基于深度學(xué)習(xí)改進微振控制算法
作者：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：微振動 LQR 信號處理 深度學(xué)習(xí)
摘要
隨著我國制造業(yè)高質(zhì)量發(fā)展的推進，各企業(yè)對生產(chǎn)產(chǎn)品質(zhì)量的要求也逐步提高，而周圍環(huán)境的振動會對相關(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，很難同時對不同振動類型的控制產(chǎn)生優(yōu)異效果。本研究擬實現(xiàn)基于深度學(xué)習(xí)的振動識別，實現(xiàn)同時對多種類型的振動控制的優(yōu)化。本研究首先收集被控系統(tǒng)工作空間中主要的振動信號，建立環(huán)境振動信號的數(shù)據(jù)庫；經(jīng)過初步處理后，對數(shù)據(jù)采用小波變換等信號處理方法提取特征，通過遺傳算法得到各類振動的最優(yōu)控制參數(shù)；最后運用CNN、LSTM深度識別，匹配最優(yōu)控制參數(shù)。之后展開案例分析，比較控制效果。
振動信號數(shù)據(jù)采集及預(yù)處理
采用加速度傳感儀對工作環(huán)境中的典型振動進行采集，傳感儀精度約10-4g，滿足振動干擾頻率需求。為了測試復(fù)雜環(huán)境下的振動識別能力，主要振動源包括教學(xué)樓附近的基坑開挖施工引發(fā)的振動、學(xué)校周邊交通及高鐵運輸引發(fā)的振動。
|
|
|
|
(a) 公交汽車振動信號 |
(b) 建筑施工振動信號 |
|
|
|
|
(c) 地鐵輕軌振動信號 |
(d) 高鐵動車振動信號 |
圖1 時程數(shù)據(jù)信號
為便于后續(xù)參數(shù)調(diào)整，對振動信號進行預(yù)處理，切割并提取異常片段，統(tǒng)一信號長度為10s，因為信號的主要能量分布區(qū)間大致為10s左右。
振動對結(jié)構(gòu)的作用不僅與信號的時域特性有關(guān)，還和其頻域特征有密切關(guān)系。因此，對信號進行小波變換，對比不同類型振動在時頻域的差異。如圖所示為輕軌引起的振動信號的小波圖，振動的小波能量在2~6s、2~8Hz范圍內(nèi)呈現(xiàn)較為明顯的時頻域集中特性，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丟失部分特征，故同時提取小波系數(shù)矩陣。
圖2 地鐵振動時頻域特征
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不同類型振動輸入下的LQR控制算法參數(shù)進行優(yōu)化?？刂茖ο蟀咐x用單自由度結(jié)構(gòu)，主要參數(shù)參考?xì)W進萍的研究案例，并基于MATLAB進行仿真。
LQR經(jīng)典振動控制算法中，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，對輸入的振動信息響應(yīng)，并同時進行主動控制，需要綜合考慮控制效果和能量損失。因此對一定時間內(nèi)的位移和控制力進行積分，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)計出適應(yīng)度函數(shù)，據(jù)此通過遺傳算法多次隨機選定參數(shù)，依據(jù)函數(shù)值輸出最優(yōu)Q、R矩陣。
深度學(xué)習(xí)振動識別
為實現(xiàn)較好的振動控制效果，需在盡可能短的時間內(nèi)識別振動，但過短的振動信號會降低分類系統(tǒng)的識別精度，因此需要開展信號識別延時的參數(shù)分析。
對所有收集到的地鐵與施工振動進行計算，設(shè)置不同的時間延遲，考慮振動與被控系統(tǒng)的卓越頻率，以0.5s時間為間隔。振動控制效果則以前述遺傳算法中的適應(yīng)度函數(shù)進行評價，最后暫定1.5s延遲為相對最優(yōu)延遲時間，需在振動的前1.5s內(nèi)完成振動識別，選擇最優(yōu)參數(shù)。
卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別領(lǐng)域應(yīng)用廣泛，圖示為CNN的典型結(jié)構(gòu)。CNN進行圖像的特征提取時，會首先得到圖像的像素矩陣。若以小波圖作為輸入則識別過程繁瑣，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。
圖3 CNN網(wǎng)絡(luò)架構(gòu)
RNN 網(wǎng)絡(luò)在不同時刻只有隱層單元 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；同時另一條迭代線路 C，表示當(dāng)前時刻 t 的記憶單元，通過輸入門和遺忘門的信息選擇進行迭代，最后跟隨輸出門，產(chǎn)生當(dāng)前時刻的隱層單元狀態(tài)。其輸入?yún)?shù)與CNN網(wǎng)絡(luò)輸入相同，且分類標(biāo)簽暫時也相同，為輸入數(shù)據(jù)的振動源代號。
圖4 LSTM邏輯圖
最后，通過實際算例，混合多種數(shù)據(jù)，進行信號輸入，隨后比較識別效果，以及兩種深度學(xué)習(xí)方法的處理效果。
