[发明专利]一种结构半主动最优预测控制方法

权利要求书

1.一种结构半主动最优预测控制方法，其特征在于，首先引入灰色预测系统对LQG控制器的输入进行预测，然后利用鲸鱼优化算法对LQG控制器参数进行优化设计，最后结合自适应神经模糊推理系统实现结构的半主动预测控制；具体包括以下步骤：

步骤S1：将灰色预测系统接在加速度传感器的输出端，使其实时纠正滞后的加速度响应，并输出加速度响应的预测值；

步骤S2：利用控制器LQG的Kalman滤波观测器，根据加速度响应的预测值计算出建筑结构的全状态响应，即所有楼层的位移和速度；

步骤S3：利用鲸鱼优化算法对控制器LQG进行带约束多目标的优化设计，对LQG的反馈增益进行优化；

步骤S4：基于全状态响应，利用步骤S3优化得到的控制器LQG计算控制系统的理想控制力；

步骤S5：基于磁流变阻尼器的正向模型，训练出其ANFIS逆向模型，使步骤S4得到的理想控制力转换成磁流变阻尼器的控制信号；

步骤S6：将控制信号作为磁流变阻尼器正向模型的输入，利用磁流变阻尼器正向模型计算得到结构减震所需的阻尼力；

步骤S1具体包括以下步骤：

步骤S11：产生原始数列：设灰色预测系统的模型维数为m，针对第i个楼层，通过采集当前时刻的加速度x_i(n)及其之前m-1个时刻的加速度x_i(n-1)，x_i(n-2)，…x_i(n-m+1)，生成原始数据数列：

式中，是m维离散采样的第i层加速度数据序列，n为当前采样时刻；

步骤S12：对原始数据进行如下的预处理：

式中，d_i是第i个楼层加速度绝对值的最大值；

步骤S13：对预处理后的数据进行累加操作，生成

式中，AGO表示累加运算；

步骤S14：生成相邻均值数列：

步骤S15：进行灰色建模并求出以下白化方程的解：

式中，参数A_gi和B_gi分别为的发展系数向量和灰色作用向量；

步骤S16：累减生成第r步预测值：

式中，IAGO表示累减运算；

步骤S17：对数据进行还原，得到最终的第r步预测值：

步骤S18：判断k是否等于m，若是，则结束，否则，令k＝k+1，利用等维新息的思想采用下式更新数列后返回步骤S12：

步骤S11中，灰色预测系统采用等维新息模型，在这个模型中原始数据得到实时更新；每次采样在补充最新时刻加速度的同时最旧时刻的加速度被不断淘汰；若产生的原始数列的首位数等于0，则重新进行采集，直至采集到非0值；

步骤S3具体包括以下步骤：

步骤S31：确定控制器LQG中Kalman滤波观测器的加权矩阵Q_e和R_e；

步骤S32：确定优化目标函数，如下所示：

Obj＝β×J₁+(α-β)×J₂+(1-α)×J₃；

其中，

式中，Obj亦为接下来的鲸鱼优化算法中的适应度函数；x_i(t)、x_di(t)和分别是受控时第i层的相对位移、层间位移和绝对加速度；x_unc、x_d,unc和分别是无控时的最大相对位移、最大层间位移以及最大绝对加速度；J₁、J₂和J₃是分别使最大相对位移、最大层间位移和最大绝对加速度最小化的单目标函数，α和β是反映相对重要性的权重系数；

步骤S33：根据受控对象的属性和控制目标，确定LQG控制器的最优反馈增益的加权矩阵Q和R的结构，确定矩阵中待优化参数的数量和取值范围；

步骤S34：随机生成鲸鱼个体的位置信息X＝[X₁,...,X_N]，初始化种群大小N以及迭代次数T_max；

步骤S35：计算LQG控制器的最优反馈增益G、反馈控制力和每个个体的适应度函数值f(X_i)；然后找出适应度值最优的个体位置作为最优位置X；令j＝1，并进入步骤S36；

步骤S36：进行迭代计算，令j＝j+1，更新a、k₁、A、C、D、l；

步骤S37：当概率p0.5时，采用收缩包围机制，具体为：

如果|A|≥1，在当前群体范围内随机确定鲸鱼个体位置X_i,rand，并采用下式更新个体的位置：

式中，A＝2*a*k₁-a，其中，a∈[0,2]，k₁∈[0,1]，C＝2×k₂，k₂∈[0,1]；

如果|A|1，采用下式更新个体的位置：

式中，其中，其中X_leader为上一轮最优个体；

当概率p≥0.5时，执行螺旋式位置更新，具体为：

式中，D＝|X_leader-X_i^k|，b＝1,l＝(a₂-1)×rand+1,a₂∈[-2,-1]；

步骤S38：当每个个体完成位置更新后，判断是否超出预设的取值范围，若更新后的参数大于上限值，则取上限值，若参数小于下限值，则取下限值；

步骤S39：计算更新后的种群适应度，若新种群中的最优鲸鱼个体的适应度优于原种群中的最优鲸鱼个体，则用新种群中的最优鲸鱼位置替代原种群中的最优鲸鱼位置；否则，保持原种群中最优鲸鱼的位置不变；

步骤S310：记录此时最优鲸鱼个体的位置及其适应度；若jT_max，返回步骤S36，否则进入步骤S311；

步骤S311：输出最优个体位置，即加权矩阵Q和R的优化参数。