新论文：给振动信号拍个照，可以提升振动控制效果！

论文链接：

https://journals.sagepub.com/doi/full/10.1177/1077546320933756

  经典的LQR（线性二次型控制器）控制方法，要想控制效果良好，就需要对关键参数Q，R矩阵进行优化。常规的优化算法难以提出一组固定参数，使其能满足对所有振动的最优控制。所以，不如让优化算法对所有类型的振动都求解出相应的参数，等振动出现，我们用卷积神经网络(CNN)识别振动类型，然后就将LQR调整至对应的最优参数，实现不同类型振动下的优化控制。得到以下结论：

    1. 提出了改进LQR控制的方法及其对应的装置；

    2. 常规的LQR优化采用遗传算法即可实现；

    3. CNN通过识别振动的前0.5s片段，即可辨别出振动类型；

    4. CNN识别前，采用小波变换做个时频域特征的初步提取，帮助CNN识别更准确；

    5. 这个方法受限于LQR算法本身，要求被控系统线性可观测，不然容易失稳。

图1 改进LQR控制装置

     随着国外对中国高科技的封锁，精密设备国产已经是当务之急，限制环境微振动则是精密设备生产的重要保证条件。随着设备精度的提高，主动控制是下一步精密设备生产微振控制的重要选择，例如LQR（线性二次型控制器）控制方法。

非正经配图1

   若需要LQR发挥最大的控制效果，要对其Q，R系数矩阵进行参数优化。目前应用较多的优化方法是遗传算法，但不足之处在于遗传算法优化往往针对某一特定类型的振动。面对振动源复杂多变的情况，例如地铁、重型车辆、建筑施工造成不同类型的振动，应该选则优化哪一类振动呢？

非正经配图2

当然，全都要！

非正经配图3

    因此，可通过预先让遗传算法求解出各类振动对应的最优Q，R参数，随后在应用时，只需对输入的振动进行识别，便可选出对应最优的Q，R参数矩阵。

如何更快的更准确的进行振动类型的识别呢？

非正经配图4：遇事不决，机器学习

    既然基于深度学习的图像识别发展已经很成熟，何不借用一下。那么就得先给振动信号"拍照"，故而小波变换正式上线协助，将时序振动信号变换为时频域特征的图像或者二维矩阵。

正经配图：三维小波变换（图源见水印）

    基于上述想法，本研究提出采用CNN（卷积神经网络）对振动类型进行识别，随后基于识别结果选择最优的Q，R控制参数的方法。这样，便能可以实现不同振动干扰下的最优控制。

图2 LQR改进控制方法

 改进算法分为线上控制与线下训练优化部分，线上控制为典型的LQR控制算法，线下训练优化则通过现场振动数据采集，进行预控制训练，将训练完成的系统应用于线上控制的优化，方法框架如图2所示，具体实现的装置图1所示。其中线下训练的包括：

    1) 对现场振动数据的采集并完成数据标记；

    2) 对控制系统在不同类型振动下的LQR控制算法的QR系数矩阵进行优化，采用遗传算法求解每种类型振动对应的最优QR矩阵参数；

    3) 对振动数据采用小波变换进行初步特征提取，包括得到的小波系数矩阵和小波系数云图，对CNN进行识别训练；

    4) 将训练完成的性能最为优异的CNN模型应用于线上的振动控制，通过对振动输入的近实时识别，判断振动类型，进而选取相应的最优QR矩阵参数，达到不同振动下均能最优控制的目标。

    针对控制方法的改进不局限于LQR算法，其他线性定常控制算法也可采用类似的改进方法，本研究针对LQR算法展开。

    采用加速度传感仪对工作环境中的典型振动进行采集，各类型振动数据总共采集约1200条，将这4类振动分别称为：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图特征如图3所示；

    典型振动数据的时频域特性如图4所示。

图3 典型振动信号的时程对比

图4 典型振动信号的时频域特征对比

    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控制效果与q/r值直接相关，本研究同样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，被控系统的力学模型如图1所示（不包括CNN装置），整个优化算法流程如图5所示。最终优化结果为：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

