一种建筑结构的振动控制方法及控制装置制造方法及图纸

本发明专利技术提供一种建筑结构的振动控制方法及控制装置，所述振动控制方法包括以下步骤：确定被控的建筑结构，获取所述被控的建筑结构的位移、速度、加速响应以及控制力训练数据；设置深度学习的超参数取值，搭建LSTM深度学习网络框架；训练所述LSTM深度学习网络框架，并测试验证训练好的LSTM深度学习网络框架；根据所述被控的建筑结构的运动方程及状态空间方程建立LSTM智能控制器的仿真系统。本发明专利技术通过将长短时记忆神经网络与控制理论相结合，搭建LSTM深度学习网络框架，使用LSTM智能控制器采集响应反馈对建筑结构施加控制力，从而达到实时减小结构振动响应的效果。时减小结构振动响应的效果。时减小结构振动响应的效果。

【技术实现步骤摘要】
一种建筑结构的振动控制方法及控制装置


[0001]本专利技术涉及结构工程、自动控制
，具体而言，涉及一种建筑结构的振动控制方法及控制装置。

技术介绍

[0002]随着人口密度的急剧加大以及土地资源的紧缩短缺，促进了土木工程理论的深入研究，施工技术的长足发展和新型建筑材料的不断涌现。自19世纪末以来世界各地的超高层结构不断涌现。这些大体量建筑的出现缓解了建筑资源紧张的实际问题，从侧面反应了一个国家的经济和科技实力，同时，也对建筑结构的抗震理论和技术应用提出了严峻的考验。
[0003]在早期的建筑结构抗震设计中，大多数设计者采用的是结构对地震激励进行“硬对硬”的应对策略，即利用建筑结构自身的刚度、强度等力学性能来消耗地震输送的能量，具体措施包括增大构件尺寸、使用高性能建筑材料、利用部分构件破坏消耗能量等，建立建筑结构的“延性体系”。上述策略在实际工程中逐渐表现出各种弊端，如：当地震烈度高于设防烈度时，该抗震理论自身设计缺陷可能使结构仍然抵御不了地震荷载的破坏；地震激励具有突发性和破坏性，使该理论无法适应日益提高的建筑正常使用要求；结构加固会产生高昂的修建费用，震后维修重建费用也同样巨大。因此，国内外学者致力于寻找一种安全性高、适应性好、经济造价低廉的抗震手段，即建筑结构振动控制。
[0004]近50年来，各研究机构在结构振动控制领域不断取得突破性进展，并延伸出不同的控制理论和控制方法。根据不同设计理论，可将振动控制体系分为被动、主动、混合、半主动、智能控制等。其中结构主动控制作为多学科交叉新技术，广泛应用于民用工业、军事工业、空间技术等领域。控制策略是主动控制的核心内容，较为成熟的有瞬时最优、极点配置算法等，但是以上方法均需要获得建筑结构的精确模型参数，这在实际工程中往往难以实现。因此越来越多的科研工作者开始关注基于人工神经网络的智能控制算法，该类算法能够适应不确定模型，具有较好的自学习、自适应能力等。然而，随着建筑结构的复杂化，前述基于浅层学习的人工神经网络暴露出同级数据间无关联、对时间参数不敏感、特征提取性能低等问题，难以满足建筑体量增大和计算数据复杂化的振动控制需求。综上，亟需研究更适用于土木工程振动控制的新型神经网络模型。

