CN115407666A - 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质 - Google Patents

基于lstm逆向模型的半主动控制方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN115407666A
CN115407666A CN202211362132.XA CN202211362132A CN115407666A CN 115407666 A CN115407666 A CN 115407666A CN 202211362132 A CN202211362132 A CN 202211362132A CN 115407666 A CN115407666 A CN 115407666A
Authority
CN
China
Prior art keywords
damper
cable
lstm
semi
active control
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.)
Granted
Application number
CN202211362132.XA
Other languages
English (en)
Other versions
CN115407666B (zh
Inventor
吴腾
李志鹏
向星宇
贺耀北
白洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211362132.XA priority Critical patent/CN115407666B/zh
Publication of CN115407666A publication Critical patent/CN115407666A/zh
Application granted granted Critical
Publication of CN115407666B publication Critical patent/CN115407666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Bridges Or Land Bridges (AREA)

Abstract

本发明涉及斜拉桥的拉索振动控制技术领域，公开了一种基于LSTM逆向模型的半主动控制方法、装置、设备和存储介质，其中，方法包括：获取t时刻斜拉桥拉索的响应；将活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture，并输入预设的模型，得到输入电流；将输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre，并作用在拉索‑阻尼器连接处，使t=t+1，返回获取t时刻斜拉桥拉索的响应的步骤。本发明提供的方法、装置、设备和存储介质，可用于MR阻尼器的LSTM逆模型半主动控制，实现对MR阻尼器的实时、精准控制，减轻斜拉索的振动。

Description

基于LSTM逆向模型的半主动控制方法、装置、设备和存储介质
技术领域
本发明涉及斜拉桥的拉索振动控制技术领域，特别涉及一种基于LSTM逆向模型的半主动控制方法、装置、设备和存储介质。
背景技术
斜拉桥作为中、大跨桥梁中最具竞争力的桥型之一，其跨径随着现代桥梁设计理论及建筑材料的发展不断增大。拉索作为斜拉桥的主要受力结构之一，其长度也随着桥梁跨径日益增长，导致刚度、阻尼比随着长细比的增大逐渐降低。拉索在外荷载激励下更容易发生大幅振动，严重危害桥梁结构的安全。
细长拉索在外荷载（主要是风荷载）作用下的振动机理相当复杂，如何控制拉索振动是众多学者关注的重点问题。随着桥梁跨径的增大，传统的控制装置及措施难以满足大跨斜拉桥的设计需求。智能材料和现代控制理论的出现为拉索的减振提供了新的思路。MR（Magneto Rheological，磁流变）阻尼器是一种基于新型流变材料的智能减振装置，它不仅具备被动控制装置的可靠性，还兼具主动控制装置的强适应性，在拉索减振领域具有巨大的发展潜力。
然而，MR 阻尼器复杂的非线性关系及其独特的滞回特性，导致使用该类作动器的控制装置难以找到配套使用的控制器，无法实现 MR 阻尼器的精确控制。
发明内容
本发明提供了一种基于LSTM逆向模型的半主动控制方法、装置、设备和存储介质，可用于MR阻尼器的LSTM 逆模型半主动控制，实现对MR阻尼器的实时、精准控制，减轻斜拉索的振动。
本发明提供了一种基于LSTM逆向模型的半主动控制方法，包括：
获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
进一步地，所述MR阻尼器产生与活塞杆运动方向相反的阻抗力，所述MR阻尼器在xoy平面内产生阻尼力的方向不变，为：
Figure 444512DEST_PATH_IMAGE001
，其中，
Figure 991031DEST_PATH_IMAGE002
为所述MR阻尼器在y方向产生的阻尼力，
Figure 39889DEST_PATH_IMAGE003
为所述MR阻尼器在x方向产生的阻尼力，
Figure 253833DEST_PATH_IMAGE004
为不考虑垂度时拉索与水平面的夹角。
进一步地，所述预设的算法，包括：
确定结构系统在外部环境干扰以及主动控制力作用下的运动方程为：
Figure 752947DEST_PATH_IMAGE005
，且
Figure 583500DEST_PATH_IMAGE006
，
Figure 200164DEST_PATH_IMAGE007
，其中，M、C、K分别为拉索的n维质量矩阵、阻尼矩阵、刚度矩阵
