CN118090102A - 基于模糊神经网络的实时混合试验加载装置时滞补偿方法 - Google Patents

基于模糊神经网络的实时混合试验加载装置时滞补偿方法 Download PDF

Info

Publication number
CN118090102A
CN118090102A CN202410093233.4A CN202410093233A CN118090102A CN 118090102 A CN118090102 A CN 118090102A CN 202410093233 A CN202410093233 A CN 202410093233A CN 118090102 A CN118090102 A CN 118090102A
Authority
CN
China
Prior art keywords
time lag
time
lag compensation
current
neural network
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.)
Pending
Application number
CN202410093233.4A
Other languages
English (en)
Inventor
国巍
李金鸿
雷琪
汪铖
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.)
Changsha Deling Instrument Technology Co ltd
Central South University
Original Assignee
Changsha Deling Instrument Technology Co ltd
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 Changsha Deling Instrument Technology Co ltd, Central South University filed Critical Changsha Deling Instrument Technology Co ltd
Priority to CN202410093233.4A priority Critical patent/CN118090102A/zh
Publication of CN118090102A publication Critical patent/CN118090102A/zh
Pending legal-status Critical Current

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Feedback Control In General (AREA)

Abstract

本申请涉及振动台控制技术领域,尤其涉及一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法。该振动台的时滞补偿方法包括:获取当前时刻输入信息和当前时刻偏差信息;基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;基于时滞补偿算法对振动台进行时滞补偿。本申请将模糊神经网络与现有的APE算法相结合,提出一种新的技术方案。模糊神经网络实时估计系统时滞以及幅值超调系数,实现对不同频段信号的时滞补偿,提高参数估计的准确性,克服了高频信号的时滞补偿信号超调问题和时滞过补偿问题。提高了APE算法在实时混合试验中振动台时滞补偿的稳定性,改善了算法对高频信号复现时滞的补偿能力。

