（控制理论与控制工程专业论文）结构振动的神经网络控制方法研究.pdf

武汉理上人学硕士学位论文 摘要 中国是世界上地震灾害最严重的国家。土木工程结构振动控制可以有效地减 轻结构在车辆、风、地震等动力作用下的反应和损伤累积，是结构抗振减振和防 灾减灾积极有效的方法和技术。开展结构智能控制的研究能有效解决结构控制领 域中不确定性系统的控制问题。利用神经网络的学习能力，使它在对不确定性系 统的控制过程中自动学习系统的特性，从而自动适应系统随时间的特性变异，达 到对系统的最优控制。神经网络以其特有的自学习、自组织、联想记忆和并行处 理等功能，对提高结构的抗震能力，减少震害损失具有重要意义。 本文将神经网络控制应用到带裙房高层建筑结构地震反应控制中，分析了受 地震波激励的带裙房高层建筑结构模型的运动方程及其状态空间形式方程，研究 了m r 单阻尼器耦联结构的地震反应模型和m r 阻尼器数学模型，讨论了带裙房 高层建筑的神经网络控制原理及其控制器的设计。 本文研究了b p 神经网络的改进学习算法，分折了神经网路训练样本的产生， 确定了神经网络模型，利用m a t l a b s i m u l i n k 工具实现了改进的b p 神经网络 训练算法，并给出t - 0 1 1 练结果。该算法提高了网络训练的速度和精度。 针对独立主楼、独立裙房和m r 阻尼器的结构模型，设计了无控制情况下和 基于改进b p 算法的神经网络控制情况下带裙房高层建筑仿真程序，分析了不同 地震波作用下这两种控制模型的仿真结果。 仿真结果表明神经网络控制是一种简单、有效的控制方法，可以有效地减小 带裙房高层建筑结构在地震波激励下的加速度和位移响应，减震效果十分明显， 为神经网络控制在实际抗震设计中的应用打下基础。 关键词：结构振动控制，神经网络，半主动控制，带裙房高层建筑结构 武汉理上人学硕士学倪论文 a b s t r a c t c h i n ai st h ec o n u t r yw h i c hi sd e s t r o i e de n o r m o u s l yi nt h ee a r t h q u a k e t h ec i v i l e n g i n e e r i n gs t r u c t u r ev i b r a t i o nc o n t r o li sap o s i t i v ee f f e c t i v em e t h o da n dt e c h n o l o g y t oe n s u r et h es t r u c t u r ea s e i s m a t i ca n da g a i n s tn a t u r a ld i s a s t e r s i tm a ye f f e c t i v e l y r e d u c et 1 1 ed a m a g ea c c u m u l a t e so ft h es t r u c t u r eu n d e rd y n a m i ca c t i o nt h ev e h i c l e s ， w i n da n de a r t h q u a k e t h ed e v e l o p m e n to fs t r u c t u r ei n t e l l i g e n c ec o n t r o lr e s e a r c hc a n m a k et h eu n c e r t a i ns y s t e mc o n t r o lt ob ep o s s i b l e t h en e r v en e t w o r kc o n t r o l l e ri s t a u g h tt oa u t o m a t i c a l l yl e a r n i n gs y s t e mc h a r a c t e r i s t i c ，t h u sa d a p t i n gt h es y s t e ma l o n g w i t ht h et i m ec h a r a c t e r i s t i cv a r i a t i o n ，a n da c h i e v i n gt h es y s t e mo p t i m a mc o n t r 0 1 t h e u n i q u ef r o mf u n c t i o n so fn e r v en e n t w o r k ，s u c ha ss e l f - s t u d y , s e l f - o r g a n i z a t i o n ， a s s o c i a t i o nm e m o r ya n dp a r a l l e lp r o c e s s i n g ，a l eg o o dt oe n h a n c et h es t r u c t u r e r e s i s t a n c ea b i l i t y , r e d u c et h el o s si nt h ee a r t h q u a k e f i