CN102749849B - 一种壳体结构表面变频率特性的主动控制方法 - Google Patents

Abstract

本发明公开一种壳体结构表面变频率特性的主动控制方法。首先构建频域神经网络辨识器（FNNI）对受控对象进行辨识，采用频域振动响应信号和作动参数作为输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系；然后构建频域神经网络控制器，由FNNI权值、辨识信号与频域目标信号的误差以及作动参数组成FNNC的输入，采用全局频域误差与特征频点误差相结合的评判准则，由FNNC产生新的作动参数，不断循环迭代，直至达到预设的振幅，完成壳体结构表面变频率特性的主动控制。整个过程集中于频域进行，节省了信号转换时间，构造的评判准则有效提高算法的可靠性、抗干扰性，适于振动和噪声的主动抑制以及结构动态频率特性主动控制。

Description

一种壳体结构表面变频率特性的主动控制方法

技术领域

本发明属结构振动主动控制技术领域，具体涉及一种壳体结构表面变频率特性的主动控制方法。

背景技术

对于汽车、飞机以及机械加工机器等机械部件，一般情况下都以恒定的动态频率特性工作，但固定的频率特性有时无法满足工作的需求，例如军事装备的伪装以及产品性能的改进等。为了实现对结构的振动控制，工程上可采用不同的方法，传统的被动振动控制无需从外部输入能量，而是通过改变结构的质量分布来降低其振动响应，它具有结构简单、易于实现、经济性好、可靠性高、对高阶振动抑制效果好等特点，但随着结构控制性能要求的提高，被动振动控制的局限性就逐渐暴露出来。

振动主动控制在控制过程中，根据所检测到的振动信号，应用一定的控制策略，经过实时计算，进而驱动作动器对控制目标施加一定的影响，达到抑制或消除振动的目的。其具有控制效果好、适应性强、结构阻尼比高和消除振动能量迅速等特点。传统的主动控制算法在结构性能控制中有着很好的表现，但是大多集中于振动和噪声的控制，无法实现结构频率特性的任意改变。本发明在传统的主动控制算法基础上构造出一种变频率特性主动控制算法，实现结构对外辐射频率特性的主动控制。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种壳体结构表面变频率特性的主动控制方法，该控制方法整个过程集中于频域进行，节省了信号转换时间，构造的评判准则有效提高算法的可靠性、抗干扰性，适用于振动和噪声的主动抑制以及结构动态频率特性的主动控制。

本发明的目的是通过以下技术方案来解决的：

这种壳体结构表面变频率特性的主动控制方法，包括以下步骤：

1)首先构建频域神经网络辨识器对受控对象进行辨识，采用频域振动响应信号和作动参数作为频域神经网络辨识器的输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系；

2)构建频域神经网络控制器，由频域神经网络辨识器权值、辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，直至达到预设的振幅，完成壳体结构表面变频率特性的主动控制。

上述的构建频域神经网络辨识器对受控对象进行辨识，实现被控结构的建模和响应的一步预测功能的方法如下：

构建频域神经网络辨识器，所述频域神经网络辨识器是一个两层的线性网络，其输入为被控对象的频域振动响应和作动器的作动参数即幅值A、频率w和相位输出层采用线性传递函数，经过神经网络输入层与输出层的传递计算后得到被控对象的一步预测响应；

采用频域振动响应和作动参数作为频域神经网络辨识器输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系，通过权值参与频域神经网络控制器的迭代。

进一步，上述的构建频域神经网络控制器，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，完成壳体结构表面变频率特性的主动控制的方法如下：

所述频域神经网络控制器是一个三层误差反向传播网络，包含输入层、隐层和输出层，由辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，经过神经网络传递计算后得到的输出作为新的作动参数，频域神经网络控制器通过不断的激励、采集、比较，实现与预设振幅的一步步逼近，完成壳体结构表面变频率特性的主动控制；

