基于智能算法的高层建筑非线性地震反应的MR阻尼器半主动控制

第25卷第1期 V ol.25 No.1 工 程 力 学 2008年 1 月 Jan. 2008 ENGINEERING MECHANICS209———————————————收稿日期：2006-06-02；修改日期：2006-11-22作者简介：*徐晓龙(1979―)，男，湖北钟祥市人，博士生，从事结构工程研究(E-mail: tmxulong@)；孙炳楠(1940―)，男，杭州市人，教授，博导，浙江省土木工程协会常务理事，从事结构工程研究(E-mail: sbn@).文章编号：1000-4750(2008)01-0209-08基于智能算法的高层建筑非线性地震反应的MR 阻尼器半主动控制*徐晓龙，孙炳楠(浙江大学土木工程学系，杭州 310027)摘 要：研究了第三阶段结构振动控制的Benchmark 问题；设计了基于模糊神经网络的控制器模型；采用磁流变(MR)阻尼器作为控制装置，对一座20层Benchmark 建筑结构进行了非线性地震反应的数值仿真分析。

首先，通过神经网络对足尺MR 阻尼器进行了动力特性的辨识；其次，在设计模糊神经网络控制器时，提出了分区控制的设计思路。

将智能控制器半主动控制下的仿真结果与样本LQG 控制进行了对比分析。

结果表明：提出的智能控制器能有效抑制高层建筑结构的非线性地震反应；与样本LQG 控制相比，由于智能控制器的内在鲁棒性和对结构非线性反应控制的稳定性，在非线性结构的振动控制中有很大的应用潜力。

关键词：智能控制；半主动控制；Benchmark 问题；磁流变阻尼器；模糊神经网络 中图分类号：O231.3; TU973+.31 文献标识码：AINTELLIGENT ALGORITHM BASED SEMI-ACTIVE CONTROL OFMR DAMPER OF NONLINEAR SEISMIC RESPONSEFOR HIGH-RISE BUILDINGS*XU Xiao-long , SUN Bing-nan(Department of Civil Engineering, Zhejiang University, Hangzhou 310027, China)Abstract: A third generation Benchmark problem on structural control is investigated and a controller based on fuzzy neural network is designed. Numerical simulation is carried out for analyzing the nonlinear seismic responses of the controlled 20-story Benchmark building with MR (Magneto-Rheological) damper. Firstly, a neural network is employed to identify the dynamic characteristics of the full-scale MR damper. In designing a fuzzy neural network controller, a new idea based on zoning control is proposed. The simulation results are compared with those of LQG sample-control systems. The analytical results show that the developed semi-active strategy has good performance, and can reduce the nonlinear seismic response of high-rise building and the damages in the building structures caused by strong earthquakes. Although the control efficiency of the intelligent controller is a little less than that of LQG-sample active controller on some values of evaluation criteria, the intrinsic robustness of controller can prove that the intelligent controller has a good potential in the control of nonlinear vibrations of structures.Key words: intelligent control; semi-active control; Benchmark problem; MR damper; fuzzy neural network近二十年来，被动控制、主动控制和半主动控制已成为结构振动控制的主要方法[1―2]。

大部分主动和半主动控制的研究集中于结构的线性反应，但高层建筑在强风或强烈地震作用下，结构构件很可210 工 程 力 学能会屈服而表现出非线性性能。

因此，研究高层建筑非线性地震反应的主动/半主动振动控制，具有十分重要的意义。

Ohtori Y 等[3]建议的第三阶段地震作用非线性Benchmark 研究的结构模型，为进行各种控制策略的研究建立了公共平台。

第三阶段结构振动控制的Benchmark 问题，已逐渐从现代控制理论转入智能控制理论，研究人员做了大量的研究工作[3―6]。

Yoshida Osamu 等[4]采用MCO 控制算法，研究了以磁流变(MR)阻尼器作为作动器的半主动控制，但仍是基于现代控制理论的LQG 算法，在此基础上考虑适合MR 阻尼器的半主动控制策略。

Mohammed Al-Dawod 等[5]设计了模糊控制器，分别进行了3层和20层Benchmark 建筑结构的主动控制，但模糊控制器的隶属度函数和规则库是人为指定的，与研究者的经验有很大关系。