Description

基于模糊神经网络的实时混合试验加载装置时滞补偿方法
技术领域
本申请涉及振动台控制技术领域,尤其涉及一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法。
背景技术
实时混合试验(Real-Time Hybrid Simulation,RTHS)是土木领域常用的结构抗震测试方法。在RTHS中振动台用于模拟真实运行环境下的振动载荷,以评估结构或设备在实际工作条件下的可靠性和耐久性。振动台可以产生特定的振动频率和幅度,模拟实际过程中可能遇到的振动环境。通过这种方式,研究人员可以评估产品或设备在实际使用环境中的性能表现。因此,试验过程中振动台对于加载信号的复现精度,比如时滞、均方根误差和峰值误差,很大程度上影响了RTHS的稳定性和精度。
为了在工作频率变化时振动台能保持良好的控制性能,目前常用方法为将自适应算法与时滞补偿算法结合,通过自适应算法估计系统的时滞和幅值超调程度,形成了自适应多项式外推(Adaptive Polynomial Extrapolation,APE)算法,解决了动态时滞以及未知时滞补偿问题。但是该方法在使用过程中容易出现过补偿从而引入负时滞,在高频信号输入时还会出现幅值超调的现象,导致在实际应用中稳定性较差。
因此,如何提高APE算法在实时混合试验中振动台时滞补偿的稳定性,成为了亟待解决的问题。
发明内容
本申请实施例提供了一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法,提高了APE算法在实时混合试验中振动台时滞补偿的稳定性。
第一方面,本申请实施例提供了一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法,所述方法包括:获取当前时刻输入信息和当前时刻偏差信息;基于所述当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;基于所述时滞补偿算法对所述振动台进行时滞补偿。
在一种可能的实现方式中,所述基于所述当前时刻输入信息和当前时刻偏差信息与预设模型创建的时滞补偿算法,包括:基于所述当前时刻输入信息和偏差信息获取系统时滞和幅值系数;基于所述系统时滞、所述幅值系数和所述预设模型创建时滞补偿算法。
在一种可能的实现方式中,所述基于所述系统时滞和所述幅值系数与预设模型创建的时滞补偿算法为:
其中,kρ为幅值系数;r(k)、r(k-1)、r(k-2)和r(k-3)分别为k、k-1、k-2和k-3时刻输入的位移信号;为系统时滞后的预测值;ρi为拉格朗日系数,由所述系统时滞确定。
在一种可能的实现方式中,所述拉格朗日系数ρi计算式为:
其中,θ=t(k)/h,θ为过程变量,h表征系统的采样时间,t(k)表征系统时滞。
在一种可能的实现方式中,所述当前时刻输入信息包括当前时刻期望位移、速度和加速度;所述当前时刻偏差信息包括当前时刻输入信号与输出位移的偏差。
在一种可能的实现方式中,所述方法还包括:基于所述当前时刻期望位移、速度和加速度和所述当前时刻输入信号与输出位移的偏差进行模糊神经网络模型训练,确定所述幅值系数kρ和所述系统时滞t(k)。
在一种可能的实现方式中,所述方法还包括:将所述当前输入位移和实际位移的偏差作为目标函数,确定模糊神经网络模型的隶属度函数以及权重。
第二方面,本申请实施例提供了一种基于模糊神经网络的实时混合试验加载装置时滞补偿装置,所述装置包括:获取模块,用于获取当前时刻输入信息和当前时刻偏差信息;创建模块,用于基于所述当前时刻输入信息、所述当前时刻偏差信息和预设模型创建时滞补偿算法;处理模块,用于基于所述时滞补偿算法对所述振动台进行时滞补偿。
第三方面,本申请实施例提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面或其中任意一种实现方式所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面或其中任意一种实现方式所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行上述第一方面或其中任意一种实现方式所述的方法。
本申请实施例与现有技术相比存在的有益效果是:获取当前时刻输入信息和当前时刻偏差信息;基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;基于时滞补偿算法对振动台进行时滞补偿。相比于现有技术中,自适应多项式外推法通过自适应算法估计系统的时滞和幅值超调程度解决动态时滞以及未知时滞补偿问题,但是自适应多项式外推法的自适应参数准确性受到经验法整定的限制,通常容易导致过补偿从而引入负时滞,在高频信号输入时会存在信号超调的问题。本申请通过模糊神经网络与现有APE算法相结合,提供了一种振动台的时滞补偿方法。通过模糊神经网络实时估计系统时滞以及幅值超调系数,实现对不同频段信号的时滞补偿,提高参数估计的准确性,克服了高频信号的时滞补偿信号超调问题和时滞过补偿问题。改善了算法对高频信号复现时滞的补偿能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法的流程示意图;
图2为本申请一实施例提供的一种模糊神经网络流程示意图;
图3为本申请一实施例提供的一种六自由度振动台的伸长量补偿结构图;
图4为本申请一实施例提供的一种六自由度振动台的位姿补偿结构图;