根据基本BP算法，权值与阈值的修正正比于误差函数负梯度方向，结合动量梯度下降法，得到变频率特性主动控制算法中频域神经网络控制器权值阈值的动量法修正公式；

变频率特性主动控制算法中采用将全局频域误差与特征频点误差相结合的评判准则；频域全局误差函数J和特征频点误差E定义为：

$J=\frac{1}{2}\underset{n}{\Σ}{(r_n-y_n)}^2=\frac{1}{2}{(r-Y)}^2$

$E=\frac{1}{n}\underset{n}{\Σ}(r_k-Y_k)$

其中，r＝[r₁,r₂,…,r_n]为被控结构的目标信号，Y＝[y₁,y₂,…,y_n]为结构实时振动频域信号，r_k为目标频谱第k个特征频点的幅值，Y_k为实时振动频谱第k个特征频点的幅值，n是特征频点的个数；

迭代收敛评判准则为：

J≤err_goal1&E≤err_goal2

其中，err_goal1为全局频域误差的收敛精度，err_goal2为特征频点误差的收敛精度。

由于本发明构造了变频率特性主动控制算法，与传统主动控制算法相比，具有以下有益效果：

(1)所有参数及信号都是置于频域中进行，可有效避免频域主动控制算法中因傅里叶变换(FastFourierTransform,FFT)和傅里叶逆变换(InverseFastFourierTransform,IFFT)引起的对控制时间的影响；

(2)误差函数为全频域误差函数，可避免因时域信号与频域的之间的非一一对应关系而引起的振荡问题；

(3)将全局频域误差与特征频点误差相结合作为迭代收敛评判准则可有效提高算法的可靠性、自适应性与抗干扰性；

(4)不仅可以实现传统主动控制算法对振动和噪声的主动抑制，亦可实现结构变频率特性的主动控制。

附图说明

图1为本发明的变频率特性主动控制算法框架；

图2为频域神经网络辨识器(FNNI)网络结构；

图3为频域神经网络控制器(FNNC)网络结构；

图4为时域信号与频域信号对比关系图；

图4(a)为时域信号；

图4(b)为频域信号；

图5为单独采用全局频域误差时的收敛性说明图；

图5(a)为目标信号；

图5(b)为实时振动信号；

图6为单独采用特征频点误差时的收敛性说明图；

图6(a)为目标信号；

图6(b)为实时振动信号；

图7为简支梁等效模型结构简图；

图8为简支梁等效模型在作动器激励下相关运行曲线；

图8(a)为目标信号频谱图；

图8(b)为收敛后信号频谱图；

图8(c)为作动器幅值变化曲线；

图8(d)为误差变化曲线；

图9为简支薄板等效模型结构简图；

图10为简支薄板等效模型在作动器激励下相关运行曲线；

图10(a)为初始信号频谱图；

图10(b)为收敛后信号频谱图；

图10(c)为误差变化曲线；

图10(d)为作动器幅值变化曲线；

具体实施方式

本发明壳体结构表面变频率特性的主动控制方法概括为：1)首先构建频域神经网络辨识器(FrequencyDomainNeuralNetworkIdentifier,FNNI，以下称为FNNI)对受控对象进行辨识，采用频域振动响应信号和作动参数作为频域神经网络辨识器的输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系；2)构建频域神经网络控制器(FrequencyDomainNeuralNetworkController，以下称为FNNC)，由频域神经网络辨识器权值、辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，直至达到预设的振幅，完成壳体结构表面变频率特性的主动控制。所述的构建频域神经网络控制器，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，完成壳体结构表面变频率特性的主动控制的方法如下：

所述频域神经网络控制器是一个三层误差反向传播网络，包含输入层、隐层和输出层，由辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，经过神经网络传递计算后得到的输出作为新的作动参数，频域神经网络控制器通过不断的激励、采集、比较，实现与预设振幅的一步步逼近，完成壳体结构表面变频率特性的主动控制；

根据基本误差反向传播BP算法(BackPropagation)，权值与阈值的修正正比于误差函数负梯度方向，结合动量梯度下降法，得到变频率特性主动控制算法中频域神经网络控制器权值阈值的动量法修正公式；

