基于模糊神经网络的屋盖智能隔震升船结构振动台试验研究

基于模糊神经网络的屋盖智能隔震升船结构振动台试验研究

升船机是工农业建筑的一种新结构形式，是解决高坝通航的有效途径。三峡船机是三峡水利枢备工程中重要的通航设备之一。它的航行规模、重量和高度是国内外一流飞机之一。这对提高塔架结构和主框架的地震反应提出了严格要求。在地震的激励下，三峡船机的前安装会产生地震鞭，船机顶部的安装方向难以调整各种能源行业系统。因此，为了抑制地震的鞭状效应，应该采用智能结构振动法。在结构振动智能控制的研究中直接对结构实施控制,实现流程复杂,测试周期长,而且费用昂贵.因此,需要用一种介于离线仿真和实际控制之间的实时仿真试验系统来研究智能控制算法的性能.针对三峡升船机顶部厂房产生的地震鞭梢效应,采用屋盖MR智能隔震系统,首次在dSPACE实时仿真环境下运用MR阻尼器智能隔震的模糊神经网络控制算法,采用RCP(RapidControlPrototyping)技术进行了三峡升船机结构模型试验,取得了满意的效果.1三大公共车辆结构模型的智能控制原理1.1垂直升船结构地震反应控制方程屋盖MR智能隔震系统中,MR智能阻尼器与被动隔震垫串联,控制隔震层的位移以保护隔震垫不会因为产生较大的位移而破坏,减小顶部厂房的鞭梢效应.在沿顶部厂房排架方向的地震干扰作用下,屋盖MR智能隔震系统对垂直升船结构地震反应控制方程为Μ¨X(t)+C˙X(t)+ΚX(t)=-ΜΙ¨Xg(t)+Sue(1)MX¨(t)+CX˙(t)+KX(t)=−MIX¨g(t)+Sue(1)式中:X、˙XX˙、¨XX¨是各层相对于地面的位移、速度和加速度响应向量;¨XX¨g(t)为地面运动加速度;S为MR智能阻尼器的作用位置向量;ue为控制力;M、C、K分别是结构体系的质量、阻尼和刚度矩阵.1.2控制律设计并进行模糊控制MR阻尼器智能隔震的模糊神经网络控制系统由模糊控制器、逆模式神经网络、电流控制器、升船结构(包括MR阻尼器)、滤波放大等组成,如图1所示.隔震层的相对位移x和隔震层的速度˙xx˙经放大滤波后,送入模糊控制器,其输出为希望控制力f;逆模式神经网络输入为隔震层的相对位移x和希望控制力f,输出相应的控制信号u;电流控制器将控制信号u转换成MR阻尼器的控制电流I,从而使MR阻尼器对结构产生控制力ue.模糊控制器输入x和˙xx˙的范围选择以无控(电流控制器输出I=0)响应为参考适当减小,x的基本变化范围为[-6∼6]mm‚˙x[−6∼6]mm‚x˙的基本变化范围为[-10～10]cm/s;输出的范围选择先采用最优主动控制算法得出控制力f的范围为[-800～800]N,然后加以调整.将速度˙xx˙和控制力f分为7个等级,模糊语言值为{NB(负大),NM(负中),NS(负小),ZO(零),PS(正小),PM(正中),PB(正大)},将位移x分为5个等级,模糊语言值为{NB,NS,ZO,PS,PB}.表1为本文所用模糊控制规则.通过输入输出之间的时程响应关系来确定模糊子集,表2为多次经验试算得到的模糊子集.输入输出变量的模糊子集关于论域的隶属函数形式均为规则三角形.通过模糊子集及其相应的隶属函数实现变量模糊化,并采用重心法对主动控制力进行解模糊处理.采用逆模式神经网络建立MR阻尼器的逆向模型,与其他控制算法结合能实现控制电流的连续可调,这样就能充分发挥MR阻尼器的智能特性、能动性和自适应性.逆模式神经网络需要过程的输入输出数据来建立逆向神经网络模型.逆模式神经网络结构如图2所示.输入层有9个节点,分别是当前时刻的位移、阻尼力,滞后两个时刻的位移、阻尼力和滞后三个时刻的控制电压;隐含层有12个节点;输出层有一个节点,是当前时刻的控制电压。逆模式神经网络的学习过程用下面的方程表示:uk=NNinv(xk,xk-1,…,xk-l,fk,fk-1,…,fk-m,uu-1,uk-2,…,uk-n)(2)式中:x是阻尼器位移;f是阻尼力;u是控制电压.训练样本可以通过修正的Bingham模型得到,训练过程如图3所示.2ds2005ppc处理器板试验控制系统由信号检测变送、A/D转换器、控制器、D/A转换器和电流控制器等组成,如图4所示.A/D转换器、控制器和D/A转换器选用由德国dSPACE公司生产的dSPACE实时仿真系统,它是一套基于MATLAB/Simulink的控制系统开发及半实物仿真的软硬件工作平台,实现了和MATLAB/Simulink/RTW(Real-Time-Workshop)的完全无缝连接,采用工程集成环境的思想.DS1005PPC处理器板是dSPACE标准组件系统新推出的处理器板,它是主频为480MHz的DSP芯片,A/D转换板(DS2002)由两组独立的16位高速A/D转换器组成,每组各含16路转换通道,转换时间73.2μs,D/A转换板(DS2102)是6路16位的D/A转换器,转换时间是72.4μs.控制对象采用三峡升船机振动台试验结构模型,它是一个3层剪切型框架结构.模型质量、刚度和阻尼矩阵分别为Μ=[1150000550000800]kg,Κ=[10.8-0.640-0.640.71-0.070-0.070.07]×106Ν/m,C=[9162-10880-108815741-5000-500500]Νs/m系统的执行机构为美国Lord公司生产的4个摩擦型MR阻尼器(RD-1097-01X),安装在底层楼板上.传感器采用4个891速度传感器和5个MBA加速度传感器,滤波器采用数字滤波器.3设置被线上的c代码采用系统建模、分析、离线仿真、实时仿真试验等方法进行软件设计.用MATLAB来进行分析、设计、优化和数据的离线处理;用Simulink来进行基于方框图的离线仿真和进行程序设计,Simulink程序如图5所示.用RTW将设计好的程序生成C代码;dSPACE的Real-TimeModels包括A/D转换器、D/A转换器和I/O接口,可以在Simulink环境下加载和编辑;用dSPACE的Real-TimeInterface(RTI)将生成的C代码转换成能在dSPACE的处理器(目标系统)中运行的机器代码;dSPACE的ExperimentSoftware(ControlDesk/TestAutomation/MotionDesk)用来对闭环试验进行交互操作(自动/手动),在线检测显示和控制参数设定与调试.4模糊神经网络控制与无控制的顶部开发的比较本次试验采用地震波激励为N-S1940EL-Centro波,激励的持续时间和最大峰值分别为6s和0.2g.MR阻尼器智能隔震的模糊神经网络控制(简称“模糊神经网络控制”)与无控制的顶部厂房排架柱相对位移的比较如图6所示,其表明:模糊神经网络控制与无控制相比,顶部厂房排架柱相对位移的最大值减小了71.8%.5无控制与模糊神经网络控制对高层建筑结构的影响研究针对三峡升船机顶部厂房产生的地震鞭梢效应,运用MR阻尼器智能隔震的模糊神经网络控制算法,建立屋盖智能隔震升船结构的控制方程和试验系统,利用dSPACE和Matlab/Simulink工具,对三峡升船机3层结构模型进行了无控制与模糊神经网络控制的试验研究.其结果表明,模糊神经网络控制可以有效地减小高层建筑结构的地震反应,减振效果非常明显.可得出如下结论:(1)采用模糊神经网络控制算法能很好地控制MR阻尼器,抑制升船机结