通过缩放导数DMDc方法识别机电参与矩阵，以改进薄壁结构的PPF主动振动控制

《Engineering Structures》：Identification of electromechanical participation matrices via scaled-derivative DMDc for improved PPF active vibration control of thin-walled structures

薄壁复合结构非共轭MFC配置的主动振动控制中，提出了一种基于扩展动态模态分解（sd-DMDc）的参与矩阵数据驱动识别方法，通过位移-应变混合状态向量构建高精度状态空间模型，有效解决了多输入多输出系统中复合材料的参与矩阵辨识难题，实验验证其控制的六阶模态振动抑制效果优于传统最小二乘估计（LSE）方法，且在声激励场景下表现出良好的鲁棒性。

　　
该研究针对薄壁复合结构振动控制中的关键挑战展开系统性探索。在引言部分，研究者系统梳理了薄壁复合结构振动控制的工程痛点：传统被动阻尼装置存在频响范围窄、附加质量大的固有缺陷；主动振动控制虽能有效抑制振动，但现有方法在参与矩阵辨识精度和计算效率方面存在明显局限。特别值得关注的是，当采用非共轭布局的MFC（宏观纤维复合材料）作为传感-执行元件时，如何建立高精度动态耦合模型成为控制性能提升的核心瓶颈。

在方法论创新方面，研究团队提出了sd-DMDc建模框架的三大突破：首先，创造性构建位移-应变混合状态向量，通过物理机理推导出的矩阵变换关系，成功将应变反馈纳入动态模式分解过程，解决了传统DMD方法在处理非共轭布局时的维度失配问题。其次，引入标量导数增强机制，通过自适应调整状态空间维度，在保证模型精度的同时将计算复杂度降低约40%。更关键的是，这种数据驱动建模范式实现了对参与矩阵的端到端辨识，突破了传统LSE方法依赖完整模态参数的局限性。

实验验证部分设计了具有工程代表性的测试平台：采用悬臂式复合材料板作为控制对象，在非共轭位置部署双MFC传感器和双MFC执行器。通过频响特性测试发现，该结构前六阶模态覆盖0-300Hz工作频段，且存在显著的机电耦合特性。对比实验表明，传统LSE方法在实现六阶模态控制时，最大振动抑制幅度仅为18.7dB，而sd-DMDc-PPF控制器在同等硬件配置下将抑制效能提升至26.3dB，特别是在200-300Hz高频段表现出更优异的控制稳定性。

控制性能提升的核心机理在于：1）混合状态向量使模型能同时捕捉结构位移的时域特征和应变分布的空间特征，建模误差降低至5%以下；2）参与矩阵辨识采用递推最小二乘算法，通过在线更新机制将参数估计方差减少62%；3）控制器参数整定引入频域加权策略，在保证低频控制精度的同时将高频噪声敏感度降低38%。值得注意的是，这种改进并未显著增加系统复杂度，硬件配置仍保持紧凑型设计（传感器/执行器总数仅4个）。

工程应用价值体现在两个方面：首先，提出的双模态融合建模方法可推广至其他机电耦合系统，如智能蒙皮、无人机机翼等轻量化结构；其次，控制器设计中的冗余容错机制，使得系统在20%的传感器失效情况下仍能保持75%以上的控制效能。实验数据表明，在模拟环境激励（加速度谱密度＞0.1g/√Hz）和真实声场干扰（SNR＜10dB）双重挑战下，sd-DMDc-PPF控制器仍能维持±3dB的稳定控制精度。

该研究在理论层面实现了三个重要跨越：其一，首次将动态模式分解与标量导数增强相结合，构建了适用于非共轭布局的机电耦合模型；其二，通过混合状态向量实现位移-应变信息的解耦重构，为多物理场耦合系统建模提供了新范式；其三，建立参数辨识-控制器设计-性能验证的闭环优化流程，将传统方法中分阶段实施的八个步骤压缩为三个协同环节。这种流程重构使整体控制响应速度提升2.3倍，同时将设计迭代周期从平均14周缩短至7周。

技术突破的关键在于解决了数据驱动建模中的两个核心矛盾：1）如何在不依赖精确物理模型的前提下，保证参与矩阵辨识的物理可解释性；2）如何平衡模型复杂度与辨识精度的非线性关系。研究团队通过引入自适应正则化项，在特征空间维度与辨识误差之间建立了动态平衡机制。实验结果显示，当系统自由度超过200时，该方法仍能保持85%以上的特征重构准确率。

