基于卷積神經(jīng)網(wǎng)絡(luò)的高層建筑智能控制算法研究

關(guān)鍵詞：深度學(xué)習(xí)；一維卷積神經(jīng)網(wǎng)絡(luò)；智能控制；數(shù)據(jù)特征可視化；泛化性能

中圖分類號：TB381 文獻(xiàn)標(biāo)志碼：A 文章編號：1000-582X（2025）01-066-10

根據(jù)是否需要外部能源、激勵以及結(jié)構(gòu)的反應(yīng)信號，可以將結(jié)構(gòu)振動控制類型分為：主動、被動、半主動和混合控制等[1]。目前較為成熟的主動控制策略有：極點配置算法[2]、線性二次型高斯控制算法[3]、獨立模態(tài)空間控制算法[4]等，但以上方法均需建立建筑結(jié)構(gòu)的精確模型，隨著工程技術(shù)的發(fā)展，超高層建筑模型參數(shù)趨于復(fù)雜化，控制數(shù)據(jù)海量化，使得以上算法在工程中難以實現(xiàn)。神經(jīng)網(wǎng)絡(luò)控制算法為解決這一問題提供了新的途徑，該類算法具有不需要建立精確結(jié)構(gòu)模型、泛化能力強(qiáng)、穩(wěn)定性高等優(yōu)點[5]。在淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)控制算法中，Ramezani 等[6]通過人工神經(jīng)網(wǎng)絡(luò)算法尋找TMD（tuned mass" dampers，TMD）最優(yōu)參數(shù)，驗證其在控制方面的準(zhǔn)確性。Zhao 等[7]利用RBF 神經(jīng)網(wǎng)絡(luò)較高的容錯性和自適應(yīng)能力，設(shè)計出RBF 神經(jīng)網(wǎng)絡(luò)滑模控制器。涂建維等[8]通過RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測MR 阻尼器滯后的地震響應(yīng)，有效抑制了船機(jī)頂部的地震鞭梢效應(yīng)。李宏男等[9]進(jìn)行了基于遺傳BP 神經(jīng)網(wǎng)絡(luò)對偏心結(jié)構(gòu)的減震控制研究，解決了被控系統(tǒng)的非線性、時滯、時變等問題。然而，以上淺層結(jié)構(gòu)算法存在復(fù)雜函數(shù)表達(dá)能力有限，訓(xùn)練時間長，易過擬合等缺點，阻礙了其在高層建筑和復(fù)雜結(jié)構(gòu)振動控制中的應(yīng)用[10]。

為彌補以上淺層學(xué)習(xí)的不足，深度學(xué)習(xí)可根據(jù)不同任務(wù)設(shè)計出相應(yīng)深層網(wǎng)絡(luò)模型，以應(yīng)對復(fù)雜結(jié)構(gòu)診斷和龐大數(shù)據(jù)的預(yù)測等問題[11]。涂建維等[10]采用長短時記憶網(wǎng)絡(luò)（long short-term memory，LSTM）完成對3 層benchmark 模型的振動控制，這是深度學(xué)習(xí)對結(jié)構(gòu)振動的首次運用。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表算法之一，由于其內(nèi)部獨特的降維構(gòu)造和強(qiáng)大的特征提取能力，被廣泛應(yīng)用于軸承故障診斷[12]、圖像識別[13]及時間序列預(yù)測[14]等領(lǐng)域。其中，圖像識別采用二維卷積神經(jīng)網(wǎng)絡(luò)（2D-CNN），時間序列預(yù)測采用1D-CNN。針對高維時間序列預(yù)測問題，1D-CNN在結(jié)構(gòu)健康檢測[15]、電路故障診斷[16]和管道震動識別[17]等方面均被成功應(yīng)用。

綜上所述，1D-CNN適用于高維時間序列的特征降維和預(yù)測，可將此特性用于高層建筑結(jié)構(gòu)的振動控制。因此，文中提出了基于1D-CNN的智能控制算法，用于高層建筑在地震作用下的振動控制。以結(jié)構(gòu)地震響應(yīng)作為時間序列訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可視化1D-CNN降維過程，并將控制仿真結(jié)果與淺層學(xué)習(xí)（BP、RBF）對比，驗證文中方法的有效性。

1CNN理論

CNN根據(jù)輸入數(shù)據(jù)類型和卷積方式的不同可分為1D-CNN、2D-CNN 和3D-CNN [18]，但基本框架結(jié)構(gòu)相似。1D-CNN 結(jié)構(gòu)如圖1所示，分別由輸入層、卷積層、池化層、全連接層和輸出層組成。CNN相較于全連接網(wǎng)絡(luò)具有稀疏連接和權(quán)值共享兩大優(yōu)點，可降低過擬合風(fēng)險和提高網(wǎng)絡(luò)穩(wěn)定性。

