CN109800517B - 一种改进的磁流变阻尼器逆向建模方法 - Google Patents
一种改进的磁流变阻尼器逆向建模方法 Download PDFInfo
- Publication number
- CN109800517B CN109800517B CN201910069597.8A CN201910069597A CN109800517B CN 109800517 B CN109800517 B CN 109800517B CN 201910069597 A CN201910069597 A CN 201910069597A CN 109800517 B CN109800517 B CN 109800517B
- Authority
- CN
- China
- Prior art keywords
- anfis
- crow
- improved
- damper
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000010845 search algorithm Methods 0.000 claims abstract description 42
- 238000013016 damping Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims description 48
- 230000035772 mutation Effects 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 230000006872 improvement Effects 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract 1
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001137251 Corvidae Species 0.000 description 1
- 235000009967 Erodium cicutarium Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Abstract
本发明涉及一种改进的磁流变阻尼器逆向建模方法。首先确定ANFIS的结构,并获取ANFIS逆向模型的训练数据;然后采用改进的乌鸦搜索算法对ANFIS的训练算法进行改进,其中采用改进的乌鸦搜索算法优化ANFIS的隶属函数参数,采用最小二乘法调整其模糊规则参数,最终得到最优的MR阻尼器ANFIS逆向模型,使其能精确预测MR阻尼器的控制电压;最后基于MR阻尼器的正向模型,计算其预测阻尼力。本发明可以弥补传统ANFIS建模技术在算法方面的缺陷,使得改进后的ANFIS逆向模型可以提高MR阻尼器的电压预测精度,从而提高阻尼力的预测精度,增强MR阻尼器的减震(振)效果。
Description
技术领域
本发明涉及人工智能、动力学建模领域,特别是一种改进的磁流变阻尼器逆向建模方法。
背景技术
MR阻尼器是一种具有广阔应用前景的智能半主动减振装置,它具有失效安全性高、响应快、能耗低、出力大、动态范围大等诸多优点,但是由于MR阻尼器中的磁流变液具有复杂的本构关系,使得阻尼力具有明显的滞回特性和复杂的非线性,这给建立能够精确预测MR阻尼器控制信号的逆向动力学模型带来了挑战。
自适应神经模糊推理系统(ANFIS)将神经网络和模糊系统相结合,对二者进行取长补短,是一种兼具神经网络的自学习能力和模糊逻辑系统的推理能力的智能算法。虽然MR阻尼器的ANFIS逆向建模的有效性得到了验证,但是ANFIS自带的用于求解系统参数的混合训练算法存在明显的缺陷。混合训练算法通常由梯度下降法和最小二乘法组合而成,其中梯度下降法作为一种传统优化算法,虽然可以实现精确计算,但是它使混合训练算法容易陷入局部最优解,且收敛效率低,限制了ANFIS的模型精度和泛化能力的提升。
