基于广义回归神经网络的磁流变减振器模型辨识

合集下载

磁流变阻尼器动力学模型参数识别

磁流变阻尼器动力学模型参数识别邓国红;李长江;杨鄂川;欧健【摘要】针对磁流变阻尼器动力学模型中的未知参数,采用阻尼最小二乘法进行参数识别.推导了剪切阀式磁流变阻尼器的数学模型并进行动力特性仿真,通过仿真结果分析,提出磁流变阻尼器非线性Bingham参数模型,利用阻尼最小二乘法识别出非线性Bingham模型的参数,得到磁流变阻尼器动力模型.通过动力模型仿真验证,结果表明非线性模型可以准确的描述磁流变阻尼器的动力特性,说明阻尼最小二乘法能有效的识别非线性参数模型,为磁流变阻尼器在汽车碰撞缓冲吸能应用方面奠定了基础.【期刊名称】《机械设计与制造》【年(卷),期】2019(000)002【总页数】5页(P42-46)【关键词】非线性动力模型;阻尼最小二乘法;数学模型;参数识别【作者】邓国红;李长江;杨鄂川;欧健【作者单位】重庆理工大学车辆工程学院,重庆 400054;重庆理工大学车辆工程学院,重庆 400054;重庆理工大学机械工程学院,重庆 400054;重庆理工大学车辆工程学院,重庆 400054【正文语种】中文【中图分类】TH16;U4631 引言文献[1]提出具有可变刚度和可变阻尼的缓冲吸能装置，对提高汽车前部吸能结构的吸能特性将有重要意义。

基于磁流变技术[2]研发的磁流变阻尼器具有输出阻力大、阻尼连续可调、动态范围宽、响应速度快等特点，作为一种智能吸能缓冲辅助装置与传统吸能装置相结合，对提高汽车的安全性将有重大意义。

文献[3]对单杆磁流变阻尼器在不同冲击速度下的性能进行了试验，并提出将磁流变阻尼器应用在汽车前部吸能结构中。

文献[4]对磁流变缓冲器在汽车正面碰撞方面的缓冲吸能性能进行了研究。

文献[5]将磁流变缓冲器安装在保险杠和车架横梁之间，通过控制器自适应调节输入励磁线圈的电流，改变汽车碰撞缓冲系统的刚度和阻尼，来降低汽车碰撞过程中对驾乘人员的伤害。

在现有的研究基础上，以汽车碰撞为应用背景，推导磁流变阻尼器的数学模型，对磁流变阻尼器在幅值不同的正弦激励下进行动力特性仿真，根据仿真结果提出磁流变阻尼器非线性Bingham模型，采用阻尼最小二乘法对非线性Bingham模型进行参数识别，通过仿真验证，经过参数识别的模型可以准确的描述磁流变阻尼器的动力特性，说明阻尼最小二乘法能够有效的识别非线性模型的参数。

基于神经网络的磁流变阻尼器逆控制研究

基于神经网络的磁流变阻尼器逆控制研究
徐健忠;王洪飞
【期刊名称】《机电工程》
【年(卷),期】2009(026)003
【摘要】为了解决阻尼器的非线性问题,设计了一种纯剪切型磁流变阻尼器,并针对其非线性特性,提出了利用径向基函数(RBF)神经网络的非线性映射能力,以建立磁流变阻尼器的逆模型.由已训练的磁流变(MR)阻尼器的逆向神经网络模型和MR阻尼器组成的控制单元,在给定所需控制力的情况下,使MR阻尼器产生相应的阻尼力,实现了MR阻尼器提供连续可调输出力的目的,也使得纯剪切型MR阻尼器在一些需要精确控制的场合能够方便使用.仿真结果表明,神经网络逆控制的方法是有效的、可行的.
【总页数】3页(P87-89)
【作者】徐健忠;王洪飞
【作者单位】杭州电子科技大学,机械工程学院,浙江,杭州,310018;杭州电子科技大学,机械工程学院,浙江,杭州,310018
【正文语种】中文
【中图分类】TP273
【相关文献】
1.基于神经网络自适应逆控制的火电厂过热汽温控制系统的研究 [J], 王建国
2.基于模糊神经网络的海洋平台逆控制研究 [J], 王伟;王锋
3.基于动态函数连接神经网络的自适应逆控制系统辨识研究 [J], 虎涛涛;康波;单要楠
4.基于前馈神经网络复合逆控制的研究 [J], 杨航;郭丙君
5.基于参量阵系统的神经网络PID逆控制及仿真研究 [J], 吴新龙;陈敏;赵亮
因版权原因，仅展示原文概要，查看原文内容请购买。

基于最小二乘法和BP神经网络的磁流变阻尼器H-B模型参数辨识方法

基于最小二乘法和BP神经网络的磁流变阻尼器H-B模型参
数辨识方法
张忠奎;张晗;闫洋洋
【期刊名称】《机床与液压》
【年(卷),期】2024(52)4
【摘要】针对Bingham模型磁流变阻尼器由于剪切稀化效应带来的阻尼力计算
误差,在理论和仿真分析的基础上,提出一种最小二乘法和BP神经网络相结合的方法,对磁流变阻尼器H-B模型进行参数辨识,获得各参数与电流的关系,从而对磁流
变阻尼器的阻尼力进行准确计算。

最后通过磁流变阻尼器实验对理论方法进行验证。

结果表明:借助于磁流变阻尼器的仿真分析,最小二乘法和BP神经网络相结合的磁
流变阻尼器H-B模型参数辨识方法精确度高、吻合性好,验证了参数辨识结果的通用性及准确性。

【总页数】6页(P126-131)
【作者】张忠奎;张晗;闫洋洋
【作者单位】潍坊科技学院山东省高校设施园艺实验室;深圳迈瑞生物医疗电子股
份有限公司
【正文语种】中文
【中图分类】TH113.1;TB535
【相关文献】
1.基于遗传算法的磁流变阻尼器Bouc-Wen模型参数辨识
2.基于Herschel-Bulkley模型的磁流变阻尼器转矩模型参数辨识
3.基于粒子群算法和最小二乘法的磁流变阻尼器Bouc-Wen模型参数辨识方法
4.基于最小二乘法的磁流变阻尼器模型参数识别GUI程序开发
5.磁流变阻尼器Bingham力学模型改进及参数辨识
因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法的磁流变阻尼器Bouc-Wen模型参数辨识