变频率特性主动控制算法中采用将全局频域误差与特征频点误差相结合的评判准则；频域全局误差函数J和特征频点误差E定义为：

$J=\frac{1}{2}\underset{n}{\Σ}{(r_n-y_n)}^2=\frac{1}{2}{(r-Y)}^2$

$E=\frac{1}{n}\underset{n}{\Σ}(r_k-Y_k)$

其中，r＝[r₁,r₂,…,r_n]为被控结构的目标信号，Y＝[y₁,y₂,…,y_n]为结构实时振动频域信号，r_k为目标频谱第k个特征频点的幅值，Y_k为实时振动频谱第k个特征频点的幅值，n是特征频点的个数；

迭代收敛评判准则为：

J≤err_goal1&E≤err_goal2

其中，err_goal1为全局频域误差的收敛精度，err_goal2为特征频点误差的收敛精度。

下面结合附图对本发明做进一步详细描述：

参见图1：受控对象受到作动器的激励，其中，A,w和为作动参数；然后通过传感器和相关采集硬件拾取受控对象的振动响应Y，并通过FFT将其转换为频域信号；以频域振动响应信号Y和相关作动参数A,w和作为FNNI的输入，实现受控对象模型的辨识；将FNNI辨识信号与频域目标信号r相比，如果两者误差达到目标精度要求，则停止迭代，若没有达到精度要求，由FNNI权值W、e以及作动参数A,w和组成FNNC的输入信号，由FNNC产生新的作动参数；如此循环，直到达到目标精度。

参照图2所示，为FNNI网络结构。FNNI是一个两层线性网络，Y(k-n+1)…Y(k)是被控结构的频域振动响应；A₁…A_n,w₁…w_n和是作动器的相关作动参数；W(k)是与FNNI输入输出相关的网络权值；输出为一步预测响应。

参照图3所示，为FNNC网络结构。FNNC是一个三层BP网络，包含输入层U、隐层O和输出层X。其中，W_ji和θ_j表示输入层与隐层之间的权值和阈值，V_lj和θ_l表示隐层和输出层之间的权值和阈值。FNNC通过不断的激励、采集、比较，实现与预设振幅的一步步逼近。

参照图4(a)、(b)所示，三个时域信号相对应的频域信号基本相同，因此，频域误差可准确反映实时振动信号与目标信号之间的逼近过程。若采用时域误差，由于时域信号与频域信号为多对一的关系，不但无法反映振动信号对目标的逐渐逼近，并可能导致迭代过程振荡。

参照图5(a)、(b)所示，控制结果一般聚焦于特征频点处，如果特征频点处的实时振动信号幅值与目标信号非常接近，而其它频点处的幅值相对较小，此时，可以认定此控制结果已满足要求。但是，如果采用全局频域误差作为收敛准则，由于其关注点为整个频带，无法聚焦特征频点，将导致无法收敛。

参照图6(a)、(b)所示，实时振动信号(b)在特征频点200Hz，300Hz，500Hz，600Hz处的幅值已完全被其他频点幅值所湮没，此控制结果明显无法接受。但是若单独采用特征频点误差作为迭代收敛准则，由于其主要关注点在特征频点处的幅值，则可能导致得到的控制结果无法满足要求。

参照图7所示，搭建简支梁模型实验台。传感器拾取受控对象的振动响应，作动器接受作动参数进行激励。

参照图8(a)、(b)、(c)、(d)所示，简支梁模型目标信号和收敛后信号的频谱图以及作动器幅值变化曲线和控制误差变化曲线。从图中可以看出，控制过程中误差逐渐减小，最终达到控制目标。

参照图9所示，搭建简支薄板模型实验台。传感器拾取受控对象的振动响应，作动器接受作动参数进行激励。

参照图10(a)、(b)、(c)、(d)所示，简支薄板模型初始信号和收敛后信号的频谱图以及作动器幅值变化曲线和控制误差变化曲线。从图中可以看出，控制过程中误差逐渐减小，最终达到控制目标。