目前,利用进化算法对ANFIS进行改进已成为一项研究热点。例如,有人利用遗传算法优化用于预测电能能耗的ANFIS模型(例如参见欧洲专利EP20110382260),有人提出一种基于改进遗传算法的WLAN环境下的ANFIS室内定位方法(例如参见中国专利CN2011102470262)。但是,上述进化算法会使得搜索容易陷入局部解。乌鸦搜索算法(CSA)是一种新兴的群智能优化算法,这种算法模拟自然界中乌鸦的觅食行为。乌鸦是一种具有高智慧的群居鸟类,它们找到食物后会将多余的食物藏起来,然后在需要时取出。乌鸦还能跟踪其它乌鸦,以窃取它们的食物。而被跟踪的乌鸦能以一定的感知概率防止自己的食物被窃。这种算法需要调节的参数很少,算法简单易实现,鲁棒性高,将是解决ANFIS参数识别问题的良好途径。但是,现有的乌鸦算法存在解的质量不够高,并且搜索效率低下的问题。
发明内容
有鉴于此,本发明的目的是提出一种改进的磁流变阻尼器逆向建模方法,首先为了提高解的质量和搜索效率,对乌鸦搜索算法进行改进,并将其引入ANFIS的训练算法的优化中,然后将改进的ANFIS用于磁流变阻尼器的逆向建模,从而实现对磁流变阻尼器控制电压的精确预测。这种方法能有效解决逆向模型精度不足的问题,最终实现对阻尼力的精确控制,使磁流变阻尼器能够充分发挥其减振性能。
本发明采用以下方案实现:一种改进的磁流变阻尼器逆向建模方法,具体包括以下步骤:
步骤S1:确定ANFIS的结构,并准备训练数据;
步骤S2:利用基于现象模型的磁流变阻尼器正向模型计算阻尼力,并将阻尼器的位移、速度和阻尼力作为ANFIS的输入;
步骤S3:为了提高解的质量和搜索效率,对乌鸦搜索算法进行改进;
本发明针对磁流变阻尼器具有强非线性,其逆向动力学模型难以建立的问题,对原始ANFIS模型进行改进,设计了一种能够精确预测阻尼器电压的非参数逆向模型。
进一步地,步骤S1中确定ANFIS的结构具体为:选择ANFIS的输入参量及其数量、输入参量的隶属函数的类型及其数量,从而确定待优化的隶属函数参数和模糊规则参数的数量。
较佳的,每个输入参量的隶属函数的类型为钟型,为了避免由于训练时间大幅增加而导致的计算失效,每个输入的隶属函数的数量为3。
进一步地,步骤S1中准备训练数据具体为:以Matlab的Simulink为平台,采用具有特定幅值和频率的限宽高斯白噪声信号生成位移信号和目标控制电压,并通过对位移信号进行差分获得速度信号。
较佳的,为了对高斯白噪声信号进行降噪,同时为了防止由于速度突变而导致的模型错误,采用包括数字Butterworth低通滤波器、比例放大器以及饱和器等工具对信号进行数据预处理。
进一步地,步骤S2中,所述ANFIS是一个三输入单输出的系统,其中将位移x(k)、速度和目标控制电压v(k)作为现象正向模型的输入,使其输出目标阻尼力f(k),然后将x(k)、v(k)和f(k)作为训练数据的四个组成要素。
进一步地,步骤S3具体为,在原始算法的基础上,对乌鸦搜索算法作了如下两点改进:
(1)为了进一步增加种群的多样性,从而防止搜索陷入局部最优解,在算法中引入变异操作;
(2)为防止算法产生大量无效解,在更新过程中实时判断解的可行性。
上述第(1)点具体为:在改进的乌鸦搜索算法中引入了变异操作,即随机选取若干个连续编码进行倒序。具体操作举例如下:
C=C#[sl,ml]
=[1,3,5,7,8,12,15,9]#[2,5]=[1,12,8,7,5,3,15,9]
此处,C是待变异的编码段;#是变异操作;ml是变异长度,它是从1到lmut中选出的随机数,其中lmut是编码的最大许可变异长度;sl是变异的起始位置,它是从1到(lc-ml+1)中选出的随机数,其中lc是编码段的长度。
需要注意的是,根据预先定义的编码取值范围,将整个编码分成相应若干个编码段,上述的变异操作不能跨越不同编码段执行。
上述第(2)点具体为:为了保证解的有效性并提高搜索效率,需要在生成新的解时,判断其是否有编码超出预定的取值范围,如果是,则令该编码保持原值,否则采用新的编码值。
进一步地,在步骤S3的基础上,改进的乌鸦搜索算法的求解迭代策略具体如下所示:
其中,k是迭代次数;1≤i≤N,N是种群大小;Xi是乌鸦i的位置,Mj是乌鸦j的食物藏匿记忆位置;rand和rk是[0,1]范围内均布的随机数;AP和MP分别是意识概率和变异操作概率。
该求解迭代策略的原则是:乌鸦j欲去往它的食物藏匿处Mj;当rk≥AP时,乌鸦j没有意识到自己被乌鸦i跟踪,于是乌鸦i将成功地趋近Mj;然后判断新产生的Xi的每个编码是否在规定数值范围内,如果否,则令该编码保持原值;当MP≤rk<AP时,乌鸦j意识到被跟踪,于是它将误导乌鸦i飞往其它任意方向,从而可以保护其食物不被窃取;当rk<MP时,则Xi将发生反转变异。
