افزایش عملکرد کنترل‌کننده‌های بهینه با انتخاب ماتریس وزن‌دهی

روش‌های کنترل سازه به دلیل پتانسیل هیجان‌انگیزشان برای کاهش خطرات طبیعی و آسیب‌های ناشی از بارهای دینامیکی، به طور گسترده مورد تحقیق قرار گرفته‌اند. به طور کلی دو استراتژی کنترلی مختلف برای تضعیف ارتعاش سازه ها در نظر گرفته شده است، یعنی کنترل ارتعاش فعال و کنترل ارتعاش غیرفعال که بسته به سیستم و نیازمندی ها، یکی از این روش ها مورد استفاده قرار می گیرد [1]. در طول دهه های گذشته، بسیاری از محققین به طور گسترده توسعه و بهبود تکنیک های کنترل را مورد مطالعه قرار داده اند. به عنوان مثال، برخی از فناوری های غیرفعال مانند میرایی ذرات برای گسترش باند کاهش ارتعاش کارآمد میراگر سنتی تحت تحریکات باد و لرزه ای توسعه یافته است [2]، [3]، [4]. همچنین می توان به بهبود استراتژی های کنترل فعال توسط ابزارهای محاسباتی نرم مانند منطق فازی اشاره کرد.

تکنیک های کنترل بهینه مانند LQR، LQG، Polynomial و غیره از جمله روش های رایج کنترل معاصر هستند که به طور گسترده در طراحی سیستم های کنترل لرزه ای فعال مورد استفاده قرار می گیرند. این روش‌ها نیروهای کنترل را به گونه‌ای طراحی می‌کنند که یک شاخص عملکرد انتخاب شده با استفاده از ماتریس‌های وزن‌دهی تخصیص یافته به حالت‌های پاسخ و تلاش کنترل به حداقل برسد. یکی از چالش‌های اصلی در طراحی کنترل‌کننده‌های بهینه، انتخاب مناسب ماتریس‌های وزنی است که در کیفیت آن‌ها نقش بسزایی دارد. به طور معمول، ماتریس های وزن دهی بر اساس طرح اولیه انتخاب می شوند و به طور متناوب تنظیم می شوند تا به پاسخ مورد نظر دست یابند که عملاً فرآیندی زمان بر است [9]. از آنجایی که هیچ رابطه مستقیمی بین ماتریس های وزن دهی و ویژگی های سیستم کنترل وجود ندارد، تعیین آنها به طور مناسب برای یک سیستم کنترل بهینه آسان نیست و تاکنون روش سیستماتیک مشخص و مناسبی ارائه نشده است [7]. این مشکل مورد توجه بسیاری از تحقیقات علمی قرار گرفته است. بنابراین راه‌حل‌های ممکن متعددی برای این روش‌ها پیشنهاد شده است.

بسیاری از محققان از الگوریتم های بهینه سازی مختلف برای محاسبه ماتریس های وزن دهی LQR استفاده کرده اند. لیو و وانگ [10] از یک استراتژی بهینه سازی چند هدفه و شن [11] از یک الگوریتم ژنتیک (GA) برای تنظیم پارامترهای وزن در یک سیستم آونگ معکوس استفاده کردند. وانگ و همکاران [12] روشی را بر اساس الگوریتم کلونی زنبورهای مصنوعی (ABC) برای طراحی ماتریس وزن کنترل‌کننده LQG در سروو آنتن بزرگ توسعه دادند. حمیدی [13] با استفاده از روش بهینه سازی ازدحام ذرات (PSO) برای سیستم های فرود هواپیما، یک سیستم کنترلی با وزن های بهینه طراحی کرده است. بهینه سازی بیزی (BO) توسط میاماتو و همکاران [14]، [15] برای انتخاب ماتریس های وزنی کنترل کننده LQR در یک مدل ساختمان برشی با جداسازی پایه غیرفعال استفاده شده است. همچنین برخی از تکنیک های فراابتکاری دیگر مانند الگوریتم مورچه [16]، الگوریتم ممتیک [17]، الگوریتم گرگ خاکستری [18]، رقابت استعماری [19] و غیره برای افزایش کارایی کنترل‌کننده‌ها با انتخاب بهینه ماتریس‌های وزن‌دهی استفاده شده‌اند. هر یک از راهبردهای کنترلی فوق، بسته به عملکرد مورد نظر، محاسن و معایب خاص خود را دارد.

با این حال، روش‌های مورد استفاده در این مطالعات برای پایگاه‌های اطلاعاتی آفلاین طراحی شده‌اند و شبیه‌سازی‌ها بر اساس شرایط واقعی انجام نشده است. بنابراین، انتخاب آفلاین ماتریس‌های وزن‌دهی بدون در نظر گرفتن اثر تحریک خارجی یکی از کاستی‌های عمده الگوریتم‌های کنترل مبتنی بر شاخص عملکرد است که توسط چندین محقق نیز تصدیق شده است [20]، [21]، [22].