图5 不同类型振动作用下q/r值优化流程

2.3.1 可接受的振动识别时长

    为实现较好的振动控制效果，需在尽可能短的时间内识别振动，但过短的振动信号会降低分类系统的识别精度，为此开展了信号识别延时的参数分析。分析结果如图6所示，暂定1.5s延迟为相对可接受的延迟时间，需在振动的前1.5s内采用CNN完成相应振动的识别，并选择最优的LQR控制参数。并且，考虑到振动信号的小波变换和CNN模型在实际识别应用中会有产生额外的时间延迟，振动信号长度取值为0.5s。

图6 综合控制效果随控制延迟时间的变化

2.3.2 基于CNN的振动识别

    在前述工作基础上，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3所示），可以为图像，也可以为系数矩阵；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，基本架构如图7所示。为什么搭建简单的CNN呢？(1) 简单的CNN应用时识别速度快 (2) 本分类任务简单 (3) 太复杂的我也不会。

    算法中一个关键的要素即是CNN的输入，本研究并非只采用小波图像作为输入。由于CNN进行图像的特征提取和运算时，其本质是对像素矩阵进行操作，若以小波图作为输入则识别过程繁琐，包括：小波系数矩阵像素化为图像，被CNN前处理转化为矩阵。因此，本研究简化输入，其中一种输入直接为小波系数矩阵，另一种则为小波图。

图7 CNN模型特征提取与分类

    搭建了CNN模型后便开始炼丹，不停调整CNN模型的超参数，最后寻求一个最好的结果。本研究重点讨论了：信号长度、网络深度、Dropout系数、卷积核的数量和大小等参数的影响。参数讨论之后得到了有效的CNN网络，继续开展下一步振动控制的应用。

    案例研究针对了不同振动、不同系统开展，详见论文。毕竟推送太长大家就不看了，所以就放一个案例。

图8 案例振动信号

注：Wind代表风致振动；Con代表施工振动；Sub代表地铁振动；Car代表汽车振动

    被控系统即为前述案例，记作SYS-1，振动输入为WAVE-1（图8）。这段信号是多个类型振动拼接而成的，同时这些振动没有被训练过。表1就是以小波系数和小波图作为输入的CNN振动识别效果的验证。很遗憾，小波图的效果不佳，当然可以继续提升CNN网络的性能，但是由于小波系数足够优秀，故选择小波系数作为输入即可。

表1 CNN对振动的识别效果

    随后以小波系数作为CNN输入进行振动识别，辅助LQR控制。LQR对WAVE-1振动控制的结果如图9所示。图9a和9c表明改进LQR方法在不同振动下的位移控制和作动器出力状态均表现良好。q/r固定为3×10^6时，位移控制也很良好，但是问题在于这个作动器出力基本时时刻刻都在巅峰状态（图9b和9d的黄线），这个对于控制器不友好，并且出力太大，作动器的频率也会变慢。因此，改进LQR在合理控制器出力的情况下使得控制效果达到最优。

