[发明专利]基于在线支持向量机的建筑结构地震反应智能控制设计方法

说明书

技术领域

本发明涉及的是建筑结构抗震技术领域，具体地说，是使用支持向量机这种人工智能技术来建立建筑结构地震反应智能控制系统的一种设计方法。

背景技术

目前，磁流变(MR)阻尼器是国内外广泛研究的各种耗能阻尼器中应用前景较好的一种阻尼器。MR阻尼器中的流体由非导磁性液体和均匀分散于其中的高磁导率、低磁滞性的微小软磁性颗粒组成。在磁场作用下，该液体可以在毫秒级时间内快速、可逆地由流动性良好的牛顿流体转变为高黏度、低流动性的Bingham塑性固体。当线圈内电流增大时，节流孔内磁场就会增强，磁流变液流过节流孔的阻力随之增大，使得MR阻尼器输出的阻尼力增大；反之，电流减小，阻尼力也减小。因此，通过调节输入电流，即可控制MR阻尼器阻尼力的大小。这种MR阻尼器具有结构简单、阻尼力连续逆顺可调，并且可调范围大、响应快、良好的温度稳定性以及可与计算机控制结合等优良特性。

现有结构振动半主动控制方法大多采用二次型调节器(LQR)最优主动控制方法完成对结构最优半主动控制力的计算。基于LQR的半主动控制方法具有一定的控制效果，得到广泛使用。然而，在实际工程中，由于实际结构的自由度数目很大，在全部自由度上布置传感器是很困难的，同时，传感器与数据采集系统总是受到周围环境噪声的影响。所以说，获取测量系统的全部状态变量往往是不现实的，也是不经济的，故采用新的控制方法解决以上问题，并进一步优化结构振动反应控制效果已经变得越来越重要。

支持向量机(SVM)是由Vapnik在统计学习理论的基础上建立起来的一种非常有力的机器学习方法，是一种新颖的人工智能技术。SVM最初是用于模式识别，目前在信号处理、系统辨识与建模、先进控制和软测量等领域都得到了广泛的应用。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已应用于手写体识别、三维目标识别、人脸识别、文本图像分类等实际问题中，性能优于已有的学习方法，表现出良好的学习能力。与人工神经网络相比，SVM能够很好地克服前者训练时间长、训练结果存在随机性和过学习等不足。而且，SVM是从线性可分情况下的线性分类面发展而来的，接着利用核函数很好地解决了非线性可分情况。

发明内容

本发明采用带有Kalman滤波器的线性二次型高斯(LQG)最优主动控制方法计算结构的最优主动控制力。首先，通过Kalman滤波器对建筑结构的全状态信息进行估计以便动态地完成对结构完整状态信息的构建。然后，通过LQG最优控制方法计算出主动控制力，并以该主动控制力为目标，设计磁流变(MR)阻尼器的出力，最先建立传统的基于LQG结构半主动智能控制系统(即结构-MR阻尼器控制系统)。接着，执行SVM控制器对最优主动控制力的学习、预测和训练功能，建立本发明的核心部分-基于在线支持向量机的结构半主动智能控制系统(即结构-SA-SVM-MR阻尼器控制系统)设计方法。采用该设计方法设计的智能控制系统消除了基于LQG结构-MR阻尼器控制系统中地震加速度反应放大的现象，并考虑了控制系统本身的时滞，从而对结构位移、速度、加速度地震反应都有很好的控制效果。

为实现上述目的，本发明采用如下技术方案：

上述基于在线支持向量机的建筑结构地震反应智能控制设计方法实施步骤如下：①为保证结构整体能量最小，采用LQG最优主动控制方法实时计算在地震作用下建筑结构的最优主动控制力。②考虑到由于环境噪声或由于自由度数目过大造成的状态采集不完整的情况，使用带有Kalman滤波器的观测器对结构状态进行状态估计，根据Kalman滤波器得到的结构状态数据计算结构最优主动控制力。利用得到的最优主动控制力来设计MR阻尼器的实时变阻尼，计算出MR阻尼器的实时半主动阻尼控制力，从而建立结构-MR阻尼器控制系统。③通过在该控制系统中植入SVM控制器，并依托它的学习、训练和预测功能来预测受控结构的最优主动控制力，建立基于在线SVM的结构半主动智能控制系统(即结构-SA-SVM-MR阻尼器控制系统)，实现对建筑结构的半主动智能控制。结构-SA-SVM-MR阻尼器控制系统设计方法的实施性步骤如下：

第一步：选定建筑结构模型，采集输入到结构的地震波数据，并对结构进行地震反应分析。将结构地震反应代入线性二次型高斯(LQG)主动控制器，计算出该受控结构所需的最优主动控制力。

第二步：根据建筑结构预定的地震反应控制水平，对多层及高层建筑结构的每个楼层安装若干个磁流变(MR)阻尼器，并利用第一步中计算出的最优控制力为目标力确定磁流变(MR)阻尼器的模型参数，设计结构半主动(SA)智能控制系统(即传统的结构-MR阻尼器控制系统)。