1.2數(shù)據(jù)特征可視化提取

CNN“黑盒式”運行過程，阻礙了人們對其直觀的認(rèn)知。為定量化理解CNN 的運行邏輯，驗證控制器內(nèi)部降維過程，采用deep dream可視化算法[19]、activations 函數(shù)進(jìn)行中間層局部特征、數(shù)據(jù)處理層完整特征的提取和分析[13]。該算法核心函數(shù)為matlab 中的deep dreamimage，調(diào)用方式為

I= deepdreamimage （ net， layer， channels， name， value ） 。（10）

式中：net為預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)；layer 為需可視化的中間層；channels為通道數(shù)，設(shè)置為索引的向量；name、value分別為輸入數(shù)據(jù)的名稱及參數(shù)值。

Activations函數(shù)激活指定網(wǎng)絡(luò)層，需與augmentedimage datastore函數(shù)（通過批量轉(zhuǎn)換增強(qiáng)數(shù)據(jù)）共同使用來提取網(wǎng)絡(luò)層完整特征，具體表達(dá)式為

features = Activations （ net， augimds， layer ） ， （11）

auimds = Augmentedimagedatastore （ outputsize，imds ）， （12）

式中：outputsize 為特征圖輸出尺寸；imds 為數(shù)據(jù)存儲庫；augimds 為批處理后數(shù)據(jù)庫；layer、net 含義同式（10）。

2一維卷積特征可視化

在處理時序數(shù)據(jù)時，1D-CNN相較BP、RBF等淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，其優(yōu)勢在于提升預(yù)測精度的同時，加快網(wǎng)絡(luò)運行效率，這主要取決于1D-CNN內(nèi)部獨特的降維構(gòu)造。然而，海量數(shù)據(jù)的特征提取流程及深度學(xué)習(xí)“黑盒式”的學(xué)習(xí)方式很難被直觀理解。為深度解析1D-CNN運行的工作機(jī)理，使用deep dream 可視化算法分析了1D-CNN學(xué)習(xí)過程中數(shù)據(jù)降維細(xì)節(jié)和邏輯變化，驗證了控制器工作的有效性和正確性。時序數(shù)據(jù)提取過程中需保留邊緣信息完整性，因此，采用0 填充（Padding）操作擴(kuò)大數(shù)據(jù)集，如圖2所示，神經(jīng)網(wǎng)絡(luò)參數(shù)如表1所示。

2.11D-CNN特征學(xué)習(xí)層可視化

1D-CNN特征學(xué)習(xí)主要通過卷積層、池化層的特征提取和降維來完成，由于計算機(jī)設(shè)備和超參數(shù)的不同，使得數(shù)據(jù)的訓(xùn)練結(jié)果有所改變，導(dǎo)致了可視化特征學(xué)習(xí)層具有一定隨機(jī)性，但預(yù)測精度不會發(fā)生大幅變化。

數(shù)據(jù)特征的維度變化體現(xiàn)了1D-CNN 的降維過程，經(jīng)試算，Conv1層和Pool1層通道數(shù)（Channels）取64，迭代次數(shù)取50，可視化層數(shù)分別為2 和3；Conv2層和Pool2層通道數(shù)（Channels）取128，迭代次數(shù)取75，可視化層數(shù)分別為6 和9。在確定神經(jīng)網(wǎng)絡(luò)超參數(shù)后，采用deep dream 可視化算法對中間層特征進(jìn)行逐層提取。圖3 為1D-CNN 雙層網(wǎng)絡(luò)的卷積、池化層特征可視化結(jié)果，展示了1D-CNN 對輸入數(shù)據(jù)的降維過程。圖3（a）和（b）分別為第1 層的卷積（Conv1）和池化層（Pool1），每層特征圖數(shù)量與卷積核相同，均為32 張。經(jīng)池化層降維后，輸入尺寸由Conv1 層的32×1 降至Pool1 層的16×1。圖3（c）（d）分別為第2 層的卷積（Conv2）和池化層（Pool2），每層特征圖數(shù)量為64 張。經(jīng)池化層降維后，輸入尺寸由Conv2 層的10×1 降至Pool2層的5×1。上述各層降維結(jié)果和理論計算值一致，驗證了1D-CNN 對數(shù)據(jù)的降維過程和運算邏輯的正確性。

2.21D-CNN數(shù)據(jù)處理層可視化

Dropout 層、ReLU層通過對輸入數(shù)據(jù)負(fù)值置零和神經(jīng)元的隨機(jī)失活，可提高網(wǎng)絡(luò)稀疏性，降低過擬合風(fēng)險，但并不改變數(shù)據(jù)維度。為定量分析Dropout 層、ReLU層前后完整特征變化，分別定義特征尺寸比例和特征層數(shù)為3和5；再采用Activations 函數(shù)激活并保存Dropout 和ReLU 層數(shù)據(jù)；最后，通過AugmentedImageDatastore 函數(shù)提取目標(biāo)層完整數(shù)據(jù)特征。如圖4 和圖5 所示，輸入數(shù)據(jù)經(jīng)過Dropout 層峰值區(qū)間為[-1.706，1.811]，尺寸為2 048×1 501，經(jīng)ReLU 層后峰值區(qū)間為[0，1.811]，該圖顯示數(shù)據(jù)特征在正值和數(shù)據(jù)尺寸不變情況下，負(fù)值置零，驗證了ReLU 激活層的功能。

3 20層BENCHMARK 模型地震響應(yīng)控制仿真分析

3.1神經(jīng)網(wǎng)絡(luò)框架設(shè)計

因深度學(xué)習(xí)超參數(shù)的取值尚無規(guī)范化的方式，考慮到網(wǎng)絡(luò)訓(xùn)練精度和控制器的控制效果等因素，采用試算的方式加以確定，最終獲取的網(wǎng)絡(luò)框架為：數(shù)據(jù)輸入層（image input layer）、一維卷積層（convolution layer）、防過擬合層（dropout layer）、一維池化層（maxpooling layer）、全連接層（fully connected layer）和線性回歸層（regression layer）。數(shù)據(jù)訓(xùn)練時采用32個3×1和64 個2×1的卷積核，池化尺寸與對應(yīng)層卷積核尺寸相等；Dropout 率取0.2，激活函數(shù)選擇線性修正單元（ReLU），初始學(xué)習(xí)率為0.003，最大訓(xùn)練步為500，學(xué)習(xí)率下降周期為150，學(xué)習(xí)速率下降因子取0.5。

3.2整體控制器設(shè)計

文中選用ASCE 設(shè)計的Benchmark 模型第3階段20層鋼benchmark模型[20] 作為算例，該模型采用Rayleigh 阻尼，前二階振型阻尼比均取0.05。為獲取足夠多訓(xùn)練數(shù)據(jù)，每層均布置作動器與傳感器（即作動器與傳感器數(shù)量為20，每層各布置1 個），其余Benchmark 模型結(jié)構(gòu)參數(shù)如表2所示。以地震波作為外部激勵作用于該模型，將模型的位移、速度、加速度響應(yīng)作為1D-CNN 數(shù)據(jù)集（61×1501維）。數(shù)據(jù)集輸入1D-CNN 前進(jìn)行數(shù)據(jù)分割，取數(shù)據(jù)集前2/3 作為訓(xùn)練集，后1/3作為測試集。通過訓(xùn)練集對1D-CNN 進(jìn)行指定精度訓(xùn)練，測試集測試未滿足精度返回訓(xùn)練集重新迭代，滿足精度后作為1D-CNN 智能控制模塊輸入控制系統(tǒng)。最終生成作動器控制力后作用于Benchmark 模型，從而完成結(jié)構(gòu)數(shù)據(jù)的快速接收、分析、控制振動的任務(wù)，1D-CNN智能控制器具體仿真流程如圖6所示。

3.3控制效果對比

為直觀了解深度學(xué)習(xí)控制仿真效果，將持時30s的El-centro 波（加速度峰值為3.417 m/s²）作為外界激勵輸入神經(jīng)網(wǎng)絡(luò)，采用1D-CNN 對3.2節(jié)模型進(jìn)行振動控制，并與BP、RBF 等淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)進(jìn)行對比。圖7為不同神經(jīng)網(wǎng)絡(luò)控制時程曲線，可以看出，位移和加速度響應(yīng)峰值在不同時間點發(fā)生偏移，這是由于控制力的輸入改變被控系統(tǒng)極點位置所致；相較于無控狀態(tài)，頂層加速度和位移響應(yīng)通過神經(jīng)網(wǎng)絡(luò)控制后均有所下降，但1D-CNN 控制下的響應(yīng)明顯小于淺層學(xué)習(xí)，說明了深度學(xué)習(xí)的控制效果均優(yōu)于淺層學(xué)習(xí)。圖8 為各神經(jīng)網(wǎng)絡(luò)頂層控制力時程曲線圖與各層最大控制力，為直觀展示卷積神經(jīng)網(wǎng)絡(luò)的特點，采用同為200次迭代次數(shù)的BP 和RBF 神經(jīng)網(wǎng)絡(luò)與其進(jìn)行對比。為便于觀測，取峰值波動最大的前0～10s部分?jǐn)?shù)據(jù)進(jìn)行分析，由圖8（a）～（c）可知，保持相同迭代次數(shù)情況下，相較于RBF和BP神經(jīng)網(wǎng)絡(luò)預(yù)測中出現(xiàn)的過擬合現(xiàn)象，1D-CNN 預(yù)測效果最好，預(yù)測數(shù)據(jù)更貼近計算值。由圖8（d）可知，隨著樓層的增高，模型振動控制所需的控制力越小；3種神經(jīng)網(wǎng)絡(luò)中，1D-CNN 網(wǎng)絡(luò)各層控制力預(yù)測值與計算值差值最小，1D-CNN、RBF 和BP神經(jīng)網(wǎng)絡(luò)最大差值分別為5.4%、17.2%和21.3%。

El-centro 地震波激勵下無控、BP、RBF和1D-CNN控制的結(jié)構(gòu)各層最大位移和最大絕對加速度響應(yīng)如圖9所示。比較BP、RBF和CNN樓層響應(yīng)圖可以發(fā)現(xiàn)，3種控制器對絕對加速度的控制最優(yōu)效果在第9層，由無控狀態(tài)下的4.19m/s²分別下降到2.70 、2.65 、1.28 m/s²，減震率分別為35.6%、36.8% 和69.0%；最大位移由無控狀態(tài)的36.7 mm 分別下降到25.0 、21.4、16.3 mm，減震率分別為31.9%、41.7%和55.6%。綜上所述，1D-CNN 相較于淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，具有更好的振動控制效果。

為研究1D-CNN 智能控制器泛化能力，采用El-centro波作為訓(xùn)練數(shù)據(jù)，并添加該地震波作用下20 層benchmark 模型的地震響應(yīng)（位移、速度、加速度）以擴(kuò)充訓(xùn)練集，完成對1D-CNN 訓(xùn)練后將其輸入智能控制仿真系統(tǒng)。分別采用持時為30s、采樣頻率為0.02s/次的汶川波和某人工波（加速度峰值均取2 m/s²）作為外界激勵，作用于裝有智能控制系統(tǒng)的benchmark 模型，3種控制器控制效果如表3 所示。由表可知，1）更改外部激勵后，由于訓(xùn)練數(shù)據(jù)與外界激勵并不同源，神經(jīng)網(wǎng)絡(luò)非線性函數(shù)與新的地震響應(yīng)匹配度下降，3種控制器控制效果均有所降低，但1D-CNN降幅最小，減震率最高；2）BP、RBF 在更改訓(xùn)練集后，加速度減震率大幅下降，在人工波作用下BP、RBF在第5層減震率為15.1%和19.2%，在汶川波作用下BP、RBF 在第1層減震率分別為17.2% 和19.8%，均在20% 以下，而1D-CNN 減震率最低值為36.8%，位于第5層，由上述結(jié)果可知，1D-CNN 具有更好的泛化性。

4結(jié)論

文中將1D-CNN用于振動控制領(lǐng)域，提出基于1D-CNN 的高層建筑智能控制算法，通過構(gòu)造時間序列數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)模型、可視化中間層數(shù)據(jù)特征以及完成神經(jīng)網(wǎng)絡(luò)的振動控制仿真，得出主要結(jié)論如下。

1）根據(jù)1D-CNN理論可知，經(jīng)過雙層卷積、池化后，特征圖尺寸由32×1降至5×1，說明利用1D-CNN 對時間序列的敏感性，將其用于高層建筑振動控制數(shù)據(jù)的降維提取是切實可行的。

2）在采用相同訓(xùn)練數(shù)據(jù)的情況下，1D-CNN 預(yù)測的控制力時程曲線更貼近計算值，對于非線性數(shù)據(jù)集的預(yù)測能力相較于BP、RBF 等淺層神經(jīng)網(wǎng)絡(luò)具有預(yù)測精度更高的優(yōu)點。

3）在對20層benchmark 模型的振動控制仿真中，經(jīng)試算確定最優(yōu)參數(shù)后，1D-CNN加速度和位移減震率最高分別為69.0% 和55.6%，相較BP 和RBF 等淺層學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)具備更好的減震效果；改變不同地震激勵后，1D-CNN對結(jié)構(gòu)響應(yīng)的控制效果更為穩(wěn)定，最低減震率為36.8%，高于BP和RBF 神經(jīng)網(wǎng)絡(luò)的15.1% 和17.2%，即1D-CNN較BP和RBF等淺層學(xué)習(xí)具備更好的泛化性。