Figure 127669DEST_PATH_IMAGE008
为阻尼器的位置列阵，E为外加荷载的位置矩阵，
Figure 673051DEST_PATH_IMAGE009
、
Figure 522058DEST_PATH_IMAGE010
分别为阻尼器控制力向量和外部荷载向量；
将所述运动方程转换为空间方程，得到：
Figure 771774DEST_PATH_IMAGE012
，
Figure 163572DEST_PATH_IMAGE013
，
Figure 270068DEST_PATH_IMAGE014
；
确定结构系统的二次性能泛函为：
Figure 481738DEST_PATH_IMAGE015
，其中，
Figure 269565DEST_PATH_IMAGE016
为半正定矩阵，
Figure 906083DEST_PATH_IMAGE017
为正定矩阵；
在无限的时间区间
Figure 285943DEST_PATH_IMAGE018
内得到最优控制量
Figure 578384DEST_PATH_IMAGE019
，即求解满足约束条件的
Figure 701061DEST_PATH_IMAGE019
值，使得系统性能泛函J取到极小值；其中，所述
Figure 333031DEST_PATH_IMAGE019
为最优控制力Fture。
进一步地，所述预设的基于LSTM的MR阻尼器的逆向映射模型包括：
输入层、输出层和多个隐藏层，每个隐藏层包括多个网络单元，每个网络单元包括输入门、遗忘门、输出门和单元状态，在单元状态更新过程中，所述输出层还连接一个单层全连接神经网络用于输出特征；
所述全连接神经网络以Relu函数作为激活函数，隐藏层的激活函数为tanh函数，所述逆向映射模型反向传播优化算法采用Adam算法，所述逆向映射模型超参数采用PSO（Particle Swarm Optimization，粒子群优化算法）算法进行优化；MR阻尼器正常工作情况下，所述输入层用于输入活塞的位移、速度和控制力，输出层用于输出控制电流值，并采用均方根误差函数作为网络训练的损失函数。
本发明还提供了一种基于LSTM逆向模型的半主动控制装置，包括：
获取模块，用于获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
计算模块，用于将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
输入模块，用于将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
发送模块，用于将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
返回模块，用于将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明的有益效果为：
本发明采用基于LSTM 的MR 阻尼器逆向模型，完成半主动控制过程中从最优控制力到输入电流信号的逆向映射，使MR 阻尼器所产生的阻尼力尽可能的逼近最优控制力，从而实现拉索的全状态控制，减轻斜拉索的振动。半主动控制不存在对外部大功率能源的依赖性，能耗很小稳定性极强，满足大多数结构在种工况下的减振需求。
附图说明
图1为本发明一实施例的方法流程示意图；
图2为本发明中均布正弦荷载作用下拉索跨中点位移时程曲线图；
图3为本发明中均布高斯白噪声随机荷载作用下拉索跨中点位移时程曲线图；
图4为本发明中准运动水线风雨激振跨中点位移时程曲线图；
图5为本发明中运动水线风雨激振拉索跨中点位移时程曲线图；
图6为本发明一实施例的装置结构示意图；
图7为本发明一实施例的计算机设备内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
由于大跨斜拉桥的拉索在动力荷载作用下极易发生大幅的振动，而MR阻尼器的独特优势使其能够在拉索的振动控制中发挥很好的效果。但由于磁流变阻尼器的运动机理不够明确、控制策略不够完善，因此探寻更加高效的振动控制措施非常有必要。本发明提出一种作为控制器的半主动控制策略，用LSTM（Long short-term memory，长短期记忆）神经网络建立的MR阻尼器的逆向模型将作为控制系统的控制器，将LQR（Linear QuadraticRegulator，线性二次型）最优控制算法算出的最优控制力转化为输入电流信号，实现拉索的振动控制。
MR减振装置的优势明显，但其高度非线性会给控制器的设计带来很大的不确定性。本发明使用基于LSTM的MR阻尼器逆向模型，完成半主动控制过程中从最优控制力到输入电流信号的逆向映射任务，使MR阻尼器所产生的阻尼力尽可能的逼近最优控制力，从而实现拉索的全状态控制，如图1所示，本发明提供了一种基于LSTM逆向模型的半主动控制方法，包括：
S1、获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
S2、将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
所述预设的算法，包括：
确定结构系统在外部环境干扰以及主动控制力作用下的运动方程为：
Figure 515751DEST_PATH_IMAGE005
，且
Figure 29908DEST_PATH_IMAGE006
，
Figure 97222DEST_PATH_IMAGE007
，其中，M、C、K分别为拉索的n维质量矩阵、阻尼矩阵、刚度矩阵，
Figure 442752DEST_PATH_IMAGE008
为阻尼器的位置列阵，E为外加荷载的位置矩阵，
Figure 671739DEST_PATH_IMAGE009
、