本文采用神经网络对足尺MR 阻尼器的动力特性进行了离线辨识，在控制仿真流程中用神经网络辨识模型代替其复杂的理论模型。

控制器的设计研究是第三阶段结构振动控制 Benchmark 问题的关键。

在前人研究的基础上，设计了基于分区控制的模糊神经网络智能控制器、智能控制器内部结构的隶属度函数及通过学习训练获得网络权值，避免了人工确定的困难性和主观性。

数值仿真结果表明：智能半主动控制器能有效地降低结构在地震作用下的反应，基于分区控制设计模糊神经网络控制器的思想是可行的。

与样本LQG 主动控制[3]的结果相比，虽然智能半主动控制的效果略差一些，但由于智能控制器的内在鲁棒性及MR 阻尼器作为半主动控制装置使结构具有良好的稳定性。

1 半主动控制器的动态特性辨识MR 阻尼器作为最有发展潜力的半主动控制器，得到了广泛的研究和应用[3―8]。

但由于 MR 阻尼器动力特性是一组强耦合的非线性方程，这种模型在实际仿真运用时，求解其微分方程得到相应电压对应的结构状态时，积分步长必须极小(10-4s)才不会造成求解发散，因而不能用于实时控制中。

最大出力1000kN 的MR 阻尼器采用如下Bouc-Wen 数学模型来描述其力学特性，文献[6]通过试验辨识出各参数，经与试验对比能准确预测其阻尼力。

Bouc-Wen 模型的数学表达式为[6]：0F c yz α=+ (1) 1||||||n n zy z z y z Ay γβ−=−−+ (2) 式中：y和F 分别为MR 阻尼器活塞顶杆的相对位移和MR 阻尼器产生的阻尼力；z 是为考虑与响应历史相关而引入的内变量。

参数α、参数0c 是与命令输入u 有关的函数，可用下式表示：a b u ααα=+， 000a b c c c u =+ (3)命令输入u 与MR 阻尼器输入电压V 之间可以用下式一阶延迟滤波器表示：()u u V η=−− (4) 式中：V 表示MR 阻尼器的输入电压；1/η表示一阶延迟滤波器的时间常数。

模型中的参数取自文献[6]，150s η−=，b α=54.961610N/(cm V)⋅×，0 4.40N s/cm a c =⋅，0b c =44.0N s/(cm V)⋅⋅，1n =， 1.2A =，13cm γ−=，MR 阻尼器输入的最大电压为10V ，最大功率为50W 。

神经网络良好的非线性映射性能对于识别磁流变阻尼器的动力特性表现出很大的潜力。

辨识过程主要包括构造网络结构及训练网络，网络结构由输入层、隐含层和输出层组成。

用于识别1000 kN 的MR 阻尼器的模型结构是一个二阶模型，如图1所示，输入信号包括三个过去位移、三个过去电压和三个过去阻尼力，输出信号是一个当前的作用力。

图1 神经网络结构Fig.1 Structure of neural network经过试算，构造的神经网络结构的隐层节点数为20，输入向量由三个连续时间步长的位移、阻尼力和电压组成。

当位移5sin(2π)x t =/cm 、电压10/1.2v t =/V 时，可得到足尺MR 阻尼器的一组特性。

训练的数据采用正弦位移，输入电压从零伏线性增长到最大电压10V ，MR 阻尼器产生的阻尼力由Bouc-Wen 模型计算得到。

期望值与辨识后得到的神经网络预测阻尼力误差值的比较如图2所示。

y o (s )d (s −2)d (s −1)v (s −2)v (s −1)f (s −2)f (s −1)工 程 力 学 2110.00.20.40.60.81.01.2-1500-1000-500050010001500M R 阻尼力/k N时间/s期望值预测误差图2 神经网络预测的阻尼力误差值与期望值比较 Fig.2 Contrast of MR force by neural network and theory从图2可看出，训练后的神经网络给出的结果吻合得很好，预测误差几乎为零。

采用随机位移和随机电压验证辨识网络的可靠性。

图3给出了采用Bouc-Wen 模型得到的阻尼力与神经网络预测的阻尼力误差值的对比。

从图3中可看出，辨识网络的预测误差很小，辨识的神经网络是可靠的。

0.00.51.01.52.0-1000-800-600-400-20002004006008001000阻尼力/k N时间/s期望值预测误差值图3 神经网络预测的阻尼力误差值与期望值比较 Fig.3 Contrast of MR force by neural network and theory2 非线性地震反应的半主动控制策略2.1 非线性结构系统的运动方程第三代Benchmark 建筑的地震反应分析中，考虑了结构刚度和阻尼的非线性性能。