r s t l y ，t h en e r v en e t w o r kc o n t r o li sa p p l i e dt ot h et a l lb u i l d i n gw i t ha n n e x c o n s t r u c t i o ns t r u c t u r ee a r t h q u a k er e s p o n d e dc o n t r o l ，t h es t r u c t u r a lm o t i o ne q u a t i o n a n dt h es t a t es p a c ef o r me q u a t i o no ft h ee a r t h q u a k e - e x c i t e dt h et a l lb u i l d i n ga n d a n n e x ss t r u c t u r a lm o d e la r ea n a l y z e d ，t h ee a r l h q u a k er e s p o n s em o d e lo fs i n g l em r d a m p e rs t r u c t u r ea n dt h em rd a m p e r sm a t h e m a t i c a lm o d e la r es t u d i e da n dt h e m e t h o do fh o wt oa p p l yn e r v en e t w o r kc o n t r o lp r i n c i p l et ot h et a l lb u i l d i n ga n d a n n e x ss t r u c t u r a lc o n t r o la sw e l la sh o wt od e s i g nt h ec o n t r o l l e ra r ed i s c u s s e d s e c o n d l y , t h ei m p r o v e db pn e r v en e t w o r ks t u d ya l g o r i t h mi sr e s e a r c h e di nt h e d i s s e r t a t i o n ，t h en e r v en e t w o r kt r a i n i n gs a m p l ei sd i s c u s s e d ，a n dt h ei m p r o v e m e n t b pn e r v en e t w o r kt r a i n i n ga l g o r i t h mu s i n gt h em a t l a bl a n g u a g ei sr e a l i z e d t h i s a l g o r i t h me n h a n c e dt h en e t w o r kt r a i n i n gs p e e da n dt h ep r e c i s i o n f i n a l l y , t h es i m u l a t i o nm o d e l so f t h ei n d e p e n d e n tt o w e r , t h ei n d e p e n d e n tp o d i u m a n dt h em rd a m p e ra r eg i v e n 1 1 1 es i m u l a t i o np r o g r a mo ft h es t r u c t u r eu n d e rn o c o n t r o la n dn e r v en e t w o r kc o n t r o lb a s e do nt h ei m p r o v e db ps t u d ya l g o r i t h mi s d e s i g n e du s i n gm a t l a b s i m u t i n kt o o l s t h ec o m p a r i s o no ft h er e s p o n s eu n d e rn o c o n 订o la n dn e r v en e t w o r kc o n 订o lw i 也d i f f e r e n te a r t h q u a k e e x c i t e di sm a d e t h es i m u l a t i o nr e s u l t ss h o wt h a tt h en e r v en e t w o r kc o n t r o li sas i m p l ya n d e f f e c t i v ec o n t r o la r i t h m e t i c i tc a ng r e a t l yr e d u c ee a r t h q u a k er e s p o n s eo ft h et a l l b u i l d i n gw i t l la n n e xa n dm i t i g a t i o ne f f e c ti sv e r ya v a i l a b l e k e yw o r d s ：s t r u c t u r a lv i b r a t i o nc o n t r o l ，n e r v en e t w o r k ，s e m i - a c t i v ec o n t r o l ，t a l l b u i l d i n gw i t la n n e xs t r u c t u r e s i m u l a t i o n 独创性声明 本人声明，所呈交的论文是本人在导师指导下进行的研究工作及取得的研 究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得武汉理工大学或其它教育 机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何 贡献均已在论文中作了明确的说明并表示了谢意。 签名：壑室墼同期： 阳孓) 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定，即学校有权 保留、送交论文的复印件，允许论文被查阅和借阅；学校可以公布论文的全部 或部分内容，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的论文在解密后应遵守此规定) 签名：墼重堕导师签名： 日期：趔：互： 武汉理工人学硕士学位论文 第1 章绪论 1 1 课题来源及研究意义 本课题的题目为“通用分组无线业务的短信群发平台开发”，课题来源于横 向项目。 近两年来，移动通信迅猛发展的用户数量及其完善的基础网络，为移动通信 增值业务的发展提供了有利条件。在诸多增值业务中，短消息( s m s ) n 务因其价 格低廉、使用方便、信息传递准确及时、存储转发离线通信等优点而备受用户欢 迎。基于短消息服务的良好市场，国内移动运营商对短消息服务非常看好，并计 划大力发展。内容提供商通过运营商搭建的短消息通信平台，专注于开发丰富灵 活的应用和业务，以吸引不同层面的用户群，在今后很长的时间罩，短消息业务 仍将有个很大的增长空间和乖j 润空间。 在短消息业务迅猛发展的同时，由于现有的短消息存在一些局限性，如只能 发送单条信息而不能进行群发功能，不能连接到i n t e r n e t 等，随着通信技术、网 络技术等的不断发展，运营商开始研究基于通用分组无线业务( g p r s ) 的短信 群发平台的开发系统，使计算机能够自发的对短信进行收发并同时能够进行与 t n t e m e t 网络的连接与处理。 短信息增值业务”是指用户通过短信息平台向移动业务运营商订阅和点播 业务的实现方式。这个过程中有三个主体：用户、运营商、业务内容( c p ) 服 务提供商( s p ) 。用户是消赞主体，付出费用，购买自己需要的信息：运营商利用 自己的网络，向s p 提供开放、公平透明的运营环境，实现开放、公平的接入， 并提供通信通道和代收费服务，包括信息类、个人信息管理类、交易类、娱乐类、 行业应用类、基于位置应用类等服务，同时保证向用户提供优质而稳定的业务： s p 作为业务的直接提供主体，负责业务的维护与更新。这三个主体构成了短信 增值业务价值链的三个主要环节。目前短信息增值业务分为3 大类n ”3 ，： ( 1 ) 点播类。手机用户按短信点播业务代码通过手机向s p 短信平台发送短 信，主动获取信息咨询。 ( 2 ) 定制类。手机用户通过电话或按短信定制业务代码向s p 短信平台发送 包月定制要求，s p 短信平台每目定时向手机用户发送信息咨询。 ( 3 ) 群组发布类。s p 短信平台或管理员免费向指定手机用户发布信息。 种类繁多的数据增值业务是基于短消息这种移动数据通信手段的，如手机银 武汉理1 人学硕十学位论文 1 2 国内外研究现状 土木工程结构振动控制的研究和应用已有3 0 余年的历史，按被控系统是否 有外部能源输入，可分为被动控制、主动控制、半主动控制和混合控制1 ”。从研 究和应用上大体可分为基础隔震、结构被动耗能减振、结构主动半主动控制和 结构智能控制。 1 2 1 基础隔震 基础隔震【2 j 是日本河合好藏在1 8 8 1 年提出的，它是指在上部结构和基础之 间设置水平柔性层，延长结构侧向振动的基本周期，从而减小水平地震地面运动 对上部结构的作用。在目前的实际应用中主要是在建筑物与地基之间设置一种使 用寿命达到8 0 年的橡胶隔离支垫。由于隔震支垫的作用，地震时上部结构作近 似平动，从实际应用情况的记录来看，在使用橡胶隔震技术后，建筑物顶层的地 震动峰值加速度值( 建筑物破坏主要取决于峰值加速度大小) 只有地面加速度值 的l 3 到1 4 ，从而“隔离”了地震，使建筑物在地震中不倒塌成为可能，室内 设备和人员也得到了有效保护。隔震结构的分析和设计方法已日渐成熟并进入设 计规范、规程和指南。隔震桥梁和建筑已在国内外建成了上千座，并经受了地震 的考验。 1 2 2 结构被动耗能减振 结构被动耗能减振是在结构中设置非结构构件的耗能元件( 耗能器或阻尼 器) ，结构振动使耗能元件被动地往复相对变形或者在耗能元件问产生往复运动 的相对速度，从而耗散结构振动的能量、减轻结构的动力反应。