较佳的,改进的乌鸦搜索算法的飞行长度FL=2,意识概率AP=0.1,变异操作概率MP=0.02。
进一步地,步骤S4具体包括以下步骤:
步骤S41:将ANFIS参数变量的选择问题转化为基于改进的乌鸦搜索算法的优化问题。具体过程主要包括对参数变量进行编码、根据训练数据确定变量的优化范围、随机产生N个个体组成的初始种群(即解集)和模糊规则参数集、初始化改进的乌鸦搜索算法的参数设置、确定评估指标函数并建立优化算法的适应度函数;
步骤S42:利用改进的乌鸦搜索算法和最小二乘法相结合的混合训练算法优化ANFIS隶属函数参数和模糊规则参数,并不断进行迭代,直至满足预设的收敛条件,得到最优的ANFIS逆向模型;
特别的,所述磁流变阻尼器逆向模型的设计是采用改进的乌鸦搜索算法和ANFIS相结合的改进ANFIS建模方法。其中,对乌鸦搜索算法的改进主要体现在变异操作的引入、解的可行性判断方法的改进、解的更新迭代策略的改进等方面。能使ANFIS的设计方法得到广泛推广,并获得可观的社会效益和经济效益。
与现有技术相比,本发明有以下有益效果:
1、本发明利用改进的ANFIS作为磁流变阻尼器的逆向建模技术,将智能优化算法、神经网络、模糊推理等技术有机结合起来,最后构建出阻尼器的速度、位移、阻尼力与控制电压之间的映射关系。这种改进的ANFIS建模方法避免了系统训练中可能出现的维数灾难,非常适合应用于具有复杂非线性且缺乏专家经验的阻尼器逆向建模。
2、本发明解决了原始ANFIS算法易于陷入局部最优解的问题,提出对乌鸦搜索算法进行改进,并用其对ANFIS的训练算法进行改进,与原始ANFIS算法相比,本发明所述的改进的ANFIS提高了最优解的质量且收敛效率更高。
3、本发明解决了原始ANFIS逆向模型泛化能力不足,且受到训练样本的影响,不能达到所需的模型精度等问题。与原始ANFIS逆向模型相比,本发明改进ANFIS逆向模型能够更加精确地预测磁流变阻尼器的电压。
4、本发明基于改进的ANFIS逆向模型预测的电压,利用阻尼器的正向模型计算预测阻尼力,结果表明相比原始ANFIS逆向模型,其对阻尼力的预测精度明显提高。
5、利用本发明的逆向建模方法,能够使磁流变阻尼器在半主动控制中更加充分地发挥减振作用。
附图说明
图1为本发明实施例的MR阻尼器(磁流变阻尼器)逆向建模策略原理图。
图2为本发明实施例的利用基于改进的乌鸦搜索算法的ANFIS建立磁流变阻尼器逆向模型的算法流程图。
图3为本发明实施例的三输入-单输出的磁流变阻尼器ANFIS逆向模型结构图。
图4为本发明实施例的改进前、后的ANFIS算法的训练误差的收敛曲线。
图5为本发明实施例的改进前、后的ANFIS算法的检验误差的收敛曲线。
图6为本发明实施例的由最优隶属函数参数形成的隶属函数。
图7为本发明实施例的检验数据的目标电压和预测电压的时程图。
图8为本发明实施例的检验数据的预测阻尼力和目标阻尼力的时程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种改进的磁流变阻尼器逆向建模方法,具体包括以下步骤:
步骤S1:确定ANFIS的结构,并准备训练数据;
步骤S2:利用基于现象模型的磁流变阻尼器正向模型计算阻尼力,并将阻尼器的位移、速度和阻尼力作为ANFIS的输入;
步骤S3:为了提高解的质量和搜索效率,对乌鸦搜索算法进行改进;
步骤S4:采用改进的乌鸦搜索算法对ANFIS的训练算法进行改进(其中采用改进的乌鸦搜索算法优化ANFIS的隶属函数参数,采用最小二乘法调整其模糊规则参数),得到最优的ANFIS逆向模型,使其输出精确的预测控制电压
本实施例针对磁流变阻尼器具有强非线性,其逆向动力学模型难以建立的问题,对原始ANFIS模型进行改进,设计了一种能够精确预测阻尼器电压的非参数逆向模型。
在本实施例中,步骤S1中确定ANFIS的结构具体为:选择ANFIS的输入参量及其数量、输入参量的隶属函数的类型及其数量,从而确定待优化的隶属函数参数和模糊规则参数的数量。
较佳的,在本实施例中,步骤S1确定ANFIS的结构中,每个输入参量的隶属函数的类型为钟型,为了避免由于训练时间大幅增加而导致的计算失效,每个输入的隶属函数的数量为3。
在本实施例中,步骤S1中准备训练数据具体为:以Matlab的Simulink为平台,采用具有特定幅值和频率的限宽高斯白噪声信号生成位移信号和控制电压,并通过对位移信号进行差分获得速度信号。
