939A (zh) * | 2019-04-03 | 2019-09-27 | 武汉理工大学 | 基于振动控制的铁路钢桥节点焊缝随机裂纹扩展抑制*** |
CN110389527A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于异类估计的mems陀螺仪滑模控制方法 |
CN110426952A (zh) * | 2019-07-18 | 2019-11-08 | 西北工业大学 | 考虑外界干扰的区间数据学习mems陀螺仪高精度驱动控制方法 |
CN110435377A (zh) * | 2019-04-28 | 2019-11-12 | 西安理工大学 | 基于比例积分观测器的非线性主动悬架容错追踪控制方法 |
CN110531624A (zh) * | 2019-09-09 | 2019-12-03 | 南京航空航天大学 | 一种直升机减振装置及其控制方法 |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
CN110764416A (zh) * | 2019-11-11 | 2020-02-07 | 河海大学 | 基于深度q网络的仿人机器人步态优化控制方法 |
CN111487870A (zh) * | 2020-04-26 | 2020-08-04 | 贵州理工学院 | 一种柔性主动悬架***中自适应反演控制器的设计方法 |
CN111577541A (zh) * | 2020-05-07 | 2020-08-25 | 电子科技大学广东电子信息工程研究院 | 一种基于pid控制的变桨距风力发电机设备控制*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9850712B2 (en) * | 2013-12-12 | 2017-12-26 | Schlumberger Technology Corporation | Determining drilling state for trajectory control |
US10386796B2 (en) * | 2014-12-11 | 2019-08-20 | University Of New Brunswick | Model predictive controller and method with correction parameter to compensate for time lag |
-
2020
- 2020-09-21 CN CN202010992812.4A patent/CN114253308B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
CN101364052A (zh) * | 2008-10-08 | 2009-02-11 | 上海微电子装备有限公司 | 主动减振***及其预见控制方法 |
JP2012112795A (ja) * | 2010-11-25 | 2012-06-14 | Ihi Corp | 振動測定システム、振動測定装置および振動測定方法 |
CN102749849A (zh) * | 2012-07-03 | 2012-10-24 | 西安交通大学 | 一种壳体结构表面变频率特性的主动控制方法 |
CN102982351A (zh) * | 2012-11-15 | 2013-03-20 | 河北省电力公司电力科学研究院 | 基于bp神经网络的瓷绝缘子振动声学检测数据分类方法 |
CN103324087A (zh) * | 2013-06-19 | 2013-09-25 | 河海大学常州校区 | 基于神经网络的微陀螺仪的自适应反演控制***及方法 |
WO2017032121A1 (zh) * | 2015-08-25 | 2017-03-02 | 太原理工大学 | 一种煤矿综采工作面大型装备集中控制平台的实现方法 |
WO2017203004A1 (en) * | 2016-05-24 | 2017-11-30 | Fmc Technologies Sa | Motion control device for an articulated fluid-loading arm, acquisition and calculation method and device therefor, and articulated fluid loading arm |
CN106168762A (zh) * | 2016-09-20 | 2016-11-30 | 北京联合大学 | 一种基于模糊聚类逆模型的残余振动抑制方法 |
CN106773716A (zh) * | 2017-01-19 | 2017-05-31 | 福州大学 | 一种用于复合材料压机变速下落的轨迹规划方法 |
CN108595756A (zh) * | 2018-03-21 | 2018-09-28 | 中国科学院自动化研究所 | 大包线飞行干扰估计的方法及装置 |
CN110285939A (zh) * | 2019-04-03 | 2019-09-27 | 武汉理工大学 | 基于振动控制的铁路钢桥节点焊缝随机裂纹扩展抑制*** |
CN110435377A (zh) * | 2019-04-28 | 2019-11-12 | 西安理工大学 | 基于比例积分观测器的非线性主动悬架容错追踪控制方法 |
CN110389527A (zh) * | 2019-07-18 | 2019-10-29 | 西北工业大学 | 基于异类估计的mems陀螺仪滑模控制方法 |
CN110426952A (zh) * | 2019-07-18 | 2019-11-08 | 西北工业大学 | 考虑外界干扰的区间数据学习mems陀螺仪高精度驱动控制方法 |
CN110531624A (zh) * | 2019-09-09 | 2019-12-03 | 南京航空航天大学 | 一种直升机减振装置及其控制方法 |
CN110764416A (zh) * | 2019-11-11 | 2020-02-07 | 河海大学 | 基于深度q网络的仿人机器人步态优化控制方法 |
CN110703610A (zh) * | 2019-11-19 | 2020-01-17 | 河海大学常州校区 | 微陀螺仪的递归模糊神经网络非奇异终端滑模控制方法 |
CN111487870A (zh) * | 2020-04-26 | 2020-08-04 | 贵州理工学院 | 一种柔性主动悬架***中自适应反演控制器的设计方法 |
CN111577541A (zh) * | 2020-05-07 | 2020-08-25 | 电子科技大学广东电子信息工程研究院 | 一种基于pid控制的变桨距风力发电机设备控制*** |
Non-Patent Citations (2)
Title |
---|
神经网络预测控制及其在卫星姿态模拟***中的应用;李彦琴等;《计算机测量与控制》;20030525(第05期);全文 * |
高速电梯水平振动主动控制研究;冯永慧;《机械科学与技术》;20070831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114253308A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaboussi et al. | Active control of structures using neural networks | |
Wang et al. | Self-constructing wavelet neural network algorithm for nonlinear control of large structures | |
CN106125574B (zh) | 基于dpi模型的压电陶瓷微定位平台建模方法 | |
Chen et al. | Neural network for structure control | |
Wei et al. | Experimental comparison research on active vibration control for flexible piezoelectric manipulator using fuzzy controller | |
CN112698572B (zh) | 一种基于强化学习的结构振动控制方法、介质及设备 | |
CN104991997B (zh) | 自适应差分进化算法优化的广义率相关p-i迟滞建模方法 | |
Ouyang et al. | Backstepping adaptive control for real-time hybrid simulation including servo-hydraulic dynamics | |
CN109885916B (zh) | 一种基于lssvm的混合试验在线模型更新方法 | |
CN101452258A (zh) | 一种与模型无关的自适应控制器及其控制方法 | |
de Abreu et al. | A self-organizing fuzzy logic controller for the active control of flexible structures using piezoelectric actuators | |
CN111368970B (zh) | 一种基于深度强化学习的传感器优化布置方法 | |
Wang et al. | Modelling and compound control of intelligently dielectric elastomer actuator | |
CN114253308B (zh) | 一种空间框架结构振动的主动控制方法和设备 | |
CN112362276B (zh) | 一种子结构混合试验方法 | |
Hung et al. | Active pulse structural control using artificial neural networks | |
Kim et al. | Optimal neurocontroller for nonlinear benchmark structure | |
He et al. | Control of structural seismic response by self‐recurrent neural network (SRNN) | |
Topalov et al. | Neuro‐adaptive sliding‐mode tracking control of robot manipulators | |
Zamani et al. | Seismic response prediction of open-and closed-loop structural control systems using a multi-state-dependent parameter estimation approach | |
Naderpour et al. | Soft computing research in structural control by mass damper (a review paper) | |
Li et al. | Parameter identification based on PSO algorithm for piezoelectric actuating system with rate-dependent Prandtl-Ishlinskii hysteresis modeling method | |
Madan | General approach for training back-propagation neural networks in vibration control of multidegree-of-freedom structures | |
Son et al. | Black-box modeling of nonlinear system using evolutionary neural NARX model | |
Liu et al. | Physics-Informed Neural Network for Nonlinear Structural System Identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |