为解决磁流变(MR)阻尼器因其固有的强非线性磁滞特性使得其逆向模型的建立不能取得较好精度的问题,利用BP神经网络技术建立MR阻尼器的逆向模型,采用思维进化算法(MEA)对神经网络的权值和阈值进行优化。将所建立的逆模型应用于1/4车半主动悬架系统中进行仿真,结果表明,优化后的神经网络模型提高了控制电流的预测精度,半主动控制效果较好,可以较好地实现对期望阻尼力的跟踪。

力矩促动器的迟滞非线性降低了系统的控制精度。为了解决该问题,建立了可以精确描述该迟滞现象的模型并提出了合理的补偿控制方案。首先,根据迟滞曲线的非中心对称的特性,基于Prandtl-Ishlinskii模型对力矩促动器的迟滞非线性进行分段建模,并采用LMS算法进行模型参数的优化辨识,模型预测误差的RMS值为0.08111N。然后,通过PI模型的解析逆模型进行补偿控制。实验结果表明,采用逆模型补偿后,力矩促动器输出力误差的RMS值从1.888N降低到0.2596N,误差的方均根值降低了86.25%,有效保证了系统的控制精度。

针对气动人工肌肉中存在的迟滞及蠕变现象,回顾了其研究历史并总结了国内外主要研究机构的研究现状。从气动人工肌肉迟滞及蠕变现象的特点、产生原因、建模以及基于迟滞模型的控制策略等方面,对现有的研究进展与成果进行了综述。分析了目前气动人工肌肉中存在的问题并提出了进一步研究的思路。从目前的发展趋势来看,气动人工肌肉迟滞与蠕变的理论研究还远不充分。迟滞特性建模需要解决因蠕变引起的参数动态变化问题,神经网络建模需解决多环辨识问题,而基于逆模型补偿的控制策略则需要解决模型复杂以及参数敏感问题。

为了有效抑制隔震桥梁震后过大的梁体及支座位移,提出了一种适合MRD的基于力反馈(FF)形式的半主动控制策略.首先提出了采用隔震装置提供的恢复力作为主要反馈信号的半主动控制策略,然后给出了欲使MRD产出预期阻尼力而应施加的电流准则,最后设计出基于力反馈形式的半主动闭环控制系统.分别采用Passive-off,Passive-on,FF和CO等四种控制算法对一座三跨隔震连续梁桥的各评价指标进行了计算.结果表明:FF算法对梁体位移、支座位移和墩底剪力的控制效果要比其他三种算法显著.

针对电液加载试验系统力加载跟踪控制问题,分析了电液加载系统的组成及工作原理,建立了系统动力学模型,并对动力学模型的准确性进行了验证。在此基础上,首先使用了速度反馈补偿控制器抑制外部干扰,其次利用递推增广最小二乘法(Recursive Extended Least Square,RELS)及零相差跟踪技术(Zero Phase Error Tracking,ZPET)设计出系统逆模型,进行前馈逆补偿控制,然后考虑速度反馈存在的微分问题,设计了内模控制器,最后利用电液加载试验台进行了力加载控制策略的试验研究。试验结果证明,与传统PI控制器相比,提出的改进前馈逆补偿力加载控制算法可以更有效地抑制系统外部干扰,提高力加载的跟踪精度。

由于磁流变液的机理尚未清晰，故以其作为介质的磁流变阻尼器具有未知的非线性特性。鉴于人工神经网络具有万能逼近能力，该文应用神经网络技术研究磁流变阻尼器的模型辨识问题。首先利用BP神经网络在对磁流变阻尼器的正模型进行建模，在此基础上，利用递归神经网络对磁流变阻尼器的逆模型进行辨识。仿真结果表明，神经网络可以准确地对磁流变阻尼器模型进行建模，并且逆模型的神经网络模型可以用于振动抑制。