磁流变阻尼器的磁滞效应与神经网络预测调整

研究了磁流变阻尼器的磁滞效应对控制效果的影响,提出了采用神经网络预测的方法来减小磁滞效应对振动控制的不利影响.通过过去时刻和当前时刻的结构响应来预测将来时刻的结构响应,并用线性最优控制(LQR)算法经将来时刻结构响应计算得到主动控制力,为磁流变阻尼器产生该主动控制力赢得时间.研究结果表明:通过神经网络预测能有效补偿磁滞时间,使控制效果接近无磁滞效应的控制效果.     

压电陶瓷在车身板件振动主动控制中的应用研究

针对汽车车身低频振动不易控制的问题,将压电陶瓷作为传感/致动元件,主动控制车身板件的振动变形,以抑制或消除车身板件的低频振动。根据致动器控制力分析和车顶棚模态分析的结果,提出了压电传感器和致动器同位对称布置的方案。采用模糊控制算法,设计了振动主动控制器,并搭建了车顶棚振动主动控制实验台。独立模态振动控制试验结果表明,采用压电陶瓷智能结构对车顶棚振动进行主动控制后,压电传感器检测到的电压降低了14%～23%,即有效控制了车顶棚的低频振动。     

一种解决振型遗忘问题的新算法

本文通过对线性结构体系的动力学方程进行正则变换，在理论上分析了主动控制力对残余振型的影响，提出了解决振型遗忘问题的矩阵奇异值辅助分析的新算法，并采用人工神经网络的ＢＰ算法对主动控制力进行了动态仿真。数值计算的结果表明：采用本文提出的算法可以方便，有效地减弱振型遗忘所引起的不利影响。     

自适应桁架结构局部积分力反馈振动阻尼控制研究

本文主要研究自适应桁架结构的振动控制理论和方法，将结构中主动构件的局部弹性内力经过积分和比例反馈控制器运算后，得到主动构件的输出控制力，以实现结构的振动阻尼控制。文中还引入模态应变能因子的概念，建立了主动构件配置的多目标优化函数，以研究其优化配置问题。通过一平面自适应桁架结构的优化配置计算和数值仿真，说明了文中所述控制方法的有效性。     

主动式动力吸振器的振动控制研究

从能量角度分析主动式动力吸振器的工作原理,推导出系统的振动响应和主动控制力系数表达式.通过算例,分别绘出了主动控制力系数、主动控制力、结构振幅与外激励频率之间的关系曲线.研究表明,主动式动力吸振器的控制频带范围较宽,主动控制的能量转移对控制结构振动效果较明显,且系统转移的能量随主动控制力的增大而增大.     

拱型结构振动控制的探讨

将控制技术运用到拱型结构的振动控制中,运用单点和多点控制方法,将主动控制力表示为位移,速度和加速度的纯性函数在频率域内探讨了拱型结构某些关键部位的加速度频率响应随南运动频率变化情况,研究了主动控制力参数对加速度响应的影响,并对带有主动控制装置的拱型结构在随机激励作用下的响应进行分析,     

弹塑性结构考虑时间滞后的主动控制

推导了弹塑性结构动力分析的递推公式,提出了一种简单有效的弹塑性结构主动控制算法．该算法以系统能量达到最小为目的,于每一时刻向结构施加控制力,下一时刻控制力的确定依据本时刻的信息进行计算,这样就解决了主动控制中的时间滞后问题．算例分析证明了这种主动控制算法的有效性,同时还探讨了作动器能力限制对于控制效果的影响,在结构主动控制中考虑结构的弹塑性特性是非常必要的．     

结构振动序列最优控制算法及其Simulink仿真实现

阐述了序列最优控制算法是针对土木工程结构地震响应振动控制问题中激励不可预知的特点,推导出1 种更为一般的最优控制算法,所获得的最优控制力表达式同时包含了结构响应和地震激励2 部分的影响.该算法增益矩阵与传统的2种最优控制近似算法相比具有时变的特点,提出了在应用该算法进行主动控制Simulink仿真分析时的2种实现方法,并通过AMD控制基准模型对2种实现方法进行了比较,同时也对该算法与现有两种结构最优控制算法的控制效果进行了评价.结果表明,2种实现方法是完全等效的,且在控制效果方面,序列最优控制算法优于现有的2种最优控制算法.     

基于功率流的结构半主动瞬时控制算法

导出了一种基于功率流的结构半主动瞬时控制算法，其基本原理是保证在控制力作用的每一个时间段控制力吸收的功率大于零。并以在相邻主－从结构间设置半主动控制装置来减小主结构振动为例，分析了该控制算法的有效性。还给出了本算法与传统的二次线性控制算法与传统的二次线性控制算法的数值结果比较。     

基于神经网络的拉索主动控制力的实现

拉索容易在外部激励下发生大幅振动,给拉索提供轴向控制力进行拉索主动控制是一种新的方法.本文拉索主动控制策略采用经典二次型线性最优控制,由于LQR控制的关键是根据状态矩阵即时求出Riccati方程,但是Riccati方程是一个矩阵非线性方程,其阶数高,变量间又相互耦合,求解十分困难,为了减小控制力输出滞后,更快的求解出控制力,更好的应用于拉索实时控制,本文基于神经网络具有很强的学习能力和非线性逼近能力,根据大量实验数据采用神经网络方法来预测下一步拉索振动状态所对应的控制力,并进行了仿真,证实了其有效性.