较佳的,在本实施例中,步骤S1准备训练数据中,为了对高斯白噪声信号进行降噪,同时为了防止由于速度突变而导致的模型错误,采用包括数字Butterworth低通滤波器、比例放大器以及饱和器在内的工具对信号进行数据预处理。
在本实施例中,步骤S2中,所述ANFIS是一个三输入单输出的系统,其中将位移x(k)、速度和目标控制电压v(k)作为现象正向模型的输入,使其输出目标阻尼力f(k),然后将x(k)、v(k)和f(k)作为训练数据的四个组成要素。
在本实施例中,步骤S3具体为,在原始算法的基础上,对乌鸦搜索算法作了如下两点改进:
(1)为了进一步增加种群的多样性,从而防止搜索陷入局部最优解,在算法中引入变异操作;
(2)为防止算法产生大量无效解,在更新过程中实时判断解的可行性。
上述第(1)点具体为:在改进的乌鸦搜索算法中引入了变异操作,即随机选取若干个连续编码进行倒序。具体操作举例如下:
C=C#[sl,ml]
=[1,3,5,7,8,12,15,9]#[2,5]=[1,12,8,7,5,3,15,9]
此处,C是待变异的编码段;#是变异操作;ml是变异长度,它是从1到lmut中选出的随机数,其中lmut是编码的最大许可变异长度;sl是变异的起始位置,它是从1到(lc-ml+1)中选出的随机数,其中lc是编码段的长度。
需要注意的是,根据预先定义的编码取值范围,将整个编码分成相应若干个编码段,上述的变异操作不能跨越不同编码段执行。
上述第(2)点具体为:为了保证解的有效性并提高搜索效率,需要在生成新的解时,判断其是否有编码超出预定的取值范围,如果是,则令该编码保持原值,否则采用新的编码值。
在本实施例中,在步骤S3基础上,改进的乌鸦搜索算法的求解迭代策略具体如下所示:
其中,k是迭代次数;1≤i≤N,N是种群大小;Xi是乌鸦i的位置,Mj是乌鸦j的食物藏匿记忆位置;rand和rk是[0,1]范围内均布的随机数;AP和MP分别是意识概率和变异操作概率。
该求解迭代策略的原则是:乌鸦j欲去往它的食物藏匿处Mj;当rk≥AP时,乌鸦j没有意识到自己被乌鸦i跟踪,于是乌鸦i将成功地趋近Mj;然后判断新产生的Xi的每个编码是否在规定数值范围内,如果否,则令该编码保持原值;当MP≤rk<AP时,乌鸦j意识到被跟踪,于是它将误导乌鸦i飞往其它任意方向,从而可以保护其食物不被窃取;当rk<MP时,则Xi将发生反转变异。
较佳的,在本实施例中,改进的乌鸦搜索算法的飞行长度FL=2,意识概率AP=0.1,变异操作概率MP=0.02。
在本实施例中,步骤S4具体包括以下步骤:
步骤S41:将ANFIS参数变量的选择问题转化为基于改进的乌鸦搜索算法的优化问题。具体过程主要包括对参数变量进行编码、根据训练数据确定变量的优化范围、随机产生n个个体组成的初始种群(即解集)和模糊规则参数集、初始化改进的乌鸦搜索算法的参数设置、确定评估指标函数并建立优化算法的适应度函数;
步骤S42:利用改进的乌鸦搜索算法和最小二乘法相结合的混合训练算法优化ANFIS隶属函数参数和模糊规则参数,并不断进行迭代,直至满足预设的收敛条件,得到最优的ANFIS逆向模型;
进一步的,在本实施例中,步骤S42中,在每次迭代计算时,采用改进的乌鸦搜索算法优化ANFIS的隶属函数参数,同时采用最小二乘法预估模糊规则参数并将当次迭代预估的作为下一次迭代计算中真实的模糊规则参数θ。
特别的,所述磁流变阻尼器逆向模型的设计是采用改进的乌鸦搜索算法和ANFIS相结合的改进ANFIS建模方法。其中,对乌鸦搜索算法的改进主要体现在变异操作的引入、解的可行性判断方法的改进、解的更新迭代策略的改进等方面。能使ANFIS的设计方法得到广泛推广,并获得可观的社会效益和经济效益。
下面结合说明书附图对上述实施例进行更加详细的描述。
图1为本发明实施例的MR阻尼器(磁流变阻尼器)逆向建模策略原理图。如图1所示,本实施例的MR阻尼器的逆向建模策略大致分为两步:第一步是获取ANFIS逆向模型的训练数据。ANFIS是一个三输入单输出系统,根据位移x(k)、速度和目标控制电压v(k)这三个输入,正向模型A可以计算出目标阻尼力f(k)。x(k)、v(k)和f(k)组成了训练数据的四个要素。第二步,将x(k)、和f(k)作为训练ANFIS时的输入数据,同时采用改进的乌鸦搜索算法对ANFIS进行改进,使其最终输出精确的预测电压在ANFIS训练过程中,以预测电压和目标电压v(k)之间的均方根差最小化作为优化目标,当训练结束时,即可获得最优的MR阻尼器逆向模型。
从图1中的模型应用模块可知,对于正向模型B,当给定位移x(k)、速度和预测电压时,可以计算出预测阻尼力 可用于进一步检验MR阻尼器逆向模型的有效性,因为最终优化得到的逆向模型应保证预测阻尼力能够准确跟踪目标阻尼力f(k)。
图2是本实施例利用基于改进的乌鸦搜索算法的ANFIS建立MR阻尼器逆向模型的算法流程图,具体的实施步骤如下:
(1)确定ANFIS的结构:图3为本实施例三输入单输出的磁流变阻尼器ANFIS逆向模型结构图。该ANFIS总共有五层结构,其中三个输入信号x1、x2以及x3分别指位移、速度和阻尼力,输出为阻尼器的预测电压。第一层的输出是钟型隶属函数的隶属度,其表达式为:
其中,ai,bi和ci称为隶属函数参数,它们分别代表了隶属度为0.5时的宽度、曲线的斜度以及隶属函数的中心。
令每个输入隶属函数的数量为3,由于与该隶属函数有关的参数有3个,故隶属函数参数集表示为{ai bi ci,其中i=1,2,…,9},因此需要智能优化算法优化的隶属函数参数的总数为9×3=27。第二层的输出是输入信号的乘积,每个输出代表一条规则的触发强度。第二层节点的数量等于规则的数量,即等于第一层每个输入节点数的连乘积3×3×3=27。第三层的输出是归一化的触发强度。第四层的输出表达式为fi=pix1+qix2+rix3+ti,其中{piqiriti}是一组模糊规则参数。第三、第四层的节点的数量和第二层的节点数量相等。因此,需要用最小二乘法计算的模糊规则参数{piqiriti,其中i=1,2,...,27}的总数为27×4=108。第五层计算的是总输出,其节点以∑表示,其输出表示成:
式中,wi表示第i条规则的触发强度。
(2)确定ANFIS的计算方法:训练过程的每轮迭代计算都包含两个阶段,第一阶段是对系统的输入进行前向传播,即在保持隶属函数参数不变的前提下利用最小二乘法识别模糊规则参数。以一个两输入两规则ANFIS为例,如果已知其输入、隶属函数参数和模糊规则参数,可以推导出系统的输出为:
其中,θ={p1,q1,r1,p2,q2,r2}是一组模糊规则参数,它是一个6×1维向量。如果有N组训练数据,则y和A分别为N×1和N×6维向量。
迭代计算的第二个阶段是将均方根差RMSE进行反向传播,即保持模糊规则参数的估计值固定不变,利用改进的乌鸦搜索算法对隶属函数参数进行寻优。在整个训练过程中这两个阶段交替进行,直到训练误差达到理想目标值或者满足了指定的训练次数。
(3)采集训练数据和检验数据:MR阻尼器的位移激励选用幅值-4-4cm、频率范围0-4Hz的限宽高斯白噪声信号,其MR阻尼器的控制电压选用幅值0-4V、频率范围0-4Hz的限宽高斯白噪声信号。速度信号通过对位移信号进行差分获得。在进行模型训练之前,采用Matlab/Simulink中的数字Butterworth低通滤波器、比例放大器以及饱和器等工具进行数据预处理。最后,通过现象模型作为MR阻尼器的正向模型计算阻尼力。数据采集时长为20s,采样频率为1000Hz,取奇数序列的数据作为训练数据,偶数序列的数据作为检验数据。
(4)确定待优化参数的边界和编码形式:根据训练数据,确定待优化的ANFIS隶属函数参数和模糊规则参数的选值范围,在改进的乌鸦搜索算法中这两类参数都采用实值编码形式。因此隶属函数参数编码表示如下:
[a1b1c1a2b2c2...a9b9c9]
模糊规则参数的编码为:
[p1q1r1t1p2q2r2t2...p27q27r27t27]
(5)创建适应度函数:最小二乘法的计算目标是使训练数据的实际输出y和ANFIS的预测输出之间的均方根差最小化。这个均方根差RMSE即为ANFIS的训练误差也是训练ANFIS时的优化目标函数,其定义如下:
本发明所采用的适应度函数定义如下:
f=1/(1+RMSE) (8)
(6)初始化改进的乌鸦搜索算法和ANFIS参数:首先对算法进行初始化,包括确定初始化算法的参数,包括种群大小N、迭代次数K、感知率AP、变异概率MP、飞行长度FL。然后,在第一轮迭代中随机产生随机产生初始解集X(0)=(X1,X2,...XN),即N个乌鸦初始位置(或称初始藏匿食物记忆位置(M1,M2,...MN))和模糊规则参数集{θ},其中,每一个解即为一组隶属函数参数。