基于遗传算法的磁流变阻尼器Bouc-Wen模型参数辨识刘永强;杨绍普;廖英英;张耕宁【期刊名称】《振动与冲击》【年(卷),期】2011(030)007【摘要】在除试验数据外无任何先验知识的条件下如何识别Bouc-Wen模型的参数是一个亟待解决的问题.在对磁流变阻尼器进行力学特性试验的基础上,采用遗传算法对磁流变阻尼器Bouc-Wen模型进行参数辨识,并采用缩小参数取值范围的方法逐渐提高遗传算法的识别精度.通过分析参数值与电流间的特征曲线,采用曲线拟合的方法确定它们之间的函数关系,再利用遗传算法得到具体的函数表达式.最后用不同幅值和频率的激励试验数据对识别结果和拟合结果进行了验证.结果表明:利用缩小取值范围的方法得到的Bouc-Wen模型参数识别结果在全局最优解的附近,拟合结果和辨识出的模型均能满足要求.【总页数】5页(P261-265)【作者】刘永强;杨绍普;廖英英;张耕宁【作者单位】石家庄铁道大学,石家庄050043;石家庄铁道大学,石家庄050043;石家庄铁道大学,石家庄050043;石家庄铁道大学,石家庄050043【正文语种】中文【中图分类】TB535.1【相关文献】1.基于Matlab磁流变阻尼器Bouc-Wen模型的参数识别 [J], 李耀刚;陈盟;龙海洋;琚立颖2.基于Bouc-Wen迟滞模型参数辨识的智能悬臂梁自适应控制 [J], 王瑞萍; 张婷3.基于粒子群算法和最小二乘法的磁流变阻尼器Bouc-Wen模型参数辨识方法 [J], 胡国良;林豪;李刚4.磁流变阻尼器Bouc-Wen模型参数辨识研究 [J], 杨永刚;丁有闯5.基于改进PSO的非对称Bouc-Wen模型参数辨识 [J], 陈玲星;苏强;赵新龙因版权原因，仅展示原文概要，查看原文内容请购买。

