基于改进型 RBF 神经网络的磁流变阻尼器动力学建模及仿真

为提高磁流变阻尼器 (MRD) 动力学精度, 提出一种网络连接权值自适应调整的改进型 RBF 神经网络模型. 利用与任一测试样本相邻的两个训练样本对应的实际连接权值, 对测试样本连接权值进行线性插值, 提出连接权值的自适应算法; 搭建 MRD 动力试验平台, 进行多频率, 多振幅的动力性能试验, 利用大量实测力学特性数据, 建立 RBF 神经网络模型以及连接权值自适应调整的改进型 RBF 神经网络模型, 分析比较 RBF 神经网络模型在改进前后的平均累计相对误差变化规律, 并进行数值仿真计算和试验测试分析. 研究表明, 在正弦激励频率 0.25 Hz~ 1.0 Hz, 振幅 5 mm~ 15 mm, 电流 0~ 1.25 A 工况下, 相比于传统 RBF 神经网络模型 5% 的最大误差均值, 改进型 RBF 神经网络模型使建模误差均值多控制在 0.45%~ 0.85% 之间, 有效改善 MRD 的动力学特性, 建模精度较好满足工程实际需要.