磁流变阻尼器动力性能测试与建模

建立磁流变阻尼器精确的力学模型是进行磁流变阻尼减振结构反应分析与设计并取得良好振动控制效果的一个重要前提。首先,对一个最大出力为10kN的磁流变阻尼器进行动力性能测试;其次,基于试验结果分别建立该阻尼器的参数化与非参数化动力学模型,并对所建立模型的有效性进行验证;最后,对两种不同建模方式的结果进行对比分析。结果表明,建立的参数化模型——双曲正切滞回模型能够有效地描述磁流变阻尼器的动力特性;非参数化模型——反向传播(back propagation,简称BP)神经网络正向、逆向力学模型具有良好的训练样本拟合度、泛化能力和抗噪性能;在试验数据拟合度上,BP神经网络模型要好于双曲正切滞回模型,但后者阻尼力表达式形式简单,更易于程序化。     

磁流变阻尼器逆向模型的建模、优化与仿真

在材料特性实验台上对磁流变(magnetorheological,简称MR)阻尼器的阻尼特性进行了测试,识别了Bouc-Wen模型的未知参数.利用BP神经网络技术建立了MR阻尼器非线性逆向模型,并利用遗传算法高效的全局优化能力对MR阻尼器神经网络模型的结构、权值和阈值进行优化.将所建逆向模型应用于铁道车辆的半主动振动控制中进行仿真.分析结果表明,优化后的神经网络模型预测精度和泛化能力均得到显著提升,半主动控制效果明显,验证了该优化方法的有效性.     

基于量子微粒群算法的磁流变阻尼器滞回模型研究

磁流变阻尼器是一种智能减振装置,建立一个有效的模型是使其走向工程应用的关键。文中提出一种改进的滞回模型来描述磁流变阻尼器的动态特性,开展阻尼器的性能试验,并利用实测数据,在量子微粒群算法的基础上进行模型参数识别。识别过程证明,量子微粒群算法计算简便、精度高、收敛速度快。仿真结果表明,磁流变阻尼器改进的滞回模型效果较好,而且物理概念清晰,便于控制应用。     

基于Elman神经网络半主动控制的磁流变起落架仿真分析

半主动控制起落架的被控对象是磁流变阻尼器,控制磁流变阻尼器输出阻尼力的大小。建立了被动式起落架的仿真模型、BP神经网络控制仿真模型以及Elman神经网络控制仿真模型。神经网络训练样本均由最优控制算法得到。BP神经网络控制、Elman神经网络控制和被动控制仿真模型进行对比,两种神经网络控制均起到了良好的控制作用,Elman神经网络的训练过程远远长于BP神经网络,但精度高于BP神经网络,Elman神经网络在复杂控制系统中比BP神经网络有较大优势。     

磁流变阻尼器的神经网络辨识

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.     

一种基于改进遗传算法的神经网络优化算法研究

遗传算法是目前优化搜索算法中应用比较广泛的一种,但基本遗传算法存在收敛速度慢、易于陷入局部最优等缺点。针对上述问题对遗传算法(GA)的选择算子进行改进,在最优保存策略的基础上将每代种群按照适应度由小到大排序,平均分成前中后3段,按照0.6、0.8、1的比例进行选择;从尾段中随机抽取个体来补足种群由于选择操作而损失的个体;既利用了最优保存策略的全局收敛特性同时也保持了种群的多样性;用改进的遗传算法调整神经网络的权值形成了新的改进遗传算法优化BP神经网络(IGA-BP);通过与选择算子为适应度比例选择算子的GA-BP网络进行比较,结果表明算法改进后缩短了收敛时间同时减少了运行误差;最后将该改进算法应用于水泥回转窑的故障诊断中,验证了算法的可行性。     

磁流变阻尼器阻尼力计算

Bingham模型能准确刻画磁流变阻尼器屈服后区的粘塑特性,基于该模型,阀式磁流变阻尼器阻尼力与速度的关系为与阻尼器结构参数有关的三次代数方程,文中求解了该代数方程,得到了阻尼力的解析表达式,分析了阻尼器结构参数对阻尼器阻尼特性的影响.文中的研究结论可用于指导磁流变阻尼器的设计.     

汽车磁流变半主动悬架控制方法研究

根据变论域方法对经典模糊控制算法进行了改进，提出了悬架阻尼力变论域模糊控制算法。根据悬架阻尼控制力与磁流变阻尼器输出阻尼力的力误差，设计了磁流变阻尼器驱动电流控制方法。由汽车结构振动模糊控制子系统和磁流变阻尼器驱动电流控制子系统构建了磁流变半主动悬架控制器，用模糊集语言赋值系数反映了悬架伸张行程和压缩行程不对称阻尼控制力的关系。利用二自由度车辆振动系统简化模型和磁流变阻尼器简化力学模型及其参数，确定了控制器结构及其参数。研究结果袁明，该方法具有较好的控制精度和适应能力。     

基于GA-BP神经网络的汽车排气系统噪声主动控制

发动机排气系统噪声主动控制相对于被动控制具有更好的效果。其中控制算法的选取决定了降噪效果的好坏。目前主要应用BP神经网络算法对发动机排气噪声进行控制,但是BP网络算法存在一些缺点,比如容易陷入局部极小值、收敛精度低等。将GA-BP算法引入汽车排气系统噪声主动控制中,建立基于GA-BP神经网络的汽车排气噪声主动控制系统的仿真模型。由仿真结果得出,所提方法能够使BP网络算法的收敛精度明显得到改善,有效地提高了噪声主动控制系统的降噪效果。     

基于神经网络的磁流变阻尼器逆控制研究

为了解决阻尼器的非线性问题,设计了一种纯剪切型磁流变阻尼器,并针对其非线性特性,提出了利用径向基函数（RBF）神经网络的非线性映射能力,以建立磁流变阻尼器的逆模型。由已训练的磁流变（MR）阻尼器的逆向神经网络模型和MR阻尼器组成的控制单元,在给定所需控制力的情况下,使MR阻尼器产生相应的阻尼力,实现了MR阻尼器提供连续可调输出力的目的,也使得纯剪切型MR阻尼器在一些需要精确控制的场合能够方便使用。仿真结果表明,神经网络逆控制的方法是有效的、可行的。