磁流变减振器魔术公式模型在悬架控制中的应用

第３１卷第１４期中国机械工程V o l ．３１㊀N o ．１４２０２０年７月C H I N A M E C HA N I C A LE N G I N E E R I N Gp p．１６５９Ｇ１６６５磁流变减振器魔术公式模型在悬架控制中的应用张丽霞１㊀庞齐齐１㊀潘福全１㊀葛小菡１㊀林炳钦１㊀何一超２危银涛２㊀杜永昌２１．青岛理工大学机械与汽车工程学院,青岛,２６６５２０２．清华大学汽车安全与节能国家重点实验室,北京,１０００８４摘要:基于某款磁流变减振器特性实验数据,辨识了磁流变减振器魔术公式模型的各项参数,模型误差在８％以内.在适当简化磁流变减振器魔术公式模型的条件下,通过直接逆推得到磁流变减振器魔术公式逆模型.仿真中,磁流变减振器魔术公式正㊁逆模型实现加速度驱动阻尼控制策略期望阻尼力的误差平均值为３．６７％.台架实验中,磁流变减振器魔术公式逆模型的应用使车身加速度降低了６．２７％,实现了加速度驱动阻尼控制策略的控制效果.磁流变减振器魔术公式模型在半主动控制悬架系统仿真及台架实验中的成功应用对磁流变半主动悬架控制系统的研究有较强的实际意义.关键词:磁流变减振器;魔术公式模型;魔术公式逆模型;加速度驱动阻尼控制策略;台架实验中图分类号:U ４６７．３D O I :１０．３９６９/j．i s s n ．１００４１３２X．２０２０．１４．００３开放科学(资源服务)标识码(O S I D ):S u s p e n s i o nC o n t r o lA p p l i c a t i o n s o fM a g n e t o r h e o l o g i c a lD a m p e rM a gi c F o r m u l aM o d e lZ HA N GL i x i a １㊀P A N G Q i q i １㊀P A NF u q u a n １㊀G EX i a o h a n １㊀L I NB i n qi n １㊀H EY i c h a o ２W E IY i n t a o ２㊀D U Y o n g c h a n g２１．S c h o o l o fM e c h a n i c a l&A u t o m o t i v eE n g i n e e r i n g ,Q i n g d a oU n i v e r s i t y o fT e c h n o l o g y ,Q i n g d a o ,S h a n d o n g,２６６５２０２．S t a t eK e y L a b o r a t o r y o fA u t o m o t i v eS a f e t y a n dE n e r g y ,T s i n g h u aU n i v e r s i t y ,B e i j i n g,１０００８４A b s t r a c t :T h e p a r a m e t e r s o f t h em a g n e t o r h e o l o g i c a l d a m p e rm a gi c f o r m u l am o d e lw e r e i d e n t i f i e d b a s e do n t h e e x p e r i m e n t a l d a t ao f a c e r t a i nm a g n e t o r h e o l o g i c a l d a m pe r ．T h e e r r o r s of t h em o d e lw e r e w i t h i n ８％．U n d e r t h e c o n d i t i o n s o f s i m p l i f y i ng th em a gi c f o r m u l a o fm a g n e t o r h e o l o g i c a l d a m pe r s ,t h e r e v e r s em o d e l of t h em ag n e t o rh e o l o gi c a l d a m p e rm a g i c f o r m u l aw a s o b t a i n e db y di r e c t i n v e r s e t h r u s t ．I n t h e s i m u l a t i o n s ,w h e nt h em a g n e t o r h e o l o g i c a l d a m p e rm a gi c f o r m u l a p o s i t i v ea n d i n v e r s em o d e l s r e a l i z e dt h ee x p e c t e dd a m p i n g f o r c e so f t h eA D Dc o n t r o l s t r a t e g y ,t h ea v e r a gee r r o r s a r e３．６７％．I n t h eb e n c h t e s t ,t h e a p p l i c a t i o n s o f t h e i n v e r s em o d e l o f t h em a g n e t o r h e o l o g i c a l d a m p e rm a gi c f o r m u l a r e d u c e s t h eb o d y ac c e l e r a t i o no f ６．２７％a nd re a l i z e t h e c o n t r o l ef f e c t i v e n e s s o f t h e n e wc o n t r o l s t r a t e Ｇg y ．F i n a l l y ,th em a g n e t o r h e o l o gi c a l d a m p e rm a g i c f o r m u l am o d e l w a s s u c c e s s f u l l y a p pl i e d t o t h e s e m i Ｇa c t i v e c o n t r o l s u s p e n s i o n s y s t e ms i m u l a t i o n a n db e n c h t e s t ．T h e r e s e a r c ho nm a g n e t o r h e o l o g i c a l s e m i Ｇa c t i v e s u s p e n s i o nc o n t r o l s y s t e mh a s s t r o n gp r a c t i c a l s i gn i f i c a n c e ．K e y wo r d s :m a g n e t o r h e o l o g i c a l d a m p e r ;m a g i c f o r m u l a m o d e l ;r e v e r s em o d e l o f t h em a g i c f o r Ｇm u l a ;a c c e l e r a t i o nd r i v e nd a m p e r (A D D )c o n t r o l s t r a t e g y;b e n c h t e s t 收稿日期:２０１９０６１７基金项目:国家自然科学基金资助项目(５１５０５２４４);山东省重点研发计划资助项目(２０１８G G X １０５００９)０㊀引言磁流变减振器具有在通电磁场下改变阻尼系数的功能,且其动态可调范围大㊁响应速度快㊁功率要求低,因此,安装了磁流变减振器的半主动悬架逐渐成为研究热点.磁流变悬架控制器根据半主动控制策略计算出所需的阻尼力,通过磁流变减振器逆模型得到控制电流,实现对减振器的控制.在建立这种高度非线性逆模型之前,需要对磁流变减振器的正向动力学特性进行较高精度的建模.通过建立面向控制且精确的磁流变减振器正逆动力学模型,密切跟踪半主动悬架控制策略得出的期望阻尼力,才能尽可能实现磁流变半主动悬架理想的控制效果.正向模型表征磁流变减振器的非线性滞回特性,根据激励电流和活塞相对运动状态来计算输出阻尼力.国内外研究人员提出了多种正向模９５６１中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.型,如目前广泛应用于描述磁流变减振器滞回特性的B o u c ＧW e n 模型[１Ｇ３]和基于动力学的L u G r e 模型等.B o u c ＧW e n 滞回算子最先是由B O U C [４]在分析描述平滑滞回模型时提出的,之后W E N [５]对其进行了改进和推广.S P E N C E R 等[６]采用B o u c ＧW e n 滞回算子描述磁流变减振器的滞回特性.但在速度绝对值较小㊁速度与加速度符号相反的阻尼力速度特性区域,B o u c ＧW e n模型不能很好地描述该区域的阻尼力衰减特性.C A N UD A S ＧDE ＧW I T 等[７]㊁L I S C H I N S K Y 等[８]提出了可用于描述摩擦系统的L u G r e 动力学模型.J I MN E Z 等[９Ｇ１０]提出了修正的磁流变减振器L u G r e 模型.