发明专利 | 基于CNN振动识别的线性二次型控制改进方法

发明名称：基于卷积神经网络振动识别的线性二次型控制改进方法

发明人：陆新征；廖文杰；徐永嘉

专利号：ZL 202010169860.3

1

专利概述

经典的LQR（线性二次型控制器）振动控制方法在面对较为复杂的环境振动作用时，容易出现按下葫芦起了瓢的问题。原因在于LQR控制器的参数固定，该参数对某一类的振动控制效果最优。比如对地铁振动的控制效果不错，但是对于施工振动的控制效果相对就不那么理想了。如果能对不同的振动类型进行快速准确识别，并根据每个振动的特点选取对应的LQR控制器参数，就可以实现更好、更全面的振动控制效果。而这其中涉及到的关键问题，就是振动类型的识别。

因此，我们基于CNN（卷积神经网络）进行振动类型识别，然后根据振动类型选择预先优化好的LQR控制器参数，这样就能使得LQR在面对不同类型的环境振动作用时都能有较好的振动控制效果。图1所示为改进LQR振动控制装置，图2为改进LQR振动控制方法，图3为改进LQR振动控制效果。可以看出，改进LQR振动控制装置的效果，显著优于经典LQR振动控制方法。

关于本专利的更多算法方面的讨论可见此前发表的相关论文：

2

专利使用步骤

专利的主要使用步骤如图4所示，后续将以一个具体实施例进行使用展示。

2.1 步骤S1

获取被控装置所在工作空间的振动数据，以及被控装置的参数数据

采用加速度传感仪对工作环境中的典型振动进行采集，采集器精度约为10^-4g，频率范围为0.17Hz~100Hz，满足振动干扰频率需求。各类型振动数据总共采集约1200条，后续将这几种振动分别称为：施工振动、地铁振动、汽车流振动、风致振动，其数据数量比值约为2.5：1：3.5：5。

典型振动数据的时域特征如图5所示。

采集的被控装置的参数数据如表1所示。

2.2 步骤S2

基于遗传算法对LQR算法在不同振动输入下的最优控制参数求解

LQR算法控制效果由其关键参数Q，R系数矩阵决定。经过参数缩减研究可以确定最终控制效果与q/r值直接相关，本研究采用遗传算法对不同类型振动输入下的LQR控制算法参数进行优化。控制对象案例选用一单自由度结构，系统力学模型如图1所示（不包括CNN装置），整个优化算法流程如图6所示。最终优化结果如图7所示为：地铁振动、施工振动、汽车流振动、风致振动的最优q/r值分别为1.83 × 10^2, 3.79 × 10^5, 6.81 × 10^4, 3.0 × 10^6。

2.3 步骤S3

振动时频域特征提取与CNN训练

在有了前述的工作基础后，我们开展CNN训练的数据和标签都已得到。数据为经过小波变换后的振动时频域特征（图8所示），通过分析我们认为采用小波系数矩阵作为输入效果最优；标签为振动的类型（地铁振动、施工振动、汽车流振动、风致振动），同时每个振动类型对应了一个最优的q/r值。

随后需要搭建一个简单的CNN网络开展训练即可，架构基本如图9所示。搭建了CNN模型后便开始了炼丹环节，不停调整CNN模型的超参数，最后寻求一个最好的结果。参数讨论和模型训练之后得到了有效的CNN网络继续开展下一步振动控制的应用。

2.4 步骤S4

训练好的CNN分类器用起来！

针对图1所示的装置，输入了三个案例的环境振动。案例一输入的振动为地铁、汽车、施工、风致振动四种振动的随机拼接；案例二输入的同样为四种振动的随机拼接，不过一些部分的振动为两种类型振动叠加后构造的新耦合振动；案例三输入的则是没有经过训练的高铁产生的振动。采用训练完成的CNN模型对案例一和二的振动类型进行识别，采用小波系数矩阵（WCM）作为输入，识别准确率可达100%，采用小波图（WI）作为输入则结果稍差；对案例三的高铁振动进行识别，WCM输入时，CNN识别为风致振动，WI输入时，CNN则认为其是施工振动。

根据振动识别的结果，改进LQR控制方法可以针对不同振动类型调整其LQR控制参数。最终的振动控制结果如图10，图11，图12所示。案例一和案例二振动输入时，在适当的作动器工作状态下，能够保证相当不错的控制效果，图10(a)、10(c)、11(a)和11(c)表明改进LQR方法在不同振动下均表现良好。而传统的控制器要么像图10和图11中的蓝线一样，很多振动控制不好；要么像黄线一样，一直让作动器处于满输出的工作状态，容易导致作动器的损坏，并且出力太大，作动器的频率也会变慢。案例三的振动控制结果如图12所示，即使是一种没有经过训练的环境振动，CNN依旧可以通过其时频域特征进行分类，并选择最接近的LQR控制参数，实现相对良好的振动控制。

3

总结

本专利将基于CNN的图像分类技术，振动特征提取技术，联合应用于振动识别中，实现了良好的振动识别功能。基于该振动识别，对经典的LQR振动控制方法进行了改进，改进后的LQR振动控制在面对多种环境振动作用时，其振动控制性能与经典LQR控制算法相比更加优异。

4

本课题组相关专利

[1]   陆新征, 廖文杰, 徐永嘉, 基于卷积神经网络振动识别的线性二次型控制改进方法，发明专利，专利号：ZL 202010169860.3

[2]   陆新征，徐永嘉，程庆乐，基于循环神经网络的地震破坏力预测装置及方法，发明专利，专利号：ZL 201911154874.1

[3]   陆新征，许镇，曾翔，杨哲飚，一种城市建筑地震次生火灾模拟方法，发明专利，授权号：ZL 201810255576.0

[4]   陆新征，曾翔，许镇，田源，一种基于震后航拍影像的近实时震损评估方法，发明专利，授权号：ZL 2018 1 0119671.8