基于递归非单点二型模糊神经网络的主动旋转惯量驱动器对海上风机塔架抗震抗风控制研究

《Ocean Engineering》：Seismic/wind response control of offshore wind turbine tower by a type-2 fuzzy active rotary inertia driver: Theory and practice

本文提出一种基于主动旋转惯量驱动器（ARID）的递归非单点二型序列模糊神经网络（RNT2SFNN）控制策略，通过非单点模糊化处理传感器噪声，采用分数阶模型进行在线辨识，结合Lyapunov-Krasovskii方法分析时滞稳定性。实验证明该控制器在极端荷载下能有效抑制塔架俯仰振动，为海上风电结构智能控制提供新方案。

　　

^研究亮点

• 提出新型基于ARID的振动控制系统，减少对传统模型的依赖

• 开发RNT2SFNN方案处理时滞和不确定性

• 采用非单点模糊化对振动噪声建模

• 通过序列化思想降低T2FNN计算成本

• 实验验证所提方法的实际可行性

^控制策略

ARID系统的控制方法如图6所示，旨在设计主动控制扭矩M_a，专门用于调节俯仰角。动态滑模面设计为：

s = a₁x₁+ a₂x₂

其中a_i, i=1,2为系数，系数选择需满足动态效率与稳定性要求。引入α阶导数后的表达式为：

D_t^αs = a₁x₂+ a₂[g + M_a(t-η)]

其中g为未知函数。

^{RNT2SFNN结构}

图7展示了建议的RNT2SFNN流程图。结构输入为d_nnj, j=1,...,N_u，输出为r_nn。结构包含五层：输入层（N_u表示输入数量）、模糊化层、隶属度层、规则层和输出层。每个输入d_nnj, j=1,...,N_u对应的模糊化层使用二型高斯模糊集B?_i，其特征为上隶属度函数...

^{稳定性分析}

在公式(15)描述的动态特性s?中，假设ε存在最优值ε，使得ε可达到ε，则ψ?(ε|d_nn)也将达到ψ。可表示为：

ψ = ε*^Tλ

基于公式(15)、(26)和(29)可得：

s?? = ε?^Tλ

其中ε? = ε* - ε，ε和λ的具体表达式分别见公式(27)和(28)。

^定理1

公式(14)描述的系统，包含时滞η（0≤η<l，η?<?）是渐近稳定的。且s?=0（见公式(15)）。如果存在...

^仿真研究

本节采用OWTs的ARID动力学框架，利用MATLAB/Simulink开发仿真平台并进行数值研究。通过自由衰减振动和扫频激励条件，结合实际海洋风荷载和波浪效应，从时域响应和频域特性全面评估所提RNT2SFNN控制策略对抑制塔架俯仰运动的控制效果。

^实验研究

第6节的仿真已确认建议的RNT2SFNN控制系统的有效性。本节将通过实际物理实验验证控制系统的控制能力。基于相似理论设计风机塔架缩尺模型，最终通过多种工况下的振动试验，利用定量指标验证RNT2SFNN控制器的性能。海洋风机塔架易受风...

^{局限性与未来方向}

• 环境荷载模拟的简化：当前实验使用单独的风、浪、地震荷载模拟海洋条件，但忽略了这些环境力之间的复杂耦合效应。需要进一步验证以评估控制器在真实耦合荷载场景下的鲁棒性。

• 多场多自由度建模的不完整：模型未完全涵盖...

^结论

本文介绍了一种受ARID系统启发的新型RNT2SFNN振动控制器。研究考察了时滞和未知扰动下的稳定性。设计了基于Lyapunov-Krasovskii的学习规则，用于在线训练RNT2SFNN以处理变化的时滞和不确定性。包含多项仿真和实验以证明所设计振动控制方案的可行性。仿真阶段重点评估了多种运行条件下的性能...