为了便于建立磁流变减振器逆模型,S A K A I 等[１１]进一步修改了L u G r e 模型.然而,在零速度区域附近,实验数据和L u G r e 模型响应之间存在较大误差.磁流变减振器逆模型往往需要在正模型的基础上进行建模,根据控制算法所得的期望阻尼力和活塞相对运动状态计算控制电流.T S A N G等[１２]对B o u c ＧW e n 模型作了适当简化,提出了一种逆向动力学模型的建模方法,釆用指数函数的形式来描述屈服阻尼力与控制电流的关系,由此得到控制电流的解析解.B AHA R 等[１３]提出了另一种简化方法,将模型中的部分变量简化为与速度相关的符号函数.上述两个简化过程虽然易于逆向建模,但都忽略了阻尼器的滞回效应,导致低速时的预测电流精度较差.S A K A I 等[１１]简化了L u G r e 模型中相关变量与输入电流之间的关系,得到了磁流变阻尼器逆模型的解析解,该逆模型在低速时对控制电流的预测具有较高的计算精度,但内部变量的求逆过程较为困难.薛兵等[１４]提出用魔术公式描述磁流变减振器运动过程中产生的剪切及屈服应力的剪切项,建立了磁流变减振器滞回特性魔术公式模型.该模型形式简单㊁参数一致且参数物理意义明确,方便用于半主动悬架系统动力学分析与控制器开发.本文基于磁流变减振器滞回特性魔术公式,进一步提出磁流变减振器魔术公式逆模型,并应用于１/４车辆磁流变半主动悬架系统仿真及台架实验中.１㊀磁流变减振器魔术公式模型介绍薛兵等[１４]通过对磁流变减振器的运动学和流变学分析,将减振器的作用力分为剪切项㊁黏性项㊁摩擦项㊁弹性项和惯性项,如图１所示.磁流变减振器模型表达式为F ＝f ＋k (x －x ０)＋cx＋n x ㊆＋F b (１)图１㊀魔术公式模型F i g ．１㊀M a gi c f o r m u l am o d e l 式中,F 为减振器输出阻尼力,N ;f 为摩擦力,N ;k 为刚度系数;c 为黏性系数;n 为惯性系数;F b 为剪切项,N ;x ㊁x㊁x ㊆分别为减振器相对运动位移㊁速度㊁加速度,单位分别为mm ㊁mm /s ㊁mm /s ２;x ０为减振器活塞初始位移,mm .对于其中表征磁流变液特性的剪切项,使用魔术公式进行描述:F b ＝D s i n {C a r c t a n B [(１－E )x＋E Ba r c t a n (B x)]}(２)式中,D ㊁C ㊁B ㊁E 分别为峰值因子㊁形状因子㊁刚度因子和曲率因子.变化魔术公式中的系数可以适应不同使用工况.该模型形式简单㊁参数一致且参数物理意义明确,磁流变魔术公式模型中与电流有关的参数较少,大大简化了辨识过程,更适合半主动悬架控制器的开发.２㊀减振器特性实验实验采用图２所示减振器动态特性测量系统和某款车型原装磁流变减振器.实验时,控制电流选择０㊁０．４A ㊁０．８A ㊁１．２A ㊁１．６A 和２．０A 六种情况,激振行程及频率的选择见表１.图２㊀减振器特性实验台F i g ．２㊀D a m p e r c h a r a c t e r i s t i c s t e s tb e n c h 表１㊀磁流变减振器特性实验方案T a b ．１㊀M a g n e t r h e o l o g i c a l d a m pe r c h a r a c t e r i s t i c t e s t s c h e m e行程(m )频率(H z)０．０２０．２,０．４,１．２,２．４,３．２,４．００．０３０．２,０．４,１．２,２．４,３．２,４．００．０４０．２,０．４,１．２,２．４,３．２,４．００．０５０．２,０．４,１．２,２．４,３．２,４．００６６１中国机械工程第３１卷第１４期２０２０年７月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.３㊀参数辨识使用实验所得减振器特性数据进行参数辨识,其中２．４H z 激振频率下得到的实验数据用于验证模型的准确性,不参与参数辨识.使用MA T L A B 优化工具箱,采用无约束非线性优化算法进行参数辨识,与电流㊁行程等无关的参数辨识结果如下:f ＝１００．３６N c ＝９１０．９N /(m s－１)k x ０＝－４２７N}(３)魔术公式表示的剪切项中,各参数随控制电流的变化而变化,若各参数均考虑控制电流的影响,会使模型更加复杂,同时逆模型难以得到解析解,故需对模型适当简化.分析辨识结果可知,参数B ㊁C 和E 随电流变化的程度并不大,如图３~图５所示,可简化为不依赖电流的定值,取B ＝０．００３７６７,C ＝１．７７５,E ＝１．２９５２.图３㊀参数B 辨识结果F i g．３㊀P a r a m e t e r B i d e n t i f i c a t i o n r e s u l t s 图４㊀参数C 辨识结果F i g．４㊀P a r a m e t e r C i d e n t i f i c a t i o n r e s u l t s 图５㊀参数E 辨识结果F i g．５㊀P a r a m e t e r E i d e n t i f i c a t i o n r e s u l t s 由图６可知,参数D 随电流的变化程度较大,需建立参数D 和控制电流I 的关系.对辨识结果进行数据拟合,得到参数D 和控制电流I 的关系:D ＝－８５．６１I ３＋３７１．９I ２＋３１．９８I (４)根据已获得的各参数辨识结果和实验数据,图６㊀参数D 辨识结果F i g．６㊀P a r a m e t e r D i d e n t i f i c a t i o n r e s u l t s 进一步可辨识得到弹性项刚度系数k ＝２．７３２N /mm ,惯性项系数n ＝１．７５３N /(m s －２).使用２．４H z 激振频率得到的实验数据验证磁流变减振器魔术公式模型的有效性,磁流变减振器实验所得速度特性和模型所得速度特性对比如图７所示.２．４H z 激振各电流下模型拟合实验数据的误差如图８所示.由图８可知,模型误差基本保持在８％以内.使用误差e 定量表示模型的精度,有e ＝|F m －F tF t|(５)式中,F m 为模型输出的阻尼力;F t 为实验得到的阻尼力.图７㊀２．４Hz 激振各电流下模型拟合实验数据速度特性F i g ．７㊀V e l o c i t y c h a r a c t e r i s t i c s o fm o d e l f i t t i n gt e s t d a t a u n d e r ２．４H z e x c i t a t i o n c u r r e n t图８㊀２．４H z 激振各电流下模型拟合实验数据误差F i g ．８㊀E r r o r o fm o d e l f i t t i n gt e s t d a t a u n d e r ２．４H z e x c i t a t i o n c u r r e n t４㊀逆模型的建立悬架控制器根据控制算法计算出的期望阻尼力给被控减振器一个准确电流指令.磁流变减振器逆模型即表示期望阻尼力和激励电流之间的非线性关系.因在磁流变减振器魔术公式模型辨识的过程中做了适当简化,其中仅参数D 与电流有１６６１磁流变减振器魔术公式模型在悬架控制中的应用张丽霞㊀庞齐齐㊀潘福全等中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.关,故可以直接逆推得到逆模型.本文不求解I 和D 的解析关系,根据式(４)建立一个分段函数I ＝H (D ),如图９所示,限定控制电流I ɪ[０,２]A .用分段函数的形式表示I ＧD关系,相当于在控制过程中采用局部查表的方法,可以提高程序运行的速度;分段函数中控制电流的分辨率为０．１A ,在降低控制电流变化频率的同时并不会对期望输出阻尼力产生显著的影响.磁流变减振器魔术公式逆模型如下:I ＝H (D )D ＝F b s i n {C a r c t a n B [(１－E )x ＋E /B a r c t a n (B x )]}F b ＝F －[f ＋k (x －x ０)＋c x ＋n x ㊆]üþýïïïï(６)图９㊀参数D 与控制电流关系F i g ．９㊀R e l a t i o n s h i p be t w e e n p a r a m e t e r D a n d c o n t r o l c u r r e n t５㊀仿真研究根据上文得到的磁流变减振器魔术公式正向及逆向动力学模型,在MA T L A B /S i m u l i n k 中建立二自由度１/４车辆磁流变半主动悬架系统仿真模型,如图１０所示,悬架系统主要参数见表２.表２㊀悬架系统参数T a b ．２㊀S u s p e n s i o n s ys t e m p a r a m e t e r s 簧上质量(k g )５００簧下质量(k g)５０弹簧刚度(N /mm )４２．１轮胎刚度(N /mm )４９１．