结构设置耗能元 件一般不改变结构的形式，也不需要外部能量输入。近3 0 余年来研究发展起来 的耗能元件大体上可以分为三类口】【4 】 5 】：速度相关型耗能元件，如线性黏滞或黏 弹性阻尼器：位移相关型耗能元件，如金属屈服型或摩擦型阻尼器；调谐吸振型 耗能元件，如调谐质量阻尼器或调谐液体阻尼器。被动耗能元件已有不同形式的、 标准型号的商业产品，被动耗能减振结构的分析和设计方法也曰趋成熟并逐步进 入设计规范、规程和指南。到目翦为止，被动耗畿减振结构己在国内外建成了数 百座，并在一定程度上经受了地震的考验。 武汉理l 。大学硕十学位论文 1 2 3 结构主动半主动控制 结构主动控制【6 】需要实时测量结构反应或环境干扰，在精确的结构模型基础 上采用现代控制理论的主动控制算法运算和决策最优控制力，最后实随控制力的 作动器在很大的外部能量输入下实现最优控制力。在结构反应观测基础上实现的 主动控制称为反馈控制，而在结构环境干扰观测基础上实现的主动控制则称为前 馈控制。主动控制的工作原理如下：传感器监测结构的动力响应和外部激励，将 监测的信息送入计算机，由计算机根据一定的算法计算出应旌加的控制力的大 小，通过外部能源驱动控制系统产生所需的力。虽然主动控制在高层建筑、电视 塔和大型桥塔结构的抗震控制应用中有明显的效果，但是，主动控制作动器通常 采用液压伺服系统或电机伺服系统，需要较大甚至很大的马区动能量，在工程中很 难实现。 结构半主动控制【7 l 【8 l 的原理与结构主动控制的基本相同，只是作动器需要少 量的能量调节以便使其巧妙地利用结构振动的往复相对变形或相对速度，尽可能 地实现主动最优控制力。因此，半主动控制作动器通常是被动的刚度或阻尼装置 与机械式主动调节器复合的控制系统。其中具代表性的半主动控制装置有主动变 刚度系统和主动变阻尼系统。在1 9 9 0 年日本k a j i m a 研究所的三层建筑钢结构办 公楼首次应用了生动变刚度控制系统，经受了实际的中小地震作用并显示了很好 的控制效果。1 9 9 7 年美国首次应用主动变阻尼控制装置控制高速公路i 3 5 连续 梁钢桥重载车辆引起的振动，显示出了很好的控制效果。 1 2 4 结构智能控制 结构智能控制包括采用智能装置和采用智能控制算法的两类智能控制。 ( 1 ) 智能装置 采用诸如电磁流变液体阴、压电材料、电磁致伸缩材料和形状记忆材料等 智能驱动材料和器件为标志的结构智能控制，它的控制原理与主动控制基本相 同，只是实施控制力的作动器是智能材料制作的智能驱动器或智能阻尼器。 智能驱动器与主动控制作动器性能相同，只是利用外部能源转换为机械能的 方式、速度和效率不同。通常需要比液压或电机式作动器更少的外部输入能量并 基本或完全实现主动最优控制力。 智能阻尼器与半主动控制装置类似，仅只需要少量的能量调节以便使其主动 地利用结构振动的往复相对变形或相对速度尽可能地实现主动最优控制力，但 是，其利用结构振动的往复相对变形或相对速度调节阻尼力的方式、速度和效率 武汉理1 人学硕十学位论文 与半主动控制装置不同。目前代表性的智能阻尼器有磁流变液阻尼器埽口压 电变摩擦阻尼器。 ( 2 ) 智能算法 采用诸如模糊控制列和神经网络控制【1 3 1 i ”1 等智能控制算法为标志的结构智 能控制，它与主动控制的差别主要表现在不需要精确的结构模型，而是采用智能 控制算法确定输入信号或输出反馈与控制增益的关系。 模糊控制算法不依赖于结构或系统的精确计算模型，主要通过状态输出和控 制输入的模糊逻辑关系，即模糊控制规则束实现系统的调节或控制。 目前模糊控制应用在结构控制中己初见成效。1 9 9 9 年，m i c h a e l 等人在桥梁 结构的半主动隔震方案中，应用模糊算法控制主动阻尼器，取得了良好的控制效 果。2 0 0 2 年，王刚和欧进萍针对i ：1 0 的导管架式海洋平台结构模型，采用磁流 变阻尼控制装置，实现了结构振动模糊控制的地震模拟振动台试验。 结构振动模糊控制的核心是模糊控制规则。目前结构振动控制的模糊控制规 则还没有主动控制算法那么严密和完善的理论为指导，尤其是多输出反馈和多控 制输入的模糊控制规则。 严格的结构模型具有一定的非线性，对于非线性系统，特别是非线性自回归 滑动平均模型( n a r m a ) ，难以用传统的控制系统进行描述和分析。神经网络 由于具有通过学习最佳逼近非线性映射的能力，将其应用于结构控制系统的辨识 和控制，较传统的控制方法具有明显的优越性m 1 。 随着科学理论研究的深入和计算机控制技术水平的提高，神经网络控制逐渐 成熟并发展成为一种新型的控制方法。神经网络算法具有很强的非线性逼近、自 学习和自适应、数据融合以及并行分布处理等能力，在多变量、强非线性、大滞 后系统的辨识、建模和控制中显示出了明显的优势和应用前景【1 6 。目前，基于 b p 算法的神经网络由于理论上的完整性，在许多领域季导以广泛应用。b p 网络是 将w - h 学习规则一般化，对非线性可微分函数进行权值训练的多层网络。b p 网 络是一种多层前向反馈神经网络，其神经元的变换函数是s 型函数，因此输出量 为0 到1 之间的连续量，它可以实现从输入到输出的任意的非线性映射。 