基于神经网络的智能结构最优预测控制研究

《基于神经网络的智能结构最优预测控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2013年1O月第10期城市道桥与防洪科技研究115基于神经网络的智能结构最优预测控制研究雷永勤，杜永峰(兰州理工大学防震减灾研究所，甘肃兰州730050)摘要：介绍了径向基神经网络和序列最优控制算法的特点，针对结构振动控制中存在的时滞效应，提出了基于RBF神经网络的序列最优预测控制算法，与序列最优控制算法相比能有效地降低结构控制中的时滞效应的影响。结合一栋5层基础隔震框架结构，对该控制方法在控制过程中无时滞和有时滞情况下的控制效果进行仿真分析，仿真结果表明基于RBF神经网络的序列最优预测控制算法在无时滞的情况下与序列最优控制算法控制效果相当，在有时滞的情况下能

2、有效克服时滞对控制系统的影响，控制效果仍较良好。关键词：智能结构；振动控制；时滞；神经网络中图分类号：TU352．12文献标识码：A文章编号：1009—7716(2013)1O—Ol15一o4优控制算法[10,11】有机结合而形成序列最优预测控0引言制器，并将该控制器用于一栋5层基础隔震框架在被动隔震系统中加入主动或半主动控制元结构的地震响应振动控制，仿真结果表明在无时件，构成所谓的智能隔震体系。采用这种混合控制滞与有时滞情况下该控制器的控制效率良好。策略，可以提高普通隔震结构的自适应性，因而成1受控结构运动方程为近年来结构控制领域内的一个十分活跃的研究方向[1

3、-31，并开始应用于房屋建筑、桥梁、渡槽等土选取各质点相对于地面的位移作为变量，用木工程。由于在线实时控制过程中，结构响应测状态空间表达的线性剪切型受控结构运动方程为量、在线计算和驱动器响应都需要消耗时间，因此X；A+磁+En宫r1、时滞是不可避免的，若不考虑这个时间滞后，不但Y=CX+D~+Wus、1，达不到希望的效果，有时会出现负控制现象。针对式(1)中：为地震地面运动加速度为控制力向控制中存在的时滞问题，往往采用智能控制方法量，其它变量为解决，人工神经网络方法即是一种有效的智能控=制方法。Bani—Hani等[41在Ghaboussit研究的基础{)，A=

4、[一一二】，=[L]，E=f—}c2，上，利用神经网络对非线性结构体系进行了振动式(2)中：，和6分别为单位矩阵和单位向量，选择控制数值分析，并考虑了控制环的时滞问题，扩大输出向量y为各质点的绝对加速度以及结构层间了该神经网络模型的应用范围。Nikzad和位移。因此，输出矩阵为Ghaboussi等【使用多层网络，对一个简单振动模型的作动器动力效应和计算时滞补偿等性能进行了G={【I，D=lmLI，={0}㈩(3)一，一尼一，一cJ【-lJ【J研究。Amin等【】使用基于BP算法的多层神经网络式(3)中：m、k、c分别为体系的质量、刚度和阻尼识别和控制一个10层实

5、际结构，利用在该楼上实矩阵；L为控制力作用位置矩阵；G为能输出相对际安装的l3个传感器记载的实际地震反应记录位移的变换矩阵。训练神经网络，并对该神经网络进行数值主动控将连续时间状态空间方程转变为离散系统中制，取得了较好的控制效果。何玉敖【。】提出应用自的状态空间方程为递归神经网络来改进BP神经网络预测结构响应，X(k+1)-,4(．】})+风()+Ddus(k)(4)并对一个2层建筑结构模型进行了响应的在线预式(4)中：A、、Dd分别是离散状态方程的系统矩测，效果良好。张利芬、欧进萍[91提出了变结构BP阵、控制力位置矩阵和地震作用位置矩阵；x()、网络改进BP

6、网络进行结构控制。(+1)分别表示结构系统的第k步(对应时间为本文将径向基神经网络和作者推导的序列最t=kXAt)和第k+l步的状态反应()是第k步收稿日期：2013—07—25的主动控制力；us(k)是第k的地震输入。基金项目：国家自然科学基金(51178211)作者简介：雷永勤(1968一)，男。甘肃庄浪人，高级工程师，博当考虑控制系统的时滞是，需采用如下的状士生，主要从事结构抗震与减震控制。116科技研究城市道桥与防洪2013年10月第1O期态方程求解结构控制系统的第步状态反应，即当AE1(12)X(k+1)；A()柏(Ii}一)

7、+Dd()(5)式(11)、(12)中：、JB为常数，△E=E(k)一式(5)中：i为考虑的时滞步长，对应的时间滞后为E(k一1)。i△t，At为采样周期。2．2序列最优控制器(SOC)2_2_1基于状态反馈的序列控制目标函数的最优2基于RBF神经网络的序列最优预测控制器控制力2．1RBF神经网络在某时刻，用该时刻的结构脉冲响应构造控基于神经网络的预测控制器设计应寻求快制目标函数，引入Lagrange函数可获得极值条件，速、有效的算法及其相应的神经网络结构。为了提利用泛函变分和状态转移的算法对极值条件进行高控制力的预测速度及降低控制力的预测误差，求解，可求得状态

8、反馈时t时刻所对应的最优