本发明按以下步骤实施：

1)首先构建FNNI对受控对象进行辨识，采用频域振动响应信号和作动参数作为FNNI输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系；

2)构建FNNC，由FNNI权值、辨识信号与频域目标信号的误差以及作动参数组成FNNC的输入，采用全局频域误差与特征频点误差相结合的评判准则，由FNNC产生新的作动参数，不断循环迭代，直至达到预设的振幅,完成壳体结构表面变频率特性的主动控制。

构建FNNI对受控对象进行辨识，实现被控结构的建模和响应的一步预测功能的方法如下：

构建FNNI，FNNI是一个两层的线性网络，其输入为被控对象的频域振动响应Y(k-n+1)…Y(k)和作动器的相关作动参数A₁…A_n,w₁…w_n和FNNI输入层与输出层的网络权值为W(k)，经过神经网络传递计算后得到的输出为被控对象的一步预测响应。

FNNI输出层采用线性传递函数，根据Widrow-hoff法则，可以得到输入层与输出层之间权值修正公式：

$w_i(k+1)=w_i\left(k\right)+\frac{{\mathrm{\α}}^i\·e^i(k+1)\·y_i\left(k\right)}{\mathrm{\ϵ}+y_i^T\left(k\right)\·y_i\left(k\right)}$

其中，eⁱ为被控结构频域振动响应信号Y与FNNI辨识信号之间的误差；αⁱ∈(0,2)为衰减因子；ε为一个非常小的常数，目的是为了防止当时分母为0。

采用频域振动响应和作动参数作为FNNI输入，实现被控结构的建模和响应的一步预测功能，建立响应和激励参数之间的关系，通过权值W(k)参与频域神经网络控制器的迭代。

构建频域神经网络控制器，采用全局频域误差与特征频点误差相结合的评判准则，由FNNC产生新的作动参数，不断循环迭代，完成壳体结构表面变频率特性的主动控制的方法如下：

构建频域神经网络辨识器，FNNC是一个三层误差反向传播(BP)网络，包含输入层U、隐层O和输出层X，由辨识信号与频域目标信号r的误差e以及作动参数A,w和组成FNNC的输入，W_ji和θ_j表示输入层与隐层之间的权值和阈值，V_lj和θ_l表示隐层和输出层之间的权值和阈值，经过神经网络传递计算后得到的输出为新的作动参数。FNNC通过不断的激励、采集、比较，实现与预设振幅的一步步逼近，完成壳体结构表面变频率特性的主动控制。

1)权值、阈值修正公式

根据基本BP算法，权值与阈值的修正ΔV_lj，ΔW_ji，Δθ_l，Δθ_j正比于误差函数负梯度方向，结合动量梯度下降法，可以得到变频率特性主动控制算法中FNNC权值阈值的动量法修正公式。

输入层与隐层之间权值阈值修正公式为：

W_ji(k+1)＝W_ji(k)+ΔW_ji

ΔW_ji(k)＝αΔW_ji(k-1)+η(1-α)δ_j.e_i

θ_j(k+1)＝θ_j(k)+Δθ_j

Δθ(k)＝αΔθ(k-1)+η(1-α)δ_j

${\mathrm{\δ}}_j=\underset{l}{\Σ}(r-Y).W(:,m-3:m).*f^{\′}\left({\mathrm{net}}_l\right).V_{lj}.*f^{\′}\left({\mathrm{nek}}_j\right)$

隐层与输出层间权值阈值修正公式为：

V_lj(k+1)＝V_lj(k)+ΔV_lj

ΔV_lj(k)＝αΔV_lj(k-1)+η(1-α)δ_l.o_j

θ_l(k+1)＝θ_l(k)+Δθ_l

Δθ(k)＝αΔθ(k-1)+η(1-α)δ_l

δ_l＝(r-Y).W(:,m-3:m).*f'(net_l)

