基于RDRNN的变阻尼半主动结构控制振动试验研究

　　变阻尼半主动控制是一种新的结构振动控制方法[1],其控制过程依赖于结构的反应信息或外激励荷载,并利用很少的电能用于主动地调节变阻尼控制器的阻尼,从而达到减轻或降低结构响应的目的。由于同时具有成本低和控制效果好的优点,变阻尼半主动结构控制引起了各国学者的高度重视,已成为结构振动控制研究的最新发展方向[2～4]。变阻尼半主动结构控制的工作原理和控制效果主要依赖于变阻尼控制器的工作性能,因而采用合适的模型描述变阻尼控制器的动态特性并据此提出相应的控制算法,是实现高效变阻尼控制的合理途径。对于具有非线性、强干扰、时滞未知的复杂系统,利用神经网络的优点可以实现高可靠、鲁棒性、适应性的智能控制[5]。文[6]提出了一种多输入多输出分支动态递归神经网络模型RDRNN,该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响,采用分支输入递归处理,从而大大提高了动态网络的学习和训练效率,并且结构响应预测精度好。本文应用多输入多输出分支动态递归神经网络模型RDRNN建立了神经网络控制器,利用已有的试验数据对神经网络控制器进行训练,然后应用该神经网络控制器对结构进行变阻尼半主动结构振动控制。输入了几种不同的地震波,对比分析了该神经网络控制器的控制效果。

　　1　神经网络控制器

　　1.1　动态递归神经网络模型

　　将神经网络应用于结构振动控制,主要是进行结构响应的预测和控制力的计算,其优点在于合理的神经网络模型能够较好地描述出被控结构及控制装置的动力特性和非线性特性,从而实现鲁棒性强的智能控制,并最大限度地降低时迟等不利因素对控制效果的影响。应用神经网络进行智能控制的一种方案是,首先应用文[6]提出的神经网络模型RDRNN预测结构的响应,然后采用合适的控制算法计算出控制力进行半主动控制。本文提出的另外一种智能控制方案是将上一种方案的两个步骤合二为一,应用结构前几步的状态响应和当前的地震输入,利用神经网络控制器直接计算出应施加给变阻尼控制器的控制信号电压。这样做的目的是在保证充分利用神经网络优点的同时提高计算效率,从而减小迟时等因素对控制效果的不利影响。利用分支动态递归神经网络模型RDRNN[6],本文提出的神经网络控制器采用结构底层的位移、底层的速度和振动台台面的加速度作为三个不同分支的输入;输出为施加给变阻尼控制器的控制信号电压。由于控制信号电压在0～5V之间变化,因而应选择合适的Sigmoid函数以提高神经网络的精度和效率。本文提出的神经网络控制器如图1所示,其网络隐层节点具有动态递归连接关系,输入输出映像关系为