کنترل تطبیقی سازه مبنای 3 طبقه مجهز به میراگر mr با استفاده از کنترل‌کننده مقاوم مرتبه کسری

در این مطالعه، هدف پیشنهاد یک کنترل کننده pid مرتبه کسری تطبیقی است که پارامترهای آن به صورت آنلاین توسط پنج شبکه عصبی پرسپترون چندلایه با استفاده از فیلتر کالمن توسعه یافته تنظیم می شود. یک شبکه عصبی mlp که از طریق الگوریتم پس انتشار خطا آموزش داده شده است برای شناسایی سیستم سازه ای و تخمین پلنت در نظر گرفته می شود. ژاکوبین مدل تخمین زده شده به صورت آنلاین برای اعمال به کنترل کننده استفاده می گردد. از آنجایی که جبرانساز شبکه های عصبی فازی نوع 2 که توسط ekf و استراتژی یادگیری خطای بازخورد تنظیم شده است، پایداری و استحکام این کنترل کننده در برابر خطای تخمین، اختلالات لرزه ای و برخی توابع غیرخطی ناشناخته افزایش می یابد. به منظور اعتبارسنجی، عملکرد کنترل کننده پیشنهادی بر روی سازه مبنا غیرخطی 3 طبقه مجهز به میراگر نیمه فعال تحت زلزله های حوزه دور و نزدیک بررسی می شود. به منظور بررسی و اثربخشی کنترل کننده پیشنهادی مجهز به جبران کننده در کاهش پاسخ های لرزه ای، شاخص های ارزیابی مورد بحث و با کارهای قبلی مقایسه گردیدند. نتایج بیانگر آن است که کنترل کننده fopid تطبیقی پیشنهادی عملکرد بهتری را نسبت به سایر کنترلرها داشته و بطوری که شاخص j2 در زلزله هاچینو با شدت 1.5، تا مقدار 35 درصد نسبت به دیگر کنترل کننده ها بهبود را تجربه کرده است و این میزان در زلزله نورثریج به بیش از 40 درصد نیز می رسد. دیگر شاخص ها ( j3 تا j6) نیز با استفاده از کنترل کننده پیشنهادی، بهبود قابل ملاحظه ای را تجربه کرده اند.

adaptive control of the 3-story benchmark building equipped with mr damper using fractional order robust controller

the goal of the present research is to propose a novel adaptive fractional order pid (afopid) controller whose parameters are tuned online by five exclusive multilayer perceptron (mlp) neural networks using the extended kalman filter (ekf). an mlp neural network that is trained using the back propagation (bp) error algorithm is considered to identify the structural system and estimate the plant. the jacobian of the model estimated online is utilized to apply to the controller. considering the adaptive interval type-2 fuzzy neural networks (it2fnn) and this issue that the compensator is tunned by ekf and feedback error learning strategy (fel), the stability and robustness of this controller are increased against the estimation error, seismic disturbances, and some unknown nonlinear functions. in order to validate, the performance of the proposed controller is investigated on a 3-story nonlinear benchmark building equipped with semi-active dampers under far and near field earthquakes. in order to evaluate the effectiveness of the proposed controller equipped with a compensator in reducing seismic responses, the evaluation indices were discussed and compared with previous studies. the numerical results represent the substantial efficiency of the proposed adaptive controller (afopid) over the previous controllers such that j2 in the hachinohe and northridge earthquakes enhanced by up to 35% and more than 40%, respectively. in general, all indices ( j3 to j6 ) have experienced a considerable enhancement using the proposed method.