技术实现思路

[0005]鉴于此，本专利技术的目的在于将深度学习中的长短时记忆神经网络与控制理论结合，根据建筑结构的运动方程及状态空间方程建立基于LSTM智能控制的仿真系统。
[0006]本专利技术提出一种新型的智能控制算法，将其引入结构振动控制领域，对建筑结构进行振动控制。深度学习作为一种仿人脑机制进行分析和解释数据的机器学习策略，相对人工神经网络具有很多优点，如：提取数据特征的方式更贴近大脑学习思考的过程；提取的特征对原始数据具有更本质的表达；预测结果更贴合实际等。其中长短时记忆神经网络由
于其可长期记忆、可处理大型复杂非线性数据和特征提取精确等特性可以在很大程度上弥补人工神经网络的问题。
[0007]本专利技术提供一种建筑结构的振动控制方法，包括以下步骤：
[0008]S1、确定被控的建筑结构，获取所述被控的建筑结构的位移、速度、加速响应以及控制力训练数据；
[0009]采用LQR算法以被控的建筑结构的状态空间方程搭建Simulink仿真平台，输入地震波加速度，获得结构有控状态下的位移、速度、加速响应及控制力；
[0010]S2、设置深度学习的超参数取值，搭建LSTM深度学习网络框架；
[0011]根据以往相关案例的经验取值确定各超参数的大致范围，对各超参数在经验范围内进行试算，以LSTM训练的均方误差MSE最小值为标准，确定超参数取值；
[0012]所述LSTM深度学习网络框架包括序列输入层、长短时记忆网络层、防过拟合层、全连接层以及回归层；
[0013]S3、训练所述LSTM深度学习网络框架，并测试验证训练好的LSTM深度学习网络框架；
[0014]训练所述LSTM深度学习网络框架之前还包括对数据进行max
‑
min归一化处理，降低异常数据影响及过拟合概率，并提高收敛速度；
[0015]将所述被控的建筑结构的位移、速度、加速度响应以及地震加速度作为输入值，将被控的建筑结构的下一时刻的控制力作为输出值对LSTM深度学习网络框架进行训练得到训练好的LSTM深度学习网络框架，并通过向所述训练好的深度学习网络框架输入与训练相同的数据，得到LSTM输出并与理论计算控制力进行比较，验证LSTM深度学习网络框架的有效性，预测过程损失函数用均方误差MSE表示为：
[0016][0017]式中：N为数据库大小；分别为t时刻的实测值及预测值；
[0018]S4、根据所述被控的建筑结构的运动方程及状态空间方程建立LSTM智能控制器的仿真系统。
[0019]具体地，目前数据分析软件Matlab没有深度学习的Simulink模块函数，因此以编写S
‑
function函数的形式将LSTM智能控制器嵌入所述被控的建筑结构的仿真系统，所述仿真系统的输入为地震加速度，使用LSTM智能控制器采集响应反馈对建筑结构施加控制力，实时减小结构的振动响应。
[0020]本专利技术还提供一种建筑结构的振动控制装置，使用如上述所述的振动控制方法。
[0021]与现有技术相比，本专利技术的有益效果是：
[0022]本专利技术通过将长短时记忆神经网络与控制理论相结合，搭建LSTM深度学习网络框架，使用LSTM智能控制器采集响应反馈对建筑结构施加控制力，从而达到实时减小结构振动响应的效果。
附图说明
[0023]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术
的限制。
[0024]在附图中：
[0025]图1为本专利技术实施例的基于LQR控制算法的Simulink仿真系统图；
[0026]图2为本专利技术实施例的LSTM深度学习网络框架内部主体结构图；
[0027]图3为本专利技术实施例建筑结构的振动控制方法的处理流程示意图；
[0028]图4为本专利技术一种建筑结构的振动控制方法的工作流程图。
具体实施方式
[0029]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0030]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑结构的振动控制方法，其特征在于，包括以下步骤：S1、确定被控的建筑结构，获取所述被控的建筑结构的位移、速度、加速响应以及控制力训练数据；S2、设置深度学习的超参数取值，搭建LSTM深度学习网络框架；S3、训练所述LSTM深度学习网络框架，并测试验证训练好的LSTM深度学习网络框架；将所述被控的建筑结构的位移、速度、加速度响应以及地震加速度作为输入值，将被控的建筑结构的下一时刻的控制力作为输出值对LSTM深度学习网络框架进行训练得到训练好的LSTM深度学习网络框架，并通过向所述训练好的深度学习网络框架输入与训练相同的数据，得到LSTM输出并与理论计算控制力进行比较，验证LSTM深度学习网络框架的有效性，预测过程损失函数用均方误差MSE表示为：式中：N为数据库大小；y
t
，分别为t时刻的实测值及预测值；S4、根据所述被控的建筑结构的运动方程及状态空间方程建立LSTM智能控制器的仿真系统。2.根据权利要求1所述的振动控制方法，其特征在于，所述S1步骤的所述获取所述被控的建筑结构的位移、速度、加速响应以及控制力训练数据的方法包括：采用LQR算法以被控的建筑结构的状态空间方程搭建Simulink仿真平台，输入地震波加速度，获得结构有控状态下的位移、速度、加速响...

【专利技术属性】
技术研发人员：涂建维，朱耀阳，阮泽聪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：