張東東,鄭 玲
(重慶大學(xué) 機(jī)械傳動(dòng)國家重點(diǎn)實(shí)驗(yàn)室,重慶,400030)
主動(dòng)約束層阻尼(Active Constrained Layer Damping,ACLD)技術(shù)已被證明是一種有效的減振降噪技術(shù)[1-3],它結(jié)合了傳統(tǒng)的約束層阻尼技術(shù)和主動(dòng)振動(dòng)控制的優(yōu)點(diǎn),在較寬的頻段范圍內(nèi)都能夠很好地抑制結(jié)構(gòu)的振動(dòng)噪聲。ACLD采用離散結(jié)構(gòu)時(shí),其布置位置對抑制結(jié)構(gòu)振動(dòng)具有重要的影響。對ACLD的位置進(jìn)行優(yōu)化設(shè)計(jì),可以保證在主動(dòng)控制失效時(shí),仍然有較好的減振降噪效果[4]。目前,采用ACLD技術(shù)對結(jié)構(gòu)進(jìn)行主動(dòng)振動(dòng)控制時(shí),對ACLD襯片布置位置的選擇多是基于某一單一的性能指標(biāo)[5-7]。但在工程應(yīng)用中,ACLD的配置優(yōu)化問題多為多目標(biāo)優(yōu)化問題,要求能夠同時(shí)有效抑制若干階模態(tài)的振動(dòng),且考慮到實(shí)際的條件限制,還要求有備選方案。因此,研究基于ACLD襯片多目標(biāo)優(yōu)化問題的結(jié)構(gòu)振動(dòng)控制,是十分必要的。
本文首先基于局部覆蓋ACLD片體的懸臂板有限元?jiǎng)恿W(xué)模型,建立了多目標(biāo)優(yōu)化設(shè)計(jì)模型。然后采用改進(jìn)的NSGA-II算法對4片ACLD襯片的布置位置進(jìn)行了多目標(biāo)優(yōu)化設(shè)計(jì)研究,確定了基于Pareto最優(yōu)解理論的ACLD襯片的布置方案。最后選取3組ACLD襯片的布置方案,基于FxLMS算法設(shè)計(jì)了前饋控制器,研究了在同一外擾激勵(lì)下,采用不同的ACLD配置方案時(shí),結(jié)構(gòu)的振動(dòng)控制效果。
采用能量法和Hmilton原理,以及粘彈性材料的GHM模型[8],建立了部分覆蓋ACLD板結(jié)構(gòu)的有限元?jiǎng)恿W(xué)模型[9],將其寫為狀態(tài)空間形式。
式中,fd為外激勵(lì)向量;fc為控制電壓;A為系統(tǒng)矩陣;Bd為外激勵(lì)輸入矩陣;Bc為控制力輸入矩陣;C為輸出矩陣;X為狀態(tài)變量;Y為輸出變量。
對系統(tǒng)矩陣A求解特征值,其特征值為一系列的共軛復(fù)數(shù)對,ri=αi±jβi,這里,可定義模態(tài)損耗因子為
NSGA-II是一種基于Pareto方法的多目標(biāo)進(jìn)化算法。該算法是Deb[10]等人在非支配排序算法(Non-Dominated Sorting Genetic Algorithm,NSGA)的基礎(chǔ)上改進(jìn)得到的。由于NSGA-II算法具有算法簡單、收斂速度較快和魯棒性較強(qiáng)的特點(diǎn),已經(jīng)成為多目標(biāo)優(yōu)化算法的基準(zhǔn)算法之一。其基本流程圖如圖1所示。
本文采用全新的能夠處理整形變量的Laplace交叉算子和冪變異算子,對NSGA-II算法進(jìn)行改進(jìn)。
2.2.1 Laplace交叉算子
此時(shí),對于子代中第2對變量的取值范圍已經(jīng)發(fā)生了改變,更新為
然后,對第2對變量執(zhí)行交叉算子,得到
類似地進(jìn)行操作,直到父代中的每對變量執(zhí)行完交叉操作,得到新的子代個(gè)體。
2.2.2 冪變異算子
變異后新個(gè)體的表達(dá)式為
FxLMS算法是一種易于實(shí)現(xiàn)的主動(dòng)振動(dòng)前饋控制算法,圖2是該算法用于振動(dòng)主動(dòng)控制時(shí)的原理圖。被控對象的控制輸出為
濾波器和自適應(yīng)算法是FxLMS控制器的兩個(gè)核心組成部分。文中采用了橫向?yàn)V波器(FIR),其基本原理如圖3所示,其輸出即為控制器輸出
式中,L為濾波器長度。濾波器的權(quán)向量w(k)采用LMS自適應(yīng)算法進(jìn)行更新。
式中,m為步長。
以部分覆蓋ACLD的懸臂板為研究對象,如圖4所示,ACLD板由基層的鋁板、粘彈性層的ZN-1型粘彈材料以及約束層的P-5H壓電陶瓷組成。各層板的材料參數(shù)見表1。約束阻尼板一端約束,形成懸臂板,左端為約束端,將其單元?jiǎng)澐?×8個(gè)單元,則單元的優(yōu)化布置區(qū)間為[1,32],單元編號如圖4所示。在下述的優(yōu)化過程中,選取布置4片ACLD襯片。
表1 材料參數(shù)
以上述的懸臂板的前兩階損耗因子最大化為優(yōu)化目標(biāo),采用改進(jìn)后的NSGA-II算法對ACLD襯片的位置多目標(biāo)優(yōu)化計(jì)算。設(shè)置合適的遺傳算法參數(shù),達(dá)到最大進(jìn)化代數(shù)時(shí)結(jié)束程序。各個(gè)目標(biāo)的進(jìn)化歷程如圖5所示,可以看出大約進(jìn)化10代左右,各個(gè)目標(biāo)的最大值已經(jīng)收斂。圖5是得到的Pareto前沿,對應(yīng)的9組ACLD襯片的優(yōu)化配置方案,即Pareto最優(yōu)解集,見表2。由圖6可知,Pareto前沿近似為一條曲線,但比較分散,這是由于設(shè)計(jì)變量為一離散的整數(shù)空間而導(dǎo)致的。從Pareto最優(yōu)解集中,挑選4組ACLD的配置,進(jìn)行振動(dòng)響應(yīng)分析,如圖7所示??梢钥闯?,采用配置1時(shí),第1階響應(yīng)最小,但第2階的響應(yīng)最大;采用配置9時(shí),則反之。采用配置3和7時(shí),第1階振動(dòng)響應(yīng)相對于配置9分別下降了5.6 dB和1.9 dB,第2階振動(dòng)響應(yīng)相對于配置1分別下降了6.2 dB和8.8 dB。與配置1和9相比時(shí),配置3和7則能夠同時(shí)對前兩階的振動(dòng)響應(yīng)都具有較好的抑制,其中配置3的控制效果更好。
表2 兩目標(biāo)優(yōu)化時(shí)的Pareto解集及對應(yīng)的目標(biāo)函數(shù)值
分別選取ACLD襯片的配置1、3和9,基于FxLMS控制算法,建立懸臂板的SISO振動(dòng)控制系統(tǒng)。此時(shí),ACLD襯片作為作動(dòng)器,激勵(lì)點(diǎn)和響應(yīng)點(diǎn)如圖4中的點(diǎn)E。保持FxLMS控制器中橫向?yàn)V波器的長度L以及步長μ不變,同時(shí),限制控制電壓為 100 V,在外激勵(lì)為 0.1sin(2πf1t)+0.1sin(2πf2t)的激勵(lì)下,(f1和f2分別為懸臂板結(jié)構(gòu)的第1、2階模態(tài)頻率),懸臂板結(jié)構(gòu)控制前后的響應(yīng)曲線如圖8所示。懸臂板第1階模態(tài)的振動(dòng)能量較第2階模態(tài)的振動(dòng)能量大,在同樣的激勵(lì)下,第1階振動(dòng)響應(yīng)就比較大。此外,配置9對第1階的振動(dòng)抑制較弱,因此,采用優(yōu)化配置9時(shí),未控制的振動(dòng)響應(yīng)大于優(yōu)化配置1和3。在同樣的控制器參數(shù)和控制能量下,配置9的振動(dòng)響應(yīng)趨于發(fā)散,配置1和配置3都能夠有效抑制結(jié)構(gòu)的振動(dòng),振動(dòng)響應(yīng)分別由2.05 mm和2.14 mm衰減到0.25 mm和接近于0 mm。圖9是ACLD不同襯片下的振動(dòng)響應(yīng)的頻域圖。在未施加控制時(shí),頻響曲線與圖7的結(jié)果有同樣的趨勢。配置3對第1階和第2階振動(dòng)響應(yīng)都能夠很好地抑制,配置1則對第1階振動(dòng)響應(yīng)更有效。由此可以看出,采用多目標(biāo)優(yōu)化算法,對振動(dòng)被動(dòng)控制時(shí)的ACLD襯片配置進(jìn)行優(yōu)化,并基于此設(shè)計(jì)振動(dòng)主動(dòng)控制器對結(jié)構(gòu)進(jìn)行主動(dòng)振動(dòng)控制時(shí),都能夠有效地衰減懸臂板的前兩階振動(dòng)響應(yīng),保證了ACLD技術(shù)用于主被動(dòng)模式時(shí)都具有較好的振動(dòng)抑制效果。
本文基于主動(dòng)約束層阻尼結(jié)構(gòu)的有限元?jiǎng)恿W(xué)模型,采用改進(jìn)的NGSA-II算法對ACLD襯片進(jìn)行了多目標(biāo)優(yōu)化設(shè)計(jì),并基于優(yōu)化設(shè)計(jì)的結(jié)果設(shè)計(jì)了FxLMS前饋控制器,對結(jié)構(gòu)的振動(dòng)抑制情況進(jìn)行了仿真分析和研究。結(jié)果表明,當(dāng)ACLD結(jié)構(gòu)工作于被動(dòng)模式時(shí),采用多目標(biāo)優(yōu)化算法得到的ACLD配置能夠同時(shí)對結(jié)構(gòu)的前兩階振動(dòng)響應(yīng)進(jìn)行較好的抑制;工作于主動(dòng)模式時(shí),基于優(yōu)化的ACLD配置設(shè)計(jì)的控制系統(tǒng),具有更好的振動(dòng)抑制效果,這就保證了ACLD技術(shù)用于主被動(dòng)模式時(shí)都具有較好的振動(dòng)抑制效果。
