基于神經網絡的磁流變減振器模型參數辨識*

張宇涵 陳雙 任洪卓

（遼寧工業大學，錦州 121000）

主題詞：磁流變減振器 BP神經網絡 正向模型 逆向模型

1 前言

磁流變減振器通過調節其內部線圈的電流來改變內部磁場強度，在毫秒級的時間內其內部的磁流變液體可以在外加磁場的作用下改變流動特性，產生剪切屈服應力，進而輸出連續可調阻尼力。其工作特性具有很強的不確定性，導致輸出的阻尼力具有非線性和滯回特性，因而對其建立準確的動力學模型難度較大。

目前，磁流變減振器模型主要分為參數化模型和非參數化模型2種。參數化模型主要包括Bingham模型、Bouc-Wen模型、非線性滯回雙黏性模型和Sigmoid模型等。其中Bingham模型對磁流變減振器特有的滯回特性的描述并不準確，且模型精度差；Bouc-Wen模型在建模過程中需要計算的參數數量偏多，而且難以確定，也會對模型的精度產生影響。相比于參數化建模，非參數化建模沒有直接的函數表達式，通常根據試驗數據通過曲線擬合或者經過訓練的神經網絡來建立其相應的力學模型。

神經網絡能夠精確地擬合非線性函數，只要選取的樣本數據足夠豐富，就可以很好地確保訓練精度，從而實現模型的高精度擬合。鞠小龍通過對自主設計的直線式微型磁流變減振器進行BP 神經網絡建模，證明了BP神經網絡能夠很好地模擬摩擦型磁流變減振器的動力學特性。基于前人的經驗，本文針對單筒單出桿式磁流變減振器進行性能特性測試，將不同工況下的試驗數據通過BP 神經網絡進行訓練學習，建立單筒單出桿式磁流變減振器的正向模型和逆向模型，并將模型的仿真輸出與磁流變減振器的實際輸出進行對比，以驗證模型的辨識能力。

2 磁流變減振器的性能試驗

本文選取LORD 公司的RD-8041-1 型磁流變減振器，其物理樣機如圖1 所示。該減振器為單筒單出桿式，由缸體、活塞桿、線圈、密封圈和氮氣蓄能器組成，其允許的最大電流為1.0 A。電磁線圈纏繞在活塞頭上，導線從活塞桿中牽出至磁流變減振器外部與電源相連，磁極隨著活塞的往復運動在缸筒中上下運動，磁流變液在閥式節流孔中流動，受到磁場的作用，液體黏度發生大幅變化，抗剪切力迅速變化從而對外輸出可變阻尼力。氮氣蓄能器作為氣體補償裝置可以補償活塞桿進出缸筒時引起的缸筒總容積的變化。

圖1 RD-8040-1型磁流變減振器物理樣機

試驗采用MTS 849 減振器試驗臺，如圖2 所示，磁流變減振器的激勵電源采用學生電源。減振器活塞桿、缸筒分別利用固定夾具與試驗臺上部和下部的液壓作動筒連接，連接處均放置自制的吊耳環，以保證試驗過程中磁流變減振器與試驗臺固定連接，從而避免多余振動影響試驗結果的準確性。

圖2 磁流變減振器性能試驗臺

試驗工況包括不同的激振頻率、振動位移和控制電流：活塞桿的振動位移分別為±5 mm、±10 mm、±15 mm、±20 mm、±25 mm、±30 mm；激振頻率分別為1 Hz、2 Hz、3 Hz、4 Hz、5 Hz；向線圈施加的控制電流分別為0 A、0.1 A、0.2 A、0.3 A、0.4 A、0.5 A、0.6 A、0.7 A、0.8 A、0.9 A。選取部分工況下的磁流變減振器阻尼力與速度、阻尼力與位移關系曲線如圖3所示。從圖3中可以看出，單筒單出桿式磁流變減振器的阻尼力隨著電流和頻率的增大而增大，阻尼力與位移的曲線近似為封閉的矩形，最大阻尼力在位移變化的過程中沒有明顯變化，其力學特性表現出良好的非線性和滯回特性。

圖3 磁流變減振器力學特性試驗曲線

3 磁流變減振器的模型辨識

3.1 BP神經網絡建模

BP神經網絡由輸入層、隱層和輸出層組成，它無須事先獲取函數方程的輸入與輸出的映射關系，只需反復迭代和學習，即可最終使神經網絡訓練后的輸出值與實際輸出的誤差最小。

BP神經網絡在網絡初始化后通過初始給定的權值和閾值計算隱層和輸出層的神經元輸出，然后對比網絡輸出與實際輸出的誤差，如果沒有達到期望值，則將此誤差反向傳遞給隱層和輸出層，通過網絡的自學習能力來修正權值和閾值，之后再次計算輸出，最終得到使網絡輸出與實際輸出的誤差平方和最小時對應的權值和閾值，然后結束訓練。此時即可得到一個可以處理類似樣本信息的神經網絡模型。

3.2 磁流變減振器正向模型

磁流變減振器輸出的阻尼力與活塞運動的速度、位移和線圈的控制電流成函數關系，其正向模型采用單隱層BP 神經網絡。其中輸入層的7 個信號分別為：當前時刻活塞的速度v、位移D、減振器線圈電流I和前一時刻活塞的速度v、位移D、減振器線圈電流I、減振器輸出的阻尼力F，輸出層信號為當前時刻減振器輸出的阻尼力F。隱層神經元數量由經驗公式確定：

