[發明專利]基于卷積神經網絡振動識別的線性二次型控制改進方法

有效

• 申請號: 202010169860.3
• 申請日: 2020-03-12
• 公開（公告）號: CN111367174B
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 陸新征;廖文杰;徐永嘉
• 申請（專利權）人: 清華大學
• 主分類號: G05B13/04
• 分類號: G05B13/04;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王艷斌

本發明公開了一種基于卷積神經網絡振動識別的線性二次型控制改進方法，該方法包括：采集振動數據與被控裝置數據；根據被控裝置數據建立力學模型，輸入振動數據并采用線性二次型控制算法控制振動，以優化算法求解每種類型振動作用下的線性二次型控制算法對應的最優控制參數；對振動數據做小波變換得到小波系數矩陣及對應的小波圖像，并與振動類型構建成數據?標簽數據組，輸入卷積神經網絡中做分類訓練；選取最佳卷積神經網絡分類器對振動輸入進行分類，根據振動類型識別結果選擇線性二次型控制對應的最優控制參數。該方法能準確識別出不同類型的振動輸入，并根據識別結果選取對應的最優控制參數，從而實現不同振動輸入下的最優控制。

技術領域

本發明涉及土木結構工程與機械制造工程技術領域，特別涉及一種基于卷積神經網絡振動識別的線性二次型控制改進方法。

背景技術

有效的振動控制可降低環境中微振動帶來的不利影響，提升精密儀器的使用效果以及工業制造的成品質量。但引發振動的振動源往往復雜多變，例如地鐵、重型車輛、建筑施工等過程均會產生相應的振動干擾。而應用廣泛的經典LQR(Linear QuadraticRegulator，線性二次型控制)控制方法難以實現復雜環境下對不同振動的優化控制，主要原因在于：1)既有LQR控制參數的優化方法，是當控制算法在控制某一類型振動作用時，對控制算法進行優化，該方法的優化結果難以滿足于對其他類型振動的最優控制要求；2)LQR控制中其控制參數固定不變，難以適應不同振動的最優控制需求。

因此，亟需開發一種可針對不同振動，進行LQR優化控制參數選取與控制的方法和裝置。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的目的在于提出一種基于卷積神經網絡振動識別的線性二次型控制改進方法，該方法能實時地準確識別出不同類型的振動輸入，并根據識別結果選取對應最優的控制參數，從而實現不同振動輸入下的最優控制的目標。

為達到上述目的，本發明實施例提出了基于卷積神經網絡振動識別的線性二次型控制改進方法，包括以下步驟：步驟S1，采集振動數據與被控裝置數據；步驟S2，根據所述被控裝置數據建立被控系統的力學模型，將所述振動數據輸入所述力學模型，采用LQR算法控制被控系統的振動，并采用優化算法求解每種類型振動作用下的LQR算法對應最優的控制參數；步驟S3，采用小波變換對所述振動數據進行初步特征提取，得到小波系數矩陣及小波圖像，將生成的所述小波系數矩陣或所述小波圖像作為數據采樣，將振動類型作為數據標簽，構建數據-標簽數據組，并將所述數據-標簽數據組作為輸入對卷積神經網絡分類器進行分類訓練；步驟S4，選取并利用最優卷積神經網絡分類器對振動輸入進行實時分類，判斷振動類型，根據所述振動類型識別結果選擇步驟S2中所述LQR算法對應最優的控制參數。

本發明實施例的基于卷積神經網絡振動識別的線性二次型控制改進方法，根據識別結果選擇對應最優的控制算法參數，使得LQR的控制參數在不同振動下都調整至對應的最優值，實現改進后的LQR方法對不同振動的控制均達到最優效果；以小波變換對振動信號進行處理，可以有效的初步提取振動信號的時頻域特征，并將該特征以矩陣和圖像的方式表達，輸入卷積神經網絡分類器中，有利于卷積神經網絡進行識別和處理；以遺傳算法作為控制算法參數的優化方法，可有效的在數字空間中展開全局搜索并優化。

另外，根據本發明上述實施例的基于卷積神經網絡振動識別的線性二次型控制改進方法還可以具有以下附加的技術特征：

進一步地，在本發明的一個實施例中，根據被控系統的動力特性和周圍振動源的頻譜特性選取振動數據采集儀器。

進一步地，在本發明的一個實施例中，所述步驟S1中采集完所述振動數據后，采用振動源類型作為所述振動數據的數據標簽，并對被控系統開展參數測定，保證所述力學模型的參數準確，其中，所述參數包括系統的質量、阻尼與剛度特性等。