《人工神经网络在结构控制中的应用》由会员分享，可在线阅读，更多相关《人工神经网络在结构控制中的应用（4页珍藏版）》请在金锄头文库上搜索。
1、人工神经网络在结构控制中的应用陈贡联 刘文锋 白志强(青岛理工大学 土木工程学院 青岛 266033)摘 要:对人工神经网络在结构控制中的应用做了综合评述。介绍了神经网络的控制原理,总结了结构控制中常见的网络模型,阐述了人工神经网络在结构控制中的应用情况,并对未来的发展方向进行了展望。关键词:神经网络 结构控制 网络模型DEVELOPMENT OF STRUCTURE CONTROL USING ARTIFICIAL NEURAL NETWORKSChen Gonglian Liu Wenfeng Bai Zhiqiang(Institute of Civil Engineering ,Qin
2、gdao Technological University Qingdao 266033)Abstract :The state - of - the - art review of the artificial neural networks structure control ispresented. the principleof neural networks in structure control is introduced ,the frequently used neural network models in structure controlare collected ,a
3、nd the applications to the structure control are discussed ,and the future development in these fields ispredicted.Keywords :artificial neural network structure control network model1 概 述 人工神经网络(ANN)是在物理机制上模拟人 脑信息处理机制的信息系统,它不但具有处理信息 数据的一般计算能力而且还具有处理知识的思维、 学习、 记忆能力。自Adeli和Yeh于1989年将没有 隐含层的感知机第一次用于简支梁
4、的设计以来,越 来越多的土木工程专家将研究方向转移到该领域 来,现在已经有许多模型用于结构分析及优化设计、 结构的损伤检测、 结构控制等多方面。 神经网络控制在1994年11月的国际自动化控 制学会上首次出现,是近年来刚刚兴起的比较活跃 的智能控制之一。所谓神经网络控制,即基于神经 网络的控制或简称神经控制,是指在控制系统中采 用神经网络这一工具对难以精确描述的复杂的非线 性对象进行建模,或充当控制器,或优化计算,或进 行推理,或故障诊断等,以及同时兼有上述某些功能 的适当组合,将这样的系统统称为基于神经网络的 控制系统,称这种控制方式为神经网络控制。 随着神经网络的发展,神经网络在土木工程的
5、 结构控制中体现了自身的特点:1)结构的建模 基于风荷和地震激励具有强随机性的特点,在 研究控制建筑结构响应的过程中已提出了许多日臻完善的理论和方法,如:最优控制、 极点配量、 独立模态控制、 瞬态最优控制、 脉冲控制、 混合控制等。这些控制方法大都是基于反馈控制方式的,因此,数学模型的建立是至关重要的。然而实际上被控结构往往具有变结构、 变层次以及各种不确定性等特点,难以建立起有效的数学模型;同时,即使对一些复杂结构能够建立数学模型,其模型也往往过于复杂,既不利于设计,也难以实现控制。另外,结构设计计算和控制建模时通常不考虑非结构构件的效应,建成后实际非结构构件和质量变化都将影响结构振动控制
6、的计算模型。因此,研究具有很强的学习能力的神经网络建模和控制算法是结构振动控制发展的一个热点问题。第一作者:陈贡联 男 1980年11月出生 硕士研究生 收稿日期:2006 - 03 - 062)结构非线性的控制方法实际结构在诸如地震那样的强烈动力作用下可能进入非线性,结构构件的强度和刚度可能发生退化,实际结构的模型修正将是结构振动控制的一个突出问题。在经典和现代控制论中,对于非线性系统,仅能得到一般的且难以用于控制系统分析和设计的状态空间模型;对于非线性自回归滑动平均模342Industrial Construction Vol. 36 , Supplement ,2006 工业建筑 200
7、6年第36卷增刊型,人们也很难找到一种恰当的参数估计方法,这 样,传统的非线性控制方法,在理论和应用上都存在 较大的局限性。神经网络由于具有通过学习最佳逼 近非线性映射的能力,将其应用于非线性系统模型 的辨识和控制,可不受非线性模型类的限制,较传统 的控制方法具有明显的优越性。3)时滞的处理 在主动控制中,时滞是影响系统正常运行的关 键原因,很多研究工作者在传统理论的基础上对时 滞的具体时间以及对下一步地震波的大小进行预 测,但由于系统的严重非线性,在理想假设的基础上 进行的预测往往是不准确的。用神经网络对系统的 输入输出进行学习,以达到一定的误差平方和为标 准,可以使人工神经网络直接代表系统
8、的输入输出 关系,这个关系隐含在神经网络的内部,它究竟表现 为何种形式,对外界是不可知的,并且人们关心的并 不是神经网络以什么样的形式去逼近实际系统,而 只要神经网络的输出在误差范围内能够逼近同样输 入信号激励下的输出,则认为神经网络已充分体现 实际系统特性,所以只要有足够多的训练样本数据, 就能设计出一个合理的神经网络系统来对下一步地 震波的大小进行预测。综上所述,神经网络在结构控制中有很强的优 势。2 神经网络的控制原理1 ,2 众所周知,控制系统的目的在于通过确定适当 的控制量输入u ,使得系统得到期望的输出特性y。 假设u与y之间满足y = g( u)的非线性函数关系, 控制的目的是确
9、定最佳的控制量输入u ,使系统的 实际输出y等于期望输出yd。 由于神经网络具有非 线性映射的能力,它的映射关系可表示为u =f ( yd) ;为了满足系统输出y等于期望输出yd,将映射关系带入非线性函数式中,得y = g f ( yd) 。 显然,当f () = g-1()时, y = yd。由于被控制的一些大型结构往往非常复杂且大 都具有不确定性。 因此,非线性函数g()是难以建 立的,因而可以利用神经网络具有逼近非线性函数 的能力来模拟g-1() ,尽管g()的形式未知,但可 以通过系统的实际输出与期望输出之间的误差来调 整神经网络的权值,让神经网络学习,直至误差e =yd-y趋向于零。
10、 这个过程就是神经网络模拟g-1= f ()的过程,它实际上是对被动结构的一种求逆 过程。 由神经网络的学习算法实现这一求逆过程,就是神经网络直接控制的基本原理与方法。3 结构控制中常用的神经网络模型311 静态多层前向网络3静态多层前向网络各部分的输入输出关系分别为:输入:xi=nj =1aijyi( t) +mk =1bikuk( t) + wi(1)输出: yi( t) = g( xi( t) )(2)其中: g( xi) =1 1+ e- xi或g( xi) =th( xi)(3)式中, xi, yi分别是神经元的输入和输出信号,ui是外界输入信号, aij、bik为权值, wi为阀值
11、。在非线性系统和控制中最常用到的神经网络为多层前向BP网络和RBF径向基函数网络。它们各 自的网络输入输出关系分别为:1)前向BP网络y( k+2) i=nl =1 a( k+1) ilg(mj =1b( k)lj+ w( k) l) (4)式中: g( r) =1 1+ e- r(5)2) RBF网络y( k+2) i= la( k+2) ilg(u - c( l)(6)式中: g( r) = r2lnr , c( l)为RBF中心。312 动态网络模型近年来,使用动态网络进行结构控制的研究较 多。常用的动态网络模型有时延神经网络、 连续时 间的Hopfield网络、 部分递归网络和全递归网
12、络模型等。1)时延神经网络(TDNN)它一般由差分方程描述:u ( k) = F( x ( k) , x ( k -1) , x ( k -n) )(7)其中, F( x)是一个加权线性求和函数。2)连续时间的Hopfield网络idyi( t) di= -yi( t) +nj =1wijuj( t) + vi(8)ui( t) = f yi( t) (9)3)部分递归网络4ui( k +1) = f nj =1wijuj( k) + vi( k) (10)值得一提的是,在国内,何玉敖等提出了一种自递归神经网络5,它是部分递归网络的一种,一个442工业建筑 2006年第36卷增刊三层的自递归神
13、经网络可描述为: 输入层: Ii( t) = Xi( t)(11)隐含层: Hj( t) = f W(2) jHj( t -1) + iW(1) ijXi( t) (12)输出层: O ( t) = jW(3) jHj( t)(13)式中, Xi( t)表示网络的输入节点, Hj( t)表示 隐含层第j个节点的输出, O ( t)表示网络的输出,f 表示激活函数, W表示连接权向量。 全递归网络与部分递归网络的区别在于:全递 归网络的结构中对包含时延的连接没有任何限制, 可以有任意的前馈与反馈连接,且所有连接权值都 可以修正;而部分递归网络是一个相对简单的动态 系统,一般是在前向网络的基础上,
14、以固定的方式将 某些层前一个时刻的状态反馈到前面的层,并且反馈联接单元的权值固定不变6。4 神经网络在结构控制中的应用情况411 国际上的应用情况 神经网络在振动控制中的第一个应用是在20世纪60年代,用一个简单的神经控制器控制倒立摆 的运动。 最早将神经网络用于结构控制的是Yen ,他于1994年分别用BP网络、 径向基函数(RBF)神经网 络对大跨空间结构和高级空间技术研究试验进行了结构控制与识别模拟。1995年Ghaboussi开发了基于神经网络的控制 器,对三层框架结构在地震作用下的响应进行了计 算机加载模拟控制。他运用修正的BP算法来完成 控制算法,在一些部位安装传感器进行测量结构的
15、响应,并将它与激振器的信号一起作为神经控制器 的输入,网络的输出为激振器所产生的力。经过训 练学习后的神经网络作为神经控制器来控制结构, 并对具有一个激振器的三层框架进行了仿真模拟控 制。Morshita等使用随机搜索全局优化方法对神经 网络的学习算法进行了改进,加快了学习的速度,提 高了学习的精度,并将该算法应用于多层网络。结 合在随机荷载作用下两自由度自适应体系进行了分析,验证了该神经网络的控制效果。H1M1Chen于1996年开发了一个反向传播实 效神经网络控制器(BTTNC) ,来对动力荷载下的结 构进行主动控制。BTTNC由两部分构成:一部分 是一个神经模拟网络,用来表示被控制结构的
16、动力性能;另一部分是一个神经作用网络,用来对结构产生作用命令。用BTTNC对摩根大厦的三次地震进 行了模拟,效果非常理想。Joghataie和Ghaboussi提出了神经网络识别控制器方案预测结构的动力反应,并使用模糊规则改 善了神经控制器,减少了需要测量的量,改善了控制 效果7。Jaghataie和Ghaboussi为了比较神经控制器、 神经模糊控制器以及预测优化控制器三者控制效果 的差异,选择了一个地震作用下的3层框架模型,分别用以上控制方案进行控制。结果表明,神经控制 器在结构破坏时有较好的稳定性,但其控制效果比 神经模糊控制器差。预测优化控制器对损伤结构控 制效果较好,神经模糊控制器对无损伤或损伤很小 的结构控制效果较好。神经模糊控制器比预测优化控制器效果更好,使用较小的控制力即可获得相似 的结果。 由于在国际上的应用较多,以上只介绍了具有 代表性的,更多的应用见参考文献3 ,4。412