Basu و Nagarajaiah [23] یک الگوریتم LQR تطبیقی ​​مبتنی بر موجک را برای به روز رسانی آنلاین ماتریس های وزن دهی با استفاده از ضرب کننده های اسکالر یا عوامل با توجه به انرژی در باندهای فرکانسی مختلف در یک پنجره زمانی پیشنهاد کردند. با این حال، اگرچه ماتریس‌های وزن‌دهی زمانی که رزونانس در این روش رخ می‌دهد تغییر می‌کنند، ضریب اسکالر آفلاین انتخاب شد و مقدار ثابتی داشت. در این رابطه امینی و همکاران. [7] یک راه بهینه برای تعیین نیروهای کنترلی یک دمپر جرمی تنظیم شده فعال ایجاد کرد. در این روش از PSO برای تعیین ماتریس های بهره از طریق به روز رسانی آنلاین پارامترهای وزن دهی بر روی باندهای فرکانسی استفاده شده است. با این حال به نظر می رسد استفاده از روش های بهینه سازی در هنگام تحریک سازه تاخیر زمانی قابل توجهی در اعمال کنترل مورد نظر داشته باشد. به طور کلی،

در بسیاری از برنامه های کنترلی، مدل سیستم ناشناخته است یا پارامترهای ورودی بسیار متغیر و ناپایدار هستند [24]. منطق فازی رویکرد مهم دیگری است که به عنوان یکی از روش‌های کنترل هوشمند در کنترل سیستم‌های غیرخطی پیچیده بدون ایجاد مدل عددی دقیق از قبل مورد استفاده قرار گرفته است [25]. عدم قطعیت داده های ورودی از تحریکات خارجی را تحمل می کند که منجر به یک سیستم کنترلی با استحکام ذاتی کافی می شود. زمینه سیستم‌های فازی و کنترل در سال‌های اخیر پیشرفت سریعی داشته است و تحقیقات فزاینده‌ای بر روی مطالعات نظری دقیق [26]، [27] سیستم‌های فازی و کنترل فازی [28] انجام شده است.

علاوه بر تکنیک‌های ذکر شده برای انتخاب ماتریس‌های وزنی کنترل‌کننده‌های بهینه، منطق فازی روش دیگری است که در ترکیب با آنها در بسیاری از کاربردها مورد استفاده قرار گرفته است. Chantarachit [29] از منطق فازی برای تنظیم بهره حلقه بسته کنترل کننده LQR استفاده کرده است. در همین زمینه، لو و همکاران. [30] از این طرح در تعیین پارامترهای وزن کنترل کننده LQR استفاده کرد، اما طراحی اعمال شده تنها به تنظیم ماتریس R محدود می شود. آکا و همکاران [31] از یک کنترل کننده فازی برای تعیین ماتریس های وزنی Q و R کنترل کننده LQR به منظور کنترل صحیح یک ربات متحرک در حضور موانع استفاده کرد.

با نگاهی به تکنیک های کنترل بهینه ای که در این تحقیقات استفاده شده است، می توان دریافت که علیرغم مزایای این طرح های کنترلی، از اشکالاتی نیز رنج می برند. اول، مشاهده شده است که یک الگوریتم کنترل خطی (به عنوان مثال، LQR یا LQG) در این مطالعات استفاده می شود که نمی تواند به طور موثر منجر به کاهش قابل توجه پاسخ پیک در محدوده غیرخطی [32] شود. ثانیاً، در اغلب موارد، طرح بر اساس رفتار خطی سازه فرموله می شود و امکان هرگونه تغییر در ویژگی های سازه کنترل شده در نظر گرفته نمی شود. علاوه بر این، مشکلات طراحی مبتنی بر مدل‌های غیردقیق سازه‌های مورد استفاده در تحقیقات است و عملکرد این تکنیک‌های کنترلی بر روی مدل‌های پیچیده مهندسی سازه بررسی نشده است.

