基于模糊神經網絡的屋蓋智能隔震升船結構振動臺試驗研究

基于模糊神經網絡的屋蓋智能隔震升船結構振動臺試驗研究

升船機是工農業(yè)建筑的一種新結構形式，是解決高壩通航的有效途徑。三峽船機是三峽水利樞備工程中重要的通航設備之一。它的航行規(guī)模、重量和高度是國內外一流飛機之一。這對提高塔架結構和主框架的地震反應提出了嚴格要求。在地震的激勵下，三峽船機的前安裝會產生地震鞭，船機頂部的安裝方向難以調整各種能源行業(yè)系統(tǒng)。因此，為了抑制地震的鞭狀效應，應該采用智能結構振動法。在結構振動智能控制的研究中直接對結構實施控制,實現(xiàn)流程復雜,測試周期長,而且費用昂貴.因此,需要用一種介于離線仿真和實際控制之間的實時仿真試驗系統(tǒng)來研究智能控制算法的性能.針對三峽升船機頂部廠房產生的地震鞭梢效應,采用屋蓋MR智能隔震系統(tǒng),首次在dSPACE實時仿真環(huán)境下運用MR阻尼器智能隔震的模糊神經網絡控制算法,采用RCP(RapidControlPrototyping)技術進行了三峽升船機結構模型試驗,取得了滿意的效果.1三大公共車輛結構模型的智能控制原理1.1垂直升船結構地震反應控制方程屋蓋MR智能隔震系統(tǒng)中,MR智能阻尼器與被動隔震墊串聯(lián),控制隔震層的位移以保護隔震墊不會因為產生較大的位移而破壞,減小頂部廠房的鞭梢效應.在沿頂部廠房排架方向的地震干擾作用下,屋蓋MR智能隔震系統(tǒng)對垂直升船結構地震反應控制方程為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¨是各層相對于地面的位移、速度和加速度響應向量;¨XX¨g(t)為地面運動加速度;S為MR智能阻尼器的作用位置向量;ue為控制力;M、C、K分別是結構體系的質量、阻尼和剛度矩陣.1.2控制律設計并進行模糊控制MR阻尼器智能隔震的模糊神經網絡控制系統(tǒng)由模糊控制器、逆模式神經網絡、電流控制器、升船結構(包括MR阻尼器)、濾波放大等組成,如圖1所示.隔震層的相對位移x和隔震層的速度˙xx˙經放大濾波后,送入模糊控制器,其輸出為希望控制力f;逆模式神經網絡輸入為隔震層的相對位移x和希望控制力f,輸出相應的控制信號u;電流控制器將控制信號u轉換成MR阻尼器的控制電流I,從而使MR阻尼器對結構產生控制力ue.模糊控制器輸入x和˙xx˙的范圍選擇以無控(電流控制器輸出I=0)響應為參考適當減小,x的基本變化范圍為[-6～6]mm?˙x[?6～6]mm?x˙的基本變化范圍為[-10～10]cm/s;輸出的范圍選擇先采用最優(yōu)主動控制算法得出控制力f的范圍為[-800～800]N,然后加以調整.將速度˙xx˙和控制力f分為7個等級,模糊語言值為{NB(負大),NM(負中),NS(負小),ZO(零),PS(正小),PM(正中),PB(正大)},將位移x分為5個等級,模糊語言值為{NB,NS,ZO,PS,PB}.表1為本文所用模糊控制規(guī)則.通過輸入輸出之間的時程響應關系來確定模糊子集,表2為多次經驗試算得到的模糊子集.輸入輸出變量的模糊子集關于論域的隸屬函數形式均為規(guī)則三角形.通過模糊子集及其相應的隸屬函數實現(xiàn)變量模糊化,并采用重心法對主動控制力進行解模糊處理.采用逆模式神經網絡建立MR阻尼器的逆向模型,與其他控制算法結合能實現(xiàn)控制電流的連續(xù)可調,這樣就能充分發(fā)揮MR阻尼器的智能特性、能動性和自適應性.逆模式神經網絡需要過程的輸入輸出數據來建立逆向神經網絡模型.逆模式神經網絡結構如圖2所示.