Figure 673194DEST_PATH_IMAGE010
分别为阻尼器控制力向量和外部荷载向量；
将所述运动方程转换为空间方程，得到：
Figure 668831DEST_PATH_IMAGE020
，
Figure 242770DEST_PATH_IMAGE013
，
Figure 970554DEST_PATH_IMAGE014
；
确定结构系统的二次性能泛函为：
Figure 256042DEST_PATH_IMAGE015
，其中，
Figure 930737DEST_PATH_IMAGE016
为半正定矩阵，
Figure 985281DEST_PATH_IMAGE017
为正定矩阵；
在无限的时间区间
Figure 883967DEST_PATH_IMAGE018
内得到最优控制量
Figure 797696DEST_PATH_IMAGE019
，即求解满足约束条件的
Figure 869557DEST_PATH_IMAGE019
值，使得系统性能泛函J取到极小值；其中，所述
Figure 981870DEST_PATH_IMAGE019
为最优控制力Fture。
当系统因外荷载等原因偏离平衡状态时，状态控制算法能够在尽可能少消耗能量的情况下，使系统的状态趋于零状态。即在无限的时间区间
Figure 989140DEST_PATH_IMAGE018
内得到最优控制量
Figure 249220DEST_PATH_IMAGE019
，让系统从非平衡状态
Figure 328035DEST_PATH_IMAGE021
尽快修正到零状态附近，并尽可能的保证不过度消耗能源。
求解满足约束条件的
Figure 465493DEST_PATH_IMAGE019
值，使得系统性能泛函J取到极小值；其中，所述
Figure 33877DEST_PATH_IMAGE019
为最优控制力Fture。
引入Lagrange函数解决泛函的极小值求解问题：
Figure 391040DEST_PATH_IMAGE022
通过变分法求解上述状态控制方程的最优问题，将公式（1）变形为：
Figure 7967DEST_PATH_IMAGE023
Figure 891609DEST_PATH_IMAGE024
令
Figure 506261DEST_PATH_IMAGE025
、
Figure 678616DEST_PATH_IMAGE026
、
Figure 895971DEST_PATH_IMAGE027
分别为
Figure 509486DEST_PATH_IMAGE028
、
Figure 419673DEST_PATH_IMAGE019
、
Figure 79325DEST_PATH_IMAGE029
的变分形式，其引起的泛函增量记为
Figure 208693DEST_PATH_IMAGE030
、
Figure 332506DEST_PATH_IMAGE031
、
Figure 757803DEST_PATH_IMAGE032
，只考虑一阶微量，得到泛函关于各函数变量的偏导数公式为：
Figure 904750DEST_PATH_IMAGE033
Figure 463907DEST_PATH_IMAGE034
Figure 317594DEST_PATH_IMAGE035
Figure 507267DEST_PATH_IMAGE036
Figure 672669DEST_PATH_IMAGE037
是泛函L取极小值的必要条件，考虑到
Figure 352961DEST_PATH_IMAGE025
、
Figure 389050DEST_PATH_IMAGE026
、
Figure 546362DEST_PATH_IMAGE027
具有任意性，使
Figure 340006DEST_PATH_IMAGE037
，需满足：
Figure 240966DEST_PATH_IMAGE038
Figure 131561DEST_PATH_IMAGE039
Figure 131878DEST_PATH_IMAGE040
Figure 147239DEST_PATH_IMAGE041
边界条件已知：
Figure 789573DEST_PATH_IMAGE042
，
Figure 331412DEST_PATH_IMAGE043
，
Figure 470008DEST_PATH_IMAGE044
，将公式（1）代入公式（8），得到系统状态方程，即运动方程：
Figure 97298DEST_PATH_IMAGE045
。
将泛函变分公式（1）代入公式（7），得到：
Figure 543323DEST_PATH_IMAGE046
其中R为正定矩阵，最优控制输入
Figure 80615DEST_PATH_IMAGE019
表示为：
Figure 750630DEST_PATH_IMAGE047
根据公式（1）和公式（6），得到
Figure 380064DEST_PATH_IMAGE048
的关系式：
Figure 301883DEST_PATH_IMAGE049
公式（11）显示
Figure 818315DEST_PATH_IMAGE019
为关于
Figure 269019DEST_PATH_IMAGE050
的线性函数，为了能用状态反馈向量
Figure 136481DEST_PATH_IMAGE051
直接表示最优控制向量
Figure 596412DEST_PATH_IMAGE019
，假设
Figure 872411DEST_PATH_IMAGE050
与
Figure 884229DEST_PATH_IMAGE052
之间存在以下线性关系：
Figure 848774DEST_PATH_IMAGE053
其中，
