基于改进型RBF神经网络的磁流变阻尼器动力学建模及仿真

摘要

为提高磁流变阻尼器(MRD)动力学精度,提出一种网络连接权值自适应调整的改进型RBF神经网络模型。利用与任一测试样本相邻的两个训练样本对应的实际连接权值,对测试样本连接权值进行线性插值,提出连接权值的自适应算法;搭建MRD动力试验平台,进行多频率、多振幅的动力性能试验,利用大量实测力学特性数据,建立RBF神经网络模型以及连接权值自适应调整的改进型RBF神经网络模型,分析比较RBF神经网络模型在改进前后的平均累计相对误差变化规律,并进行数值仿真计算和试验测试分析。研究表明,在正弦激励频率0.25 Hz^1.0 Hz、振幅5 mm^15 mm、电流0~1.25 A工况下,相比于传统RBF神经网络模型5%的最大误差均值,改进型RBF神经网络模型使建模误差均值多控制在0.45%~0.85%之间,有效改善MRD的动力学特性,建模精度较好满足工程实际需要。