磁流变阻尼器在振动控制中有广阔的应用前景,建立其精确的力学模型是取得良好控制效果的关键因素之一。文中对某磁流变阻尼器进行了动力学性能测试;并通过统计学方法确定了该阻尼器正向、逆向模型的BP神经网络结构;针对传统遗传神经网络(GA-BP)早熟和收敛速度慢的问题,提出一种结合适应度线性变换、自适应交叉和变异概率的改进遗传神经网络(IGA-BP)算法;在此基础上,分别用BP神经网络、GA-BP神经网络和IGA-BP神经网络对阻尼器正向、逆向非参数化模型进行辨识。研究结果表明文中提出的改进遗传神经网络算法收敛速度更快,模型精度更高,该非参数化模型能更准确地反映磁流变阻尼器的动力学特性。

针对参数化模型不能直接反映阻尼器逆向动态特性、非参数化建模需大量试验数据问题,提出两者结合模型。该模型用自适应神经模糊系统建立位移、速度对阻尼力的非线性表达模型,用参数化方法描述阻尼力随电压及速度的变化输出模型。研究表明,此建模方法能较好逼近磁流变液阻尼器试验结果并反映其非线性特性,便于实际控制,且可减少计算工作量。