Figure 174713DEST_PATH_IMAGE054
，将公式（13）代入公式（11）得到：
Figure 669933DEST_PATH_IMAGE055
简化为
Figure 931282DEST_PATH_IMAGE056
，式中G为最优状态反馈增益矩阵，将公式（13）以及状态方程代入公式（12），消去
Figure 412816DEST_PATH_IMAGE050
和
Figure 339184DEST_PATH_IMAGE019
并简化后，得到：
Figure 560081DEST_PATH_IMAGE057
当t→∞时，系统状态无线接近于零，由
Figure 913702DEST_PATH_IMAGE044
和公式（13）得到：
Figure 915156DEST_PATH_IMAGE058
，
Figure 520581DEST_PATH_IMAGE059
为Riccati矩阵，根据Q、R的对称性可知和解的为一定，
Figure 501044DEST_PATH_IMAGE060
和
Figure 25566DEST_PATH_IMAGE059
均满足公式（16）所示的边界条件，且均为公式（15）的解，因此，
Figure 186420DEST_PATH_IMAGE061
，
Figure 297333DEST_PATH_IMAGE059
为对称矩阵。
S3、将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
所述预设的基于LSTM的MR阻尼器的逆向映射模型包括：
输入层、输出层和多个隐藏层，每个隐藏层包括多个网络单元，每个网络单元包括输入门、遗忘门、输出门和单元状态，在单元状态更新过程中，所述输出层还连接一个单层全连接神经网络用于输出特征；在单元状态更新过程中，输入门：控制当前时刻的输入信息保存到当前时刻单元状态中的占比；遗忘门：控制上一时刻的单元状态保留到当前时刻单元状态中的占比；输出门：控制当前的单元状态有多少能够作为当前的输出值。
所述全连接神经网络以Relu函数作为激活函数，隐藏层的激活函数为tanh函数，所述逆向映射模型反向传播优化算法采用Adam算法，所述逆向映射模型超参数采用PSO算法进行优化；MR阻尼器正常工作情况下，所述输入层用于输入活塞的位移、速度和控制力，输出层用于输出控制电流值，并采用均方根误差函数作为网络训练的损失函数。
从网络单一时间步的剖面上看，数据在LSTM网络中的处理流程与在全连接神经网络中相似。不同的是，将LSTM网络结构沿着时间轴展开，其t-1时刻隐藏层的信息Ht-1、Ct-1会以记忆的形式传递到t时刻，使多个时间步上的信息能够共享，保证了时间序列信息的高效利用。
基于“MR阻尼器LSTM逆向模型”的优势在于：
1、神经网络本质上是一个强非线性拟合工具，理论上只要有足够的可用数据集，能以任意精度逼近目标系统，非常适合用于非线性系统的重构；
2、除此之外，如MR阻尼器这类高度非线性系统的精确数学模型非常复杂，建立起来相当困难，并且解方程非常耗时，难以满足系统控制的时效性要求。而经过适当训练后的网络模型映射速度快，且具有较好的泛化性以及建模的便捷性，避免了方程建立的困难，能够满足控制系统的要求。
3、神经网络具有较好的泛化性，经过适当训练的神经网络在一定程度上可以推断出训练数据范围之外的数据关系；
4、神经网络模型具有一定的鲁棒性，在噪声的过滤方面具有较好的表现。
S4、将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
S5、将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
主动控制中的作动器可以产生任意控制力，因此主动控制可以理解为控制效果的上限；而MR阻尼器不同于主动控制中的作动器， 它并不能主动产生控制力，只能通过阻碍结构运动起到消耗振动能量的作用，即只能产生与活塞杆运动方向相反的阻抗力，半主动控制器的输出限制为：
Figure 351877DEST_PATH_IMAGE062
除此之外，由于MR阻尼器一般安装在靠近拉索下锚固点附近，活塞杆与拉索连接点的位移很小，对阻尼器空间位置的影响可以忽略不计。因此，在计算过程中，所述MR阻尼器在xoy平面内产生阻尼力的方向不变，为：
Figure 188246DEST_PATH_IMAGE063
，其中，
Figure 234132DEST_PATH_IMAGE002
为所述MR阻尼器在y方向产生的阻尼力，
Figure 243676DEST_PATH_IMAGE003
为所述MR阻尼器在x方向产生的阻尼力，
Figure 401994DEST_PATH_IMAGE004
为不考虑垂度时拉索与水平面的夹角。
以南京长江二桥A20号拉索为工程背景，建立斜拉索的动力学模型，并考虑拉索在四种荷载工况下的响应，包括：均布正弦荷载、均布高斯白噪声随机荷载、令水线作正弦运动的准运动水线风雨荷载、考虑水线和拉索之间相互作用力的运动水线风雨荷载，并通过python编程求解。
如图2所示，工况1：均布正弦荷载
图2显示了拉索在不同控制策略下的位移时程曲线，其中，曲线图从横向中心向上分为1、2、3、4区域，从横向中心向下分为5、6、7、8区域，主动控制为1、5区域，即正中心区域，半主动控制为2、6区域，被动阻尼为3、7区域，无控为4、8区域。从计算结果可以看出，基于LSTM网络模型的半主动控制在减振效果上优于被动阻尼器，控制率更接近主动控制，对均布正弦荷载所激励的拉索振动能起到有效的控制。
如图3所示，工况2：高斯白噪声随机荷载
从图3中的信息可以看出，LSTM半主动控制减振性能优于被动控制，减振效率能够达到主动控制的84%，无论是能耗还是减振效率，都更加接近最优控制算法算出的控制策略（即主动控制）。