５８㊀㊀使用加速度驱动阻尼控制(a c c e l e r a t i o nd r i ve nd a m pe r c o n t r o l ,A D D )策略,其数学表达式如下:c s ＝c m a x ㊀㊀x ㊆s (x s －xt )＞０c m i n其他{(７)式中,c s 为控制策略计算阻尼系数;c m a x ㊁c m i n 分别为最大㊁最小阻尼系数;xs 为簧上质量垂向运动速度;xt 为簧下质量运动速度.由图１０可知,A D D 控制策略根据车身加速度和悬架系统相对速度信号得到期望阻尼力.磁流变减振器魔术公式逆模型根据期望阻尼力㊁悬图１０㊀磁流变半主动悬架系统仿真模型F i g ．１０㊀S i m u l a t i o nm o d e l o fm a g n e t o r h e o l o g i c a l s e m i Ｇa c t i v e s u s p e n s i o n s ys t e m 架系统相对速度及动挠度信号计算出实现期望阻尼力所需的控制电流.磁流变减振器魔术公式正模型根据控制电流㊁相对速度及动挠度信号计算出模拟实际磁流变减振器输出阻尼力并输入悬架系统模型中,从而实现完整的磁流变半主动悬架系统仿真模型.选择B 级路面进行随机路面激励仿真,设定车速为３６k m /h .磁流变减振器魔术公式逆模型输出控制电流如图１１所示,磁流变减振器魔术公式正模型输出模拟实际输出阻尼力和由A D D 控制策略给出的期望阻尼力对比如图１２所示.对模拟实际阻尼力和期望阻尼力进行误差分析,如图１３所示,可知减振器模型实现期望阻尼力的最大误差为１６％左右,误差平均值为３．６７％.悬架系统对车辆乘坐舒适性㊁操纵稳定性和安全性有重要影响,常以车身加速度㊁悬架动挠度和轮胎动载荷作为评价悬架系统性能的指标.根据实验得到的磁流变减振器阻尼力可调范围,选择一个适中的恒定阻尼系数c ０＝２０００N /(m s －１)建立二自由度１/４车辆被动悬架系统仿真模型.使用相同的随机路面激励工况,对比磁流变半主动悬架和被动悬架系统性能表现,如图１４~图１６２６６１中国机械工程第３１卷第１４期２０２０年７月下半月中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.图１１㊀控制电流F i g．１１㊀C o n t r o l c u r r e n t 图１２㊀期望及模拟实际阻尼力对比F i g ．１２㊀C o m p a r i s o no f e x pe c t e da n d s i m u l a t e d a c t u a l d a m p i n g fo r c e s 图１３㊀减振器模型实现期望阻尼力的误差F i g ．１３㊀E r r o r o f t h e d a m pe rm o d e l t o a c h i e v e t h e d e s i r e dd a m p i n gf o r c e 及表３所示.由表３可知,A D D 控制下的磁流变半主动悬架系统对车身加速度代表的车辆的乘坐舒适性有较明显的改善,而对操纵稳定性和安全性不利.图１４㊀半主动与被动悬架车身加速度仿真结果F i g ．１４㊀S e m i Ｇa c t i v e a n d p a s s i v e s u s p e n s i o nb o d ya c c e l e r a t i o n s i m u l a t i o n r e s u l ts图１５㊀半主动与被动悬架动挠度仿真结果F i g ．１５㊀S i m u l a t i o n r e s u l t s o f d yn a m i c d e f l e c t i o no f s e m i Ｇa c t i v e a n d p a s s i v e s u s pe n s i o n 图１６㊀半主动与被动悬架轮胎动载荷仿真结果F i g ．１６㊀S i m u l a t i o n r e s u l t s o f t i r e d yn a m i c l o a d s o f s e m i Ｇa c t i v e a n d p a s s i v e s u s pe n s i o n 表３㊀随机路面激励各评价指标均方根值T a b ．３㊀R M S v a l u e o f e a c h e v a l u a t i o n i n d e x o f r a n d o mr o a d e x c i t a t i o n评价指标半主动被动相对变化率(％)车身加速度(m /s２)０．４４７９０．４９９８１０．３８轮胎动载荷(N )６３３．３１０１５６５．３５５７１２．０１悬架动挠度(mm )４．４３．６２２．００６㊀台架实验６．１㊀实验设备通过磁流变半主动悬架系统台架实验,将磁流变减振器魔术公式模型应用于实际磁流变半主动控制中.台架实验在磁流变半主动悬架控制算法验证平台上进行,如图１７所示,它主要由１/４车辆悬架系统模型㊁磁流变减振器㊁传感器㊁激振系统㊁T e s t ．L a b 实验测试系统和快速原型控制器等组成.６．２㊀半主动控制程序快速原型控制器拥有基于S i m u l i n k 的驱动程序库,可在S i m u l i n k 环境中建立完整的控制程序.在S i m u l i n k 中建立的包含底层输入㊁输出驱动程序㊁A D D 控制策略和磁流变减振器魔术公式逆模型的磁流变半主动悬架控制程序如图１８所示.簧上质量加速度传感器及车身高度传感器信号分别通过 A D 采集模块进入主控制程序;A D D３６６１磁流变减振器魔术公式模型在悬架控制中的应用张丽霞㊀庞齐齐㊀潘福全等中国机械工程h tt p://ww w.cm em o .or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.图１７㊀磁流变半主动悬架控制算法验证平台F i g ．１７㊀M a g n e t o r h e o l o g i c a l s e m i Ｇa c t i v e s u s pe n s i o n c o n t r o l a l go r i t h mv e r i f i c a t i o n p l a t f o r m 控制策略根据簧上质量加速度信号和悬架系统相对运动速度信号计算出期望阻尼力;磁流变减振器逆模型根据期望阻尼力和悬架系统相对运动速度及位移信号计算得出磁流变减振器实现期望阻尼力所需的控制电流;控制电流通过 P WM O u t Ｇpu t 输出驱动程序模块输入磁流变减振器,从而改变减振器阻尼系数,实现半主动控制.将建立的控制程序编译载入控制器中,即可开始悬架系统半主动控制激振实验.６．３㊀实验工况选择B 级随机路面激励,分别对安装有被动阻尼器(图１９)和磁流变减振器(图２０)的被动悬架和半主动悬架进行激振实验.其中,磁流变阻图１８㊀磁流变半主动悬架控制程序F i g ．１８㊀M a g n e t o r h e o l o g i c a l s e m i Ｇa c t i v e s u s p e n s i o n c o n t r o l p r o gr a m ㊀图１９㊀被动减振器㊀㊀㊀图２０㊀磁流变减振器F i g ．１９㊀P a s s i v e d a m pe r ㊀F i g ．２０㊀M a g n e t o r h e o l o gi c a l d a m pe r 尼器可实现的最小阻尼系数约为被动阻尼器的０．５倍,最大阻尼系数约为被动阻尼器的２倍.６．４㊀实验结果分析鉴于实验设备的局限性,无法获得车轮动载荷或轮胎变形的信号,故只给出车身加速度和悬架动挠度的实验结果,如图２１㊁图２２所示.随机路面激励各评价指标均方根值见表４.由表４可知,使用A D D 控制策略和磁流变减振图２１㊀车身加速度实验结果F i g ．２１㊀B o d y ac c e l e r a t i o n t e s t r e s u l ts 图２２㊀悬架动挠度实验结果F i g ．２２㊀S u s p e n s i o nd yn a m i c d e f l e c t i o n t e s t r e s u l t s４６６１中国机械工程第３１卷第１４期２０２０年７月下半月中国机械工程h tt p://ww w.cm em o .o r g.cn公众号：t r a n s -c me sCopyright©博看网 . All Rights Reserved.器魔术公式逆模型控制的磁流变半主动悬架相对于被动悬架,车身加速度降低了６．２７％,悬架动挠度增加了２．６％.和仿真结果相比,虽然性能变化程度不同,但车辆乘坐舒适性的提高对操纵稳定性和安全性不利的结论是一致的.这说明磁流变减振器逆模型在半主动悬架台架实验的应用过程中实现了A D D 控制的效果.表４㊀随机路面激励各评价指标均方根值T a b ．４㊀R M S v a l u e o f e a c h e v a l u a t i o n i n d e x o f r a n d o mr o a d e x c i t a t i o n评价指标半主动被动相对变化率(％)车身加速度(g )０．０５０８０．０５４２６．２７悬架动挠度(mm )０．５４６８０．５３２９２．