基于神经网络的主动隔振器

　　振动主动控制技术自50年代发展以来,已形成了极点配置、最优控制、自适应控制与鲁棒控制等多种控制方法,它们的共同特点就是根据被控对象的数学模型及控制系统要求的性能指标来设计控制器,并要求对控制规律加以数学解析描述.实际上,在工程中存在着大量的复杂振动系统,其复杂性表现为系统的本体结构非线性、模型结构不确定性与参数的时变性,对这些系统难以建立有效的数学模型,即使能够建立,其模型也往往过于复杂,既不利于设计,也难于实现有效控制.智能控制理论的产生与发展,为振动主动控制提供了新的方法.目前这一研究才刚刚起步,仅有少量的报道,如刘华等[1]提出的一类非线性振动自适应控制的神经网络方法,但采用该方法事先需要已知受控系统与干扰动态系统的阶次;朱美玲等[2]的一种基于BP网络的自适应控制方法,它不需要被控对象的数学模型,但在模型与网络的实时匹配上还存在着问题.

　　本文提出了一种基于神经网络的主动控制方法,该方法将模型辨识、预测及最优控制与神经网络相结合.由模型预估网络辨识各种复杂系统模型并实时为控制器提供参考输入;由最优控制器对数据进行处理、决策,选定最优的控制量.该方法不依赖系统的数学模型,并具有自学习自调整的特点,能对各种激振源产生最佳的减振效果.

　　1　控制结构

　　图1为本文提出的神经网络主动控制器结构框图.图中网络模型预估器用于辨识被控对象的模型并对系统输出进行预测.首先离线学习500个输入、输出数据对(伪随机码信号),建立被控对象的初始神经网络模型.在线控制中,每一个采样周期都监视该神经网络模型与被控对象的输出误差,网络模型始终跟踪被控对象的变化,不断在线修改网络权值,使之逼近被控对象在各种激振源作用下的输入、输出特性.同时,网络模型又充当被控对象输出预估器,由预估值与期望值的误差作为图中最优控制器的输入,确定使控制性能指标最小的控制量,产生的最优控制量同时送往网络模型和被控对象,开始下一个采样周期.

　　2　网络模型预估器

　　设非线性振动系统的方程为

　　其中:y(k)、u(k)分别为系统的输出响应和控制输入,k=0,1,…;f(·)∈R为非线性函数.

　　神经网络具有很强的非线性映射能力,因此常常用来模拟被控对象,并用作预估器.目前,应用最为广泛且较为成功的是BP网络.BP网络是误差反向传播的多层前馈式网络,它由一个输入层、一个或多个隐层以及一个输出层组成.由于三层BP网络可以逼近任意复杂的非线性关系,并考虑该网络的学习算法可能产生局部最小,而且收敛速度慢的特点,所以本文将采用修正学习的三层BP网络作为网络模型预估器[3～5],如图2所示.