如图4所示，工况3：准运动水线假设下的拉索风雨激振
图4为风速=10m/s，准运动水线风雨激振跨中点位移时程曲线图，其中，曲线图从横向中心向上分为1、2、3、4区域，从横向中心向下分为5、6、7、8区域，主动控制为1、5区域，即正中心区域，半主动控制为2、6区域，被动阻尼为3、7区域，无控为4、8区域，图4显示了LSTM半主动控制与被动阻尼器控制策略、主动控制策略的减振效果对比，减振效果的对比几乎与高斯白噪声荷载下一致。虽然准运动水线风雨激振是通过假设水线的运动轨迹来获取拉索在风雨荷载下的响应，并不能完全反映拉索风雨激振的真实情况，但是这种危险工况的减振效果，同时也能检验出控制策略的有效性以及普适性。
如图5所示，工况4：运动水线拉索风雨激振，显示了运动水线风雨激振拉索跨中点位移时程曲线图。
从上述四个工况的计算结果可以看出，基于磁流变阻尼器的神经网络半主动控制策略的控制减振效果在多种工况下都优于被动阻尼控制策略，尤其是跨中点的速度方面。LSTM半主动控制的控制效率与主动控制的效率非常接近，输出控制力能够逼近最优控制算法所算出的最优控制力，能量利用率高，具有高效性以及普适性，无论是以拉索的前四阶模态振动为主的风雨激振，还是能够引发更高阶模态的随机荷载振动，以LSTM模型建立的MR阻尼器逆向模型为控制器的半主动控制系统都能起到很好的减振效果。
如图6所示，本发明还提供了一种基于LSTM逆向模型的半主动控制装置，包括：
获取模块1，用于获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
计算模块2，用于将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
输入模块3，用于将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
发送模块4，用于将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
返回模块5，用于将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
在一个实施例中，所述MR阻尼器产生与活塞杆运动方向相反的阻抗力，所述MR阻尼器在xoy平面内产生阻尼力的方向不变，为：
Figure 268319DEST_PATH_IMAGE064
，其中，
Figure 721209DEST_PATH_IMAGE002
为所述MR阻尼器在y方向产生的阻尼力，
Figure 3286DEST_PATH_IMAGE003
为所述MR阻尼器在x方向产生的阻尼力，
Figure 32422DEST_PATH_IMAGE004
为不考虑垂度时拉索与水平面的夹角。
在一个实施例中，所述预设的算法，包括：
确定结构系统在外部环境干扰以及主动控制力作用下的运动方程为：
Figure 210593DEST_PATH_IMAGE005
，且
Figure 364494DEST_PATH_IMAGE006
，
Figure 152059DEST_PATH_IMAGE007
，其中，M、C、K分别为拉索的n维质量矩阵、阻尼矩阵、刚度矩阵，
Figure 707805DEST_PATH_IMAGE008
为阻尼器的位置列阵，E为外加荷载的位置矩阵，
Figure 384774DEST_PATH_IMAGE009
、
Figure 931031DEST_PATH_IMAGE010
分别为阻尼器控制力向量和外部荷载向量；
将所述运动方程转换为空间方程，得到：
Figure 758173DEST_PATH_IMAGE065
，
Figure 965163DEST_PATH_IMAGE013
，
Figure 281875DEST_PATH_IMAGE014
；
确定结构系统的二次性能泛函为：
Figure 472685DEST_PATH_IMAGE015
，其中，
Figure 369097DEST_PATH_IMAGE016
为半正定矩阵，
Figure 961752DEST_PATH_IMAGE017
为正定矩阵；
在无限的时间区间
Figure 980524DEST_PATH_IMAGE018
内得到最优控制量
Figure 721664DEST_PATH_IMAGE019
，即求解满足约束条件的
Figure 451460DEST_PATH_IMAGE019
值，使得系统性能泛函J取到极小值；其中，所述
Figure 773988DEST_PATH_IMAGE019
为最优控制力Fture。
在一个实施例中，所述预设的基于LSTM的MR阻尼器的逆向映射模型包括：
输入层、输出层和多个隐藏层，每个隐藏层包括多个网络单元，每个网络单元包括输入门、遗忘门、输出门和单元状态，在单元状态更新过程中，所述输出层还连接一个单层全连接神经网络用于输出特征；
所述全连接神经网络以Relu函数作为激活函数，隐藏层的激活函数为tanh函数，所述逆向映射模型反向传播优化算法采用Adam算法，所述逆向映射模型超参数采用PSO算法进行优化；MR阻尼器正常工作情况下，所述输入层用于输入活塞的位移、速度和控制力，输出层用于输出控制电流值，并采用均方根误差函数作为网络训练的损失函数。
上述各模块均是用于对应执行上述基于LSTM逆向模型的半主动控制方法中的各个步骤，其具体实现方式参照上述方法实施例所述，在此不再进行赘述。