References)
[1]BAZ A,RO J. Vibration Control of Plates with Active Constrained Layer Damping[J]. Smart Material and Struture,1996(5):272–280.
[2]RAY M,SHIVAKUMAR J. Active Constrained Layer Damping of Geometrically Nonlinear Transient Vibrations of Composite Plates Using Piezoelectric Fiber-Reinforced Composite[J]. Thin-Walled Structures,2009,47(2):178-189.
[3]曹友強(qiáng). 基于機(jī)敏約束阻尼的車身結(jié)構(gòu)振動(dòng)噪聲控制研究[D]. 重慶:重慶大學(xué),2011.
Cao Youqiang. Study on Vibration and Noise Control of Car Body Structure Based on Smart Constrained Layer Damping [D]. Chongqing:Chongqing University,2011.(in Chinese)
[4]RO J,BAZ A. Optimum Placement and Control of Active Constrained Layer Damping Using Modal Strain Energy Approach[J]. Journal of Vibration and Control,2002,8(6):861-876.
[5]ZHENG H,CAI C. Minimizing Vibration Response of Cylindrical Shells Through Layout Optimization of Passive Constrained Layer Damping Treatments[J]. Journal of Sound and Vibration,2005,279(3-5):739-756.
[6]LEPOITTEVIN G,KRESS G. Optimization of Segmented Constrained Layer Damping with Mathematical Programming Using Strain Energy Analysis and Modal Data[J]. Materials & Design,2010,31(1):14-24.
[7]XU B,JIANG J S,OU J P. Integrated Optimization of Structural Topology and Control for Piezoelectric Smart Plate Based on Genetic Algorithm[J]. Finite Elements in Analysis and Design,2013(64):1-12.
[8]LIU T X,HUA H X,ZHANG Z Y. Robust Control of Plate Vibration Via Active Constrained Layer Damping[J].Thin-Walled Structures,2004,42(3):427-48.
[9]Zhang Dongdong,Zheng Ling,Li Yinong et al. Combined Feedback/Feedforward Active Control of Vibration of Plates with Active Constrained Layer Damping Treatments[C].The 14th Asia Pacific Vibration Conference,Hong Kong,2011-04-1885.
[10]DEB K. A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II[J]. Evolutionary Computation,2002,6(2):182-197.