基于MEA的磁流变神经网络逆模型的研究

王明，童仲志，侯远龙，胡达

(南京理工大学机械工程学院，江苏 南京210094)

作者简介：王明（1992—），男，硕士研究生，主要研究方向为智能检测与控制技术，958864930@qq.com.

摘要：为解决磁流变（MR）阻尼器因其固有的强非线性磁滞特性使得其逆向模型的建立不能取得较好精度的问题，利用BP神经网络技术建立MR阻尼器的逆向模型，采用思维进化算法（MEA）对神经网络的权值和阈值进行优化。将所建立的逆模型应用于1/4车半主动悬架系统中进行仿真，结果表明，优化后的神经网络模型提高了控制电流的预测精度，半主动控制效果较好，可以较好地实现对期望阻尼力的跟踪。

关键词：磁流变阻尼器；BP神经网络；思维进化算法；逆模型；半主动悬架

中图分类号：TB535.1   文献标识码：A   文章编号：2095-509X(2020)01-0001-06

磁流变（magnetorheological，MR）阻尼器作为一种可调阻尼元件，因其性能优良现已被广泛地应用于半主动悬架减振研究中［1］。然而在实际的应用过程中，MR阻尼器在磁场作用下表现出强烈的非线性特性以及滞环现象。针对上述情况，国内外学者对其力学模型进行了大量的研究，目前常用的模型主要有Bingham模型［2］、Bouc-Wen数学模型［3］、现象模型［4］、变换现象模型［5］等。其中变换现象模型是通过调整现象模型的结构，同时引入Ismail提出的“归一化”概念得到的［6］。相较于现象模型，变化现象模型减少了模型的参数冗余和参数数量，输出阻尼力刻画精度得到了一定程度提高。

MR阻尼器力学模型能够反映阻尼力与活塞相对位移、相对速度以及电流之间的关系，属于正向模型。但在实际的控制过程中，往往是通过期望的阻尼力和活塞的相对位移来预测控制电流，因此逆模型的精度对实际的控制效果将产生直接影响。文献［7］根据多项式模型推导出磁流变阻尼器的逆模型，并研究了半主动悬架系统的开环控制策略。但多项式模型并不能对其他电流或电压的力学特性进行很好的预测。文献［8］采用遗传算法优化的BP（back propagation，反向传播）神经网络建立了MR阻尼器的逆向模型，并将所建立的逆模型应用于1/4车半主动悬挂系统中进行仿真，仿真结果表明，所建立的逆模型可以较好地预测控制电流，但遗传算法的搜索速度慢，要得到较精确的解需要更多的训练时间。文献［9］建立了基于广义回归神经网络(GRNN)的磁流变正、逆模型，通过仿真试验可知，GRNN模型能准确预测MR阻尼器的阻尼力和控制电流，但模型仅对一些固定频率下的电流信号进行了检验，对在其他电流下的适用性仍有待研究。

因此，笔者将针对MR阻尼器逆向模型建模精度不高这一问题，建立基于BP神经网络的MR阻尼器逆向模型，同时就BP神经网络中存在的局部极小问题，采用思维进化算法（mind evolutionary algorithm，MEA）优化BP神经网络的初始权值和阈值。