SATMD与基于RNNWBU模型的混合控制设计方法研究

基于神经一模糊控制理论和减震结构混合控制理论及相关的最新研究成果,提出了SATMD与基于RNNWBU模型的粘弹性阻尼器相结合混合控制体系的二阶段循环设计方法及其相应的设计步骤与设计过程流程图.并利用MATLAB语言编制了一套能对该混合控制体系进行弹塑性时程分析的计算机程序,使用该程序对结构进行弹塑性时程分析,并与试验结果相对比,分析表明二者吻合较好,从而实现了SATMD与基于RNNWBU模型的粘弹性阻尼器相结合混合控制体系的二阶段循环设计方法.本文设计方法是对抗震结构混合控制减震设计方法的进一步发展,对推动结构控制理论的发展具有理论意义和实用价值,因而具有广阔的发展前景.     

SATMD与粘弹性阻尼器相结合控制体系的地震反应分析

混合控制体系是结构控制领域里的一种新型高效控制体系,它能以较低的能量输入和简单经济的消能元件,取得较好的控震和减震效果.首先研制开发了一种模糊控制器,介绍了其设计原理和方法,通过在结构顶层安装被动调谐质量阻尼器(PTMD),并在控制系统中引入模糊控制器,可实现刚度和阻尼控制档位的自动调节和调谐的半主动化.同时,在结构其他各层进行粘弹性阻尼器的优化设置,可使结构体系达到最优控制要求.还提出了半主动调谐质量阻尼器(SATMD)与粘弹性阻尼器相结合的混合控制实用设计方法,并编制电算程序进行了地震作用下的时程分析,证实了该控制体系在降低结构地震反应方面的有效性.     

对角递归神经网络永磁同步电机的无传感器控制

分析了基于对角递归神经网络观测器控制系统的动态性能和鲁棒性能.基于对角递归神经网络观测器将实际测得的电压和电流经过坐标变换后估测出电流和角速度,用估测值与实际值的差值调节神经网络观测器连接权值,直到预测误差达到设定值.该控制器具有不依赖被控对象的精确数学模型、对外界环境变化具有学习性、自适应性及鲁棒性等特点.仿真表明,该方法具有较好的转子位置和速度跟踪特性,系统具有较强的抗负载扰动性能和控制性能,能够满足精度高、反应快、鲁棒性好的要求.     

基于解耦设计的多变量IGPC控制方法的研究与应用

针对多变量工业过程中存在的耦合性、建模困难以及不确定性的控制难点,论文研究了基于解耦设计的多变量隐式广义预测控制。该方法利用加权最小二乘递推方法根据输入输出数据直接辨识系统参数,这样就降低了控制器设计的复杂性;采用分散设计的方式来降低各通道间的关联关系。论文利用基于最小二乘方法,根据输入输出数据来建立被控对象的数学模型,并在此基础上对控制方法进行了仿真分析与试验研究,结果表明该方法具有良好的控制效果。     

粘弹性阻尼结构的递归神经网络优化

根据粘弹性阻尼结构减震理论及神经网络控制理论，提出应用带有偏差单元的递归神经网络(RNNWBU)进行粘弹性阻尼结构优化的新方法．该法通过对粘弹性阻尼结构进行神经网络优化设置，从而可以考虑不同地震动特性的影响．通过数值仿真分析，可看出该方法是对粘弹性阻尼结构的传统优化方法的进一步发展，因而具有更大的优越性，对推动结构控制理论的发展具有重要意义．     

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.     

基于对角递归神经网络的汽车主动悬架控制

为了提高电动汽车行驶平顺性及操纵稳定性,针对电动汽车悬架进行振动分析,建立了七自由度汽车电动主动悬架模型,设计四轮全驱电动汽车电动主动悬架结构及其控制系统.重点针对电动汽车主动悬架特点设计对角递归神经网络(DRNN)控制器,选取车身垂向加速度、悬架动行程和轮胎动行程作为神经网络控制器输入,采用梯度下降法对神经网络权值进行在线调整.仿真结果表明,具有DRNN控制器的电动主动悬架控制效果较PID控制主动悬架和被动悬架有显著提高,有效改善了汽车行驶平顺性及操纵稳定性,也说明所设计的控制策略在电动汽车电动主动悬架控制方面的有效性.     

基于混合神经网络的风机性能监测模型

针对传统的RBF神经网络泛化能力差的缺点,利用RBF神经网络强大的非线性逼近能力和数学模型良好的外推能力,提出了一种将传统的RBF神经网络和用偏最小二乘法建立的通风机性能数学模型相结合的混合神经网络模型,并将该模型用于通风机的重要性能参数——流量的监测上。以实验室4-73No.8D离心风机为研究对象,用不同导流器开度下的实验数据进行拟合,研究结果表明,混合神经网络模型的泛化能力强,精度高,各项模型评价参数均优于传统的RBF神经网络模型。     

卷积神经网络混合模型的心律失常分类算法

心律失常表现为不规则的心跳,心律失常类型的判断是心血管疾病早期预防和诊断的关键.为提高心律失常分类的准确率和速度,实现心律失常类型的自动识别,研究并提出了一种以卷积神经网络(convolutional neural network,CNN)为核心的7层混合模型结构.为保持心拍的完整性,根据R-R间期对心电信号进行动态分...     

基于递归神经网络的减震结构模糊控制研究

根据神经-模糊控制理论和减震结构混合控制理论,利用基于弹塑性时程分析自动提取减震结构模糊控制规则的方法获取原始训练样本,能考虑不同地震动特性的影响.应用带偏差单元的递归神经网络(RN-NWBU)形成减震结构模糊控制规则的关系生成方法和推理合成算法,能够实现神经网络驱动的混合控制结构体系模糊推理,从而能实现神经-模糊控制器的设计,应用装设有神经-模糊控制器的系统能够在线控制结构地震反应.通过半主动调谐质量阻尼器(SATMD)与消能减震相结合的混合控制结构体系的数值仿真分析,可看出本文方法能有效地在线控制结构地震反应.本文对推动结构控制理论的发展具有重要意义.     

基于改进动态递归神经网络的交通量短时预测方法

针对已有基于改进动态递归神经网络预测方法的不足,并充分考虑交通流本身所存在的复杂性、非线性和不确定性特点,提出了一种基于可变增益Elman神经网络的交通量短时预测方法。该方法通过引入一个基于实时误差分析的可变增益因子,实现了网络的实时更新。通过长春市人民大街的实测数据对方法进行了验证。试验结果表明,本文方法在网络收敛时间和预测精度方面均优于已有的基于Elman神经网络的预测模型。