در این مطالعه، یک استراتژی موثر برای بهبود کارایی کنترل‌کننده‌های بهینه که مبتنی بر به حداقل رساندن شاخص عملکرد هر مرتبه با استفاده از کنترل‌کننده فازی هستند، پیشنهاد شده است. در این طرح، کنترل کننده بهینه خود را با استفاده از وزن های تعیین شده بر اساس ویژگی های پاسخ به صورت پویا با شرایط جدید تنظیم می کند و مانند موارد کلاسیک نیازی به انتخاب قبلی وزن ها ندارد. ما دو کنترل کننده بهینه را بررسی خواهیم کرد. یعنی کنترل کننده گاوسی درجه دوم خطی (LQG) و کنترل کننده چند جمله ای با مرتبه مکعب که به ترتیب به عنوان کنترل کننده های بهینه خطی و غیرخطی شناخته می شوند. در طراحی کنترل کننده فازی، انتخاب توابع عضویت و پایگاه داده بر اساس شهود و دانش تخصصی صورت می گیرد که منجر به ایجاد یک کنترل کننده بهینه نمی شود. بنابراین تنظیم پارامتر و بهینه‌سازی کنترل‌کننده‌های منطق فازی با رویکردهای اکتشافی، فراابتکاری و الهام‌گرفته از طبیعت بسیار مورد توجه است [28]، [33]. برای غلبه بر این مشکل و یافتن پارامترهای بهینه سیستم فازی می توان از الگوریتم ژنتیک به عنوان یک تکنیک جستجوی موثر در بسیاری از زمینه های مسائل بهینه سازی استفاده کرد. بنابراین در این تحقیق از این الگوریتم برای جستجوی یک کنترل کننده فازی مناسب که بتواند الزامات طراحی را برآورده کند استفاده می شود.

به منظور ارزیابی اثربخشی طرح کنترل پیشنهادی، عملکرد آن بر روی یک ساختمان معیار 3 طبقه مجهز به دمپرهای MR ارزیابی می‌شود. این نوع کنترل کننده ها در مطالعات تحلیلی و تجربی به عنوان کاندیدای مناسبی برای حفاظت از سازه های عمرانی در نظر گرفته می شوند. در سال 2001، اولین دمپر MR در مقیاس کامل با ظرفیت 300KN در موزه ملی علوم و نوآوری های نوظهور توکیو برای محافظت در برابر تحریکات لرزه ای نصب شد [34]. بعداً در سال 2003، یک دمپر MR 400KN در یک ساختمان مسکونی در دانشگاه کیو در ژاپن استفاده شد [35]، [36]. همچنین اجرای این دستگاه ها برای سازه های پل در چین مورد بررسی قرار گرفته است [37]، [38]. از آنجایی که دمپر MR کنترل پاسخ بهتری نسبت به دمپرهای غیرفعال دارد، محققان [39]، [40]، [41]، [42] در حال توسعه دمپر MR در مقیاس بزرگ برای پل هستند. پل راه آهن، ساختار ساختمان در طول سال ها. همچنین، تحقیقات گسترده‌ای بر روی ارزیابی الگوریتم‌های کنترل مختلف برای میراگرهای MR و کاربرد آن‌ها در مسائل مختلف کنترل ساختاری انجام شده است. این الگوریتم‌ها یا روش‌های مرسوم مبتنی بر فرمول‌بندی‌های ریاضی [43]، [44]، [45]، [46]، [47]، [48] یا روش‌های هوشمند مبتنی بر شبکه‌های عصبی یا منطق فازی [49، [50] هستند. ، [51]، [52]، [53]، [54]. بنابراین، هدف این مقاله در کنار معرفی یک استراتژی کارآمد برای کنترل کننده بهینه، به‌کارگیری روش پیشنهادی در سیستم‌های میراگر ساختمان-MR است. این الگوریتم‌ها یا روش‌های مرسوم مبتنی بر فرمول‌بندی‌های ریاضی [43]، [44]، [45]، [46]، [47]، [48] یا روش‌های هوشمند مبتنی بر شبکه‌های عصبی یا منطق فازی [49، [50] هستند. ، [51]، [52]، [53]، [54]. بنابراین، هدف این مقاله در کنار معرفی یک استراتژی کارآمد برای کنترل کننده بهینه، به‌کارگیری روش پیشنهادی در سیستم‌های میراگر ساختمان-MR است. این الگوریتم‌ها یا روش‌های مرسوم مبتنی بر فرمول‌بندی‌های ریاضی [43]، [44]، [45]، [46]، [47]، [48] یا روش‌های هوشمند مبتنی بر شبکه‌های عصبی یا منطق فازی [49، [50] هستند. ، [51]، [52]، [53]، [54]. بنابراین، هدف این مقاله در کنار معرفی یک استراتژی کارآمد برای کنترل کننده بهینه، به‌کارگیری روش پیشنهادی در سیستم‌های میراگر ساختمان-MR است.

با توجه به اهمیت شناسایی دقیق مدل‌های فیزیکی در عملکرد سیستم‌های کنترل [55، [56]، مدل ریاضی سازه نوعی مدل دقیق است و غیرخطی بودن سازه مورد توجه قرار می‌گیرد. مزایای این استراتژی کنترل از طریق چندین مطالعه تجربی ارزیابی می‌شود، یعنی حداکثر پاسخ‌های رانش و شتاب طبقات، سطح تقاضای انرژی و معیارهای ارزیابی با نتایج یکسان یک سیستم کنترل فعال LQG معمولی، یک بهینه سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS) و یک سیستم کنترل پیش‌بینی شبکه عصبی (NNPC). بررسی ها نشان می دهد که با تغییر ماتریس های وزن دهی بر اساس تحریکات خارجی،