輸入層有9個節(jié)點,分別是當前時刻的位移、阻尼力,滯后兩個時刻的位移、阻尼力和滯后三個時刻的控制電壓;隱含層有12個節(jié)點;輸出層有一個節(jié)點,是當前時刻的控制電壓。逆模式神經網絡的學習過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是控制電壓.訓練樣本可以通過修正的Bingham模型得到,訓練過程如圖3所示.2ds2005ppc處理器板試驗控制系統(tǒng)由信號檢測變送、A/D轉換器、控制器、D/A轉換器和電流控制器等組成,如圖4所示.A/D轉換器、控制器和D/A轉換器選用由德國dSPACE公司生產的dSPACE實時仿真系統(tǒng),它是一套基于MATLAB/Simulink的控制系統(tǒng)開發(fā)及半實物仿真的軟硬件工作平臺,實現(xiàn)了和MATLAB/Simulink/RTW(Real-Time-Workshop)的完全無縫連接,采用工程集成環(huán)境的思想.DS1005PPC處理器板是dSPACE標準組件系統(tǒng)新推出的處理器板,它是主頻為480MHz的DSP芯片,A/D轉換板(DS2002)由兩組獨立的16位高速A/D轉換器組成,每組各含16路轉換通道,轉換時間73.2μs,D/A轉換板(DS2102)是6路16位的D/A轉換器,轉換時間是72.4μs.控制對象采用三峽升船機振動臺試驗結構模型,它是一個3層剪切型框架結構.模型質量、剛度和阻尼矩陣分別為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系統(tǒng)的執(zhí)行機構為美國Lord公司生產的4個摩擦型MR阻尼器(RD-1097-01X),安裝在底層樓板上.傳感器采用4個891速度傳感器和5個MBA加速度傳感器,濾波器采用數字濾波器.3設置被線上的c代碼采用系統(tǒng)建模、分析、離線仿真、實時仿真試驗等方法進行軟件設計.用MATLAB來進行分析、設計、優(yōu)化和數據的離線處理;用Simulink來進行基于方框圖的離線仿真和進行程序設計,Simulink程序如圖5所示.用RTW將設計好的程序生成C代碼;dSPACE的Real-TimeModels包括A/D轉換器、D/A轉換器和I/O接口,可以在Simulink環(huán)境下加載和編輯;用dSPACE的Real-TimeInterface(RTI)將生成的C代碼轉換成能在dSPACE的處理器(目標系統(tǒng))中運行的機器代碼;dSPACE的ExperimentSoftware(ControlDesk/TestAutomation/MotionDesk)用來對閉環(huán)試驗進行交互操作(自動/手動),在線檢測顯示和控制參數設定與調試.4模糊神經網絡控制與無控制的頂部開發(fā)的比較本次試驗采用地震波激勵為N-S1940EL-Centro波,激勵的持續(xù)時間和最大峰值分別為6s和0.2g.MR阻尼器智能隔震的模糊神經網絡控制(簡稱“模糊神經網絡控制”)與無控制的頂部廠房排架柱相對位移的比較如圖6所示,其表明:模糊神經網絡控制與無控制相比,頂部廠房排架柱相對位移的最大值減小了71.8%.5無控制與模糊神經網絡控制對高層建筑結構的影響研究針對三峽升船機頂部廠房產生的地震鞭梢效應,運用MR阻尼器智能隔震的模糊神經網絡控制算法,建立屋蓋智能隔震升船結構的控制方程和試驗系統(tǒng),利用dSPACE和Matlab/Simulink工具,對三峽升船機3層結構模型進行了無控制與模糊神經網絡控制的試驗研究.其結果表明,模糊神經網絡控制可以有效地減小高層建筑結構的地震反應,減振效果非常明顯.可得出如下結論:(1)采用模糊神經網絡控制算法能很好地控制MR阻尼器,抑制升船機結