６０７㊀结论(１)仿真过程中,磁流变减振器魔术公式正逆模型实现A D D 控制策略给出的期望阻尼力的最大误差为１６％,误差平均值为３．６７％,该模型较好地实现了期望阻尼力,提高了车辆乘坐舒适性.(２)台架实验中,A D D 控制策略给出期望阻尼力,通过磁流变减振器魔术公式逆模型得出控制电流,以实现对减振器的控制,相对于被动悬架,车身加速度降低了６．２７％,悬架动挠度增大了２．６％.(３)在仿真和台架实验中,磁流变减振器魔术公式模型的应用均实现了A D D 控制策略,有利于提升车辆悬架系统舒适性的效果.本文通过对磁流变减振器魔术公式模型的应用研究,为磁流变半主动悬架实现理想的控制效果做出了有益的探索.参考文献:[１]㊀W E B E RF ．B o u c ＧW e n M o d e l Ｇb a s e dR e a l Ｇt i m eF o r c eT r a c k i n g S c h e m e f o rM R D a m pe r s [J ]．S m a r tM a Ｇt e r i a l s a n dS t r u c t u r e s ,２０１３,２２(４):０４５０１２．[２]㊀M I A H MS ,C H A T Z IE N ,D E R T I M A N I SV K ,e ta l ．N o n l i n e a rM o d e l i n g o f aR o t a t i o n a lM RD a m p e r v i a a nE n h a n c e d B o u c ＧW e n M o d e l [J ]．S m a r t M a t e r i a l sa n dS t r u c t u r e s ,２０１５,２４(１０):１０５０２０．[３]㊀C H E NP ,B A I XX ,Q I A NLJ ,e t a l ．A nA p pr o a c h f o r H y s t e r e s i s M o d e l i n g B a s e do nS h a peF u n c t i o n a n d M e m o r y Me c h a n i s m [J ]．I E E E /A S M E T r a n s Ｇa c t i o n s o n M e c h a t r o n i c s ,２０１８,２３(３):１２７０Ｇ１２７８．[４]㊀B O U C R．A M a t h e m a t i c a l M o d e lf o r H ys t e r e s i s [J ]．A c t aA c u s t i c aU n i t e dw i t hA c u s t i c a ,１９７１,２４(１):１６Ｇ２５．[５]㊀W E N Y K．M e t h o d f o rR a n d o m V i b r a t i o no fH ys Ｇt e r e t i cS y s t e m [J ]．J o u r n a l o f t h eE n g i n e e r i n g M e Ｇc h a n i c sD i v i s i o n ,１９７６,１０２(２):２４９Ｇ２６３．[６]㊀S P E N C E RBF ,D Y K ES J ,S A I N M K ,e t a l ．P h e Ｇn o m e n o l o g i c a lM o d e l f o rM a g n e t o r h e o l o g i c a l D a m pＧe r s [J ]．J o u r n a lo fE n g i n e e r i n g Me c h a n i c s ,１９９７,１２３(３):２３０Ｇ２３８．[７]㊀C A N U D A S ＧD E ＧW I TC ,O L S S O N H ,A S T R OM KJ ,e t a l ．A N e w M o d e l f o rC o n t r o l o fS ys t e m sw i t h F r i c t i o n [J ]．I E E ET r a n s a c t i o n s o nA u t o m a t i cC o n Ｇt r o l ,１９９５,４０(３):４１９Ｇ４２５．[８]㊀L I S C H I N S K Y P ,C A N U D A S ＧD E ＧW I T C ,MO ＧR E L G．F r i c t i o n C o m pe n s a t i o nf o ra n I n d u s t r i a l H y d r a u l i cR o b o t [J ]．I E E EC o n t r o l S ys t e m s ,１９９９,１９(１):２５Ｇ３２．[９]㊀J I MN E ZR ,A L V A R E ZL ．R e a l T i m e I d e n t i f i c a t i o no f S t r u c t u r e s w i t h M a g n e t o r h e o l o g i c a l D a m p e r s [C ]ʊP r o c e e d i n gso f t h e４１s t I E E E C o n f e r e n c eo n D e c i s i o na n dC o n t r o l ．L a sV e ga s ,２００２:１０１７Ｇ１０２２．[１０]㊀J I MN E ZR ,A L V A R E ZL ．L u G r eF r i c t i o n M o d e lf o ra M ag n e t o rh e o l o gi c a lD a m p e r [J ]．S t r u c t u r a l C o n t r o l&H e a l t h M o n i t o r i n g,２０１０,１２(１):９１Ｇ１１６．[１１]㊀S A K A IC ,OHMO R IH ,S A N O A．M o d e l i n g of M R D a m p e rw i t h H y s t e r e s i sf o rA d a pt i v e V i b r a Ｇt i o nC o n t r o l [C ]ʊ４２n dI E E EI n t e r n a t i o n a lC o n Ｇf e r e n c e o n D e c i s i o n a n d C o n t r o l ．M a u i ,２００４:３８４０Ｇ３８４５．[１２]㊀T S A N G H H ,S U R K L ,C HA N D L E R A M．S i m p l i f i e d I n v e r s eD y n a m i c s M o d e l s f o rM RF l u i d D a m p e r s [J ]．E n g i n e e r i n g S t r u c t u r e s ,２００６,２８(３):３２７Ｇ３４１．[１３]㊀B A HA R A ,P O Z OF ,A C HOL ,e t a l ．H i e r a r c h i Ｇc a l S e m i Ｇa c t i v eC o n t r o l o fB a s e Ｇi s o l a t e dS t r u c t u r e s U s i n g aN e wI n v e r s eM ode l o fM a g n e t o r h e o l o g i c a l D a m p e r s [J ]．C o m pu t e r s &S t r u c t u r e s ,２０１０,８８(７/８):４８３Ｇ４９６．[１４]㊀薛兵,杜永昌,刘源,等．基于机理的磁流变减震器滞回特性魔术公式模型[J ]．振动工程学报,２０１７,３０(５):７７４Ｇ７８０．X U EB i n g ,D U Y o n g c h a n g,L I U Y u a n ,e ta l ．A M e c h a n i s m Ｇb a s e d M a g i cF o r m u l a M o d e l f o r H ys Ｇt e r e t i c C h a r a c t e r i s t i c s o f M a g n e t o R h e o l o g i c a l D a m p e r [J ]．J o u r n a lo f V i b r a t i o n E n g i n e e r i n g,２０１７,３０(５):７７４Ｇ７８０．(编辑㊀陈㊀勇)作者简介:张丽霞,女,１９７８年生,副教授.研究方向为汽车系统动力学及控制等.E Ｇm a i l :z l x z h a n gl i x i a ＠１６３．c o m .５６６１磁流变减振器魔术公式模型在悬架控制中的应用张丽霞㊀庞齐齐㊀潘福全等中国机械工程h tt p://ww w.cm em o.or g.cn公众号：t ra ns -c me sCopyright©博看网 . All Rights Reserved.。