如图7所示，本发明还提供了一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于LSTM逆向模型的半主动控制方法的过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于LSTM逆向模型的半主动控制方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任意一个基于LSTM逆向模型的半主动控制方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储与一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种基于LSTM逆向模型的半主动控制方法，其特征在于，包括：
获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
2.根据权利要求1所述的基于LSTM逆向模型的半主动控制方法，其特征在于，所述MR阻尼器产生与活塞杆运动方向相反的阻抗力，所述MR阻尼器在xoy平面内产生阻尼力的方向不变，为：
Figure 506713DEST_PATH_IMAGE001
，其中，
Figure 737974DEST_PATH_IMAGE002
为所述MR阻尼器在y方向产生的阻尼力，
Figure 263765DEST_PATH_IMAGE003
为所述MR阻尼器在x方向产生的阻尼力，
Figure 719017DEST_PATH_IMAGE004
为不考虑垂度时拉索与水平面的夹角。
3.根据权利要求1所述的基于LSTM逆向模型的半主动控制方法，其特征在于，所述预设的算法，包括：
确定结构系统在外部环境干扰以及主动控制力作用下的运动方程为：
Figure 87681DEST_PATH_IMAGE005
，且
Figure 247267DEST_PATH_IMAGE006
，
Figure 752198DEST_PATH_IMAGE007
，其中，M、C、K分别为拉索的n维质量矩阵、阻尼矩阵、刚度矩阵，
Figure 955515DEST_PATH_IMAGE008
为阻尼器的位置列阵，E为外加荷载的位置矩阵，
Figure 608213DEST_PATH_IMAGE009
、
Figure 587802DEST_PATH_IMAGE010
分别为阻尼器控制力向量和外部荷载向量；
将所述运动方程转换为空间方程，得到：
Figure 743977DEST_PATH_IMAGE011
，
Figure 9873DEST_PATH_IMAGE012
；
确定结构系统的二次性能泛函为：
Figure 212184DEST_PATH_IMAGE013
，其中，
Figure 588939DEST_PATH_IMAGE014
为半正定矩阵，
Figure 448222DEST_PATH_IMAGE015
为正定矩阵；
在无限的时间区间
Figure 681758DEST_PATH_IMAGE016
内得到最优控制量
Figure 840206DEST_PATH_IMAGE017
，即求解满足约束条件的
Figure 20652DEST_PATH_IMAGE017
值，使得系统性能泛函J取到极小值；其中，所述
Figure 964468DEST_PATH_IMAGE017
为最优控制力Fture。
4.根据权利要求1所述的基于LSTM逆向模型的半主动控制方法，其特征在于，所述预设的基于LSTM的MR阻尼器的逆向映射模型包括：
输入层、输出层和多个隐藏层，每个隐藏层包括多个网络单元，每个网络单元包括输入门、遗忘门、输出门和单元状态，在单元状态更新过程中，所述输出层还连接一个单层全连接神经网络用于输出特征；
所述全连接神经网络以Relu函数作为激活函数，隐藏层的激活函数为tanh函数，所述逆向映射模型反向传播优化算法采用Adam算法，所述逆向映射模型超参数采用PSO算法进行优化；MR阻尼器正常工作情况下，所述输入层用于输入活塞的位移、速度和控制力，输出层用于输出控制电流值，并采用均方根误差函数作为网络训练的损失函数。
5.一种基于LSTM逆向模型的半主动控制装置，其特征在于，包括：
获取模块，用于获取t时刻斜拉桥拉索的响应；其中，所述响应为活塞杆的速度和位移；
计算模块，用于将所述活塞杆的速度和位移输入预设的算法进行计算，得到最优控制力Fture；
输入模块，用于将所述最优控制力Fture输入预设的基于LSTM的MR阻尼器的逆向映射模型，得到MR阻尼器的输入电流；
发送模块，用于将所述输入电流和t时刻活塞杆的速度、位移发送至MR阻尼器，以输出阻尼力Fpre；
返回模块，用于将所述阻尼力Fpre作用在拉索-阻尼器连接处，并使t=t+1，返回所述获取t时刻斜拉桥拉索的响应的步骤。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202211362132.XA 2022-11-02 2022-11-02 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质 Active CN115407666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211362132.XA CN115407666B (zh) 2022-11-02 2022-11-02 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211362132.XA CN115407666B (zh) 2022-11-02 2022-11-02 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN115407666A true CN115407666A (zh) 2022-11-29
CN115407666B CN115407666B (zh) 2023-01-24

Family