(7)计算适应度函数值:第一步,基于系统的输入和隶属函数参数,依次计算隶属函数值、触发强度wi、归一化触发强度以及系数矩阵A。第二步,基于模糊规则参数集{θ},确定总输出y。第三步,利用最小二乘法预估模糊规则参数需要注意的是,本轮计算出来的估计值将在下一轮迭代中作为最小二乘法计算中的模糊规则参数θ。第四步,基于计算预测输出第五步,计算每个解Xi的适应度函数值f(Xi)。
首先,针对每一个Xi,从解集中随机选出一个Xj。
然后,进行解的更新操作,具体更新策略如上述公式(8)所示;
再次,根据步骤(7),计算Xi的适应度函数值f(Xi)。
最后,根据下式更新Xi的记忆Mi:
(10)确定最优的ANFIS逆向模型,并预测MR阻尼器控制信号和阻尼力:首先,利用优化得到的最优隶属函数参数和最优模糊规则参数构建ANFIS逆向模型。然后,基于给定的训练数据,利用该模型计算MR阻尼器的预测电压。最后,基于预测电压,利用MR阻尼器的正向模型计算预测阻尼力。
在本实施例中,分别令改进的乌鸦搜索算法的种群大小N=120、迭代次数K=150、感知率AP=0.1、飞行长度FL=2、变异操作概率MP=0.02。图4是改进前、后的ANFIS算法的训练误差的收敛曲线,图5是改进前、后的ANFIS算法的检验误差的收敛曲线。由这两个图可见,改进的ANFIS算法的收敛精度明显高于原始ANFIS算法。从迭代次数的角度而言,前者的收敛速度也快于后者。可见,改进的乌鸦搜索算法在很大程度上克服了梯度下降法容易陷入局部最优解的缺陷。图6是由最优隶属函数参数形成的隶属函数。图7是检验数据的目标电压和预测电压的时程图,可见预测电压和目标电压的时程图非常吻合。图8是检验数据的预测阻尼力和目标阻尼力的时程图。由图可见,这两个阻尼力的时程图非常吻合,表明根据该逆向模型得到的预测阻尼力可以精确地跟踪目标阻尼力。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种改进的磁流变阻尼器逆向建模方法,其特征在于:包括以下步骤:
步骤S1:确定ANFIS的结构,并准备训练数据;
步骤S2:利用基于现象模型的磁流变阻尼器正向模型计算阻尼力,并将阻尼器的位移、速度和阻尼力作为ANFIS的输入;
步骤S3:为了提高解的质量和搜索效率,对乌鸦搜索算法进行改进;
步骤S3具体为,在原始算法的基础上,对乌鸦搜索算法作了如下两点改进:
一、为了进一步增加种群的多样性,从而防止搜索陷入局部最优解,在算法中引入变异操作;随机选取若干个连续编码进行倒序;
二、为防止算法产生大量无效解,在更新过程中实时判断解的可行性;
所述改进的乌鸦搜索算法的求解迭代策略具体如下所示:
该求解迭代策略的原则是:乌鸦欲去往它的食物藏匿处;当 时,乌鸦没
有意识到自己被乌鸦i跟踪,于是乌鸦i将成功地趋近;然后判断新产生的的每个编
码是否在规定数值范围内,如果否,则令该编码保持原值;当时,乌鸦意识到
被跟踪,于是它将引导乌鸦i飞往其它任意方向,从而可以保护其食物不被窃取;当
时,则将发生反转变异;
步骤S4具体包括以下步骤:
步骤S41:将ANFIS参数变量的选择问题转化为基于改进的乌鸦搜索算法的优化问题;
步骤S42:利用改进的乌鸦搜索算法和最小二乘法相结合的混合训练算法优化ANFIS的隶属函数参数和模糊规则参数,并不断进行迭代,直至满足预设的收敛条件,得到最优的ANFIS逆向模型;
2.根据权利要求1所述的一种改进的磁流变阻尼器逆向建模方法,其特征在于:步骤S1中,确定ANFIS的结构具体为:选择ANFIS的输入参量及其数量、输入参量的隶属函数的类型及其数量,从而确定待优化的隶属函数参数和模糊规则参数的数量;其中,每个输入参量的隶属函数的类型为钟型,为了避免由于训练时间大幅增加而导致的计算失效,每个输入参量的隶属函数的数量为3。
3.根据权利要求1所述的一种改进的磁流变阻尼器逆向建模方法,其特征在于:步骤S1中,准备训练数据具体为:以Matlab的Simulink为平台,采用具有特定幅值和频率的限宽高斯白噪声信号生成位移信号和目标控制电压,并通过对位移信号进行差分获得速度信号;为了对高斯白噪声信号进行降噪,同时为了防止由于速度突变而导致的模型错误,采用包括数字Butterworth低通滤波器、比例放大器以及饱和器在内的工具对信号进行数据预处理。
