[发明专利]基于深度学习的地震模拟振动台闭环控制方法

说明书

本发明提供了一种基于深度学习的地震模拟振动台闭环控制方法，所述方法包括基于深度学习的振动台闭环控制器和基于深度学习的振动台闭环控制器训练方法。所述方法包括以下步骤：构建基于循环神经网络的深度学习控制器和基于三参量算法的振动台闭环控制仿真模型；采集三参量控制器的输入输出数据训练深度学习控制器；经过监督训练后的深度学习控制器接收地震波加速度信号和振动台反馈加速度信号，输出控制信号进入振动台开环模型以形成闭环控制。本发明可用于对地震模拟振动台进行闭环控制，提升振动台对地震时程的再现精度。

技术领域

本发明涉及试验技术与控制领域，具体涉及一种基于深度学习的振动台闭环控制器和基于深度学习的振动台闭环控制器训练方法。

背景技术

地震模拟振动台试验是目前工程抗震领域中最方便、最直接的试验方法，但由于伺服阀等非线性影响以及台体与试件的共同作用，振动台难以获得高精度的地震波形再现能力，尽管三参量控制算法和前馈补偿在一定程度上提高了地震时程的再现精度，但系统传递函数影响因素的复杂性尤其是试件特性的影响使得输入、输出波形的相关性仍然不高。

深度学习在本质上是一种深层的神经网络，具备更优秀的非线性处理能力，根据循环神经网络(RNN)这类时间序列深度学习算法在语音识别、语言建模和机器翻译等领域展现的优越性，预期其在处理地震波再现这类时序问题时也具有较好的效果。为此，开展基于深度学习等人工智能算法在振动台控制领域的理论与应用技术研究具有较高的可行性和必要性。

发明内容

针对现有技术存在的缺陷，本发明提供了一种基于深度学习的地震模拟振动台闭环控制方法和基于深度学习的振动台闭环控制器训练方法。

本发明采用的技术方案如下：

所述深度学习控制器是一种基于循环神经网络(RNN)搭建的深度网络模型，深度学习控制器以地震波加速度信号和振动台反馈加速度信号作为输入，输出控制信号进入振动台开环模型，从而提升振动台对地震时程的再现精度。

所述循环神经网络(RNN)依赖于完整且连续轨迹才能保存记忆，由于振动台系统输出的加速度反馈信号是实时产生的，RNN在处理非完全观测信号时难以建立前后信号之间的时序关联，本发明提供一种非连续轨迹的输入信号处理方法，使RNN能够处理实时产生的反馈信号。

所述非连续轨迹的输入信号处理方法，具体为：在RNN接收非连续反馈信号时，每处理一组输入和反馈信号(a_t,a’_t)后，将RNN内部的长期记忆单元c和隐藏状态h保存下来，在处理下一组输入和反馈信号(a_t+1,a’_t+1)时将c和h也作为输入，从而避免RNN因多次循环迭代而观测不到过往记忆。引入反馈信号后，深度学习控制器的输入输出关系为：

O_t，C1，h1＝LSTM((a_t,a’_t))

O_t+1，C2，h2＝LSTM((a_t+1,a’_t+1)，C1，h1)

O_t+2，C3，h3＝LSTM((a_t+2,a’_t+2)，C2，h2)

...........

所述基于深度学习的振动台闭环控制器训练方法，其步骤包括：

S1，基于循环神经网络(RNN)搭建深度网络模型作为深度学习控制器；

S2，基于三参量控制算法搭建地震模拟振动台的闭环控制仿真模型，采集地震波加速度信号、振动台反馈加速度信号和三参量控制器的输出信号作为深度网络模型的训练数据；

S3，将训练数据划分为训练集、验证集和测试集，通过监督学习训练深度网络模型直到其输入-输出关系能够逼近三参量控制器的性能；