ID=84169374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211362132.XA Active CN115407666B (zh) 2022-11-02 2022-11-02 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN115407666B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240326A1 (en) * 2004-04-27 2005-10-27 Tenneco Automotive Operating Company, Inc. Model free semi-active vehicle suspension system
US20060272912A1 (en) * 2005-03-21 2006-12-07 Chunsheng Cai Cable vibration control with a TMD-MR damper system
CN109725537A (zh) * 2019-01-24 2019-05-07 闽江学院 一种改进的线性最优半主动控制方法
CN110704905A (zh) * 2019-09-16 2020-01-17 东南大学 一种斜拉索多阶模态振动控制的黏滞阻尼器优化设计方法
CN112555342A (zh) * 2020-11-26 2021-03-26 重庆大学 磁流变阻尼器期望阻尼力的实现装置及方法
CN113250071A (zh) * 2021-07-06 2021-08-13 中铁大桥科学研究院有限公司 一种超大桥梁mr阻尼器自动激发装置和方法
CN113468635A (zh) * 2021-06-08 2021-10-01 桂林理工大学 一种基于振动信号和循环神经网络的斜拉索索力识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050240326A1 (en) * 2004-04-27 2005-10-27 Tenneco Automotive Operating Company, Inc. Model free semi-active vehicle suspension system
US20060272912A1 (en) * 2005-03-21 2006-12-07 Chunsheng Cai Cable vibration control with a TMD-MR damper system
CN109725537A (zh) * 2019-01-24 2019-05-07 闽江学院 一种改进的线性最优半主动控制方法
CN110704905A (zh) * 2019-09-16 2020-01-17 东南大学 一种斜拉索多阶模态振动控制的黏滞阻尼器优化设计方法
CN112555342A (zh) * 2020-11-26 2021-03-26 重庆大学 磁流变阻尼器期望阻尼力的实现装置及方法
CN113468635A (zh) * 2021-06-08 2021-10-01 桂林理工大学 一种基于振动信号和循环神经网络的斜拉索索力识别方法
CN113250071A (zh) * 2021-07-06 2021-08-13 中铁大桥科学研究院有限公司 一种超大桥梁mr阻尼器自动激发装置和方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
NIVETHITHA SOMU: "A hybrid deep transfer learning strategy for thermal comfort prediction in buildings", 《BUILDING AND ENVIRONMENT》 *
吴腾: "Nonlinear unsteady bridge aerodynamics: Reduced-order modeling based on deep LSTM networks", 《JOURNAL OF WIND ENGINEERING AND INDUSTRIAL AERODYNAMICS》 *
张博耀: "基于LSTM网络的某斜拉桥地震响应建模方法研究", 《中国优秀硕士毕业论文 工程科技Ⅱ辑》 *
李晋: "大空间张拉膜结构建筑的形态构造技巧", 《新建筑》 *

Also Published As

Publication number Publication date
CN115407666B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
Wani et al. A critical review on control strategies for structural vibration control
Zhang et al. Adaptive sway reduction for tower crane systems with varying cable lengths
Giua et al. Observer-controller design for cranes via Lyapunov equivalence
Li et al. Multi-level optimal design of buildings with active control under winds using genetic algorithms
Hou et al. A complementary modularized ramp metering approach based on iterative learning control and ALINEA