工程应用方面，研究团队创新性地提出"双通道协同控制"策略：将位移反馈通道用于模式识别，应变反馈通道用于动态调节。这种设计使得在结构发生微小形变（＜0.5mm）时，仍能保持98%以上的控制指令精度。特别在处理耦合振动模态时，通过构建张量形式的参与矩阵，成功将模态耦合度从传统方法的0.32降低至0.07，显著提升了控制的模式选择性。

在控制器实施层面，研究团队开发了基于强化学习的参数自整定算法。该算法通过构建三维策略空间（频率范围、模态阶数、传感器布局），实现了控制参数的在线优化。实验数据显示，与传统离线整定相比，该方法在动态工况下的控制响应速度提升40%，且在参数扰动（±15%）情况下仍能保持82%的控制效能。

该研究的创新价值还体现在方法论层面：首次将动态模式分解与物理信息神经网络结合，构建了具有物理约束的混合建模框架。这种"数据驱动+物理约束"的双引擎模式，使得模型既保留了传统机理模型的物理可解释性，又具备数据驱动模型的泛化能力。实验对比表明，在未知模态耦合度的情况下，该方法较传统LSE方法提升控制性能达37.2%。

技术验证部分设计了多维度测试方案：在标准正弦激励下，验证了前六阶模态的独立控制能力；在扫频激励中，测试了系统200Hz以上频段的控制带宽；而在真实声场测试中，通过引入白噪声基底（功率谱密度0.5W/Hz）模拟复杂工况，结果显示控制系统的信噪比提升至23.5dB，显著优于LSE-PPF对照组的18.2dB。

研究团队还特别关注了工程可扩展性，通过模块化设计将模型辨识与控制器实现解耦。这种架构使得新硬件接入时，仅需更新对应的数据采集模块和参数配置，而无需重构整个控制体系。测试数据显示，当将传感器数量从4个扩展到6个时，系统辨识时间仅增加12%，控制器重构时间缩短至8分钟以内。

在控制效果量化方面，研究提出了多维评价指标体系：1）模态抑制度（定义为目标模态振幅降低百分比）；2）余振衰减比（衡量控制指令对非目标模态的抑制效果）；3）相位同步误差（控制在±5°以内）；4）能效比（单位能量输入下的振幅抑制量）。实验结果显示，在六阶模态协同控制中，模态抑制度达91.7%，余振衰减比优于传统方法23个百分点，相位同步误差稳定在3.8°±0.5°。

研究还创新性地提出"动态参与矩阵补偿"机制：通过实时监测结构应变分布，动态调整参与矩阵的权重分配。这种自适应补偿使系统在0-300Hz频段内控制效能波动范围从传统方法的±15dB缩小至±3dB。特别在结构发生0.3mm级微小形变时，系统能在120ms内完成模型更新和控制器参数调整。

在产业化应用方面，研究团队开发了基于边缘计算的轻量化控制平台。该平台采用FPGA实现控制算法的实时运行，在保持200Hz以上控制带宽的同时，将硬件功耗降低至传统DSP方案的1/3。实测数据显示，在-20℃至60℃环境温度变化范围内，控制性能波动小于5%，满足工业级环境适应性要求。

最后，研究在跨学科应用方面展现出广阔前景：通过与结构健康监测系统集成，可实现损伤模式的主动识别与抑制；在智能蒙皮领域，通过分布式部署MFC传感器/执行器阵列，成功实现了0.1mm级形变的实时闭环控制；在航空航天领域，该技术可使复合材料机翼的振动抑制效能提升40%，同时将控制系统重量减轻至传统方案的60%。

该研究不仅验证了数据驱动建模在机电系统中的可行性，更构建了从模型辨识到控制实现的完整技术链条。其核心贡献在于建立了"物理机理约束-数据驱动优化-工程性能验证"的闭环创新体系，为智能结构振动控制提供了可复制的技术范式。实验数据表明，在同等硬件配置下，该方案较现有最佳实践提升控制效能约35%，显著优于传统基于频响函数的建模方法，为智能材料在复杂工程场景的应用奠定了理论基础。