人工神经网络在结构控制中的应用

Xi
(
t)
]
(12)
i
∑ 输出层 : O ( t) =
W
(3) j
·Hj (
t)
(13)
j
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
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 (B T TNC) ,来对动力荷载下的结 构进行主动控制 。B T TNC 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动力 性能 ;另一部分是一个神经作用网络 ,用来对结构产
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。
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 - 06
Industrial Construction Vol. 36 , Supplement ,2006 工业建筑 2006 年第 36 卷增刊 243
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 。
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
∑ τi
d
yi ( di
t)
=-
yi ( t)
n
+ w ijuj ( t) + vi
j =1
(8)
ui ( t) = f [ yi ( t) ]
(9)
3) 部分递归网络[4 ]
n
∑ ui ( k + 1) = f [ w ij uj ( k) + v i ( k) ] (10) j =1
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 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。
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 。
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
工业建筑 2006 年第 36 卷增刊
三层的自递归神经网络可描述为 :
输入层 : Ii ( t) = X i ( t)
(11)
隐含层 :
Hj ( t)
=
f[
W
(2) j
Hj
(
t
-
1)
+
∑W
(1) ij
1) 前向 BP 网络
n
m
∑ ∑ y
( i
k
+2)
=
[
a
(k il
+1)
·g (
b
( k) lj
+
w
( l
k)
)
]
l =1
j =1
(4)
式中 : g ( r)
=
1
1 + e- r
(5)
2) RB F 网络
∑ y
( i
k
+2)
=
a
(k il
+2)
·g (
‖u
-
c ( l) ‖)
(6)
l
式中 : g ( r) = r2 ·ln r , c ( l) 为 RB F tate - of - t he - art review of t he artificial neural networks structure control ispresented. t he principle of neural networks in structure control is introduced ,t he frequently used neural network models in structure control are collected ,and t he applications to t he structure control are discussed ,and t he future development in t hese fields is p redict ed . Keywords :artificial neural network structure control network model
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 ,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
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 。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 。
2) 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
关键词 :神经网络 结构控制 网络模型
D EVELOPMENT OF STRUCTURE CONTROL USING ARTIFICIAL NEURAL NETWORKS
Chen Gonglian Liu Wenfeng Bai Zhiqiang ( Institute of Civil Engineering ,Qingdao Technological University Qingdao 266033)
244
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:
n
m
∑ ∑ 输入 : x i =
aijyi ( t) +
bik uk ( t) + w i
j =1
k =1
(1)
输出 : yi ( t) = g ( x i ( t) )
(2)
其中 : g ( x i)
=
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 , w i 为阀值 。 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 :
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 。
1 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 。
随着神经网络的发展 ,神经网络在土木工程的 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 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 。
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 。