Kuhnen et al. Complex hysteresis modeling of a broad class of hysteretic actuator nonlinearities
Lin et al. Auxiliary predictive compensation-based ILC for variable pass lengths
Pezeshki et al. Control of overhead crane system using adaptive model-free and adaptive fuzzy sliding mode controllers
Zhang et al. Online reinforcement learning with passivity-based stabilizing term for real time overhead crane control without knowledge of the system model
CN113276114A (zh) 一种基于终端任务指派的可重构机械臂协同力/运动控制系统与方法
Miao et al. Artificial-neural-network-based optimal Smoother design for oscillation suppression control of underactuated overhead cranes with distributed mass beams
Zhang et al. Robust indirect adaptive control for a class of nonlinear systems and its application to shape memory alloy actuators
CN115407666B (zh) 基于lstm逆向模型的半主动控制方法、装置、设备和存储介质
Liang et al. Online learning compensation control of an electro-hydraulic shaking table using Echo State Networks
Li et al. Multi‐level design model and genetic algorithm for structural control system optimization
Wang et al. Optimized Bézier-curve-based command generation and robust inverse optimal control for attitude tracking of spacecraft
Kumar et al. An adaptive particle swarm optimization algorithm for robust trajectory tracking of a class of under actuated system
He et al. Energy-efficient control of a thruster-assisted position mooring system using neural Q-learning techniques
Yuan et al. Research on vibration reduction control based on reinforcement learning
Halabian et al. Optimal semi-active control of seismically excited MR-equipped nonlinear buildings using FLC and multi-objective NSGAII algorithms considering ground excitations
Lin et al. Optimal allocation and control of magnetorheological dampers for enhancing seismic performance of the adjacent structures using whale optimization algorithm
Zuo et al. Fast nonlinear model predictive control parallel design using QPSO and its applications on trajectory tracking of autonomous vehicles
Khedr et al. Developing control systems to improve motion tracking of electro-hydraulic systems subjected to external load
KUPWIWAT et al. Deep deterministic policy gradient and graph convolutional networks for topology optimization of braced steel frames
Zhao et al. Asynchronous filtering for delayed fuzzy jump systems subject to mixed passivity and H∞ performance

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