图9 LQR对WAVE-1振动控制结果

    本研究提出了结合CNN对振动进行识别，从而选择最优的Q、R系数矩阵的改进LQR控制方法，案例分析验证了该改进方法的优势。具体结论如下：

    (1) LQR控制器在不同振动下的最优QR系数矩阵取值不一致，采用GA算法可获取不同振动对应的最优LQR控制器参数；

    (2) 采用CNN进行振动识别时，首先通过小波变换得到初步的时频域特征，以小波系数矩阵作为输入应用效果最佳；

    (3) 振动识别速度快，通过对振动信号的前0.5s识别，判断出振动类型，避免过高延迟影响控制效果；

    (4) 本改进的LQR方法可适用于不同系统，不同的振动类型；

    (5) 本改进方法受限于LQR算法本身，要求被控系统线性可观测，方可保证控制稳定性。

    本研究期望为工业制造中的振动控制问题提供一种新的解决途径。

廖文杰

---End---

相关研究

相关文章，在仿真秀官网搜索

1. 新论文：不同冲剪方向下板柱节点抗倒塌性能研究
   

2. 新论文：基于BIM与虚拟现实的建筑震后火灾救援场景模拟
   

3. 新论文：社区地震安全韧性评估系统及社区应用示范
   

4. 这栋楼是什么结构的，元芳，你怎么看？——大人，时代变了！|新论文：使用机器学习方法预测城市建筑结构类型
   

5. 新论文：次边缘柱失效后钢筋混凝土平面框架连续倒塌承载力的试验分析和计算评估

6. 新论文：基于集群计算的大跨斜拉桥精细有限元模型更新
   

7. 新论文：钢筋混凝土板柱节点冲切及冲切破坏后行为的数值模拟
   

8. 新论文：边柱以及边中柱失效后平板结构连续倒塌行为试验研究
   

9. 新论文：武汉火神山医院病房有害气体的高空排放设计和分析
   

10. 新论文：主余震作用下区域建筑震害预测方法

11. 新论文：城市抗震弹塑性分析的开源框架

12. 新论文：考虑劳动力资源约束的城市尺度建筑抗震韧性模拟和震后维修规划
    

13. 新论文：基于无人机与深度学习的建筑震害评估方法
    

14. 新论文：抗震&防连续倒塌：一种新型构造措施
    

15. 新论文：混凝土梁柱子结构连续倒塌动力效应的试验研究
    

16. 层间位移角判别准则不适用于剪力墙，怎么办？|新论文：基于曲率的剪力墙损伤评估方法

17. 新论文：结合BIM和FEMA P-58的建筑地震损失预测方法
    

18. 新论文：地震-连续倒塌综合防御组合框架结构体系研究
    

19. 新论文：扔砖头、跳盒子，这也是做科学试验哦！| 地震次生坠物情境中的人员疏散模拟

20. 新论文：改变框架-核心筒结构剪力调整策略对其抗震性能影响的研究
    

21. 综述：城市抗震弹塑性分析及其工程应用

22. 新论文：适用于多LOD BIM的建筑地震损失评估
    

23. 新论文：新型地震和连续倒塌综合防御韧性PC框架承载力计算方法
    

24. 新论文：角柱失效后平板结构连续倒塌行为实验研究
    

25. 新论文：城市建筑群多LOD震害模拟及北京CBD算例

26. 美国NSF SimCenter+清华城市弹塑性分析=旧金山184万建筑地震模拟
    

27. 新论文：受折纸启发的可更换承载-耗能双功能耗能器
    

28. 新综述论文：21世纪建筑结构连续倒塌和鲁棒性的研究和实践

29. 新论文：中柱失效后板柱结构连续倒塌传力机理研究

30. 新论文：一根钢筋混凝土梁，承载力你能算对么？| 梁的压拱效应计算方法

31. 新论文：无人机+机器学习+城市弹塑性分析=震后近实时损失预测

32. 新论文：这个混凝土框架能抗震，能防连续倒塌，还功能可恢复，您不进来看看么？

33. 新论文：一个好汉三个帮|带端部阻尼器伸臂桁架的抗震性能试验研究

34. 新论文：BIM+新一代性能化设计=喷淋系统破坏后的地震次生火灾模拟

35. 新论文：村镇建筑群火灾蔓延模拟与案例

36. 新论文：建设地震韧性城市所面临的挑战
    

37. 新论文：烈焰焚城 | 地震次生火灾的精细化和高真实感模拟
    

38. 新论文：城市韧性——基于“三度空间下系统的系统”的思考

39. 新论文：防屈曲支撑伸臂桁架？几个“狗骨头”可少不了！
    

40. 新论文：城市抗震弹塑性分析中如何确定高层建筑的损伤程度？

41. 新论文：考虑楼板影响的钢筋混凝土框架边柱连续倒塌试验
    

42. 新论文：提高地震荷载分项系数，抗震安全性提高了多少？

43. 新论文：采用减振子结构来控制超高层建筑的地震楼面加速度
    

44. 新论文：500m级超高层建筑简化模型及其在结构体系对比中的应用

45. 606m 超高层建筑OpenSees模型