-
公开(公告)号：CN117807895B
公开(公告)日：2024-06-04
申请号：CN202410218474.7
申请日：2024-02-28
Applicant: 中国电建集团昆明勘测设计研究院有限公司
IPC: G06F30/27 , G06F17/13 , G06N3/092 , F16F9/53 , G06F119/14
Abstract: 本发明公开了一种基于深度强化学习的磁流变阻尼器控制方法和装置，属于人工智能及智能建造技术领域。该方法包括以下步骤：建立磁流变阻尼器控制系统模型，建立磁流变阻尼器控制系统的微分方程，采用Bouc‑Wen模型建立磁流变阻尼器模型；选择深度Q‑learning作为深度强化学习模型并设置模型动作和状态，建立奖励评价函数；采集学习训练数据，模型训练输出模型参数，利用训练得到的模型对结构采用磁流变阻尼器进行减振控制。本发明通过深度强化学习引入深度神经网络函数拟合的方法，以预测连续状态值。该方法的应用有望提高磁流变阻尼器的控制精度，从而进一步增强其减振控制效果，为解决磁流变阻尼器控制中的挑战提供了新的途径。
-
公开(公告)号：CN117215206A
公开(公告)日：2023-12-12
申请号：CN202311488171.9
申请日：2023-11-09
Applicant: 中国电建集团昆明勘测设计研究院有限公司
IPC: G05B13/04 , G06F30/23 , G06N20/00 , G06F30/27 , G06F119/14
Abstract: 本申请公开了一种水电站厂房的振动控制方法、装置、设备及存储介质，涉及电数字数据处理技术领域，方法通过获取所述水电站厂房的有限元网格模型和振动数据；通过时程分析法对所述振动数据进行动力分析，得到基于所述有限元网格模型的结构响应；将所述结构响应输出至所述有限元网格模型，形成动态模型；通过机器学习算法获取所述动态模型的最优解；获取所述最优解并定义为所述磁流变阻尼器的控制策略；输出所述控制策略至所述磁流变阻尼器。在对水电站厂房减振控制时，将学习得到的每一步最优的动作值输入磁流变阻尼器，从而让其提供最优的阻尼力对结构进行减振控制。使得磁流变阻尼器在每一步控制瞬时均处于最优的阻尼状态，提高减振效果。
-
公开(公告)号：CN117215206B
公开(公告)日：2024-07-26
申请号：CN202311488171.9
申请日：2023-11-09
Applicant: 中国电建集团昆明勘测设计研究院有限公司
IPC: G05B13/04 , G06F30/23 , G06N20/00 , G06F30/27 , G06F119/14
Abstract: 本申请公开了一种水电站厂房的振动控制方法、装置、设备及存储介质，涉及电数字数据处理技术领域，方法通过获取所述水电站厂房的有限元网格模型和振动数据；通过时程分析法对所述振动数据进行动力分析，得到基于所述有限元网格模型的结构响应；将所述结构响应输出至所述有限元网格模型，形成动态模型；通过机器学习算法获取所述动态模型的最优解；获取所述最优解并定义为所述磁流变阻尼器的控制策略；输出所述控制策略至所述磁流变阻尼器。在对水电站厂房减振控制时，将学习得到的每一步最优的动作值输入磁流变阻尼器，从而让其提供最优的阻尼力对结构进行减振控制。使得磁流变阻尼器在每一步控制瞬时均处于最优的阻尼状态，提高减振效果。
-
公开(公告)号：CN117807895A
公开(公告)日：2024-04-02
申请号：CN202410218474.7
申请日：2024-02-28
Applicant: 中国电建集团昆明勘测设计研究院有限公司
IPC: G06F30/27 , G06F17/13 , G06N3/092 , F16F9/53 , G06F119/14
Abstract: 本发明公开了一种基于深度强化学习的磁流变阻尼器控制方法和装置，属于人工智能及智能建造技术领域。该方法包括以下步骤：建立磁流变阻尼器控制系统模型，建立磁流变阻尼器控制系统的微分方程，采用Bouc‑Wen模型建立磁流变阻尼器模型；选择深度Q‑learning作为深度强化学习模型并设置模型动作和状态，建立奖励评价函数；采集学习训练数据，模型训练输出模型参数，利用训练得到的模型对结构采用磁流变阻尼器进行减振控制。本发明通过深度强化学习引入深度神经网络函数拟合的方法，以预测连续状态值。该方法的应用有望提高磁流变阻尼器的控制精度，从而进一步增强其减振控制效果，为解决磁流变阻尼器控制中的挑战提供了新的途径。
-
-
-
Search Results
4
records
(took 0.048 seconds)