6.根据权利要求1所述的一种改进的磁流变阻尼器逆向建模方法,其特征在于:第二点改进具体为:为了保证解的有效性并提高搜索效率,需要在生成新的解时,判断其是否有编码超出预定的取值范围,如果是,则令该编码保持原值,否则采用新的编码值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069597.8A CN109800517B (zh) | 2019-01-24 | 2019-01-24 | 一种改进的磁流变阻尼器逆向建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910069597.8A CN109800517B (zh) | 2019-01-24 | 2019-01-24 | 一种改进的磁流变阻尼器逆向建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800517A CN109800517A (zh) | 2019-05-24 |
CN109800517B true CN109800517B (zh) | 2022-05-13 |
Family
ID=66560441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910069597.8A Active CN109800517B (zh) | 2019-01-24 | 2019-01-24 | 一种改进的磁流变阻尼器逆向建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800517B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750858B (zh) * | 2019-09-10 | 2020-07-21 | 太原理工大学 | 一种基于ecsa的高斯过程回归的4-np还原催化剂建模预测方法 |
CN112307559B (zh) * | 2020-10-23 | 2022-09-13 | 西北工业大学 | 一种基于改进乌鸦算法的auv外形优化方法 |
CN115510593B (zh) * | 2022-11-02 | 2023-06-30 | 中南大学 | 一种基于lstm的mr阻尼器逆向映射模型计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373011A (zh) * | 2008-10-22 | 2009-02-25 | 南京林业大学 | 磁流变减振器复合多项式模型及模型建立方法 |
CN103809458A (zh) * | 2014-03-04 | 2014-05-21 | 福州大学 | 一种基于改进蛙跳算法的磁流变阻尼控制方法 |
CN103810337A (zh) * | 2014-02-11 | 2014-05-21 | 上海电力学院 | 一种新型的磁流变阻尼器的建模方法 |
CN109190023A (zh) * | 2018-08-15 | 2019-01-11 | 深圳信息职业技术学院 | 协同推荐的方法、装置及终端设备 |
-
2019
- 2019-01-24 CN CN201910069597.8A patent/CN109800517B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373011A (zh) * | 2008-10-22 | 2009-02-25 | 南京林业大学 | 磁流变减振器复合多项式模型及模型建立方法 |
CN103810337A (zh) * | 2014-02-11 | 2014-05-21 | 上海电力学院 | 一种新型的磁流变阻尼器的建模方法 |
CN103809458A (zh) * | 2014-03-04 | 2014-05-21 | 福州大学 | 一种基于改进蛙跳算法的磁流变阻尼控制方法 |
CN109190023A (zh) * | 2018-08-15 | 2019-01-11 | 深圳信息职业技术学院 | 协同推荐的方法、装置及终端设备 |
Non-Patent Citations (2)
Title |
---|
Modeling of Magnetorheological Damper Using ANFIS;Xiaoying Xu 等;《 2017 29th Chinese Control And Decision Conference》;20170717;第2133-2138页 * |