关于磁流变阻尼器神经网络模型的设计分析

ห้องสมุดไป่ตู้
上接Ｐ６Ｉ
式的接入电话，他真，Ｅｉ，ｂ，ＩｍａｌＷｅＶｏＰ等等。因此，再用电话与客户互动而是通过多媒体方式与客厂进行交流。］在未柬的我同市场上，互联网呼叫中心，多媒体，ｎｑ心，以及虚拟呼叫中心将随着企业ｆｑ￣－对呼叫｜Ｉ心的要求越来越高而不断的发展并成为市场＿流。另外，未来呼叫中心将在语音，数据：和视频等信息｝术上钉所突破，从而使呼叫中心主在功能更加完善。总之，来的呼叫中心肯定未更方便的实现 №与客户的互动。
一
。摘要神经网络在控制领域受到重视主
和神经网络控制力输入ＭＲ阻尼器逆向神经网络模型，产生的输出就是在当时的结构响应条件下，为了使ＭＲ阻尼器产生与理想控制力一致的阻尼力所需要的输入电压，该电压输入给ＭＲ阻尼器使之产生近似干理想的控制力作用在不确定因素时，更体现了神经网络方法的优到结构上，从而降低结构响应，实现结构控制
【何玉彬，李新忠．３】神经网络控制技术魇其应
用［．Ｍ］北京：科学出版社，２０００曩『周丽，４１张志成．基于磁流变阻尼器的结构振动比化控制团．动工程学报，０，（：９１３振２３６１１￣１０ｌ）０
，
・＿赠豳＿＿黼黼嘲＿＿＿—— —＿・－
关于磁流变阻尼器神经网络模型的设计分析
刘焊中中国建设银行黑龙江分行香坊支行同济大学软件工程硕士在读研究生
白噪声的加速度功率密度模型生成的人工模拟地震波ｂ作用时由神经网ＮＮＩ输出的结构２层的仿移、速度预测响应及由神经网络控制器所输出的｝经网络控制力输入ＭＲ申阻尼器逆向神经网络模型中，设ＭＲ阻尼器的初始电压输入为１５Ｖ。．住本文算例中神经网络ＭＲ阻尼器控制对顶层位移峰值减震率达到７．％。该控制策略８６对控制地震激励下的加速度响应取得了比较好的效果。本文提 … ・种基于人工神经网络的ＭＲ阻尼器系统辨识和半主动控制方法，利用基于神经网络理论的系统辨识方法对ＭＲ阻尼器进行了逆动态特性辨识、建立辨识器模型对结构进行地震响预测，并利用神经网络控制方法建立起ＭＲ阻尼器半主动控制律，实现结构振动响应的实时控制。由仿真结果可以看出该控制方法可以有效的控制结构的顶层加速度响应，克服了｝皮动控制策略对加速度的控制欠佳的缺点。仿真分析验证了本文所提出的ＭＲ阻尼器逆特性智能辨ｉ｛型、神经网络半主动控制策｝模略、结构响应预沏怕Ｊ，仃效性。

基于神经网络的震动信号识别方法研究

基于神经网络的震动信号识别方法研究随着工业自动化的不断发展，许多机器设备的运行状态需要进行实时监测，以确保其正常运行，确保生产的安全性和高效性。

其中最重要的一项任务就是在机器设备运行状态发生变化时进行准确、及时地识别。

然而，传统的运行状态监测技术通常只能通过数据采集和分析完成，这需要专业的人员进行分析，而且需要时间长、效率低。

为了解决这一问题，研究人员开发了基于神经网络的震动信号识别方法，以提高运行状态监测的准确性和效率。

一. 神经网络的基本原理神经网络是一种模拟大脑神经元之间信息交换和传递方式的计算模型。

它由大量的神经元和连接它们的突触构成，可以接受多个输入并通过相应的计算输出结果。

神经网络可以通过训练来改善其性能，使其能够通过不断学习和自我调整来提高其性能。

二. 震动信号的识别方法震动信号识别方法是一种有效的运行状态监测技术，它通过采集设备的震动信号并将其转换为数字信号，然后通过分析和处理数据来识别机器设备的运行状态。