图5为本申请一实施例提供的一种基于模糊神经网络的实时混合试验加载装置时滞补偿装置结构框图;
图6为本申请一实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
实时混合试验(Real-Time Hybrid Simulation,RTHS)是土木领域常用的结构抗震测试方法。在RTHS中,结构被分为物理子结构和数值子结构两部分,前者包含结构中难以建模、特性复杂或需要进行试验测试的部分,后者包含结构中易于建模、不便于试验或研究成熟的部分。物理子结构通过振动台加载,加载信号由数值子结构实时计算;数值子结构根据物理子结构加载后反馈的信号计算下一时刻的加载信号,与物理子结构构成闭环。在试验过程中,振动台可以产生特定的振动频率和幅度,模拟实际过程中可能遇到的振动环境。通过这种方式,研究人员可以评估产品或设备在实际使用环境中的性能表现。因此,振动台对于加载信号的复现精度,比如时滞、均方根误差和峰值误差,很大程度上影响了RTHS的稳定性和精度。
对于单一试件或工况,传统的控制方法如三参量控制和PID算法在专门整定后取得了良好的效果,但这些方法假设控制台是线性时不变系统,且设计基于特定频率、加载和试件的假设,忽略了振动台的变化和试件对振动台特性的影响。
在RTHS试验中,由于加载信号频率的变化,常规控制器无法适应不同频段下的系统特性,导致现有方法难以实现对不同频段参考信号的准确跟踪,产生变动的时滞和峰值误差,影响试验结果。振动台-试件相互作用使得特定试件设计的控制算法无法直接应用于其他试验,限制了算法的适应性。
为了在工作频率变化时保持良好的控制性能,振动台控制的研究主要集中在地震模拟振动台时滞补偿、非线性和鲁棒控制等方面,包括滑模控制、自适应控制和迭代控制等典型算法。针对时滞补偿问题,研究者提出了多种时滞补偿算法。多项式外推法(Polynomial extrapolation,PE)通过假定一个恒定的延迟,利用有限个已知输入获得预测响应模型,然后将延迟时间后的预测结构响应施加到被控对象中来补偿延迟。但PE适用于低频信号,处理高频信号时可能引入超调,同时要求系统时滞已知并为定时滞。针对这个问题,研究者将自适应算法与时滞补偿算法结合,通过自适应算法估计系统的时滞和幅值超调程度,形成了自适应多项式外推法(Adaptive Polynomial extrapolation,APE),解决了动态时滞以及未知时滞补偿问题。但现有的自适应算法通常容易导致过补偿从而引入负时滞,在实际应用中也存在稳定性问题。
为解决上述问题,本申请通过模糊神经网络与现有APE算法相结合,提供了一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法。其中,模糊神经网络(FuzzyNeural Network,FNN)结合了模糊控制和神经网络的优点,同时兼顾了模糊控制对专家知识的应用和神经网络的参数自整定功能。FNN具有强大的非线性拟合能力和在线学习能力,在控制系统中常用于不确定项估计、控制器参数整定、构成补偿器等。通过模糊神经网络与现有APE算法相结合获得的振动台的时滞补偿方法包括:获取当前时刻输入信息和当前时刻偏差信息;基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;基于时滞补偿算法对振动台进行时滞补偿。通过模糊神经网络实时估计系统时滞以及幅值超调系数,实现对不同频段信号的时滞补偿,提高参数估计的准确性,克服了高频信号的时滞补偿信号超调问题和时滞过补偿问题。改善了算法对高频信号复现时滞的补偿能力。
为了便于理解,下面将结合附图对本申请的技术方案进行详细介绍。
图1为本申请一实施例提供的一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法的流程示意图,如图1所示,包括:
S110,获取当前时刻输入信息和当前时刻偏差信息。
示例性的,在创建时滞补偿算法时,需要获取当前时刻的输入信息和偏差信息,基于输入信息和偏差信息对算法进行训练。
具体的,当前时刻输入信息包括:当前时刻期望位移、速度和加速度;当前时刻偏差信息为当前时刻输入信号和输出位移的偏差。通过输入信号的速度判断输入波形的升降性;通过输入信号的加速度判断输入波形的凹凸性;通过偏差和升降性估计系统的时滞,通过偏差和凹凸性估计APE算法引入的超调量。
S120,基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法。
在一种可能的实现方式中,基于当前时刻输入信息、当前时刻偏差信息和预设模型创建的时滞补偿算法,包括:基于当前时刻输入信息、当前时刻偏差信息获取系统时滞和幅值系数。
具体的,基于前时刻期望位移、速度、加速度和当前时刻输入信号与输出位移的偏差获取系统时滞和幅值系数。
进一步的,基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法,包括:基于系统时滞、幅值系数和预设模型创建时滞补偿算法。
作为一种示例,基于系统时滞、幅值系数和预设模型创建的时滞补偿算法为:
其中,kρ为幅值系数,用于补偿系统超调;r(k)、r(k-1)、r(k-2)和r(k-3)分别为当前时刻k、k的前一时刻k-1、k-1的前一时刻k-2以及k-2的前一时刻k-3输入的位移信号;为系统时滞后的预测值;ρi为拉格朗日系数,由系统时滞确定。
作为一种示例,拉格朗日系数ρi计算式为:
其中,θ=t(k)/h,θ为过程变量,用于计算拉格朗日差值多项式的系数,h表征系统的采样时间,t(k)表征系统时滞。
