作者：2018級(jí)本科生 程志剛 土木工程系
指導(dǎo)老師：陸新征 土木工程系
關(guān)鍵詞：微震 LQR控制算法 深度學(xué)習(xí) 遺傳算法
摘要
隨著我國制造業(yè)高質(zhì)量發(fā)展的推進(jìn)，各企業(yè)對(duì)生產(chǎn)產(chǎn)品質(zhì)量的要求也逐步提高，而周圍環(huán)境的振動(dòng)會(huì)對(duì)相關(guān)設(shè)備的使用及制造產(chǎn)生不利影響，有必要提出高效便捷的振動(dòng)控制方法。盡管LQR控制算法可以控制大部分系統(tǒng)，但是由于LQR控制器參數(shù)固定，很難同時(shí)對(duì)不同振動(dòng)類型的控制產(chǎn)生優(yōu)異效果。本研究擬實(shí)現(xiàn)基于深度學(xué)習(xí)的振動(dòng)識(shí)別，實(shí)現(xiàn)同時(shí)對(duì)多種類型的振動(dòng)控制的優(yōu)化。本研究首先收集被控系統(tǒng)工作空間中主要的振動(dòng)信號(hào)，建立環(huán)境振動(dòng)信號(hào)的數(shù)據(jù)庫；經(jīng)過初步處理后，對(duì)信號(hào)數(shù)據(jù)進(jìn)行小波變換處理，通過遺傳算法得到各類振動(dòng)的最優(yōu)控制參數(shù)；最后運(yùn)用CNN、LSTM深度識(shí)別，匹配最優(yōu)控制參數(shù)。之后展開案例分析，比較控制效果。
振動(dòng)信號(hào)數(shù)據(jù)采集及預(yù)處理
采用加速度傳感儀對(duì)工作環(huán)境中的典型振動(dòng)進(jìn)行采集，傳感儀精度約10-4g，滿足振動(dòng)干擾頻率需求。為了測(cè)試復(fù)雜環(huán)境下的振動(dòng)識(shí)別能力，主要振動(dòng)源包括教學(xué)樓附近的基坑開挖施工引發(fā)的振動(dòng)、學(xué)校周邊交通及高鐵運(yùn)輸引發(fā)的振動(dòng)。
告487.png)
圖1 時(shí)程數(shù)據(jù)信號(hào)
為便于后續(xù)參數(shù)調(diào)整，對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理，切割并提取異常片段，統(tǒng)一信號(hào)長度為10s，因?yàn)樾盘?hào)的主要能量分布區(qū)間大致為10s左右。
振動(dòng)對(duì)結(jié)構(gòu)的作用不僅與信號(hào)的時(shí)域特性有關(guān)，還和其頻域特征有密切關(guān)系。因此，對(duì)信號(hào)進(jìn)行小波變換，對(duì)比不同類型振動(dòng)在時(shí)頻域的差異。如圖所示為輕軌引起的振動(dòng)信號(hào)的小波圖，振動(dòng)的小波能量在2~6s、2~8Hz范圍內(nèi)呈現(xiàn)較為明顯的時(shí)頻域集中特性，即具有低頻特性。此外，通過小波處理得到的圖像由于在合成圖像的過程中可能會(huì)丟失部分特征，故同時(shí)提取小波系數(shù)矩陣。
告738.png)
圖2 地鐵振動(dòng)時(shí)頻域特征
LQR算法及最優(yōu)控制參數(shù)確定
LQR算法控制效果由其關(guān)鍵參數(shù)QR系數(shù)矩陣決定，本研究采用遺傳算法對(duì)不同類型振動(dòng)輸入下的LQR控制算法參數(shù)進(jìn)行優(yōu)化?？刂茖?duì)象案例選用單自由度結(jié)構(gòu)，主要參數(shù)參考?xì)W進(jìn)萍的研究案例，并基于MATLAB進(jìn)行仿真。
LQR經(jīng)典振動(dòng)控制算法中，通過設(shè)定系統(tǒng)的質(zhì)量、剛度、阻尼比、自振頻率等狀態(tài)信息，對(duì)輸入的振動(dòng)信息響應(yīng)，并同時(shí)進(jìn)行主動(dòng)控制，需要綜合考慮控制效果和能量損失。因此對(duì)一定時(shí)間內(nèi)的位移和控制力進(jìn)行積分，得出損失函數(shù)，通過優(yōu)化函數(shù)值而求解出最佳控制輸出。
但是，算法中的Q、R矩陣則需要人為輸入，而其帶來的整體效果也會(huì)有所差異。因此，首先定義良好性能的度量標(biāo)準(zhǔn)，即兼顧效果與能量損失，設(shè)計(jì)出適應(yīng)度函數(shù)，據(jù)此通過遺傳算法多次隨機(jī)選定參數(shù)，依據(jù)函數(shù)值輸出最優(yōu)Q、R矩陣。
深度學(xué)習(xí)振動(dòng)識(shí)別
為實(shí)現(xiàn)較好的振動(dòng)控制效果，需在盡可能短的時(shí)間內(nèi)識(shí)別振動(dòng)，但過短的振動(dòng)信號(hào)會(huì)降低分類系統(tǒng)的識(shí)別精度，因此需要開展信號(hào)識(shí)別延時(shí)的參數(shù)分析。
對(duì)所有收集到的地鐵與施工振動(dòng)進(jìn)行計(jì)算，設(shè)置不同的時(shí)間延遲，考慮振動(dòng)與被控系統(tǒng)的卓越頻率，以0.5s時(shí)間為間隔。振動(dòng)控制效果則以前述遺傳算法中的適應(yīng)度函數(shù)進(jìn)行評(píng)價(jià)，最后暫定1.5s延遲為相對(duì)最優(yōu)延遲時(shí)間，需在振動(dòng)的前1.5s內(nèi)完成振動(dòng)識(shí)別，選擇最優(yōu)參數(shù)。
卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識(shí)別領(lǐng)域應(yīng)用廣泛，圖示為CNN的典型結(jié)構(gòu)。CNN進(jìn)行圖像的特征提取時(shí)，會(huì)首先得到圖像的像素矩陣。若以小波圖作為輸入則識(shí)別過程繁瑣，包括：小波系數(shù)矩陣像素化為圖像，被CNN前處理轉(zhuǎn)化為矩陣。因此，在本研究中簡(jiǎn)化輸入，其中一種輸入為小波系數(shù)矩陣，另一種則為小波圖。
告1451.png)
圖3 CNN網(wǎng)絡(luò)架構(gòu)
RNN 網(wǎng)絡(luò)在不同時(shí)刻只有隱層單元 h 迭代，而在 LSTM 網(wǎng)絡(luò)中，有兩條迭代線路，一條和 RNN 網(wǎng)絡(luò)一樣，隱層單元 h，代表著網(wǎng)絡(luò)架構(gòu)最后的輸出；同時(shí)另一條迭代線路 C，表示當(dāng)前時(shí)刻 t 的記憶單元，通過輸入門和遺忘門的信息選擇進(jìn)行迭代，最后跟隨輸出門，產(chǎn)生當(dāng)前時(shí)刻的隱層單元狀態(tài)。其輸入?yún)?shù)與CNN網(wǎng)絡(luò)輸入相同，且分類標(biāo)簽暫時(shí)也相同，為輸入數(shù)據(jù)的振動(dòng)源代號(hào)。
告1650.png)
圖4 LSTM邏輯圖
最后，通過實(shí)際算例，混合多種數(shù)據(jù)，進(jìn)行信號(hào)輸入，隨后比較識(shí)別效果，以及兩種深度學(xué)習(xí)方法的處理效果。