这种方法可以区分设备的正常运行状态和故障状态，有助于提高设备的保护和维护。

在震动信号的识别方法中，信号处理和特征提取是关键。

首先，需要对采集到的震动信号进行预处理，以消除干扰信号，并对信号进行滤波和降噪处理。

然后，需要使用一些特征提取器来提取信号中的有效特征，以便进行分类和识别。

这些特征包括时间域特征、时频域特征和峰值特征等。

三. 神经网络在震动信号识别中的应用随着神经网络技术的发展，越来越多的研究人员将其应用于震动信号的识别中。

通过采用适当的神经网络模型和算法，可以有效地识别设备的运行状态，提高监测的准确性和效率。

基于神经网络的震动信号识别方法首先需要进行数据预处理，对采集到的震动信号进行滤波和降噪处理，然后提取信号的有效特征。

通常可以利用小波变换、峰值提取或其他特征提取器来提取信号特征。

然后，采用适当的神经网络模型进行训练，以获得高精度的分类模型。

常用的神经网络模型包括BP神经网络、RBF神经网络、CNN神经网络等。

磁流变阻尼器非参数化模型泛化能力的提高

磁流变阻尼器非参数化模型泛化能力的提高陈昭晖;倪一清【摘要】建立磁流变阻尼器的动态模型以描述其强非线性动力学行为是智能磁流变控制系统设计及应用的关键环节之一.泛化能力是衡量基于人工神经网络技术的磁流变阻尼器非参数化模型性能的重要指标,也是保证控制系统稳定性和可靠性的重要因素.基于磁流变阻尼器的动力学试验数据,提出贝叶斯推理分析框架下的非线性自回归(non-linear autoregressive with exogenous inputs,NARX)神经网络技术建立磁流变阻尼器的动态模型,通过网络结构优化和正则化学习算法的结合以有效地提高模型的预测精度和泛化能力.研究结果表明,基于贝叶斯推理的NARX网络模型能够准确地预测磁流变阻尼器在周期和随机激励下的非线性动态行为,同时验证了该模型相比于非正则化模型在泛化性能方面的优越性,因此,有利于实现磁流变控制系统的实时、鲁棒智能化控制.%The dynamic modeling for magnetorheological (MR) dampers to describe their highly nonlinear dynamic characteristics is essential for the design and implementation of a smart MR control system.One critical concern in constructing a nonparametric MR damper model by employing the artificial neural network technique is its generalization capability,which is also significant to guarantee the stability and reliability of the MR control system.The paper presents the modeling of MR dampers with the employment of the NARX (nonlinear autoregressive with exogenous inputs) network technique within a Bayesian inference framework,and addresses the enhancement of model prediction accuracy and generalization capability in terms of the network architecture optimization and regularized networklearning algorithm.The Bayesian regularized NARX network model for the MR damper is demonstrated to outperform the non-regularized network model with the superior prediction and generalization performance in the scenarios of harmonic and random excitations.Therefore,the proposed model with enhanced generalization is beneficial to realize the real-time and robust smart control of MR systems.【期刊名称】《振动与冲击》【年(卷),期】2017(036)006【总页数】7页(P146-151,167)【关键词】磁流变阻尼器;非参数化模型;NARX神经网络;贝叶斯正则化;泛化能力【作者】陈昭晖;倪一清【作者单位】福州大学土木工程学院,福州350116;香港理工大学土木及环境工程学系,香港【正文语种】中文【中图分类】TU352;TB535智能材料的发展为结构振动控制开辟了新天地，推动着结构控制往智能化方向发展。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ａｎｄｃｏｍｐａｒｅｄｗｉｔｈｍｏｄｅｌｓｂａｓｅｄｏｎｂａｃｋｐｒｏｐａｇａｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＢＰＮＮ）．Ｔｈｅｒｅｓｕｈｓｓｈｏｗｔｈａｔｂｙｒｅａｓｏｎａｂｌｙ
２０１３年（第３５卷）第７期
汽车工程ＡｕｔｏｍｏｔｉｖｅＥｎｇｉｎｅｅｒｉｎｇ
２０１３（Ｖｏ１．３５）Ｎｏ．７ Байду номын сангаас
２０１３１１６
基于广义回归神经网络的磁流变减振器模型辨识木
ｃｈａｒａｃｔｅｉｒｓｔｉｃｓｄａｔａｏｂｔａｉｎｅｄｉｎｂｅｎｃｈｔｅｓｔ，ｂｏｔｈｆｏｒｗａｒｄａｎｄｉｎｖｅｒｓｅＧＲＮＮ— ｂａｓｅｄｍｏｄｅｌｓｆｏｒＭＲｄａｍｐｅｒａｒｅｂｕｉｈ
［Ａｂｓｔｒａｃｔ］Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｎｏｎｌｉｎｅａｒｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍａｇｎｅｔｏ－ｒｈｅｏｌｏｇｉｃａｌ（ＭＲ）ｄａｍｐｅｒ，ａｍｏｄｅｌｉｄｅｎｔｉ－
模型进行比较。结果表明：通过合理选取网络变量并优化光滑因子，ＧＲＮＮ模型能准确预测磁流变减振器的阻尼力
和控制电流，其正、逆模型辨识精度优于ＢＰＮＮ模型。此外，ＧＲＮＮ还具有结构简单、快速收敛等特点，为磁流变减
振器的准确建模与控制提供了重要手段。
Ｉｎａｄｄｉｔｉｏｎ，ＧＲＮＮｉｓａｌｓｏｓｉｍｐｌｅｉｎｓｔｒｕｃｔｕｒｅａｎｄｆａｓｔｉｎｃｏｎｖｅｒｇｅｎｃｅ，ｐｒｏｖｉｄｉｎｇａｎｉｍｐｏｒｔａｎｔｍｅａｎｓｏｆａｃｃｕｒａｔｅ
ｍｏｄｅｌｉｎｇａｎｄｃｏｎｔｒｏｌｆｏｒＭＲｄａｍｐｅｒ．
．
Ｋｅｙｗｏｒｄｓ：ＭＲｄａｍｐｅｒ；ｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ；ｂａｃｋｐｒｏｐａｇａｉｔｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ；
ＷａｎｇＫａｎ。ＺｈｅｎｇＬｉｎｇ＆ＬｉｕＦｅｉ
ＣｈｏｎｇｑｉｎｇＵｎｉｖｅｎｉｔｙ，ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｅｃｈａｎｉｃａｌＴｒａｎｓｍｉｓｓｉｏｎ，Ｃｈｏｎｇｑｉｎｇ４０００３０
ｉｎｇｆｏｒｃｅａｎｄｔｈｅｃｏｎｔｒｏｌｃｕｒｒｅｎｔｏｆＭＲｄａｍｐｅｒｗｉｔｈｍｏｄｅｌｉｄｅｎｔｉｉｃｆａｔｉｏｎａｃｃｕｒａｃｙｈｉｇｈｅｒｔｈａｎＢＰＮＮ— ｂａｓｅｄｍｏｄｅｌｓ．
王戡，郑玲，刘非
４０００３０）（重庆大学，机械传动国家重点实验室，重庆
’［摘要］根据磁流变减振器的非线性特性，提出磁流变减振器广义回归神经网络（ＧＲＮＮ）模型辨识方法，利用台架试验获取的力学特性数据，建立磁流变减振器广义回归神经网络正、逆模型，并与反向传播神经网络（ＢＰＮＮ）
ｉｆｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｇｅｎｅｒａｌｉｚｅｄｒｅｇｒｅｓｓｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ（ＧＲＮＮ）ｉｓｐｒｏｐｏｓｅｄ．Ｂｙｕｓｉｎｇｔｈｅｍｅｃｈａｎｉｃａｌ
关键词：磁流变减振器；广义回归神经网络；反向传播神经网络；模型辨识
ＭｏｄｅｌＩｄｅｎｔｉｆｉｃａｔｉｏｎｏｆＭＲＤａｍｐｅｒＢａｓｅｄｏｎＧｅｎｅｒａｌｉｚｅｄＲｅｇｒｅｓｓｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ
ｓｅｌｅｃｔｉｎｇｎｅｔｗｏｒｋｖａｉａｒｂｌｅｓａｎｄｏｐｔｉｍｉｚｉｎｇｓｍｏｏｔｈｆａｃｔｏｒｓ，ｔｈｅＧＲＮＮ・ｂａｓｅｄｍｏｄｅｌｃａｎａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｄａｍｐ－