基于NARX神经网络的磁流变阻尼器模型研究.pdf

【磁流变阻尼器】是利用磁流变效应改变流体粘度的智能器件，广泛应用于振动控制、车辆悬挂系统、机械结构等场合。它的工作原理是通过外加磁场来调控磁性颗粒的排列，进而改变内部流体的流动阻力，实现阻尼力的实时调整。 【NARX神经网络】全称为自回归外延神经网络（Nonlinear Autoregressive with Exogenous inputs Neural Network），是一种递归型的人工神经网络，常用于时间序列预测和系统建模。NARX网络可以捕捉系统的动态行为，特别适合处理具有非线性和滞后特性的系统，如磁流变阻尼器的力学特性。 【力学性能实验数据】在研究中，通常需要通过实验获取磁流变阻尼器在不同条件下的力学性能数据，这些数据包括阻尼器的输出力与输入信号（如电流、速度）之间的关系，以及其非线性和滞后特性。 【LMBP算法】是训练NARX神经网络的一种优化算法，Levenberg-Marquardt Backpropagation (LMBP)算法结合了梯度下降法和牛顿法的优点，能有效解决神经网络训练过程中的局部最小值问题，提高模型的收敛速度和准确性。 【非线性】和【滞后特性】是磁流变阻尼器的重要特征。非线性是指阻尼力与速度或电流的关系并非简单的线性关系，而滞后特性则是指在相同的输入条件下，输出响应存在延迟或依赖于历史状态的现象。 【模型建立】在本研究中，通过LMBP算法训练的NARX神经网络，采用了串-并行结构，首先利用实验数据进行训练，然后转换为并行结构，以适应不同电流值下的输出预测，确保模型的泛化能力。 【模型验证】通过对实验结果和NARX神经网络模型计算结果的对比，最大相对误差仅为3.77%，表明该模型具有高度的拟合精度，能够有效地描述磁流变阻尼器在低速区的非线性和滞后特性。 【应用价值】建立准确的磁流变阻尼器模型对于优化设计、控制策略的制定以及实际应用中的性能预测都具有重要意义，有助于提升系统性能，如振动控制的精度和效率。 总结起来，本文研究了基于NARX神经网络的磁流变阻尼器动力学模型，利用LMBP算法训练模型以适应磁流变阻尼器的非线性和滞后特性，并通过实验验证了模型的高拟合精度。这一研究对于理解磁流变阻尼器的工作机制，提高其在实际应用中的性能具有深远的理论和实践意义。