[发明专利]一种改进的线性最优半主动控制方法

说明书

本发明涉及一种改进的线性最优半主动控制方法，由于MR阻尼器具有强非线性，需要通过调节其控制电流或电压实现对阻尼力的控制。为此，该控制方法由改进的线性最优控制器（LQR)和自适应神经模糊推理系统（ANFIS）逆向模型这两级控制器组成。首先，采用乌鸦搜索算法（CSA)对LQR控制器进行优化设计；然后利用优化后的LQR控制器计算减振所需的理想控制力；最后，将理想控制力作为ANFIS逆向模型的输入，并采用基于帝国竞争算法(ICA)的混合训练算法对ANFIS进行改进，使其精确输出磁流变阻尼器的控制信号。本发明可以提高MR阻尼器的电流预测精度，可以弥补现有的线性最优半主动控制的控制效果不足的缺陷，从而增强MR阻尼器的减振效果。

技术领域

本发明涉及人工智能、半主动控制领域，特别是一种改进的线性最优半主动控制方法。

背景技术

磁流变阻尼器是一种智能的半主动控制装置，它具有失效安全性高、响应快、出力大、能耗低等诸多优点。但是，由于其阻尼力具有明显的滞回特性和复杂的非线性，因此只能通过控制阻尼器的电流或电压才能间接地控制阻尼力。针对基于磁流变阻尼器的建筑结构减震需求，为了使磁流变阻尼器的优良减震特性得到充分发挥，需要对基于磁流变阻尼器的半主动控制算法进行深入研究。

线性二次型最优控制(LQR)是一种适用性很强的最优控制，已被广泛运用于振动控制中，也常用作基于磁流变阻尼器的半主动控制系统中的主动控制器，又称第一级控制器，它负责计算理想控制力。但LQR的设计关键在于LQR加权矩阵Q和R的确定，如果加权矩阵选取不当，会造成控制装置无法发挥最优性能，从而影响振动控制效果，甚至对受控系统产生不利的影响。但是，目前在基于磁流变阻尼器的LQR控制中，加权矩阵的设计过程大多依赖人工经验和领域专家的先验知识，这种人工设计效率很低且不能保证获得理想的控制效果。

此外，在半主动控制系统中，逆向模型是常见的阻尼器控制器，又称第二级控制器，其作用是根据理想控制力计算磁流变阻尼器的控制信号，使阻尼力尽可能逼近理想控制力。参数化逆向建模方法虽然操作简单，但是往往忽略了磁流变阻尼器的滞环非线性因素，建模精度很有限。作为一种非参数化智能建模策略，ANFIS虽然兼具了神经网络和模糊系统的优点，且建模精度优于参数化建模，但标准ANFIS建模技术存在算法上的缺陷，即其自带的混合训练算法容易陷入局部最优解，影响了模型精度和系统泛化能力的提高。因此，为了建立更精确的磁流变阻尼器逆向模型，亟待对标准ANFIS进行改进。

目前，利用进化算法对LQR和ANFIS进行改进已成为一项研究热点。有人为了控制电流源型STATCOM具有良好的动态性能，提出采用遗传算法调节LQR的加权矩阵(例如参见欧洲专利CN106707752A)。有人提出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)。但是遗传算法是一种全局优化算法，容易陷入局部最优解。

发明内容

有鉴于此，本发明的目的是提出一种改进的线性最优半主动控制方法，将乌鸦搜索算法和帝国竞争算法引入半主动控制器设计中，使得LQR控制器和ANFIS逆向模型的参数得到优化，能有效解决主动控制器的加权函数难以确定的问题，并克服ANFIS逆向模型的原始训练算法的缺陷，从而提高基于磁流变阻尼器的结构减振的效果。

本发明采用以下方案实现：一种改进的线性最优半主动控制方法，具体包括以下步骤：

步骤S1：针对地震波激励下的磁流变阻尼器建筑结构体系建立运动方程，推导其状态空间方程，并将结构响应作为LQR控制器的输入；

步骤S2：设计适当的优化目标函数，利用乌鸦搜索算法设计LQR控制器，求解理想控制力；

步骤S3：确定ANFIS的结构，从而确定待优化的ANFIS的隶属函数参数和模糊规则参数的数量；

步骤S4：准备训练数据，其中通过磁流变阻尼器的Bouc-Wen正向模型获得阻尼力；