Optimal inverse magnetorheological damper modeling using shuffled frog-leaping algorithm–based adaptive neuro-fuzzy inference system approach;Xiufang Lin 等;《Advances in Mechanical Engineering》;20160831;第8卷(第8期);第1-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109800517A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN109725537B (zh) | 一种改进的线性最优半主动控制方法 | |
CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
CN105981025A (zh) | 基于序列递归滤波三维变分的实测海洋环境数据同化方法 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN109598381B (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
KR20190018885A (ko) | 중첩 신경망을 프루닝하는 방법 및 장치 | |
CN108594793A (zh) | 一种改进的rbf飞控系统故障诊断网络训练方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN111624522A (zh) | 基于蚁群优化rbf神经网络控制变压器故障诊断方法 | |
CN110543978A (zh) | 基于小波神经网络的交通流数据预测方法和装置 | |
CN114511021A (zh) | 基于改进乌鸦搜索算法的极限学习机分类算法 | |
CN112784140A (zh) | 一种高能效神经网络架构的搜索方法 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN111597753B (zh) | 数据深度变化特征自适应的二维电阻率反演方法及系统 | |
Azari et al. | Radial forging force prediction through MR, ANN, and ANFIS models | |
Göktepe et al. | Comparison of multilayer perceptron and adaptive neuro-fuzzy system on backcalculating the mechanical properties of flexible pavements | |
CN110852440B (zh) | 一种基于动态模糊神经网络的海洋锋预测方法 | |
CN109657800A (zh) | 基于参数噪声的强化学习模型优化方法及装置 | |
CN115169218A (zh) | 基于深度置信网络的齿轮振动噪声预估方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Zhang et al. | Improved social emotion optimization algorithm for short-term traffic flow forecasting based on back-propagation neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240205 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: 200 xiyuangong Road, Shangjie Town, Minhou County, Fuzhou City, Fujian Province Patentee before: MINJIANG University Country or region before: China |