作为一种示例,基于当前时刻期望位移、速度和加速度和当前输入信号和输出位移的偏差进行模糊神经网络模型训练,确定幅值系数kρ和系统时滞t(k),其具体训练过程由图2所示。
具体的,如图2所示,模糊神经网络共分为五层,分别为第一层输入层、第二层隶属度函数层、第三层乘积运算层、第四层归一化层和第五层输出层。
进一步的,第一层为网络的输入层,输入为当前时刻期望位移和输出位移的偏差e、偏差微分输入信号的一阶微分/>(速度)、输入信号的二阶微分/>(加速度)。输出为oi(i=1,2,3,4)为:
进一步的,第二层为隶属度函数层,本层采用高斯隶属度函数和sgn(·)±1函数作为模糊神经网络的隶属度函数,σij和cij分别表示高斯隶属度函数的中心值和宽度,前者为e及的隶属度函数,后者为/>及/>的隶属度函数。第二层的输入为第一层输出的oi,第二层的输出/>表征oi的隶属度,e和/>各对应有j个隶属度函数,/>及/>仅分别对应有两个隶属度函数。则第二层节点数为2j+4个,具体公式为:
进一步的,第三层为模糊规则适应度层,第二层的输入为第二层的输出/>为Oi对应隶属度函数的交叉乘积,对应模糊控制中的模糊规则,节点个数n=4j2。具体公式为:
进一步的,第四层为归一化层,输出的为第三层各项数值的归一化,其中l=1,2,3,...,n。具体公式为:
进一步的,第五层为网络输出层,输出值和/>分别为时滞t(k)增量Δt(k)和幅值系数kp的增量Δkρ,具体公式为:
其中,w1i和w2i分别表示t(k)和kp更新的输出权值,n代表第三层的节点数。
在一种可能的实现方式中,以当前输入位移和实际位移的偏差为目标函数,确定模糊神经网络模型隶属度函数以及权重,即确定上述式(4)中的高斯隶属度函数的中心值σij和宽度cij和上述式(7)中的wl
具体的,模糊神经网络的隶属度函数节点相较于传统神经网络发生改变,但其待更新参数仍然只有输出层的权值wl,隶属函数的中心值σij和宽度cij,参数通过梯度下降法进行更新,具体包括:
首先定义学习算法的性能指标函数为:
式中E(k)为期望值,r(k)为k时刻系统的目标值(即系统输入的位移信号),y(k)为k时刻系统的实际输出。为了使实际输出y(k)能够做大限度的逼近目标值r(k),则需要E(k)尽可能的小。采用梯度下降算法进行在线修正模糊神经网络的第四层和第五层中的权值wl、高斯隶属度函数的中心值σij和宽度cij。梯度下降算法如下:
其中:ηw为学习速率,α为动量因子,t,t+1和t-1分别表示当前时刻,当前时刻下一时刻和上一时刻,当前时刻下一时刻为修正后的时刻。
进一步的,以模糊神经网络获得时滞t(k)增量Δt(k)和幅值系数kρ的增量Δkρ,确定式(1)中预设模型中的幅值系数kp和系统时滞t(k),式(1)中预设模型中自适应系数kp和t(k)更新率如下式所示:
其中,tlast(k)为上一时刻系统时滞,t(k)为更新后的系统时滞,kρlast为上一时刻幅值系数,kp为更新后的幅值系数。
S130,基于时滞补偿算法对振动台进行时滞补偿。
在一种可能的实现方式中,基于时滞补偿算法设计多自由度振动台的时滞补偿控制器。
具体的,多自由度时滞补偿控制器在六自由度振动台有两种应用方法,分别为缸体伸长量补偿(图3)和位姿补偿(图4)。
具体地,如图3所示,当系统输入目标位姿后(图中的位姿输入),通过位姿反解得到的各缸体期望伸长量(图中L1-L6),分别通过本申请所提供的方法对期望伸长量L1-L6进行预测得到系统时滞t(k)、幅值自适应系数kp以及期望伸长量在t(k)秒后的时滞补偿值,进而提前输入到系统中补偿各缸体的控制时滞,最后通过正解算法进行位姿输出。其中缸体的时滞t(k)和幅值自适应系数kp通过模糊神经网络(FNN)实时估计;时滞补偿值由APE时滞补偿算法计算得到。通过本方法可以实现缸体对伸长量的高精度追踪,从而消除系统位姿的时滞。
具体地,如图4所示,X、Y、Z分别为Stewart振动台在X,Y,Z轴方向的平动位姿,A、B、C分别为Stewart振动台绕X、Y、Z轴的转动位姿,首先输入目标位姿(图中的位姿输入中的X,Y,Z,A,B,C),直接对输入的位姿进行时滞补偿,根据反馈位姿和期望位姿的差值以及位姿的信息通过模糊神经网络(FNN)获得Stewart振动台系统位姿输出的时滞t(k)以及幅值自适应系数kp,而通过APE算法预测期望位姿在t(k)秒之后的值并输入到振动台系统,实现位姿时滞补偿,最后控制振动台进行位姿输出。位姿补偿为反解之前对期望位姿进行时滞补偿和幅值补偿,进而直接补偿振动台台面的位姿,反馈量为振动台台面输出的位姿信号,是一种直接补偿。
本申请提供的技术方案,通过模糊神经网络与现有APE算法相结合,首先获取当前时刻输入信息和当前时刻偏差信息;然后基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;最后基于时滞补偿算法对振动台进行时滞补偿。相比于传统APE算法仅适用于低频信号时滞补偿,而在高频段时由于输入信号微分项增大,插值结果会出现超调,且超调值随着频率增大而增大,传统的自适应算法难以精确地估计幅值系数和系统时滞,在信号频率快速变换时,容易导致波形幅值失真甚至震荡等缺陷。本申请实现了对不同频段信号的时滞补偿,提高了幅值系数和系统时滞估计的准确性,克服了高频信号的时滞补偿信号超调问题和时滞过补偿问题。改善了算法对高频信号复现时滞的补偿能力。