式中，、分別為輸入層和輸出層神經元數量；為1～10之間的常數。

通過人工試錯，得到訓練效果最佳的隱層神經元數量為7個。這樣得到一個7×7×1的BP神經網絡，結構如圖4所示，訓練方法如圖5所示。

圖4 BP神經網絡正向模型結構

圖5 BP神經網絡正向模型訓練方法

為了避免樣本數據數量級相差過大，需將數據進行歸一化處理，建立好BP 神經網絡后再進行數據反歸一化處理，然后經輸入層開始網絡訓練。本文采用minmax標準化的方法，對樣本數據進行線性變換：

式中，為標準化后的數據；x為標準化前的數據；、分別為樣本數據的最大值和最小值。

隱層傳遞函數選取S 型的正切函數tansig，其表達式為：

其導數為：

將導數運算轉換成乘法運算能夠大幅縮短運算時間，同時提升運算精度。輸出層傳遞函數選取純線性函數purelin，兩者共同作用可以很好地模擬非線性函數關系。性能函數選用均方誤差損失函數：

通過計算預測值與實際值的誤差，即可利用梯度下降對網絡進行訓練。

權值和閾值的BP 學習算法采用梯度下降動量學習函數learndm。訓練算法采用Levenberg-Marquardt（L-M）算法，其兼顧了梯度下降算法的初始階段優化和牛頓算法的快速收斂特性，減少了網絡的迭代次數，使網絡收斂迅速，精度提升。

正向模型網絡訓練集的樣本來自特性試驗中各種工況下的減振器性能試驗數據，每種工況試驗數據共2 000 組，隨機選取1 600 組數據用于訓練，其他400 組試驗數據用于測試。通過BP 神經網絡的訓練，正模型誤差僅為0.89%，說明正向神經網絡的模型辨識度較高。試驗臺頻率的提高和減振器輸入電流的增大使得磁流變減振器阻尼力增大，進而導致磁流變減振器產生振動，對試驗結果造成一定的影響。

測試集在幾種工況下的訓練結果如圖6所示，從圖6中可以看出，正向模型仿真輸出的阻尼力與試驗數據曲線的擬合度很高，雖然受試驗臺振動影響，當產生大阻尼力時某幾個點預測阻尼的誤差較大，但整體結果表明，BP網絡成功訓練了樣本數據，經過訓練的正向神經網絡模型可以很好地模擬磁流變減振器輸出的阻尼力。

圖6 減振器正向模型測試集仿真結果

3.3 磁流變減振器逆向模型

磁流變減振器應用于半主動懸架模型控制中，作為執行機構，為了有效減振，通常需要一個期望阻尼力，由于減振器輸出的阻尼力是位移、速度和控制電流的函數，所以必須先計算出減振器的控制電流。因此需要建立磁流變減振器的逆向模型，從而達到預測控制電流的目的。

同樣采用單隱層BP神經網絡來搭建磁流變減振器的逆向模型。其輸入層的7個信號分別為：F、D、v、D、v、F和I；輸出層信號為I。隱層的神經元數量同樣由式（1）確定，采用人工試錯法確定最優的隱層神經元數量為14個。逆向模型網絡的函數均采用與正向模型相同的函數，這樣得到一個7×14×1 的BP 神經網絡，結構如圖7所示，訓練方法如圖8所示。逆向模型采用的傳遞函數、性能函數、學習算法和訓練算法均與正向模型一致。

圖7 BP神經網絡逆向模型結構

圖8 BP神經網絡逆向模型訓練方法

逆向模型的神經網絡訓練與正向模型類似，樣本來自特性試驗中各種工況下的減振器性能試驗數據，每種工況試驗數據共2 000組，隨機選取1 600組數據用于訓練，其他400 組試驗數據用于測試。通過BP 神經網絡訓練，逆向模型的誤差僅為0.52%，說明逆向神經網絡的模型辨識度較高。本文測試集分為2類測試工況：定頻率和定位移；變頻率和變位移。選取典型測試結果如圖9所示，從圖9中可以看出，當輸出的電流很大時，有某幾個點的預測電流誤差較大，但逆向模型仿真輸出的電流與試驗數據曲線的擬合度整體很高，進而說明經過訓練的逆向神經網絡模型可以很好地模擬磁流變減振器的控制電流。

圖9 減振器逆向模型測試集仿真結果

4 結束語

本文基于磁流變減振器力學特性臺架試驗數據，利用具有7個神經元輸入層的單隱層BP神經網絡方法建立了磁流變減振器的正向模型和逆向模型，實現了減振器的非參數化建模，研究結論如下：

a.基于單隱層BP神經網絡建立的磁流變減振器正、逆模型可以精確地預測減振器的阻尼力和控制電流；

b.本文采用了7 個神經元輸入層，由于輸入量的增多，對數據的需求也較多，所以7 個神經元輸入對磁流變減振器參數的精準預測更加精準。

本文只采用了BP 神經網絡自帶的訓練算法，如果通過智能優化算法進一步進行優化，得到的結果會更為準確。