1 2 5 结构振动控制中存在的问题 结构振动控制在近年来虽然发展很快，但毕竟还是一门发展中的学科，诸多 问题的研究尚处于起步阶段。 武汉理工大学硕士学位论文 ( 1 ) 时滞现象与时滞控制 目前，随着对振动控制要求的提高，时滞控制和非线性控制叫 1 9 1 e 日益 引起人们的关注。结构控制中，传感器测量、控制器计算和作动器驱动都需要一 定的时间，导致控制力出现时间滞后。时滞不仅减弱系统性能，还会使控制系统 的特性发生质的变化，由此引发系统运动稳定性和分甜等一系列问题。 目前有三类时滞补偿的方法：理论型补偿、相空间补偿和时域补偿 2 0 l 。理论 型补偿将时滞系统描述为偏微分方程，在线计算量大。时滞较小时，可以用t a y l o r 级数截断简化计算或引入作动器的反馈迭代。相空间补偿通过反馈增益修正，对 系统频率要求较严格。时域补偿周运动补偿设计和动力补偿设计来预测向应，易 受系统噪音干扰。这三类时滞补偿的方法都有待完善各自的局限性。针对液压系 统存在的时滞，利用时滞反馈对船载吊车的摆动进行控制；采用时滞反馈控制非 线性系统的混沌运动，也不失为一种积极的尝试。 ( 2 ) 非线性控制 在实际结构系统中通常会存在非线性问题：实际建筑结构本身材料存在非线 性；建筑结构中存在某些非线性构件的影响；在被动控制中引入的基底结构存在 非线性等等，因此非线性控制方法的结果比线性控制方法更接近实际，也更加有 效。 非线性系统控制的研究是近十几年才开始的，主要是把优化控制法从线性系 统推广到非线性系统。y a n g 在混合控制方法中应用非线性原理，考虑到滞后效 应，其运动方程涉及非线性阻尼力向量和非线性回复控制力向量。对于结构地震 响应控制，在控制反馈中使用速度和加速度反馈比传统的位移和速度反馈理想， 因为加速度响应可以很容易地从加速度传感器得到【2 1 1 。 另一种非线性控制方法是动态线性化，主要应用于摩擦型滑移隔离系统【2 2 】。 1 9 9 4 年，y a n g 对滑移隔离建筑的混合控制分析方法是对控制向量进行合成，使 结构的动态响应与某一特定的稳定线性系统模型吻合，得到相应的控制力。1 9 9 5 年，b m b a t 对非线性底层隔离结构用混合法控制，把某不确定系统分为互相耦 合的子结构，主动反馈控制作用于其中之一。 随着不良地基上的建筑，特别是高层、高耸结构和长跨、大型桥梁的r 益增 多，桩基础的应用比隔离基底结构更广泛，桩一土一结构的相互作用，使结构在 风荷载和地震作用下的非线性控制更加复杂，也更有必要。 ( 3 ) 有限测点问题 真实的结构系统多为连续体，有无限多个自由度，即使简化为离散系统，自 武汉理1 人学硕十学傍论文 由度也很可观。与自由度相比，能够从中获得反馈信息的测点却十分有限1 2 。依 据有限的反馈信息获知结构系统的全态响应，关系到结构控制的效果和造价。 k a l m a n 滤波器在解决有限测点和预测控制的过滤技术中已得到广泛应用。 此外，优化输出反馈算法、模态缩聚技术都有助于解决这一关键问题。观测器一 补偿器法利用有限的结构响应测量，通过观测器重建整个状态空间，补偿器则对 输出修正反馈、形成控制力并保证系统的稳定性【2 4 l 。直接输出反馈法，是将测量 的输出直接乘以与时间无关的反馈增益，得到控制力。该反馈法经过优化，使在 线计算简便易行。 1 9 9 7 年，c h l o h 等人曾以六层框架结构( 装置两个调谐质量阻尼器) 为对 象，研究在全态反馈预控制、使用模态缩聚技术、使用预测型k a l m a n 滤波器来 估计全状态的三种控制条件下的顶层位移和t m d 控制力，显示的结果非常接近。 1 3 本文主要工作 本文主要任务是分析神经网络理论及其算法，利用学科交叉优势，根据结构 振动控制的现状及带裙房高层建筑结构的特点，研究在地震波激励下的带裙房高 层建筑神经网络控制算法，对实际结构模型进行仿真，并完成实时控制仿真系统 设计。 全文共分5 章，各章主要内容如下： 第l 章绪论。首先介绍课题研究的来源和意义。接着引入结构振动控制的 概念，按被控系统是否有外部能源输入，可分为被动控制、主动控制、半主动控 制和混台控制；从研究和应用上大体可分为基础隔震、结构被动耗能减振、结构 主动半主动控制和结构智能控制。分析了神经网络应用在结构振动控制中的优 势。最后介绍了目前结构振动控制中存在的一些问题。 第2 章带裙房高层建筑结构控制系统。为了使研究具有普遍意义，选用目 前高层建筑物中最常见的带裙房高层建筑结构模型为本文所研究的控制对象。本 章主要研究了单阻尼耦联的带裙房高层建筑结构的控制原理、结构模型以及神经 网络技术的基本概念。 第3 章神经网络控制器学习算法的改进。结合带裙房高层建筑的结构特点， 将改进的b p 网络算法应用到结构模型控制过程当中，并给出了实现该算法的 m a t l a b 语言的程序流程图。最后根据结构模型的特性，设计了神经网络训练方法， 分析了网络训练结果。 第4 章带裙房建筑结构振动神经网络控制仿真。本章利用m a t l a b 的模型 神经网络工具箱对结构控制系统进行仿真研究。