其中，η为BP算法学习率，α为动量因子，W(:,m-3:m)是FNNI权值后四列，此四列分别代表结构振动响应Y对激励参数A1的导数响应Y对激励参数w₁的导数响应Y对激励参数A2的导数和响应Y对激励参数w₂的导数m表示FNNI权值的列数，即FNNI输入的维数。需要说明的是在此推导中涉及了两个作动器的四个作动参数，若有加入更多参数，只需要在FNNI的输入、FNNC输入以及FNNI权值W的取值时做相应的扩充即可。

2)误差评判准则

变频率特性主动控制算法中采用将全局频域误差与特征频点误差相结合的评判准则。频域全局误差函数J和特征频点误差E定义为：

$J=\frac{1}{2}\underset{n}{\Σ}{(r_n-y_n)}^2=\frac{1}{2}{(r-Y)}^2$

$E=\frac{1}{n}\underset{n}{\Σ}(r_k-Y_k)$

其中，r＝[r₁,r₂,…,r_n]为被控结构的目标信号，Y＝[y₁,y₂,…,y_n]为结构实时振动频域信号，r_k为目标频谱第k个特征频点的幅值，Y_k为实时振动频谱第k个特征频点的幅值，n是特征频点的个数。

迭代收敛评判准则为：

J≤err_goal1&E≤err_goal2

其中，err_goal1为全局频域误差的收敛精度，err_goal2为特征频点误差的收敛精度。

采用以上两种频域误差相结合以及相应的迭代收敛评判准则具有以下两点优势：

(1)构造全局频域误差用于权值阈值的迭代可以节省控制时间，并可使迭代过程更加稳定。

在全局频域误差中，目标信号与实时振动信号均为频域信号，因此在整个控制过程中无需进行FFT和IFFT，大大缩短了单次控制循环的流程，节省了控制时间。此外，频域信号与时域信号并非一一对应关系，不同的时域信号相对应的频域信号可能相同，所以，频域误差可准确反映实时振动信号与目标信号之间的逼近过程。若采用时域误差，由于时域信号与频域信号为多对一的关系，不但无法反映振动信号对目标的逐渐逼近，并可能导致迭代过程振荡。

(2)采用两种频域误差相结合以及相应的迭代收敛评判准可有效提高变频率特性主动控制方法的自适应性与抗干扰能力。

如果单独采用全局频域误差作为收敛准则，由于其关注点为整个频带，无法聚焦特征频点，可能造成控制过程需要更长时间收敛或根本无法收敛。

如果单独采用特征频点误差作为迭代收敛准则，由于其主要关注点在特征频点处的幅值，可能由于其他频点幅值较大导致得到的控制结果无法满足要求。

实施例1:

按照图7所示搭建简支梁等效模型实验台。

实验过程为：简支梁受到作动器的激励，然后通过传感器和相关采集硬件拾取简支梁的振动响应，并通过FFT将其转换为频域信号；以频域振动响应信号和相关作动参数作为FNNI的输入，实现简支梁模型的辨识；将FNNI辨识信号与频域目标信号相比，如果两者误差达到目标精度要求，则停止迭代，若没有达到精度要求，由FNNI权值、辨识信号与频域目标信号的误差以及作动参数组成FNNC的输入，由FNNC产生新的作动参数，通过相关硬件传递给作动器进行下一步的激励；如此循环，直到达到目标精度。

图8(a)、(b)、(c)、(d)所示，简支梁模型目标信号和收敛后信号的频谱图以及作动器幅值变化曲线和控制误差变化曲线。从图可知，30Hz处的目标频谱幅值为0.8g，收敛后信号的频谱图说明幅值在0.8g左右，已达到控制要求，且不存在其它明显的谱峰即振动信号没有明显的谐波成分。从图8(c)与(d)的曲线可知，控制效果很好，曲线是逐渐收敛的过程，不存在振荡的现象，收敛速度快，程序只迭代了8步。