图5为本实施例提供一种基于模糊神经网络的实时混合试验加载装置时滞补偿装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。参照图5,时滞补偿装置500可以包括获取模块501、创建模块502和处理模块503。
在一种实现方式中,装置500可以用于实现上述图1所示的方法。例如,获取模块501用于实现S110,创建模块502用于实现S120,处理模块503用于实现S130。
本申请提供的技术方案,通过模糊神经网络与现有APE算法相结合,首先获取当前时刻输入信息和当前时刻偏差信息;然后基于当前时刻输入信息、当前时刻偏差信息和预设模型创建时滞补偿算法;最后基于时滞补偿算法对振动台进行时滞补偿。相比于传统APE算法仅适用于低频信号时滞补偿,而在高频段时由于输入信号微分项增大,插值结果会出现超调,且超调值随着频率增大而增大,传统的自适应算法难以精确地估计幅值系数和系统时滞,在信号频率快速变换时,容易导致波形幅值失真甚至震荡等缺陷。本申请实现了对不同频段信号的时滞补偿,提高了幅值系数和系统时滞估计的准确性,克服了高频信号的时滞补偿信号超调问题和时滞过补偿问题。改善了算法对高频信号复现时滞的补偿能力。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图6为本实施例提供的电子设备的结构示意图。如图6所示,该实施例的电子设备6包括:至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现上述任意方法实施例中的步骤。
所述电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的举例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述电子设备6的内部存储单元,例如电子设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述电子设备6的外部存储设备,例如所述电子设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述电子设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种网络设备,该网络设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于模糊神经网络的实时混合试验加载装置时滞补偿方法,其特征在于,所述方法包括:
获取当前时刻输入信息和当前时刻偏差信息;
基于所述当前时刻输入信息、所述当前时刻偏差信息和预设模型创建时滞补偿算法;
基于所述时滞补偿算法对所述振动台进行时滞补偿。
2.根据权利要求1所述的方法,其特征在于,所述基于所述当前时刻输入信息和所述当前时刻偏差信息与预设模型创建的时滞补偿算法,包括:
基于所述当前时刻输入信息和所述当前时刻偏差信息获取系统时滞和幅值系数;
基于所述系统时滞、所述幅值系数和所述预设模型创建时滞补偿算法。
3.根据权利要求2所述的方法,其特征在于,所述基于所述系统时滞和所述幅值系数与预设模型创建的时滞补偿算法为:
其中,kρ为幅值系数;r(k)、r(k-1)、r(k-2)和r(k-3)分别为k、k-1、k-2和k-3时刻输入的位移信号;为系统时滞后的预测值;ρi为拉格朗日系数,由所述系统时滞确定。
4.根据权利要求3所述的方法,其特征在于,所述拉格朗日系数ρi计算式为:
其中,θ=t(k)/h,θ为过程变量,h表征系统的采样时间,t(k)表征系统时滞。
5.根据权利要求4所述的方法,其特征在于,所述当前时刻输入信息包括当前时刻期望位移、速度和加速度;所述当前时刻偏差信息包括当前时刻期望位移与输出位移的偏差。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
基于所述当前时刻期望位移、速度和加速度和所述当前时刻期望位移与输出位移的偏差进行模糊神经网络模型训练,确定所述幅值系数kρ和所述系统时滞t(k)。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
将所述当前时刻期望位移与输出位移的偏差作为目标函数,确定模糊神经网络模型的隶属度函数以及权重。
8.一种基于模糊神经网络的实时混合试验加载装置时滞补偿装置,其特征在于,所述装置包括:
获取模块,用于获取当前时刻输入信息和当前时刻偏差信息;
创建模块,用于基于所述当前时刻输入信息、所述当前时刻偏差信息和预设模型创建时滞补偿算法;
处理模块,用于基于所述时滞补偿算法对所述振动台进行时滞补偿。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202410093233.4A 2024-01-22 2024-01-22 基于模糊神经网络的实时混合试验加载装置时滞补偿方法 Pending CN118090102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410093233.4A CN118090102A (zh) 2024-01-22 2024-01-22 基于模糊神经网络的实时混合试验加载装置时滞补偿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410093233.4A CN118090102A (zh) 2024-01-22 2024-01-22 基于模糊神经网络的实时混合试验加载装置时滞补偿方法