为了使仿真结果具有实用性与普 武汉理工大学硕士学位论文 遍性，选取研究主要内容包括两个方面：一是建筑结构在无控制开环情况下的结 构响应( 加速度和位移) 仿真；二是建筑结构在神经网络控制情况下的结构响应 及神经网络控制力仿真。最后对两种情况下结构的相应进行比较。 第5 章结论与展望。对全文进行总结，并在仿真研究的基础上，指出不足 之处。 茎婆墨三查堂堡主兰垡望塞一 第2 章带裙房高层建筑结构控制系统 高层建筑是指1 0 层及1 0 层以上的住宅和约2 5 m 高度左右以上的建筑。选 用目前高层建筑物中最常见的带裙房高层建筑结构模型作为本文所研究的控 制对象。本章主要研究单阻尼耦联的带裙房高层建筑结构的控制原理、结构模型 以及神经网络技术的基本概念。 2 1 带裙房高层建筑结构的控制原理 带裙房商层建筑结构控制系统是在主楼与裙房之间安装了磁流变阻尼器即 m r 阻尼器作为系统的作动器。m r 阻尼器耦联的带裙房高层建筑结构的控制原 理如图2 - 1 所示。 图2 - 1 结构控制系统组成框图 系统采用m r 变阻尼器为作动器。m r 变阻尼器是利用近年来出现的智能材 料一磁流变液的一些特殊特性实现对结构施加不同控制力以达到控制的效果。磁 流变液应用得十分广泛，它是由非导磁性液体和均匀分散于其中的高磁导率、低 磁滞性的微小软磁性颗粒组成。在磁场的作用下，磁流变液可以在毫秒级的时间 内快速地由流动性良好的牛顿流体转变为高黏度、低流动性的b i n 曲锄塑性固 体。同时，这一过程又是可逆的，在撤去磁场后马上又恢复流动性。这是因为在 外加磁场的作用下磁性颗粒极化而在液体中形成了链锁状的团簇，当外磁场强度 较弱时，链数少、长度短、直径细，剪断它们所需的外力较小；当外磁场强度较 大时情况正好相反。反之如果去掉外加磁场时磁性颗粒团簇马上解体而恢复原 武汉理工大学硕十学位论文 状。这种转换使得材料的流变性( 弹性、塑性、粘性) 、磁化性、导电性、传热性， 以及其它的机械性质和物理学性质皆发生显著的改变。液态和固态的转换是可逆 的、可控的，并且这种转换的能量消耗低、温度稳定、安全可靠。使用磁流变液 制作的阻尼器可以通过改变磁场的强弱来控制其对结构所施力的大小，因此成为 结构振动控制领域研究的一个热点。 当地震时，建筑物偏离平衡位置，主楼与裙房之间产生往复的相对变形或相 对速度，这些变化量经过处理后输入控制器，控制器依据一定的控制策略对执行 机构发出控制信号来改变作动器的磁场的大小，使磁流变液的剪切屈服应力发生 变化，以达到控制建筑结构的目的。在没有地震时，结构处于平衡位置，控制器 只起监视和信号动态显示作用，对执行机构不发任何控制命令信号。m r 阻尼器 的运动状态会随着主楼和裙房的相对运动而发生变化，它的加速度、速度、位移 的大小与外界扰动的强弱成一定的正比关系。因此，m r 阻尼器的加速度、速度、 位移就分别等于安装m r 阻尼器处的两结构模型间的相对加速度、速度和位移之 差。故可以用m r 阻尼器的响应来表征结构控制系统的状态，作为系统控制器的 输入变量，对其值大小的限翻即为系统的性能指标。 2 2 结构对象 结构对象定为独立的1 2 层主楼再配置3 层裙房组合而成。不加控制的带裙 房高层建筑是将独立主楼与独立裙房的l 层 3 层直接连接起来，即独立主楼的1 层3 层与独立群房的1 层3 层成为一个整体。但是，这种建筑物不能通过外力 来有效地防止地震波对房屋带来的损害。故在独立主楼与独立裙房的第3 层用1 个m r 阻尼器来连接( 独立主楼与独立裙房的1 、2 层不连接) ，形成单m r 阻尼 器耦联的带裙房高层建筑，简称单阻尼器耦联结构，以此来减少地震波带来的危 害。本文主要是针对此单m r 阻尼器耦联的带罐房高层建筑在神经网络控制下的 研究。单阻尼器耦联结构的结构模型如图2 2 所示。 2 2 1m r 单阻尼器耦联的结构地震反应方程 m r 阻尼器耦联结构的地震反应方程为 m 鼙+ c i + k x + a f = 一m 联。 ( 2 1 ) 式中，m 、k 和c 分别是结构的质量矩阵、侧移刚度和阻尼矩阵；f 是m r 阻尼 器产生的阻尼力矢量；a 是m r 阻尼器的位置矩阵，与其数量及其安装位置有关： x 、i 和i 分别是结构的相对层位移、层速度和绝对层加速度向量；r 是单位列向 量，其元素全为1 ；是地面加速度，即地震波信号。 9 一 垫堡堡叁堂堡主兰箜笙茎 _ _ _ _ _ _ - - _ _ _ _ _ _ _ _ - - _ _ _ _ _ _ _ - _ - _ _ _ _ _ _ _ _ _ _ _ _ - _ _ - - _ _ _ _ - - _ _ 以上各矩阵如下： 图2 2 单阻尼器耦联结构的结构模型 m = 告甜 式中，o 是零矩阵，m ，m ，、 m - 3 1 3 50 3 1 3 5 k t = 3 1 3 5 0 2 7 7 3 8 9 6 1 3 8 6 9 4 8 0 3 1 3 5 k 。