实施例2:

按照图9所示搭建简支薄板等效模型实验台。

实验过程为：简支薄板受到作动器的激励，然后通过传感器和相关采集硬件拾取简支梁的振动响应，并通过FFT将其转换为频域信号；以频域振动响应信号和相关作动参数作为FNNI的输入，实现简支薄板模型的辨识；将FNNI辨识信号与频域目标信号相比，如果两者误差达到目标精度要求，则停止迭代，若没有达到精度要求，由FNNI权值、辨识信号与频域目标信号的误差以及作动参数组成FNNC的输入，由FNNC产生新的作动参数，通过相关硬件传递给作动器进行下一步的激励；如此循环，直到达到目标精度。

图10(a)、(b)、(c)、(d)所示，简支薄板模型初始信号和收敛后信号的频谱图以及作动器幅值变化曲线和控制误差变化曲线。从图可知，系统的控制目标是让30Hz处的振动频谱幅值变为0.1g。初始信号频谱图在30Hz处的振动频谱幅值仅仅为0.003g。通过神经网络优化作动器幅值，输出给作动器，最终在误差的精度范围内，实现了控制目标。图10(c)和(d)分别是控制过程相对误差变化曲线和作动器幅值(驱动作动器幅值的电压值)变化曲线，由图可知，作动器幅值是向着控制目标逐渐增大的，误差则逐渐减小，其曲线都比较平滑，基本无振荡现象，收敛效果较好。

Claims (1)

1.一种壳体结构表面变频率特性的主动控制方法，其特征在于，包括以下步骤：

1)首先构建频域神经网络辨识器，称为FNNI，对受控对象进行辨识，实现被控结构的建模和响应的一步预测功能，该频域神经网络辨识器是一个两层的线性网络，其输入为被控对象的频域振动响应和作动器的作动参数即幅值A、频率w和相位输出层采用线性传递函数，经过神经网络输入层与输出层的传递计算后得到被控对象的一步预测响应，建立响应和激励参数之间的关系，通过权值参与频域神经网络控制器的迭代；

2)构建频域神经网络控制器，称为FNNC，由频域神经网络辨识器权值、辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，直至达到预设的振幅，完成壳体结构表面变频率特性的主动控制；所述的构建频域神经网络控制器，采用全局频域误差与特征频点误差相结合的评判准则，由频域神经网络控制器产生新的作动参数，不断循环迭代，完成壳体结构表面变频率特性的主动控制的方法如下：

所述频域神经网络控制器是一个三层误差反向传播网络，包含输入层、隐层和输出层，由辨识信号与频域目标信号的误差以及作动参数组成频域神经网络控制器的输入，经过神经网络传递计算后得到的输出作为新的作动参数，频域神经网络控制器通过不断的激励、采集、比较，实现与预设振幅的一步步逼近，完成壳体结构表面变频率特性的主动控制；

根据基本误差反向传播BP算法，权值与阈值的修正正比于误差函数负梯度方向，结合动量梯度下降法，得到变频率特性主动控制算法中频域神经网络控制器权值阈值的动量法修正公式；

变频率特性主动控制算法中采用将全局频域误差与特征频点误差相结合的评判准则；频域全局误差函数J和特征频点误差E定义为：

$J=\frac{1}{2}\underset{n}{\Σ}{\left(r_n-y_n\right)}^2=\frac{1}{2}{\left(r-Y\right)}^2$

$E=\frac{1}{n}\underset{n}{\Σ}(r_k-Y_k)$

其中，r＝[r₁,r₂,…,r_n]为被控结构的目标信号，Y＝[y₁,y₂,…,y_n]为结构实时振动频域信号，r_k为目标频谱第k个特征频点的幅值，Y_k为实时振动频谱第k个特征频点的幅值；n是特征频点的个数；

迭代收敛评判准则为：

J≤err_goal1&E≤err_goal2

其中，err_goal1为全局频域误差的收敛精度，err_goal2为特征频点误差的收敛精度。