Publications (1)

Publication Number Publication Date
CN118090102A true CN118090102A (zh) 2024-05-28

Family

ID=91151834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410093233.4A Pending CN118090102A (zh) 2024-01-22 2024-01-22 基于模糊神经网络的实时混合试验加载装置时滞补偿方法

Country Status (1)

Country Link
CN (1) CN118090102A (zh)

Similar Documents

Publication Publication Date Title
Prasad et al. Optimal control of nonlinear inverted pendulum system using PID controller and LQR: performance analysis without and with disturbance input
He et al. Adaptive neural network control of unknown nonlinear affine systems with input deadzone and output constraint
CN106292550B (zh) 具有在线优化控制增益的功能的伺服控制装置
CN110286595B (zh) 一类受饱和非线性输入影响的分数阶系统自适应控制方法
CN111965976B (zh) 基于神经网络观测器的机器人关节滑模控制方法及系统
US7031949B2 (en) Method and apparatus for generating input signals in a physical system
Qi et al. Adaptive fuzzy modelling and control for discrete-time nonlinear uncertain systems
KR102090539B1 (ko) 신규한 가중치를 이용한 센터링 연산을 적용한 강화 학습 방법 및 장치
Popescu et al. A new robust observer approach for unknown input and state estimation
CN110672290B (zh) 一种考虑滞后时间的地震模拟振动台迭代控制方法
CN113297798A (zh) 一种基于人工神经网络的机器人外界接触力估计方法
CN118090102A (zh) 基于模糊神经网络的实时混合试验加载装置时滞补偿方法
CN114020018B (zh) 导弹控制策略的确定方法、装置、存储介质及电子设备
CN111367177A (zh) 基于估计参考信号二阶微分的刚体系统抗扰控制方法及系统
US20080071497A1 (en) Processing data to maintain an estimate of a running median
CN115422698A (zh) 一种伺服驱动变周期在线惯量辨识方法
US20230324885A1 (en) Control assistance device, control system, and control assistance method
WO2021214839A1 (ja) 制御装置、制御システム、制御方法及びプログラム
Jiang et al. Fast and smooth composite local learning-based adaptive control
CN114185268B (zh) 一种带输入磁滞的机器人传输资源控制方法、系统及介质
CN116879580B (zh) 加速度计启动性能补偿方法、系统、电子设备及存储介质
CN109992907A (zh) 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法
CN114200831B (zh) 一种带输入磁滞的机器人混合时间控制方法、系统及介质
JP7207473B1 (ja) 情報処理装置
Mu et al. Robust tracking control for robotic manipulator via fuzzy logic system and H∞ approaches

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