： - 1 3 8 6 9 4 8 2 7 7 3 8 9 6 1 3 8 6 9 4 8 0 三 协z ， 1 1 8 1 0 0 0 m p = l 1 8 1 0 0 k g l o 1 8 1 o 刮 o 一1 3 8 6 9 4 8 2 7 7 3 8 9 61 3 8 6 9 4 8 1 3 8 6 9 4 8 1 3 8 6 9 4 8 n m 2 y l2 武汉理f 一大学硕十学债论文 7 2 8 8 6 3 03 6 4 4 3 1 5 0 kp = f 一3 6 4 4 3 1 5 7 2 8 8 6 3 0 3 6 4 4 3 1 5f n m |0 3 6 4 4 3 1 57 2 8 8 6 3 0 结构的阻尼矩阵采用r a y l e i g h 法计算： c = l m + 兄2 kl i 。l ， ) t 2 - 3 ) 五t 2 1 释：五：= 三王辫( z 一4 )“1 一亍孑_ = 二r “：一习亍i _ = _ 丌 、2 一。7 式中，岛和炙是结构的第1 和第2 振型的阻尼比；t 和疋是结构的第l 和第2 振型的自振周期。 单阻尼器耦联结构的矩阵 和向量f 则为 i j ”3 o 3 x 30 3 x 9l a = f o 一j o f ，j = 成昭 o ，o ，l 】 ( 2 5 ) l 0 9 x 30 9 。3 0 9 。9 j f = o ，o ， ，o ，o ， ，0 , 0 ，0 , 0 ，0 ，o ，0 ，0 ，o r ( 2 - 6 ) 2 2 2m r 阻尼器动态方程 摩擦型m r 阻尼器的动模型为f l 】： f 厶2 正+ 。而i 扎膏( 2 - - 7 ) 式中，厶是m r 阻尼器产生的阻尼力，正为库仑力， 为粘滞力。常数表示 活塞位置，当活塞处于中心位置时取1 ；代表不同电流作用下的峰峰值：系 数k 表示m r 阻尼器的粘滞系数：系数b 表示克服m r 变液应变特性。 2 3 带裙房高层建筑的神经网络控制 由于结构对象具有非线性的特点，系统的控制算法采用神经网络控制算法。 2 3 1 神经网络的基本原理 神经网络是利用物理器件来模拟生物神经网络的某些结构和功能，其基础在 于神经元。神经元【2 5 】犯6 1 是以生物神经系统的神经细胞为基础的生物模型。大量 的形式相同的神经元一起构成了神经网络，它是个高度非线性动力学系统，可 武汉理工大学硕士学位论文 的形式相同的神经元一起构成了神经网络，它是一个高度非线性动力学系统，可 以表达实际物理世界的各种现象。神经网络模型就是以神经元的数学模型为基础 来描述的。 ( 1 ) 生物神经元 生物的神经细胞是神经网络理论诞生和形成的物质基础和源泉，神经元的数 学描述必须以生物神经细胞的客观行为特性为依据。 在人体内，神经元的结构形式并非是完全相同的；但是无论结构形式如何， 神经元都是由细胞体，树突和轴突三部分组成。细胞体是由很多分子形成的综合 体，内部含有一个细胞核、核糖体、原生质网状结构等，它是神经元活动的能量 供应地，在这里进行新陈代谢等各种生化过程。神经元也即是整个细胞，整个细 胞的最外层称为细胞膜。细胞体的伸延部分产生的分枝称为树突，树突是接受从 其它神经元传人的信息的入口。细胞体突起的最长的外伸管状纤维称为轴突。轴 突最长可达1 米以上。轴突是把神经元兴奋的信息传出到其它神经元的出口。轴 突末端有许多细的分枝，称之为神经末梢，每一根神经末梢可以与其它神经元连 接，其连接的末端称之为突触。神经元之间的连接是靠突触实现的，主要有：轴 突与树突、轴突与细胞体、轴突与轴突、树突与树突等连接形式。 神经细胞单元的信息是宽度和幅度都相同的脉冲串，若某个神经细胞兴奋， 其轴突输出的脉冲频率就高：若某个神经细胞抑制，其轴突输出的脉冲串频率就 低，甚至无脉冲发出。根据突触对下一个神经细胞的功能活动的影响，突触又可 以分为兴奋性和抑制性的两种。兴奋性的突触可能引起下一个神经细胞兴奋，抑 制性的突触使下一个神经细胞抑制。 神经细胞的细胞膜将细胞体内为分开，从而使细胞体内外有不同的电位，一 般内部电位比外部低，其内外电位差称之为膜电位。突触使神经细胞的膜电位发 生变化，且电位的变化是可以累加的，该神经细胞膜电位是它所有突触产生的电 位总和，当该神经细胞的膜电位升高到超过一个阈值时，会产生一个脉冲，从而 总和的膜电位直接影响该神经细胞兴奋发放的脉冲数。突触传递信息需要一定的 延迟，对温血动物，延迟时间为0 3 m s 1 o m s 。一般每个神经细胞的轴突大约连 接1 0 0 1 0 0 0 个其它神经细胞，神经细胞的信息就这样从个神经细胞传到另一 个神经细胞，且这种传播是正向的，不允许逆向传播。 ( 2 ) 人工神经元模型 按照生物神经元的结构和工作原理，构造一个人工神经元模型如图2 3 所示。 武汉理工大学硕士学位论文 神经元 a p r 图2 3 人工神经元模型 人工神经元是人工神经网络的基本单元，它相当于一个多输入单输出的线性 闽值器件。定义p = 扫。，p ：，p 。r 表示其它神经元的轴突输出，亦即该神经元的 输入向量；w = w l ，w 2 ，】表示其它神经元与该神经元r 个突触的连接强度， 亦即权值向量，其每个元素的值可难可负，分别表示为兴奋性突触和抑制性突触： 口为神经元的闽值，如果神经元输入向量的加权和w ，p ，大于目，则该神经元被 i = l 激活，所以输入向量的加权和也称为激活值：，表示神经元的输入输出关系函数， 亦即传输函数。因为激活值越大，表示神经元的膜电位总和越大，该神经元兴奋 所发放的脉冲数越多，所以传输函数一般为单调升函数。但它又是一个有限值函 数，因为神经元发放的脉冲数是有限的。