《Aerospace Science and Technology》：Vibration suppression for membrane structures based on long short-term memory and soft actor-critic
编辑推荐：
薄膜天线结构振动抑制难题，本文提出LSAC方法，融合LSTM预测与SAC强化学习，创新引入智能自适应tanh函数提升非线性建模和收敛速度，实验表明在无干扰、脉冲干扰和连续干扰下控制效率分别提升至92.47%、90.79%和89.72%，显著增强系统鲁棒性。
贾崇杰|李团杰|宁玉明|董航家|徐翔|彭文轩|谢超
中国陕西省西安市西电大学高性能电子设备机电一体化制造国家重点实验室，邮编710071
摘要
在太空中运行的薄膜天线结构会受到复杂的环境干扰，这些干扰会放大结构振动，显著增加振动抑制的难度。传统的振动抑制方法往往难以应对强非线性以及对外部干扰的有限鲁棒性。为了克服这些限制，本文提出了一种基于预测的振动抑制方法——LSAC，该方法结合了长短期记忆（LSTM）网络和软演员-评论家（SAC）算法。LSTM模块通过智能自适应tanh函数（IATF）来预测未来的振动状态，从而加速收敛并提高非线性表示能力。强化学习代理利用当前和预测的振动信号生成实时抑制的最优控制动作。对比实验表明，所提出的LSAC算法表现出优异的鲁棒性和非线性处理能力。在没有干扰的情况下，它将控制效率从90.12%提高到92.47%；在受到冲击干扰的情况下，效率从84.34%提高到90.79%；在持续干扰的情况下，效率从77.91%提高到89.72%。这项研究为航空航天领域的薄膜天线提供了坚实的技术支持，具有重要的理论和实践价值。
引言
薄膜结构在各种工程领域中的应用日益增多，例如天线反射器[1]、太阳能电池阵列[2]、合成孔径雷达[3]和太阳能聚光器[4]。薄膜结构通常具有厚度小、表面密度低、柔韧性高和局部刚度低的特性，因此容易产生难以消除的持续振动[5]。这种振动可能导致多种不良后果，包括薄膜天线的结构损坏和电气性能下降。例如，振动会严重干扰天线的电气特性，导致地面接收信号的强度显著降低[6]。因此，有效抑制薄膜结构的振动对于提高通信稳定性和延长相关设备的使用寿命至关重要。
振动抑制方法主要分为被动抑制技术和主动抑制技术。被动抑制技术主要是通过在结构中引入阻尼元件或修改结构特性来减少振动[7,8]。例如，张等人[9]采用了多自由度被动调谐质量阻尼器结构来实现振动抑制。尽管方法简单，但被动方法的性能固定且适应性较差。与被动抑制相比，主动抑制技术具有更高的抑制效率和更广泛的应用范围[[10], [11], [12], [13], [14]]。主动抑制技术可以进一步分为传统主动抑制和基于智能算法的主动抑制。传统主动振动抑制依赖于执行器或控制系统来减轻振动[15]。常见的执行器包括压电陶瓷和形状记忆合金[16]。Ruggiero等人[17]提出在薄膜表面嵌入压电陶瓷，并利用主动反馈控制来消除振动。Hiraku等人[18]通过将薄膜与主要干扰源隔离来实现振动抑制。Li等人[19]开发了一种主动振动抑制控制器来减轻柔性太阳能电池板中的弹性振动。然而，传统主动方法往往对非线性振动和突然的环境干扰适应性较差。基于智能算法的主动抑制作为一种有前景的替代方案出现，其适应性更强，精度更高[20]。Rong等人[21]提出了一种用于四杆机构模型振动抑制的非线性模糊神经网络。Zhou等人[22]开发了一种基于模糊逻辑控制的机器学习方法来调节汽车悬架系统的振动。Qiu等人[23]设计了一种智能代理强化学习控制器，用于双压电柔性梁耦合系统的主动振动抑制。
尽管基于智能算法的主动抑制在处理强非线性振动方面优于传统方法，但现有方法存在一个关键局限性：它们在做出控制决策时仅考虑当前的振动状态[24]。这忽略了未来的振动趋势以及由突然的环境干扰引起的新的振动。因此，现有方法在动态和不确定的工作条件下表现出较差的振动抑制能力和鲁棒性，尤其是在薄膜结构的振动控制方面。为了填补这一空白，迫切需要开发一种能够整合当前和未来振动信息的振动抑制方法，以提高控制效果和鲁棒性。
本研究的主要挑战在于两个方面：首先，基于当前振动数据准确预测薄膜结构未来的振动值，这需要一个具有强非线性拟合能力和快速收敛速度的预测模型；其次，将预测的未来振动信息有效地与实时振动数据整合到智能控制算法的决策过程中，确保控制策略能够主动应对现有的和即将出现的振动干扰。
为了解决研究空白和挑战，本文提出了以下关键贡献：提出了一种名为LSAC的新振动抑制方法——结合了长短期记忆（LSTM）和软演员-评论家（SAC）的算法，将预测建模和强化学习相结合，以在控制决策中考虑当前和未来的振动状态。在LSTM网络中引入了一种新的自适应激活函数，以提高其非线性表达能力和收敛速度，从而提高振动预测的准确性和效率。
本文的其余部分安排如下：第2节介绍了LSTM神经网络和SAC强化学习的基本理论以及薄膜天线结构。第3节详细介绍了LSAC振动抑制方法的设计，包括带有自适应激活函数的LSTM预测模型和基于SAC的控制决策框架。第4节展示了实验设置、结果和分析，以验证所提方法的有效性。第5节总结了主要结论，并讨论了LSAC方法的性能优势和局限性。
部分摘录
预测模型
预测模型是一种结合数据和算法的方法[[25], [26], [27], [28], [29], [30], [31], [32]]。其核心是从历史数据中挖掘潜在的关系和模式，然后利用这些模式来预测未来的发展趋势或结果[33]。由于薄膜天线结构的非线性、高耦合度和复杂性，使用传统的动态模型难以准确捕捉系统的动态行为
方法概述
如图2所示，LSAC方法主要分为两部分：预测部分和决策部分。
第一部分
通过有限元分析获得薄膜天线结构的振动数据，然后将数据分为训练集和验证集。训练集用于训练模型，验证集用于验证训练模型的预测准确性。预测模型的作用是根据
实验
本节首先描述了薄膜结构的载荷、控制点和观测点。其次，通过将提出的IATF与传统的激活函数和先进的激活函数进行比较，旨在揭示其创新点和潜在优势。随后，在训练集和测试集上对带有IATF的LSTM神经网络进行了测试，以全面评估其预测准确性。比较不同的奖励函数系数并选择最佳
结论
通过系统的实验研究，本文提出了薄膜振动抑制问题的创新解决方案。首先，我们提出了LSAC算法，这是一种结合了预测建模和决策机制的新控制方法。在解决薄膜结构的振动预测问题时，本文提出了一种新的IATF函数，以减轻由于高度非线性和强耦合性导致的低预测准确性
作者贡献声明
贾崇杰：撰写——审稿与编辑、撰写——初稿、可视化、软件。李团杰：资源获取、资金筹措。宁玉明：撰写——审稿与编辑。董航家：方法论、数据管理。徐翔：数据管理。彭文轩：概念化。谢超：数据管理。
作者贡献声明
贾崇杰：撰写——审稿与编辑、撰写——初稿、可视化、软件。李团杰：资源获取、资金筹措。宁玉明：撰写——审稿与编辑。董航家：方法论、数据管理。徐翔：数据管理。彭文轩：概念化。谢超：数据管理。