神经元的输出可以表示为： r d = 厂( w ，只- 8 ) ( 2 8 ) ( 3 ) 神经网络的结构 只有将上亿个生物神经元连接成生物神经网络，才能完成对外部感知信息进 行的处理、记忆、学习等。同样，荜个人工神经元往往不能完成对输入信号的处 理，它要按一定的规则连接成网络，并让网络中每个神经元的权值和阈值按一定 的规则变化，才能实现所设计神经网络的功能要求。人工神经网络的连接形式和 其拓扑结构多种多样，但总的来说有两种形式，分层型和互连型神经网络f 2 7 】f 2 8 1 。 分层型神经网络的拓扑结构如图2 - 4 所示，它又分为一般前馈网络、反馈型 前馈网络和内层互连前馈网络。 武汉理_ i ：人学硕士学倚论文 翘玲 f a l 一般前馈网络 f b l 反馈型前馈网络 f c l 内层互连前馈网络 图2 - 4 分层型神经网络的拓扑结构 分层型神经网络将所有神经元按功能分为若干层，一般有输入层、中间层和 输出层，各层顺序连接。因为中间层不直接与外部输入和输出打交道，所以又称 为隐层。根据处理功能的不同，隐层可以有多层( 一般不超过两层) ，也可以没 有。 互连型神经网络的拓扑结构如图2 5 所示，其网络的任意两个神经元都相互 连接，构成全互连神经网络；如果不是全部的神经元都彼此相互连接，则构成局 部互连神经网络。 图2 - 5 互连型神经网络 ( 4 ) 神经网络学习方法 人工神经网络与生物神经网络一样，必须经过学习，才具有智能特性。人工 神经网络的学习过程，实际上就是调节权值和阈值的过程。模仿人的学习过程， 人们提出了多种神经网络的学习方法，其中主要有三种形式：有教师学习、无教 师学习和强化学习。 有教师学习( 监督学习) 是在有“教师”直到和考察的情况下进行学习的方 式。这种学习方式，“教师”给出了与所有输入模式p 对应得输出模式的“正确 答案”，即期望输出t ( 目标) ，用于学习过程的输入输出模式的集合成为训练样 本集：神经网络学习系统根据一定的学习规则进行学习，每一次学习过程完成后， “教师”都要考察学习的结果，即实际输出a 与期望输出t 的差别( 误差e ) ，以 此决定网络是否需要再次学习，并根据误差信号调整学习的进程，使网络实际输 出和期望输出的误差随着学习的反复进行而逐渐减小，直至达到要求的性能指标 为l e 。 武汉理一人学硕士学佟论文 无教师学习( 无监督学习) 不存在“教师”的指导和考察，是靠神经网络本 身完成的。由于没有现成的信息作为响应的校正，学习则是根据输入的信息，根 据其特有的网络结构和学习规则来调节自身的参数或结构( 这是一种自学习、自 组织过程) ，从而使网络的输出反映输入的某种固有特性( 如聚类或某种统计上 的分布特征) 。 强化学习( 再励学习) 介于上述两种学习方式之间。外部环境对学习后的输 出结果只给出评价信息( 奖或惩) ，而不给出正确答案。神经网络学习系统通过 强化那些受奖励的行为来改善自身的性能。 2 3 。2 神经网络控制器设计 ( 1 ) 网络模型的选取 在人工神经网络的发展过程中，对生物神经系统已从不同的角度进行了不同 层次的描述和模拟，提出了各种各样的神经网络模型，其中具有代表性的网络模 型有感知器神经网络、线性神经网络、b p 网络 2 9 1 1 3 0 1 1 3 1 】、径向基函数网络、自组 织网络、反馈网络等。 多层前向b p 网络是目前应用最多的一种神经网络形式。由于网络实质上实 现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线 性映射的功能。这使得它特别适合于求解内部机制复杂的问题：网络能通过学习 带正确答案的实例集自动提取“合理的”求解规则。即具有自学习能力；网络具 有一定的推广、概括能力。 b p 神经元模型如图2 - 6 所示。 输入 神经元 ，、，、 p 】 p 2 ： p r b 、。， 图2 - 6 b p 神经元的模型 b p 神经元与其它神经元类似，不同的是b p 神经元的传递函数为非线性函 数，最常用的函数是l o g s i g 和t a n s i g 函数，有的输出层也采用线性函数( p u r e l i n ) 。 其输出为 1 7 1 = l o g s i g ( w p + 6 ) ( 2 - 9 ) b p 网络一般多为层神经网络。由b p 神经元构成的三层网络如图2 7 所示。 武汉理工大学硕士学位论文 其中，r 表示输入变量维数，s 为神经元的个数，a 为输出。b p 网络的信息从输 入层流向输出层，因此是- l e e 多层前馈神经网络。 输入向量 输入层神经元 网络层神经元 厂- 、，一、 工 矗1 图2 7 三层b p 神经网络模型 当多层b p 网络的输出层采用s 形传输函数( 如l o g s i g ) ，其输出值在一个较 小的范围内( 0 ，1 ) ：当采用线性传输函数则可以取任意值。 ( 2 ) 网络学习算法 系统所选的b p 网络模型的学习算法属于强化学习的一种，它是把网络学习 时在输出层出现的与期望值不符的误差，归结为各层各个节点连接权和阈值的 “过错”，通过把输出层误差逐层向输入层反向传递，把误差“分摊”给各个节 点，计算各节点的参考误差，